Dans un article récent publié dans Communications naturellesdes chercheurs ont étudié l’intérêt d’intégrer les ventes de médicaments sans ordonnance (par exemple, les sirops contre la toux) pour améliorer la prévision des décès dus à des maladies respiratoires en Angleterre, à l’aide d’outils prédictifs basés sur l’intelligence artificielle (IA).
Sommaire
Arrière-plan
Les maladies respiratoires, notamment les syndromes grippaux (ILI) et la maladie à coronavirus 2019 (COVID-19), l’asthme, la maladie pulmonaire obstructive chronique (MPOC), la pneumonie et la bronchite sont les principales causes de décès dans le monde.
En Angleterre et au Pays de Galles, 369 900 décès dus à toutes les maladies respiratoires [classified under the International Classification of Diseases, Tenth Revision Code 10 (J00-J99)] s’est produite entre 2015 et 2019. De plus, la COVID-19 s’est imposée comme une maladie de longue date qui continue de faire peser sur les systèmes de santé des pressions financières et logistiques.
Ensemble, ces observations nécessitent de trouver de nouvelles méthodes pour mieux prévoir les décès dus aux maladies respiratoires et leur impact sur les populations vulnérables au niveau local.
Les chercheurs postulent que les modèles intégrant des données sur les ventes de médicaments sans ordonnance pourraient surpasser les modèles utilisant des données sociodémographiques et météorologiques traditionnellement associées aux maladies respiratoires, en particulier au Royaume-Uni (UK), où les données d’achat transactionnelles consistent en des journaux de ventes longitudinaux et horodatés spécifiés au niveau du magasin.
Ces données sont mises à jour en temps réel, ce qui permet d’étudier les signaux comportementaux au sein des populations et au fil du temps. Plusieurs études antérieures ont montré que ces données pourraient aider à mieux comprendre la santé de la population, étant donné que les problèmes de confidentialité, d’éthique et de transparence liés à leur utilisation sont résolus.
À propos de l’étude
Dans la présente étude, les chercheurs ont utilisé les données de plus de deux milliards de transactions commerciales enregistrées par les grands détaillants du Royaume-Uni entre mars 2016 et mars 2020 pour prédire les décès enregistrés dus à des maladies respiratoires dans 314 autorités locales de niveau inférieur (LTLA) à travers l’Angleterre.
Ils ont exploité les progrès récents en matière d’analyse d’importance variable pour développer un nouvel outil d’explicabilité d’importance variable basé sur l’IA appelé Model Class Reliance (MCR).
Les chercheurs l’ont mis en œuvre sur la prévision du montant des décès par maladie respiratoire à l’aide des ventes (PADRUS) et la prévision du montant des décès par maladie respiratoire à l’aide de l’absence de ventes (PADRUNOS), ce qui les a aidés à examiner si l’intégration des données sur les ventes de médicaments sans ordonnance ( une variable) dans ces modèles basés sur l’apprentissage automatique (ML) ont amélioré leurs performances par rapport à d’autres modèles offrant des performances comparables, connus sous le nom d’« ensemble Rashomon ».
Plus précisément, ils ont comparé l’exactitude des prévisions hebdomadaires de PADRUS concernant les décès par maladie respiratoire dans chaque autorité locale par rapport à la ligne de base et à PADRUNOS (modèles comparatifs). Les trois modèles, de base, PADRUS et PADRUNOS, étaient non linéaires et utilisaient un régresseur forestier aléatoire, permettant une analyse MCR ultérieure.
En outre, les chercheurs ont créé des caractéristiques de vente d’entrées à partir des ventes hebdomadaires cumulées de médicaments contre la toux, la toux sèche, la toux muqueuse, les décongestionnants et la gorge enregistrées par le détaillant via des systèmes d’enregistrement au point de vente (POS). Les chercheurs ont également déterminé le nombre de jours dans les horizons de prévision et les données de ventes en fonction des décès hebdomadaires enregistrés le vendredi et de la semaine commençant et se terminant respectivement mercredi et mardi.
Résultats
Les résultats préliminaires de l’étude ont permis d’obtenir des effets relativement faibles sur les gains de précision tout au long de l’année ; cependant, une analyse plus approfondie a révélé que la simplification excessive des tâches de modélisation due à la suppression des données a entravé les améliorations, tout comme le manque d’attention portée aux périodes d’incidence volatile des maladies respiratoires.
La résolution de ces problèmes a conduit à des gains substantiels après l’inclusion des données sur les ventes de médicaments, les performances prédictives des prévisions hors échantillon augmentant de 0,11 (R2) lorsque les modèles englobaient également des données comportementales sur les ventes.
En plus de confirmer l’influence de l’âge et de la taille de la population, les analyses MCR ont montré que l’intégration des ventes de médicaments contre la toux dans un délai de 24 jours permettait aux modèles ML d’atteindre des performances optimales. En outre, l’analyse MCR de PADRUS pourrait aider à identifier des variables à jour, également plus faciles d’accès et acceptables pour une utilisation dans les systèmes de surveillance de la santé publique surveillant les maladies respiratoires.
En outre, l’analyse MCR suggère que les variables traditionnelles sont incapables de compenser les écarts d’incidence de la maladie par rapport aux normes saisonnières. Par exemple, au cours de la saison grippale 2017-2018 au Royaume-Uni, les variables saisonnières/de température dans PADRUNOS n’ont pas pu s’adapter à la co-circulation inattendue des souches grippales A et B, alors que PADRUS s’est comporté de manière beaucoup plus stable.
En effet, les variables obtenues à partir de l’observation empirique du comportement humain fournissent une prévision plus stable et plus précise des maladies en adaptation.
Conclusions
Dans l’ensemble, cette étude a utilisé des données hebdomadaires sur quatre ans sur les ventes au détail de médicaments contre les maladies respiratoires dans 314 LTLA à travers l’Angleterre, fournissant des preuves plus granulaires des associations précédemment spéculées entre les ventes de médicaments contre la toux et les décongestionnants et les taux de SG ainsi que les pics d’hospitalisations pour problèmes respiratoires. maladie survenant plus tard.
Ses résultats ont démontré que l’inclusion des données sur les ventes de médicaments sans ordonnance, aux côtés des variables traditionnelles, peut améliorer la précision des prévisions en matière de décès respiratoires. Des prévisions opportunes en matière de surveillance des maladies peuvent éclairer la prise de décision en matière de soins de santé, étant donné que les autorités de santé publique ont accès aux données commerciales sur les ventes de médicaments en temps réel.
Malgré les variations selon les pays et les régions géographiques, la clé serait d’équilibrer le coût financier de l’intégration des données de ventes dans les systèmes de surveillance des maladies. De plus, une évaluation critique est nécessaire pour garantir
ce modèle peut s’adapter aux changements environnementaux et de consommation, tels que les confinements imposés par le gouvernement empêchant les ventes en magasin.
Simultanément, il serait crucial d’intégrer soigneusement les variables modératrices pertinentes dans les outils basés sur l’IA qui suivent les changements d’importance des variables dans les données de séries chronologiques et identifient la dérive des caractéristiques. En outre, la recherche sur l’utilisation des données de ventes pour prédire les décès dus au COVID-19 qui défient les tendances saisonnières des SG pourrait aider à confirmer ces résultats et offrir l’opportunité d’évaluer la capacité d’un modèle d’IA à généraliser à de nouvelles données.