Can-SAVE: Deploying Low-Cost and Population-Scale Cancer Screening via Survival Analysis Variables and EHR

1. Énoncé du problème

Le dépistage du cancer fait face à un goulot d'étranglement critique : les méthodes traditionnelles sont coûteuses, intensives en main-d'œuvre et difficiles à mettre à l'échelle au niveau de la population. Bien que l'IA ait montré des promesses dans la détection du cancer, la plupart des systèmes existants reposent sur des données spécialisées (génétique, biomarqueurs, enquêtes sur le mode de vie) ou des infrastructures complexes (imagerie, traitement du langage naturel), ce qui les rend peu pratiques pour un déploiement généralisé dans des systèmes de santé publique contraints en ressources.

Il existe un écart significatif entre les avancées théoriques de l'IA et l'utilité clinique. Les solutions existantes échouent souvent à exploiter efficacement les dossiers médicaux électroniques (DME) de routine pour la stratification des risques à l'échelle de la population sans nécessiter de collecte de données au-delà des codes de services médicaux standards (CIM-10) et des historiques de visites. Le défi consiste à créer un système qui soit :

• Faible coût : Ne nécessitant aucun matériel spécialisé ni biomarqueurs.
• Évolutif : Capable de traiter des millions de patients.
• Agnostique des données : Fonctionnant avec des données DME standard disponibles dans presque n'importe quelle clinique.

2. Méthodologie : Le cadre Can-SAVE

Can-SAVE est un système d'IA léger conçu pour classer les risques de cancer à l'échelle de la population uniquement sur la base d'événements d'historique médical de routine (diagnostics et codes de services). L'innovation centrale réside dans l'intégration des sorties de l'analyse de survie dans un cadre de Gradient Boosting.

A. Formulation du problème

La tâche est formulée comme un problème de classification binaire avec des contraintes temporelles :

• Entrée : Le DME d'un patient ($Q_i$) contenant des événements médicaux ordonnés chronologiquement (codes CIM-10, codes de services, dates).
• Cible : Prédire si un diagnostic de cancer (CIM-10 C00-C97) surviendra dans les 12 prochains mois ($t_{pred}$ à $t_{pred} + 12M$).
• Objectif : Maximiser le classement des patients à haut risque pour prioriser les ressources de dépistage limitées.

B. Pipeline en trois étapes

1. Ingénierie des caractéristiques :

   • Génération de plus de 700 caractéristiques candidates à partir des données DME brutes.
   • Les catégories incluent : Socio-démographie (âge, sexe), Modèles temporels (fréquence des visites, saisonnalité), Utilisation clinique (rapports diagnostic/service) et Fréquences d'événements médicaux (comptages par groupe CIM-10).

2. Construction des caractéristiques de survie (La nouveauté) :

   • Au lieu d'utiliser directement les données DME brutes pour la modélisation de survie, le système extrait des statistiques de survie au niveau de la population et personnalisées pour servir de caractéristiques au classificateur final.
   • Niveau de la population : Utilise les estimateurs de Kaplan-Meier pour calculer les probabilités de survie globales ($\hat{S}_{KM}$) et les probabilités de survie stratifiées par sexe. Il calcule également des "gradients de risque" (le changement de probabilité de survie entre l'âge $t$ et $t+1$).
   • Personnalisé : Utilise un modèle de Temps d'Échec Accéléré (AFT) pour générer des trajectoires de survie et des gradients de risque spécifiques à l'individu, basés sur l'historique des covariables du patient.

3. Intégration du Gradient Boosting :

   • Les sorties des modèles de survie (probabilités et gradients) sont concaténées avec les caractéristiques ML standard.
   • Un modèle CatBoost (Machine de Gradient Boosting) est entraîné sur cet ensemble de caractéristiques étendu pour prédire $P(\text{Cancer} | \text{DME})$.
   • Raison d'être : Les sorties de survie agissent comme un régularisateur, injectant une connaissance préalable de la population dans le modèle pour améliorer la généralisation et gérer le compromis biais-variance.

C. Lignes de base

Les auteurs ont comparé Can-SAVE à 17 lignes de base, notamment :

• ML classique (Régression logistique, Forêt aléatoire, GBM).
• Modèles de survie purs (AFT, Forêt de survie aléatoire, DeepHit).
• Apprentissage profond (RNN, Transformers comme BERT/Longformer).
• Approches basées sur les LLM (LLM affinés, modèles basés sur l'embedding, résumé par LLM).

3. Contributions clés

1. Architecture novatrice : Démonstration que la combinaison de variables d'analyse de survie avec le gradient boosting surpasse significativement à la fois les modèles de survie autonomes et les approches complexes d'apprentissage profond/LLM pour le classement des risques de cancer en utilisant uniquement des DME de routine.
2. Validation massive en conditions réelles : Validation du système sur un ensemble de données de 2,5 millions d'adultes répartis sur cinq régions russes, représentant l'un des plus grands déploiements réels d'évaluation des risques de cancer par IA.
3. Pilotage clinique prospectif : Réalisation d'une étude prospective de 12 mois supervisée par des oncologues impliquant 426 000 patients, dépassant l'analyse rétrospective pour mesurer l'impact clinique réel.
4. Évolutivité et efficacité : Preuve que le système peut traiter une population à l'échelle d'une ville (1 million de patients) en moins de 3 heures sur du matériel standard, sans nécessiter de nouvelle collecte de données ni d'infrastructure spécialisée.

4. Résultats expérimentaux

A. Performance rétrospective (expériences numériques)

• Ensemble de données : 175 441 patients (2017–2021).
• Métrique : La précision moyenne (AP) a été privilégiée par rapport à la ROC-AUC en raison du déséquilibre extrême des classes (le cancer est rare).
• Résultats :
  • Can-SAVE : A atteint une AP = 0,228 (la plus élevée parmi toutes les méthodes).
  • Meilleure ligne de base (LLM affiné par LoRA) : AP = 0,193.
  • Comparaison : Can-SAVE a surpassé la meilleure ligne de base LLM d'environ 18 % en AP et a dépassé toutes les autres méthodes classiques et d'apprentissage profond.
  • Étude d'ablation : A confirmé que la fusion des caractéristiques GBM et de survie est critique ; le GBM autonome (AP 0,160) et l'AFT autonome (AP 0,117) étaient significativement plus faibles.

B. Étude rétrospective supervisée par des oncologues

• Portée : 1,9 million de patients répartis sur 5 régions.
• Résultat : Lors du dépistage des 1 000 patients à haut risque identifiés par Can-SAVE, le système a détecté 41 à 90 cancers pour 1 000, contre 9 à 15 pour 1 000 avec les protocoles de dépistage traditionnels.
• Amélioration : Une augmentation de 4,1 à 10,0 fois du taux de détection à volumes de dépistage identiques.

C. Pilote prospectif (déploiement en conditions réelles)

• Portée : 426 210 patients sur 12 mois.
• Comparaison : Can-SAVE (Test) vs Dépistage standard national (Contrôle).
• Résultats clés :
  • Taux de détection : Can-SAVE a détecté 2 148 cancers contre 1 123 dans le groupe témoin.
  • Efficacité : Une augmentation de 91 % du taux de détection du cancer avec la même capacité clinique.
  • Couverture : Can-SAVE a identifié 75,4 % de tous les cancers détectés dans la région cette année-là, contre 39,4 % pour le dépistage traditionnel (une expansion de 36 points de pourcentage de la couverture).
  • Utilisation des ressources : Aucun nouveau matériel ni tests coûteux n'ont été requis ; le flux de travail a uniquement modifié la priorisation des invitations et un bref questionnaire de risque.

D. Importance des caractéristiques

• L'âge était la caractéristique dominante (20,2 % d'importance).
• Les sorties du modèle de survie ont contribué à 39,6 % de l'importance totale, validant l'hypothèse centrale selon laquelle les signaux dérivés de la survie sont critiques pour le classement.
• Les modèles de visites et les marqueurs cliniques (par exemple, services du système immunitaire, néoplasmes bénins) ont également contribué de manière significative.

5. Signification et impact

• Changement de paradigme : Can-SAVE prouve que l'IA "pragmatique" utilisant des données DME omniprésentes peut surpasser les modèles complexes et avides de données (comme les LLM) pour le dépistage de la population.
• Accessibilité : En ne s'appuyant que sur des codes CIM-10 standards et l'historique des visites, le système est déployable dans des contextes à faibles ressources à l'échelle mondiale, contournant le besoin de tests génétiques ou d'imagerie spécialisée.
• Utilité clinique : Le système s'est intégré avec succès dans les flux de travail de santé publique existants, démontrant que l'IA peut directement améliorer les taux de détection précoce et sauver des vies sans perturber les opérations cliniques.
• Évolutivité : La capacité du système à traiter des millions d'enregistrements en quelques heures sur des serveurs standards en fait une solution viable pour la mise en œuvre de politiques de santé au niveau national.

En conclusion, Can-SAVE offre un cadre reproductible et rentable pour la prévention du cancer à l'échelle de la population, comblant le fossé entre la science des données avancée et les contraintes réelles de la santé publique.