Résumé technique : Optimisation contextuelle des intervalles de suivi pour les soins du diabète de type 2 à l'aide des processus de décision markoviens

Énoncé du problème

Les directives cliniques actuelles pour la gestion du diabète de type 2 (DT2) prescrivent des intervalles de temps fixes pour les visites de suivi en soins primaires (par exemple, trimestrielles pour les patients non contrôlés, semestrielles pour les patients contrôlés), sans tenir compte de l'hétérogénéité individuelle des patients. Cette approche « taille unique » ne parvient pas à rendre compte de la nature dynamique des trajectoires cliniques, des profils de risque variables et des compromis entre un suivi fréquent (qui surcharge les patients et les systèmes) et un suivi peu fréquent (qui risque de manquer une détérioration glycémique). Les études existantes se sont largement concentrées sur les associations de moyennes de population entre les intervalles fixes et les résultats ou sur la sélection de traitements, manquant ainsi d'un cadre prescriptif pour optimiser les intervalles de suivi basés sur l'évolution du contexte du patient.

Méthodologie

L'étude propose un cadre de Processus de Décision Markovien Contextuel (CMDP) pour dériver des politiques de suivi personnalisées et spécifiques au contexte en utilisant des données longitudinales de dossiers de santé électroniques (DSE) provenant de 22 154 patients atteints de DT2 dans 10 cliniques de soins primaires (2017–2023). Le pipeline analytique comprend quatre étapes :

1. Prétraitement des données et ingénierie des caractéristiques

Le cadre utilise des variables statiques et dynamiques :

• Variables statiques : Démographie (âge, sexe), comorbidités (AVC, MRC, complications du DT2) et utilisation historique des soins de santé.
• Variables dynamiques : Définies à chaque époque de décision (visite du médecin de premier recours $t$) :
  • État glycémique : Catégorisé comme Contrôlé ($HbA1c < 6,5 \%$), Non contrôlé ($\ge 6,5 \%$) ou Non mesuré.
  • Hospitalisation de l'intervalle : Indicateur binaire d'admission entre les visites.
  • Tendance de l'HbA1c : Changement de l'$HbA1c$($\Delta HbA1c$) catégorisé comme Amélioration, Stabilité, Détérioration ou Indéfini.

2. Réduction de la dimensionnalité (PCA)

Pour gérer la haute dimensionnalité des trajectoires cliniques (séquences de 24 états distincts par visite), une analyse en composantes principales (PCA) a été appliquée. L'étude a conservé 83 composantes principales (CP) qui expliquaient collectivement au moins 95 % de la variance de l'espace de caractéristiques original de 409 dimensions.

3. Mise en grappes pour l'identification du contexte

Les patients ont été assignés à des « contextes » distincts à l'aide de l'algorithme K-Prototypes, qui gère les données mixtes numériques (CP) et catégorielles (statiques). Le nombre optimal de grappes ($K=2$) a été déterminé en maximisant le score de silhouette moyen. Cela a abouti à deux sous-populations distinctes :

• Contexte 1 (Haut risque) : Patients plus âgés avec des charges de comorbidités plus élevées (MRC, AVC, complications).
• Contexte 2 (Bas risque) : Patients relativement plus jeunes, en meilleure santé, avec moins de complications.

4. Formulation du CMDP

Le problème d'optimisation est modélisé comme un CMDP à horizon infini avec actualisation défini par le tuple $(S, A, \{P_z\}, \{C_z\}, \gamma)$ :

• Espace des états ($S$) : Le produit cartésien de l'état glycémique, de l'état d'hospitalisation et de la tendance de l'HbA1c, plus un état absorbant de « Perte de suivi ».
• Espace des actions ($A$) : Intervalles de suivi discrétisés : 1, 3, 6, 12 ou >12 mois.
• Fonction de coût ($C_z$) : Une fonction de coût non monétaire agrégeant quatre composantes pour quantifier la charge clinique :
  1. Charge glycémique ($C_G$) : Temps passé avec une $HbA1c > 6,5 \%$, pondéré par la sévérité des transitions d'état.
  2. Incertitude de mesure ($C_M$) : Pénalité pour agir sur des données d'$HbA1c$ non mesurées ou obsolètes, augmentant avec la durée de l'incertitude.
  3. Coût d'hospitalisation ($C_I$) : Pénalité pour les admissions hospitalières survenant entre les visites.
  4. Coût d'utilisation des visites ($C_F$) : Une pénalité concave pour les visites fréquentes afin de décourager la charge inutile, modélisée via un logarithme transformé.
• Objectif : Minimiser le coût cumulé escompté pour chaque contexte $z$.

Résultats clés

1. Découverte du contexte

La mise en grappes a permis d'identifier avec succès deux groupes cliniquement distincts. Les patients du Contexte 1 étaient significativement plus âgés (64,1 % $\ge$ 60 ans) et présentaient des taux plus élevés de MRC (34,45 % contre 23,96 %), d'AVC (40,69 % contre 33,15 %) et de complications du DT2 par rapport au Contexte 2.

2. Politiques optimales

Les politiques CMDP apprises ont révélé une stratification nuancée et dictée par les données :

• HbA1c non mesurée : Les deux contextes recommandent un suivi de 1 mois, privilégiant une remesure rapide pour réduire l'incertitude.
• Non contrôlé/Détérioration : Les deux contextes recommandent des intervalles courts (1–3 mois). Le Contexte 1 (haut risque) adopte souvent l'intervalle le plus court (1 mois) en présence de signaux défavorables (tendance à la détérioration ou hospitalisation).
• Contrôlé/Stable :
  • Contexte 2 (Bas risque) : Les politiques recommandent fréquemment des intervalles prolongés de 12 mois.
  • Contexte 1 (Haut risque) : Les politiques plafonnent les intervalles à 6 mois, reflétant une approche plus conservatrice même pour les patients stables en raison du risque de base plus élevé.
• Tendance générale : Pour presque chaque état clinique, l'intervalle recommandé pour le contexte à haut risque est plus court ou égal à celui du contexte à bas risque.

3. Performance comparative

Les politiques CMDP ont été comparées à trois heuristiques : les directives fixes de l'ADA, une politique fixe de 3 mois et une politique fixe de 6 mois.

• Contexte à haut risque : La politique CMDP a réduit le coût cumulé escompté d'environ 34,8 % par rapport à la politique d'intervalle fixe de type ADA.
• Contexte à bas risque : La politique CMDP a réduit le coût d'environ 6,4 % par rapport à la politique d'intervalle fixe.
• Robustesse : Les analyses de sensibilité faisant varier les paramètres de coût (pénalités d'incertitude, poids de l'hospitalisation et adversité des transitions) ont confirmé que la politique CMDP surpasse systématiquement tous les points de référence sur une large gamme de spécifications de paramètres.

Signification et affirmations

L'article affirme que cette étude fournit un cadre prescriptif pour des stratégies de suivi adaptatives en soins primaires, allant au-delà des associations descriptives pour optimiser la prise de décision en situation d'incertitude.

• Contribution clinique : L'étude opérationnalise le compromis entre le temps passé en états non contrôlés et l'utilisation des soins de santé. Elle démontre qu'une approche tenant compte du contexte peut synthétiser l'apprentissage automatique (mise en grappes/PCA) et les modèles de décision probabilistes (MDP) pour générer des politiques interprétables qui s'alignent sur l'intuition clinique tout en répondant aux besoins de sous-populations spécifiques.
• Nouveauté méthodologique : Ce travail introduit une application novatrice de la réduction de la dimensionnalité sur des trajectoires post-diagnostic complexes et du regroupement de données mixtes au sein d'un cadre CMDP.
• Résultat : Les conclusions suggèrent que des intervalles personnalisés et spécifiques au contexte peuvent considérablement réduire la charge clinique escomptée (coût) par rapport aux directives statiques, particulièrement pour les populations présentant des comorbidités élevées, sans augmenter le risque de manquer une détérioration.

Les auteurs reconnaissent les limites concernant la généralisabilité des données (système de santé unique) et l'exclusion des modalités non en personne (télésanté) ainsi que des résultats rapportés par les patients, notant ces points comme des domaines pour de futures recherches.