A joint model for (un)bounded longitudinal markers, competing risks, and recurrent events using patient registry data

Dans le monde de la recherche médicale, les médecins et les scientifiques suivent souvent deux types d'informations différents pour comprendre comment une maladie progresse dans le corps d'une personne. Le premier type est une série de mesures prises au fil du temps, comme le contrôle de la tension artérielle ou de la capacité pulmonaire d'un patient tous les quelques mois. Ce sont des marqueurs longitudinaux, et ils racontent une histoire de changement, montrant si un patient s'améliore lentement ou s'aggrave. Le second type d'information concerne des moments spécifiques où quelque chose d'important se produit, comme une visite soudaine à l'hôpital, une complication majeure ou même le décès. Ces événements sont connus sous le nom d'événements cliniques. Depuis des décennies, les chercheurs tentent de construire des modèles mathématiques qui lient ces deux flux de données, en se demandant comment les changements lents et constants des mesures de santé d'un patient pourraient prédire le moment où un événement soudain et grave surviendra. Cette connexion est vitale car elle permet aux médecins d'anticiper les problèmes avant qu'ils ne deviennent des urgences. Cependant, les données médicales de la vie réelle sont rarement simples. Les patients peuvent subir le même type de crise plusieurs fois, et ils sont confrontés à différents types de résultats graves qui entrent en compétition les uns avec les autres, comme le risque de mourir par rapport au risque d'avoir besoin d'une transplantation. De plus, de nombreuses mesures de santé sont bornées, ce qui signifie qu'elles ne peuvent pas descendre en dessous de zéro ou dépasser une certaine limite, ce qui les rend difficiles à analyser avec les outils standards qui supposent que les nombres peuvent s'étendre indéfiniment dans les deux directions.

Une équipe de statisticiens et d'épidémiologistes a développé une nouvelle méthode plus sophistiquée pour relier ces pièces complexes d'information. Leur travail se concentre sur la mucoviscidose, une maladie génétique grave qui endommage les poumons et le système digestif. Les patients atteints de cette pathologie sont surveillés de près pour deux indicateurs clés : leur indice de masse corporelle, qui reflète leur état nutritionnel, et une mesure de leur fonction pulmonaire appelée le pourcentage de volume expiratoire maximal par seconde prédit. Cette mesure pulmonaire est un pourcentage qui varie généralement de zéro à cent, bien qu'elle puisse occasionnellement dépasser légèrement ce seuil avec un traitement efficace. Parce que ce nombre est piégé dans une plage spécifique, les méthodes statistiques standards peinent souvent à modéliser cette donnée avec précision, produisant parfois des résultats impossibles comme une capacité pulmonaire négative. Les chercheurs devaient également tenir compte du fait que les patients peuvent subir des infections pulmonaires répétées, appelées exacerbations pulmonaires, et qu'ils sont confrontés à deux risques distincts et concurrents à la fin de leur parcours : la mort par insuffisance respiratoire ou la réception d'une transplantation pulmonaire. Les méthodes précédentes obligeaient souvent les chercheurs à ignorer certaines de ces informations, comme traiter des infections multiples comme un seul événement ou combiner le décès et la transplantation en une seule catégorie, ce qui occultait des détails importants sur la maladie.

Pour résoudre ces problèmes, les chercheurs ont créé un cadre statistique unifié capable de gérer toutes ces complexités simultanément. Au lieu de forcer les données de la fonction pulmonaire dans une courbe standard qui autorise des valeurs impossibles, ils ont utilisé une forme mathématique flexible conçue spécifiquement pour les nombres qui restent dans une limite fixée. Cette approche garantit que le modèle ne prédit que des valeurs de fonction pulmonaire réalistes. Ils ont ensuite lié ce modèle de mesure amélioré au calendrier des infections répétées et aux risques concurrents de décès et de transplantation. Ce faisant, ils ont pu voir comment la trajectoire de la fonction pulmonaire et du poids corporel d'un patient influençait la probabilité d'une infection future ou d'un événement terminal, tout en tenant compte du fait qu'un patient recevant une transplantation n'est plus exposé au risque de mourir de défaillance respiratoire de la même manière. L'équipe a testé cette nouvelle méthode en utilisant une base de données massive contenant les dossiers de santé de plus de vingt-trois mille individus atteints de mucoviscidose aux États-Unis, s'étendant sur près de deux décennies. Cet ensemble de données comprenait des millions de mesures individuelles et suivait des milliers d'hospitalisations, de transplantations et de décès.

Les résultats de l'application de ce nouveau modèle aux données du monde réel ont révélé une image plus claire de la progression de la maladie. L'analyse a montré que le risque de subir une infection pulmonaire augmente si un patient a eu de nombreuses infections par le passé, confirmant que la maladie a tendance à se regrouper par épisodes. Plus important encore, le modèle a démontré que la fonction pulmonaire et l'indice de masse corporelle sont de puissants prédicteurs des risques futurs. Spécifiquement, un déclin plus rapide de la fonction pulmonaire était fortement associé à un risque de décès plus élevé, tandis que l'historique cumulé des changements de l'indice de masse corporelle était lié au risque d'avoir une autre infection. L'étude a révélé que le risque de décès et le risque de nécessiter une transplantation sont influencés différemment par ces marqueurs, prouvant que les traiter comme un seul résultat aurait manqué des nuances critiques. Par exemple, le modèle a montré qu'une chute d'une unité de la fonction pulmonaire et une vitesse de déclin plus rapide augmentaient chacune le danger de décès par des montants distincts, soulignant l'importance de suivre la vitesse de changement, et non seulement la valeur actuelle. Les chercheurs ont également découvert que les patients qui étaient plus fragiles — un terme décrivant un état général de vulnérabilité — étaient nettement plus susceptibles de subir des infections, de recevoir une transplantation ou de décéder.

L'étude a également servi de test pour voir si l'utilisation des anciennes méthodes plus simples conduirait à de mauvaises conclusions. Lorsque les chercheurs ont simulé des données où la fonction pulmonaire était strictement bornée et ont ensuite tenté de les analyser avec les méthodes traditionnelles qui supposent que les nombres peuvent aller n'importe où, les résultats étaient biaisés. L'approche plus ancienne produisait des estimations erronées, suggérant que la relation entre la santé pulmonaire et le risque de décès était beaucoup plus faible qu'elle ne l'était réellement. Cela a confirmé que la nouvelle méthode n'est pas seulement un ajustement mineur, mais une amélioration nécessaire pour une analyse précise. L'équipe a mis son nouveau modèle à la disposition d'autres scientifiques via un progiciel gratuit, permettant aux chercheurs d'appliquer cette même approche rigoureuse à d'autres maladies présentant des structures de données complexes similaires. En capturant l'histoire complète du parcours de santé d'un patient — les revers répétés, les dangers concurrents et la nature bornée de ses signes vitaux — ce travail fournit un outil plus précis pour comprendre la progression de la maladie. Il offre un moyen de quantifier la relation entre les signes cliniques les plus importants et les événements potentiellement mortels avec un niveau de détail qui était auparavant impossible, ce qui pourrait aider les médecins à gérer ces conditions plus efficacement à l'avenir.