Assessing medication-related burden and medication adherence among older patients from Central Nepal: A machine learning approach

Cette étude utilise des approches d'apprentissage automatique pour identifier que la nécessité d'une aide pour la prise de médicaments et la polypharmacie sont les principaux facteurs influençant la charge médicamenteuse et l'observance chez les patients âgés du Népal central, suggérant ainsi des interventions cliniques ciblées comme la déprescription.

L'essentiel

🇳🇵 Le Contexte : Une population qui vieillit

Imaginez le Népal comme une grande famille qui grandit vite. De plus en plus de membres de cette famille sont des grands-parents (plus de 65 ans). Comme tout le monde le sait, avec l'âge, on a souvent besoin de plus de médicaments pour gérer des maladies comme le diabète ou l'hypertension.

C'est un peu comme si chaque grand-parent devait porter un sac à dos très lourd rempli de pilules, de boîtes et de rappels. Le but de cette étude était de mesurer à quel point ce "sac à dos" est lourd pour eux et s'ils arrivent bien à le porter tous les jours.

🔍 L'Enquête : Qu'est-ce qu'on a demandé ?

Les chercheurs sont allés à l'hôpital de Bharatpur (au centre du Népal) et ont interrogé 390 personnes âgées. Ils ont utilisé deux outils spéciaux :

1. Un questionnaire sur le "poids" du sac (LMQ-3) : Pour savoir si les médicaments rendent la vie difficile (coût, oubli, peur des effets secondaires).
2. Un test sur la "régularité" du portage (ARMS) : Pour voir si les gens oublient de prendre leurs médicaments ou s'ils ne les achètent pas.

Ensuite, au lieu de faire de simples calculs mathématiques, ils ont utilisé une intelligence artificielle (Machine Learning). Imaginez un détective très intelligent qui cherche des motifs invisibles pour comprendre pourquoi certains sacs sont plus lourds que d'autres.

📊 Les Résultats : Ce que le sac nous dit

1. Le sac est moyennement lourd, mais il y a des problèmes
Les gens ont un fardeau "moyen". Ils ne sont pas écrasés, mais ils ne sont pas à l'aise non plus.

• Ce qui va bien : Ils font confiance à leurs médecins.
• Ce qui va mal : La vie quotidienne est perturbée. Prendre ses médicaments prend du temps, coûte de l'argent et crée de l'anxiété.

2. Les deux gros "voleurs d'énergie"
L'intelligence artificielle a identifié deux coupables principaux qui alourdissent le sac et font qu'on oublie de le porter :

• La Polypharmacie (trop de médicaments) : C'est comme essayer de porter 10 sacs différents en même temps. Plus il y a de médicaments, plus c'est difficile de s'y retrouver.
• Le besoin d'aide : Les gens qui ont besoin d'une aide physique ou mentale pour gérer leurs médicaments (parce qu'ils sont un peu perdus ou trop faibles) ont un fardeau beaucoup plus lourd.

3. L'argent joue aussi
Quand les gens doivent payer de leur poche pour leurs médicaments, le sac devient plus lourd et ils ont plus de mal à le porter jusqu'au bout du mois.

4. Une surprise intéressante
On pensait que l'âge ou le sexe étaient les plus gros problèmes. En réalité, non ! Ce sont la complexité du traitement et le besoin d'aide qui comptent vraiment.

• Petite note : Paradoxalement, les gens qui ont besoin d'aide mais qui ont un traitement simple sont parfois ceux qui ont le plus de mal à être réguliers. C'est comme si leur cerveau était si fatigué que même un petit sac devient un obstacle.

💡 La Leçon : Comment alléger le fardeau ?

Cette étude nous donne une carte au trésor pour aider les patients :

• Simplifier le sac : Au lieu de donner 10 petites pilules, essayons d'en donner moins, ou des pilules qui durent plus longtemps. Moins de pilules = moins de confusion.
• L'aide est cruciale : Si quelqu'un a besoin d'aide pour gérer ses médicaments, il ne faut pas juste lui donner un pilulier. Il faut un vrai accompagnement humain.
• Parler ensemble : Les médecins et les patients doivent discuter plus franchement. Les patients ont peur des effets secondaires à long terme et veulent avoir leur mot à dire sur leurs traitements.

🎯 En résumé

Imaginez que la santé des personnes âgées au Népal est un voyage en montagne. Pour l'instant, beaucoup de gens portent un sac trop lourd et complexe, ce qui les fait trébucher (oublier leurs médicaments).

Cette étude dit aux médecins : "Ne regardez pas seulement la maladie, regardez le sac ! Simplifiez-le, aidez-les à le porter, et ils arriveront plus facilement au sommet." C'est une approche plus humaine et plus intelligente pour soigner les aînés.

Résumé technique

1. Problématique et Contexte

Le Népal, comme de nombreux pays à revenu faible ou intermédiaire, fait face à un vieillissement démographique rapide, entraînant une prévalence croissante de maladies chroniques et de multimorbidités. Cette situation impose une pharmacothérapie complexe, souvent caractérisée par la polymédication (prise de plusieurs médicaments simultanément).

• Le problème : Les patients âgés subissent un fardeau lié aux médicaments (Medication-Related Burden - MRB), défini comme l'expérience négative découlant des défis pratiques et psychologiques de la gestion des traitements. Ce fardeau est un facteur clé de la non-observance thérapeutique (non-adherence), conduisant à de mauvais résultats cliniques, à une diminution de la qualité de vie et à une augmentation des coûts de santé.
• Le vide de connaissance : Bien que la prévalence de la non-observance soit documentée, les interactions complexes et non linéaires entre les facteurs socio-démographiques, cliniques et liés aux médicaments qui influencent le MRB et l'observance chez les patients népalais âgés restent mal comprises. Les méthodes statistiques traditionnelles peinent souvent à capturer ces dynamiques complexes.

2. Méthodologie

L'étude adopte une approche quantitative transversale enrichie par l'intelligence artificielle.

• Population et Échantillon :

  • Lieu : Hôpital de Bharatpur (Népal central), unité de soins gériatriques.
  • Participants : 390 patients ambulatoires âgés de 65 ans et plus, traités pour au moins une condition chronique depuis un an.
  • Critères d'exclusion : Troubles psychiatriques ou déficiences cognitives.
  • Taille de l'échantillon : Calculée a priori pour la modélisation prédictive multivariable (372 minimum + 5% de marge), basée sur 17 variables prédictives candidates.

• Outils de Mesure :

  • Fardeau des médicaments (MRB) : Évalué via le Living with Medicines Questionnaire (LMQ-3), comportant 41 items répartis en 8 domaines (relation avec les soignants, difficultés pratiques, coût, effets secondaires, etc.), avec un score total de 41 à 205.
  • Observance : Évaluée via l'Adherence to Refills and Medications Scale (ARMS), un outil de 12 items (score 12-48, un score plus élevé indiquant une non-observance).
  • Adaptation : Traduction et validation transculturelle (traduction avant-arrière, débriefing cognitif) en népalais.

• Approche de Modélisation (Machine Learning) :

  • Algorithmes : Six architectures ont été comparées : Régression Linéaire Ordinaire (OLS), Régression Linéaire Pénalisée (LR), Random Forest (RF), XGBoost, LightGBM et Machines à Vecteurs de Support (SVM).
  • Prétraitement : Encodage des variables catégorielles, gestion des données manquantes (aucune présente), partitionnement 80/20 (entraînement/test) avec validation croisée répétée (10x10).
  • Évaluation : Métriques incluant l'Erreur Quadratique Moyenne (RMSE), l'Erreur Absolue Moyenne (MAE), le coefficient de détermination ($R^2$) et la perte de Huber.
  • Explicabilité : Utilisation des valeurs SHAP (Shapley Additive exPlanations) pour identifier l'importance des caractéristiques, visualiser les interactions non linéaires et déterminer les points de basculement cliniques.

3. Résultats Clés

• Caractéristiques de la population :

  • 64,9 % de "jeunes vieux" (65-74 ans), 55,4 % de femmes.
  • 77,4 % souffrent de multimorbidité.
  • 70,8 % sont en polymédication.
  • 30,5 % nécessitent une aide pour la gestion de leurs médicaments.

• Niveaux de Fardeau et d'Observance :

  • LMQ-3 : Score médian de 110,0 (charge modérée). Les domaines les plus chargés sont les "difficultés pratiques" et les "attitudes/inquiétudes".
  • ARMS : Score médian de 21,0 (non-observance modérée). Les comportements fréquents incluent l'oubli de doses et le fait de ne pas planifier les renouvellements.

• Performance des Modèles :

  • Le modèle Random Forest (RF) s'est révélé supérieur pour prédire à la fois le fardeau (LMQ) et l'observance (ARMS), surpassant la régression linéaire traditionnelle (OLS) et les autres algorithmes.
  • Pour le LMQ : $R^2 = 0,540$ (RF) contre $0,476$ (OLS).
  • Pour l'ARMS : $R^2 = 0,495$ (RF) contre $0,365$ (OLS).
  • Cela confirme que les relations entre les variables sont non linéaires et complexes.

• Facteurs Prédictifs (Analyse SHAP) :

  • Prédicteurs dominants : La nécessité d'une aide pour les médicaments et la polymédication sont les deux facteurs les plus influents pour augmenter le fardeau et réduire l'observance.
  • Interactions critiques :
    • La polymédication aggrave généralement l'observance, mais ce risque est partiellement atténué si le patient reçoit une aide physique ou cognitive.
    • Cependant, pour les régimes simples, le besoin d'aide indique un risque élevé de non-observance (suggérant un déclin fonctionnel/cognitif).
    • Le paiement hors poche (coûts directs) et le statut d'emploi (les employés ont plus de difficultés) augmentent le fardeau.
  • Facteurs démographiques : L'âge, le genre et la résidence ont un pouvoir prédictif faible par rapport aux facteurs cliniques et liés aux médicaments.

4. Contributions Principales

1. Première étude en Asie du Sud : C'est la première évaluation du fardeau lié aux médicaments chez les patients âgés au Népal utilisant une approche centrée sur le patient (LMQ-3).
2. Validation de l'approche ML : Démonstration que les algorithmes d'apprentissage automatique (notamment Random Forest) capturent mieux la complexité des déterminants de l'observance et du fardeau que les modèles statistiques linéaires classiques dans ce contexte.
3. Insights sur les interactions : Identification de l'interaction nuancée entre la polymédication et le besoin d'aide, suggérant que l'aide est bénéfique pour les régimes complexes mais que son absence chez les patients fragiles est un signal d'alarme majeur.
4. Outils adaptés : Validation préliminaire des outils LMQ-3 et ARMS dans un contexte de langue népalaise et de faible littératie.

5. Signification et Implications

• Pratique Clinique : Les résultats plaident pour une transition vers des interventions centrées sur le patient, notamment des revues médicamenteuses régulières et des protocoles de dé-prescription (réduction du nombre de médicaments) pour simplifier les régimes, en particulier pour les patients nécessitant une aide.
• Politique de Santé : Les données soutiennent la nécessité de stratégies d'optimisation médicamenteuse au niveau des politiques publiques au Népal, en tenant compte des barrières financières (paiement hors poche) et de la nécessité de renforcer le soutien aux aidants.
• Recherche Future : L'étude ouvre la voie à l'utilisation de l'IA pour identifier les patients à haut risque de non-observance dans les systèmes de santé à ressources limitées, permettant des interventions ciblées et proactives.

En conclusion, cette étude fournit une base de données probantes pour comprendre et atténuer le fardeau médicamenteux chez les personnes âgées au Népal, en démontrant que la complexité du régime et le manque de soutien sont les leviers d'action les plus critiques.