Nationwide EHR-Based Chronic Rhinosinusitis Prediction Using Demographic-Stratified Models

Résumé technique : Prédiction de la rhinosinusite chronique à l'échelle nationale basée sur les dossiers médicaux électroniques, utilisant des modèles stratifiés par démographie

Énoncé du problème
La rhinosinusite chronique (RSC) est un trouble inflammatoire hétérogène touchant environ 11 à 12 % de la population américaine, imposant des fardeaux significatifs en termes de morbidité et de coûts financiers. L'identification précoce est difficile car les symptômes se chevauchent avec des affections courantes comme la rhinite allergique, et le diagnostic formel nécessite généralement des preuves objectives issues de l'endoscopie nasale ou de scanners CT, qui ne sont pas toujours disponibles en soins primaires. Les études prédictives antérieures se sont appuyées sur des cohortes d'un seul établissement, limitant la généralisabilité au niveau de la population, ou ont utilisé des modalités intensives en ressources comme le séquençage génétique et l'imagerie. De plus, les approches d'apprentissage automatique existantes échouent souvent à tenir compte de l'hétérogénéité démographique marquée dans les phénotypes de la RSC, tels que les changements de pathologie dépendants de l'âge et les différences spécifiques au sexe dans la présentation de la maladie.

Méthodologie
Les auteurs ont développé un cadre prédictif utilisant des données longitudinales de dossiers médicaux électroniques (DME) à l'échelle nationale provenant du programme de recherche NIH « All of Us », standardisées selon le modèle de données commun OMOP. La méthodologie comprend trois composantes principales :

1. Prétraitement des données et construction de la cohorte :

   • Définition de la cible : Les cas de RSC ont été identifiés à l'aide d'une stratégie de phénotypage basée sur des règles exigeant au moins deux codes diagnostiques qualifiants sur une période de deux ans. Les témoins ont été appariés aux cas par score de propension en fonction de l'âge, du sexe, de la race, de l'origine ethnique et de la fréquence des visites pour atténuer le biais de surveillance.
   • Ingénierie des caractéristiques : Les journaux transactionnels bruts ont été transformés en une représentation de caractéristiques basée sur la récence. Pour chaque variable clinique (affections, médicaments, procédures), la valeur de la caractéristique représente le nombre de jours entre l'événement le plus récent et la date index. Les événements en dehors de la fenêtre de deux ans ou jamais survenus se voient attribuer une valeur sentinelle (999 999) pour permettre aux modèles basés sur des arbres de distinguer les données manquantes sans imputation.
   • Équilibrage : Une stratégie d'appariement par voisinage le plus proche 1:1 a été employée pour créer une cohorte équilibrée de 17 560 participants (8 780 cas et 8 780 témoins).

2. Sélection hybride des caractéristiques :
   Pour faire face à l'extrême parcimonie et à la dimensionalité (plus de 110 000 codes candidats), un pipeline en deux étapes a été mis en œuvre :

   • Étape 1 (Filtrage grossier statistique) : Les variables ont été classées par la différence absolue de prévalence entre les cas et les témoins ($|P_{cible} - P_{témoin}|$). Les 1 100 caractéristiques principales (300 affections, 500 procédures, 300 médicaments) ont été conservées.
   • Étape 2 (Filtrage fin basé sur le modèle) : Un classificateur XGBoost global optimisé a été entraîné sur les 1 100 caractéristiques. Les caractéristiques ont été classées par importance basée sur le gain d'information, et les 100 premières ont été sélectionnées. Ce sous-ensemble représentait 80,6 % de la valeur SHAP cumulative totale, assurant la préservation du pouvoir prédictif tout en améliorant l'interprétabilité.

3. Modélisation stratifiée par démographie :
   Reconnaissant que les phénotypes de la RSC varient selon le sexe et l'âge, la cohorte a été partitionnée en six strates mutuellement exclusives : Masculin/Féminin croisé avec trois groupes d'âge (18–40, 40–60, 60+). Six modèles XGBoost indépendants ont été entraînés, un pour chaque strate. Chaque modèle a subi une optimisation indépendante des hyperparamètres utilisant l'algorithme de l'estimateur de Parzen arborescent bayésien (TPE) sur 100 essais pour maximiser l'AUC-ROC.

Contributions clés

• Échelle nationale : Exploitation de la diversité et de la richesse de la cohorte « All of Us » pour surmonter les limites de généralisabilité des études d'un seul établissement.
• Sélection hybride des caractéristiques : Introduction d'un pipeline qui compresse plus de 110 000 codes cliniques en 100 caractéristiques interprétables, équilibrant la parcimonie avec la performance prédictive.
• Stratification démographique : Proposition d'un cadre de modélisation qui tient explicitement compte du dimorphisme sexuel dépendant de l'âge dans les phénotypes de la maladie, entraînant six modèles adaptés plutôt qu'un modèle global unique.
• Applicabilité clinique : Démonstration que les données DME collectées de routine peuvent soutenir la stratification des risques sans dépendre d'imagerie coûteuse ou de données génétiques.

Résultats
Le cadre XGBoost stratifié par démographie proposé a atteint une aire sous la courbe (AUC) globale de 0,8461. Cela représentait une amélioration de 0,0168 par rapport à la meilleure référence (un modèle XGBoost global avec une AUC de 0,8293). La méthode proposée a également surpassé les modèles de forêt aléatoire (0,8159), SVM (0,8120) et d'apprentissage profond (0,8072).

Crucialement, l'approche stratifiée a amélioré la discrimination dans les six sous-groupes, avec des gains d'AUC allant de +0,0076 à +0,0278. Le modèle a atteint une sensibilité de 0,6889, surpassant significativement les approches d'apprentissage automatique standard, ce qui est cliniquement avantageux pour le dépistage afin de s'assurer que les patients affectés ne sont pas négligés.

L'analyse de l'importance des caractéristiques a révélé des signaux biologiques distincts entre les groupes :

• Hommes : Les modèles ont priorisé les caractéristiques structurelles et polypoïdes (par exemple, déviation de la cloison nasale chez les hommes plus jeunes, polypes nasaux chez les hommes plus âgés).
• Femmes : Les modèles ont favorisé les marqueurs d'inflammation muqueuse et d'atopie (par exemple, rhinite allergique, asthme et marqueurs infectieux chez les femmes plus âgées).

Signification
L'article affirme que la modélisation explicite de l'hétérogénéité démographique produit des gains mesurables dans la prédiction du risque de RSC. En capturant les facteurs de risque spécifiques associés aux différents sous-groupes sexe-âge, le cadre offre un outil plus précis pour la stratification des risques représentative de la population. Les auteurs suggèrent que cette approche peut faciliter un triage plus précoce et une priorisation des références en milieu de soins primaires, en particulier lorsque l'imagerie diagnostique n'est pas disponible, déplaçant la prise de décision de l'impression subjective vers la prédiction fondée sur des preuves. Le travail souligne l'utilité des données DME de routine pour identifier les cas potentiels de RSC avant l'évaluation par un spécialiste.