Stroke Prediction using Clinical and Social Features in Machine Learning

Imaginez une bibliothèque immense où chaque livre représente la vie d'une personne. L'objectif de ce document est de trouver un moyen de repérer rapidement les quelques livres qui sont sur le point de « s'effondrer » (représentant un AVC) avant qu'ils ne se brisent réellement, afin de pouvoir les réparer à temps.

Voici l'histoire de la manière dont l'auteur a tenté de construire un système pour faire exactement cela, en utilisant trois types de « bibliothécaires » différents (des modèles d'apprentissage automatique).

Le Problème : Un Événement Rare

Chaque année aux États-Unis, 800 000 personnes font un AVC. Cela représente une personne toutes les 40 secondes. L'auteur note que les AVC sont la deuxième cause de décès et d'invalidité dans le monde.

Le défi est que les AVC sont rares par rapport aux personnes qui n'en font pas. Dans l'ensemble de données utilisé (environ 5 000 personnes), seulement environ 5 ou 6 personnes sur 100 avaient réellement subi un AVC. C'est comme essayer de trouver une bille rouge dans un seau de 20 billes blanches.

L'auteur voulait construire un programme informatique qui examine les « statistiques » d'une personne — des choses comme son âge, sa tension artérielle, son IMC (indice de masse corporelle), son type d'emploi et s'il est marié ou non — pour deviner s'il est à risque.

La Règle d'Or : Dans ce projet spécifique, l'objectif le plus important était d'éviter les Faux Négatifs.

• Faux Négatif : L'ordinateur dit : « Vous êtes en sécurité », mais la personne est en réalité à risque. C'est dangereux car la personne pourrait continuer à mener un mode de vie malsain alors qu'elle devrait le changer.
• Faux Positif : L'ordinateur dit : « Vous êtes à risque », mais la personne est en réalité en sécurité. C'est agaçant et coûteux, mais l'auteur a décidé qu'il vaut mieux être prudent que de regretter.

Les Trois « Bibliothécaires » (Les Modèles)

L'auteur a testé trois façons différentes pour l'ordinateur de faire ces prédictions :

1. La Calculatrice Simple (Régression Logistique)

Considérez ce modèle comme une calculatrice très directe. Elle prend tous les chiffres (âge, poids, etc.), donne à chacun un « poids » ou une importance spécifique, les additionne et recrache un pourcentage de probabilité d'AVC.

• Comment elle fonctionnait : Elle était douée pour attraper les personnes qui ont réellement fait des AVC (haut « rappel »). Elle a capturé environ 76 % des cas réels.
• Le Piège : Elle était un peu trop paranoïaque. Elle criait « Au loup ! » trop souvent. Sur 100 personnes qu'elle signalait comme « à risque », seulement 16 étaient réellement à risque. Les 84 autres étaient de fausses alertes.
• Ce qu'elle a appris : Elle a confirmé que l'âge est le plus grand prédicteur d'un AVC. Curieusement, elle a étonnamment minimisé l'importance de l'IMC (poids corporel), ce qui contredit ce que disent habituellement les médecins.

2. Le Penseur Profond (Réseau de Neurones Denses)

Ce modèle est comme un étudiant qui a suivi de nombreux cours de mathématiques avancées. Il possède des couches de « neurones » qui traitent l'information en profondeur, cherchant des motifs complexes que la calculatrice simple pourrait manquer.

• Comment il fonctionnait : C'était le modèle le plus précis globalement. Il avait la bonne réponse environ 86,5 % du temps. Il était également meilleur pour ne pas crier « Au loup ! » (meilleure précision) que la calculatrice simple.
• Le Piège : Il manquait plus de cas réels d'AVC que la calculatrice simple. Il a échoué à attraper environ la moitié des personnes qui avaient réellement besoin d'aide.
• Vitesse : Il était également le plus rapide à entraîner (apprendre à partir des données).

3. Le Détecteur de Motifs (Réseau de Neurones Convolutifs)

Ce modèle est généralement utilisé pour regarder des images (comme reconnaître un chat sur une photo), mais l'auteur a essayé de l'utiliser ici pour trouver des motifs dans les données.

• Comment il fonctionnait : Ses performances se situaient quelque part entre les deux. Il n'était pas aussi précis que le « Penseur Profond », mais il était meilleur pour attraper les cas réels d'AVC que le « Penseur Profond ».
• Le Piège : Il a pris plus de temps pour l'entraînement et n'a pas été aussi performant que les deux autres modèles.

La Grande Révélation : Le Compromis

Le document met en lumière une lutte classique en médecine : Précision vs Sécurité.

• La Calculatrice Simple était excellente pour la sécurité (attraper presque tout le monde de malade) mais mauvaise pour la précision (signaler trop de personnes en bonne santé).
• Le Penseur Profond était excellent pour la précision (rarement signaler des personnes en bonne santé) mais mauvais pour la sécurité (manquer certaines personnes malades).

L'auteur a découvert que bien que le « Penseur Profond » ait obtenu le score global le plus élevé, il manquait trop de cas réels d'AVC pour être le seul outil utilisé si l'objectif est de sauver des vies.

La Solution Proposée : Un Travail d'Équipe

Puisqu'aucun modèle unique n'était parfait, l'auteur suggère une approche de « course de relais » pour les soins de santé :

1. Premier Relais : Utiliser la Calculatrice Simple en premier. Parce qu'elle attrape presque tout le monde qui est à risque (même si elle commet quelques erreurs), elle agit comme un large filet pour filtrer tout le monde.
2. Deuxième Relais : Si la Calculatrice Simple dit qu'une personne est à risque, on la passe au Penseur Profond. Ce modèle peut alors effectuer un contrôle plus détaillé et précis pour voir si la personne est réellement à risque, filtrant ainsi les fausses alertes.
3. Le Filet de Sécurité : Le Détecteur de Motifs (CNN) pourrait être utilisé comme un troisième avis pour revérifier les résultats.

L'Essentiel à Retenir

Le document conclut que pour rendre ces modèles encore meilleurs à l'avenir, nous avons besoin de plus de données. Plus précisément, nous avons besoin de plus d'informations sur les personnes qui ont réellement eu des AVC, car pour l'instant, les données sont trop déséquilibrées (trop de personnes en bonne santé, trop peu de personnes malades).

D'ici là, la meilleure stratégie n'est pas de choisir un seul « vainqueur », mais d'utiliser une équipe de modèles différents travaillant ensemble pour s'assurer que personne à risque ne passe entre les mailles du filet.