Les calculateurs de risque sont utilisés pour évaluer le risque de maladie pour des millions de patients, ce qui rend leur précision cruciale. Mais lorsque les modèles nationaux sont adaptés aux populations locales, ils se détériorent souvent, perdant en précision et en interprétabilité. Des chercheurs du Brigham and Women's Hospital, membre fondateur du système de santé Mass General Brigham, ont utilisé l'apprentissage automatique avancé pour augmenter la précision d'un calculateur national de risque cardiovasculaire tout en préservant son interprétabilité et ses associations de risque originales. Leurs résultats ont montré une précision globale plus élevée dans une cohorte de dossiers médicaux électroniques du Mass General Brigham et ont reclassé environ un patient sur dix dans une catégorie de risque différente pour faciliter des décisions de traitement plus précises. Les résultats sont publiés dans JAMA Cardiology.
« Les calculateurs de risques sont extrêmement importants, car ils font partie intégrante de la conversation entre les prestataires de soins et les patients sur la prévention des risques », a déclaré le Dr Aniket Zinzuwadia, premier auteur et médecin résident en médecine interne au Brigham and Women's Hospital. « Mais parfois, lorsque l'on applique ces calculateurs mondiaux aux populations locales, il existe une variabilité inhérente à la nature d'une zone, qu'il s'agisse de caractéristiques démographiques différentes, de modèles de pratique médicale différents ou de facteurs de risque différents. Nous avons donc voulu trouver un moyen d'adapter le modèle de risque fondamental des maladies cardiovasculaires aux populations locales de manière sûre, en s'appuyant sur ce qui est déjà fait. »
L'American Heart Association a lancé en 2023 le calculateur de prédiction du risque d'événements de maladie cardiovasculaire (PREVENT) pour les adultes âgés de 30 à 79 ans. Ce nouvel outil amélioré permet de prédire la probabilité qu'une personne développe une crise cardiaque, un accident vasculaire cérébral ou une insuffisance cardiaque dans 10 ans et dans 30 ans. Si les équations PREVENT ont bien fonctionné pour évaluer le risque au niveau national, les chercheurs ont voulu tester si leur technique pouvait mieux calibrer l'évaluation du risque pour des populations plus locales.
Dans l'étude, les chercheurs ont utilisé les données des dossiers médicaux électroniques de 95 326 patients du Mass General Brigham qui étaient âgés de 55 ans ou plus en 2007 et qui avaient subi au moins une mesure de lipides ou de tension artérielle entre 1997 et 2006 et au moins une consultation avec le système hospitalier entre 2007 et 2016. L'équipe a utilisé XGBoost, une bibliothèque d'apprentissage automatique open source, pour recalibrer les équations de PREVENT tout en préservant les associations de facteurs de risque connus avec les résultats observés dans le modèle original. Les résultats ont démontré une plus grande précision et la reclassification d'un patient sur dix dans cette population.
Cela pourrait théoriquement représenter un groupe de patients qui n’auraient pas reçu de prescription de thérapies à base de statines dans l’application originale du modèle, par exemple, mais qui auraient pu en bénéficier. »
Dr Aniket Zinzuwadia, médecin résident, Brigham and Women's Hospital
Bien que d’autres étapes soient nécessaires avant que cette technique puisse être appliquée aux soins aux patients, l’équipe aimerait voir comment elle fonctionne dans les populations locales d’autres systèmes de santé et, éventuellement, que les cliniciens et les chercheurs utilisent l’outil pour adapter les modèles de risque mondiaux.
« L’un des principaux défis de l’application de l’IA à la recherche médicale est de garantir que les modèles d’apprentissage automatique ne soient pas seulement flexibles, mais également transparents, fiables et fondés sur la connaissance du domaine », a déclaré Olga Demler, co-auteure principale et biostatisticienne associée à la division de médecine préventive du Brigham and Women’s Hospital. « Notre approche montre qu’il est possible d’éviter la nature « boîte noire » des applications d’IA et peut offrir une voie vers l’avenir où des algorithmes sophistiqués peuvent conserver leur flexibilité tout en produisant des garanties de performance. »
Paternité: Les auteurs supplémentaires incluent Olga Mineeva, Chunying Li, Zareen Farukhi, Franco Giulianini, Brian Cade, Lin Chen, Elizabeth Karlson, Nina Paynter et Samia Mora.
Divulgations : Samia Mora a travaillé comme consultante auprès de Pfizer pour des travaux en dehors de l'étude en cours. Olga Demler et Nina Paynter ont reçu un financement du Kowa Research Institute pour des travaux sans rapport avec l'étude en cours. Aniket Zinzuwadia a travaillé comme employée de Heartbeat Health pour des travaux en dehors de l'étude en cours.
Financement: Les chercheurs ont été soutenus par le National Heart, Lung, and Blood Institute (K24 HL136852, R21 HL156174, R21HL167173, K01HL135342 et R21125962), l'American Heart Association (17IGMV33860009), l'École polytechnique fédérale de Zurich (ETH, Zurich, Suisse), Dataspectrum4CVD du Swiss Data Science Center/Personalized Health & Related Technologies, Zurich, Suisse, et le National Human Genome Research Institute (U01HG008685).
