A Bibliometric Review of Explainable AI in Diabetes Risk Prediction: Trends, Gaps, and Knowledge Graph Opportunities

Cette étude bibliométrique révèle une croissance rapide des recherches sur l'IA explicable pour la prédiction du diabète de type 2, tout en mettant en évidence un manque critique d'intégration des graphes de connaissances et en proposant un cadre conceptuel à trois couches pour combler ce fossé entre les explications statistiques et les parcours cliniques structurés.

L'essentiel

🌍 Le Contexte : Un Géant Endormi (Le Diabète)

Imaginez que le diabète de type 2 soit un géant qui se réveille partout dans le monde. Il est énorme, il coûte cher à soigner et il menace la santé de millions de gens. Pour l'arrêter, les médecins ont besoin de savoir qui risque de tomber malade avant que ça n'arrive.

C'est là qu'intervient l'intelligence artificielle (IA). C'est comme un super-détective capable de lire des montagnes de dossiers médicaux pour prédire qui est en danger. Mais il y a un gros problème : ce détective est un peu magicien. Il vous dit : "Attention, cette personne a 80 % de risques de diabète", mais il ne vous explique pas pourquoi. Il garde ses cartes cachées dans sa manche.

🕵️‍♂️ Le Problème : La Boîte Noire

En médecine, on ne peut pas juste faire confiance à un magicien. Si un médecin doit dire à un patient : "Vous avez un risque élevé", il doit pouvoir lui expliquer : "C'est à cause de votre poids, de votre alimentation et de votre tension".

Pour résoudre ça, les chercheurs ont créé l'IA Explicable (XAI). C'est comme si on donnait au détective une loupe pour montrer exactement quels indices (le poids, le sucre dans le sang, etc.) ont mené à sa conclusion.

🔍 Ce que l'étude a découvert (Le Bilan)

L'auteur de ce papier, Thieu Anh Van, a fait un grand recensement (une bibliométrie). Il a regardé 2 048 articles scientifiques publiés entre 2015 et 2026. C'est comme si il avait vidé le contenu de deux immenses bibliothèques (Scopus et PubMed) pour voir ce qui se passe vraiment.

Voici les trois grandes révélations, expliquées simplement :

1. Une explosion de curiosité 🚀

Le domaine a explosé ! Avant 2020, c'était calme (36 articles par an). En 2025, c'était une tempête (866 articles !). Tout le monde veut utiliser cette loupe pour comprendre le diabète. C'est une course effrénée.

2. Les champions et les perdants 🏆

• Les champions : Les chercheurs utilisent massivement deux outils pour leur "loupe" (SHAP et LIME) et deux types de détectives (XGBoost et Random Forest). C'est la recette standard.
• Le grand absent : Il manque un ingrédient crucial. Imaginez que vous construisez une maison. Vous avez les murs (l'IA), vous avez les fenêtres (la loupe), mais vous avez oublié les fondations et le plan d'architecte.
  • L'ingrédient manquant, c'est le Graphique de Connaissances (Knowledge Graph). C'est une sorte de carte routière médicale qui relie les causes aux effets (ex: Obésité ➔ Résistance à l'insuline ➔ Diabète).
  • Résultat ? Sur 2 048 articles, seulement 17 ont utilisé cette carte routière. C'est comme chercher une aiguille dans une botte de foin, mais l'aiguille est en or !

3. Le fossé géographique 🌏

La majorité des recherches viennent de Chine, des États-Unis et de l'Inde. Pourtant, ce sont souvent les pays d'Afrique, d'Asie du Sud-Est ou d'Amérique du Sud qui ont le plus de diabétiques ! C'est un peu comme si on construisait des parapluies géants pour les pays qui n'ont pas de pluie, alors que ceux qui sont inondés n'en ont pas.

💡 La Solution Proposée : Le "Sandwich" en Trois Couches

Pour combler ce manque, l'auteur propose une nouvelle recette, un sandwich en trois couches pour mieux comprendre le diabète :

1. La couche du bas (Prédiction) : C'est le détective (l'IA) qui dit "Il y a un risque".
2. La couche du milieu (Explication) : C'est la loupe (SHAP) qui dit "Le risque vient du poids et du sucre".
3. La couche du haut (Connaissance) : C'est la carte routière (le Graphique de Connaissances). Elle ajoute le contexte médical : "Le poids cause une résistance à l'insuline, qui bloque le sucre, ce qui crée le diabète."

Pourquoi c'est génial ?
Au lieu de dire juste "Votre poids est un problème", le système pourrait dire au patient : "Votre poids crée une résistance à l'insuline, c'est pourquoi votre corps a du mal à gérer le sucre. Voici le chemin exact pour le comprendre." C'est beaucoup plus rassurant et utile pour un médecin !

🎯 En Résumé

Cette étude nous dit :

• On a de superbes détectives (IA) et de bonnes loupes (XAI).
• Mais on oublie trop souvent de les connecter à la médecine réelle (les cartes de connaissances).
• Si on ajoute cette dernière pièce au puzzle, on pourra non seulement prédire le diabète, mais aussi expliquer pourquoi d'une manière que les médecins et les patients comprennent vraiment.

C'est comme passer d'un simple "Alerte !" à une véritable conversation entre la technologie et la santé humaine. 🩺🤖✨

Résumé technique

1. Problématique et Contexte

Le diabète de type 2 (DT2) représente un défi majeur de santé publique mondial, avec une prévalence croissante et un fardeau économique considérable. Bien que les modèles d'apprentissage automatique (ML) comme XGBoost et les Forêts Aléatoires offrent une haute précision pour la prédiction du risque de DT2, ils fonctionnent souvent comme des « boîtes noires », ce qui entrave leur déploiement clinique. Les cliniciens ont besoin non seulement de prédictions, mais aussi d'explications transparentes sur les facteurs de risque (XAI - Explainable AI).

Cependant, l'article identifie un déficit critique : les explications fournies par les méthodes XAI actuelles (comme SHAP ou LIME) se limitent à des attributions statistiques de caractéristiques (« quelles variables influencent la prédiction ? ») sans s'articuler autour de connaissances médicales structurées (« pourquoi » et « comment » ces variables agissent-elles physiologiquement ?). Il existe un manque d'intégration entre la prédiction ML, l'explication XAI et les Graphes de Connaissances (KG) qui pourraient fournir un raisonnement clinique structuré.

2. Méthodologie

L'étude adopte une approche mixte combinant une analyse bibliométrique quantitative et une revue sélective qualitative, suivant les directives PRISMA 2020 adaptées.

• Corpus de données : L'analyse porte sur 2 048 documents extraits de deux bases de données indépendantes : Scopus (couverture informatique/ingénierie) et PubMed/MEDLINE (couverture biomédicale).
• Stratégie de recherche : Utilisation de mots-clés combinant le domaine (diabète, DT2) et la méthode (XAI, SHAP, LIME, interprétabilité), avec une exclusion stricte des complications ophtalmologiques (rétinopathie) et des plaies (pied diabétique) pour se concentrer sur la prédiction du risque à partir de données cliniques structurées.
• Traitement des données : Un pipeline de déduplication à trois niveaux a été appliqué (par DOI, PMID et correspondance floue des titres). Les données ont été nettoyées et normalisées (fusion des synonymes, gestion des majuscules).
• Analyse :
  • Quantitative : Analyse des tendances temporelles, distribution géographique, sources de publication, et fréquence des mots-clés via Python (bibliothèques pandas, matplotlib). Un clustering basé sur des règles a été utilisé pour catégoriser les thèmes (Méthodes XAI, Modèles ML, Types de diabète, Résultats cliniques, KG/Graphes).
  • Qualitative : Revue approfondie des 15 articles les plus cités directement pertinents pour valider les lacunes quantitatives.

3. Contributions Principales

L'article apporte quatre contributions majeures à la littérature :

1. Analyse systémique : Première analyse bibliométrique quantitative sur un corpus double (Scopus + PubMed) spécifiquement dédié à l'XAI pour la prédiction du risque de DT2.
2. Quantification du fossé KG/XAI : Mise en évidence et validation d'un écart structurel massif entre l'utilisation des méthodes XAI et celle des Graphes de Connaissances (KG) ou des Réseaux de Neurones à Graphes (GNN).
3. Cadre conceptuel proposé : Introduction d'un cadre à trois couches intégrant la prédiction, l'explicabilité et la connaissance structurée pour combler le fossé entre les corrélations statistiques et le raisonnement clinique.
4. Identification de lacunes méthodologiques : Mise en lumière de problèmes sous-estimés tels que la stabilité temporelle des explications et l'accord entre différentes méthodes XAI.

4. Résultats Clés

A. Tendances et Distribution

• Croissance explosive : Le domaine est passé de 36 documents en 2020 à 866 en 2025, indiquant une phase de croissance rapide sans signe de saturation.
• Géographie : La Chine (2 287 occurrences), les États-Unis (793) et l'Inde (578) dominent la production. Les pays d'Afrique, d'Asie du Sud-Est et d'Amérique du Sud sont sous-représentés, créant un biais géographique.
• Sources : PLOS ONE et Scientific Reports sont les principales sources de publication.

B. Méthodes Dominantes

• XAI : SHAP (152 occurrences) domine largement sur LIME et l'importance des caractéristiques (Feature Importance), en raison de sa fondation théorique solide (valeurs de Shapley).
• ML : XGBoost et Random Forest sont les modèles les plus utilisés.
• Données : Une grande partie des études (40 % des articles hautement cités) repose sur le jeu de données PIMA Indians (collecté en 1988, 768 échantillons), ce qui soulève des questions sur la généralisabilité aux populations modernes et diversifiées.

C. Le Fossé KG/GNN (Résultat Critique)

• Disparité quantitative : Sur 2 048 documents, les termes liés aux Graphes de Connaissances (KG) et aux GNN n'apparaissent que 17 fois (~0,83 %), contre 906 occurrences pour les méthodes XAI. Le ratio est de 53,3:1.
• Validation : Cette lacune est confirmée par la revue des 15 articles les plus cités : aucun ne combine simultanément ML, XAI systématique et une couche sémantique KG.
• Causes probables : Coût technique élevé de la construction de KG, manque d'outils accessibles (contrairement à SHAP), absence de benchmarks de données annotés, et charge cognitive pour les cliniciens.

5. Cadre Conceptuel Proposé : « Prédiction → Explicabilité → Connaissance »

Pour combler ce fossé, les auteurs proposent un cadre à trois couches :

1. Couche Prédictive : Utilisation de modèles ML (ex: XGBoost) sur des données de santé à grande échelle (ex: BRFSS) pour estimer le risque.
2. Couche Explicabilité : Application de SHAP pour identifier les contributions des caractéristiques (« Quoi ? »).
3. Couche Connaissance (KG) : Intégration d'un graphe de connaissances médical (basé sur UMLS, ICD-10) pour mapper les caractéristiques (ex: IMC élevé) à des chaînes pathophysiologiques structurées (Obésité → Résistance à l'insuline → Hyperglycémie → DT2).

Objectif : Transformer une explication statistique (« L'IMC contribue à +0,34 au risque ») en un raisonnement clinique (« L'IMC élevé entraîne une résistance à l'insuline, aggravée par l'hypertension »).

6. Signification et Implications

• Pour la pratique clinique : Ce cadre vise à réduire la charge cognitive des cliniciens en fournissant des explications alignées sur leur raisonnement médical, facilitant ainsi l'adoption des systèmes d'aide à la décision clinique (CDSS).
• Pour la recherche : L'étude appelle à un changement de paradigme : passer de la simple prédiction statistique à des modèles hybrides intégrant des connaissances médicales structurées. Elle souligne également la nécessité de valider les modèles sur des données contemporaines et diversifiées (BRFSS, UK Biobank) plutôt que sur des jeux de données historiques.
• Limites : Le cadre est actuellement conceptuel et nécessite une validation expérimentale. L'étude ne prétend pas réaliser une inférence causale stricte, mais plutôt un alignement sémantique avec les connaissances biomédicales établies.

En conclusion, cette étude fournit une cartographie quantitative rigoureuse du domaine, identifiant un manque critique d'intégration des connaissances structurées (KG) dans l'XAI pour le diabète, et propose une voie méthodologique pour rendre l'IA plus interprétable et cliniquement pertinente.