A Multidomain Model for Dementia Classification using Harmonized LASI and LASI-DAD Data

Résumé technique : Un modèle multidomaine pour la classification de la démence utilisant les données harmonisées de LASI et LASI-DAD

Énoncé du problème
La classification de la démence dans des populations hétérogènes, particulièrement dans les contextes à revenus faibles et intermédiaires comme l'Inde, est complexifiée par l'influence de l'éducation, de la langue, du statut socio-économique et de la santé sur la performance des tests cognitifs. Le recours à des seuils cognitifs fixes ou à des ensembles de prédicteurs isolés entraîne souvent des performances incohérentes et une classification erronée systématique au sein de diverses populations de personnes âgées. De plus, le déclin lié à la démence implique de multiples domaines biologiques et fonctionnels (vasculaires, métaboliques, fonctionnels) qui sont rarement capturés par les seules évaluations cognitives basées sur des tâches. Le défi consiste à développer un modèle capable d'intégrer ces facteurs multidomaines pour améliorer la discrimination tout en restant interprétable, spécifiquement dans le contexte de l'étude longitudinale sur le vieillissement en Inde (LASI) et de sa sous-étude diagnostique (LASI-DAD), où l'incertitude diagnostique et l'hétérogénéité des données sont significatives.

Méthodologie
L'étude a utilisé des données harmonisées issues de LASI et LASI-DAD, aboutissant à un échantillon analytique de 3 186 participants (excluant les troubles cognitifs légers pour définir une frontière binaire entre la démence et l'état cognitif non atteint).

• Définition du résultat : Le résultat binaire de la démence a été dérivé d'évaluations consensuelles de l'échelle de déclin cognitif clinique (CDR). Pour traiter l'incertitude diagnostique inhérente aux ensembles de données à grande échelle, les auteurs ont moyenné 20 versions imputées de l'indicateur binaire de la démence fournies par le protocole LASI-DAD. Un seuil de 0,5 a été appliqué à cette valeur moyenne pour assigner l'étiquette d'entraînement finale.
• Prédicteurs : Un ensemble multidomaine de 22 prédicteurs a été conservé, répartis en quatre domaines :
  1. Performance cognitive : Orientation MMSE, rappel immédiat/différé de mots, rappel d'histoire, dessin de l'horloge, fluence verbale animale, et scores composites pour la mémoire et les fonctions exécutives.
  2. Déclin rapporté par l'informateur : Le questionnaire de l'informateur sur le déclin cognitif chez les personnes âgées (IQCODE).
  3. Biomarqueurs cardiométaboliques : HbA1c, profils lipidiques (total, HDL, LDL, triglycérides), hsCRP, homocystéine, vitamine B12, vitamine D et albumine.
     Note : L'examen de l'état mental en hindi (HMSE) a été exclu pour éviter une inéquivalence de mesure due aux variations linguistiques régionales en Inde.
  4. Sociodémographie : Âge, sexe et niveau d'éducation.
• Prétraitement des données : Les valeurs manquantes ont été imputées par les k plus proches voisins (KNN, k=5). Les variables catégorielles ont été encodées de manière ordinale et les prédicteurs continus ont été standardisés. Toutes les étapes de prétraitement ont été ajustées exclusivement au sein du pipeline d'entraînement afin d'éviter toute fuite de données.
• Développement du modèle : Le jeu de données a été divisé selon une répartition 70:30 (stratifiée). Le déséquilibre des classes (environ 13,6 % de cas de démence) a été traité à l'aide de la technique de suréchantillonnage synthétique des minorités (SMOTE), appliquée uniquement au sein des plis d'entraînement. Cinq algorithmes d'apprentissage supervisé ont été évalués : la régression logistique, la forêt aléatoire (Random Forest), le boosting de gradient (Gradient Boosting), XGBoost et les machines à vecteurs de support (SVM).
• Stratégie de validation : Une validation croisée imbriquée (boucle interne à 3 plis pour l'ajustement des hyperparamètres, boucle externe à 5 plis pour l'estimation de la performance) a été menée au sein de l'ensemble d'entraînement. Le modèle final a été évalué sur l'ensemble de test réservé.
• Interprétabilité : L'importance des variables par permutation et les explications SHAP (SHapley Additive exPlanations) ont été utilisées pour analyser les contributions des caractéristiques.

Résultats clés

• Performance du modèle : La régression logistique est apparue comme le modèle optimal, atteignant une aire sous la courbe ROC (ROC-AUC) de 0,932 et une précision moyenne de 0,668 sur l'ensemble de test réservé. Elle a surpassé les méthodes d'ensemble (Forêt aléatoire : 0,909 ; Gradient Boosting : 0,912 ; XGBoost : 0,897 ; SVM : 0,904).
• Valeur multidomaine : Un modèle comparateur "cognition seule" (restreint aux mesures cognitives basées sur des tâches) a obtenu un ROC-AUC de 0,908. Le modèle multidomaine complet a démontré une valeur discriminatoire incrémentale, confirmant que les caractéristiques non cognitives ajoutent une structure supplémentaire.
• Métriques de classification : À un seuil de probabilité optimal de 0,70, le modèle a atteint une sensibilité de 0,771, une spécificité de 0,905 et une valeur prédictive négative (VPN) de 0,985. La valeur prédictive positive (VPP) était de 0,325, reflétant les défis de la prédiction positive dans les ensembles de données déséquilibrés.
• Importance des variables : Les analyses d'importance par permutation et SHAP ont identifié le déclin rapporté par l'informateur (IQCODE) et l'orientation comme les prédicteurs les plus forts. Les variables cardiométaboliques ont fourni des contributions incrémentielles plus faibles mais constantes.
• Stratification du risque : Le modèle a généré une distribution de risque graduée où la prévalence de la démence augmente progressivement à travers les strates, atteignant environ 50 % dans la catégorie de risque le plus élevé.

Signification et affirmations
L'article affirme que la classification de la démence dans une cohorte indienne socialement et cliniquement hétérogène peut être améliorée en intégrant des informations cognitives, de l'informateur, cardiométaboliques et sociodémographiques au sein d'un modèle unique et interprétable.

• Interprétabilité vs Complexité : L'étude démontre qu'un modèle de régression logistique transparent peut égaler ou dépasser la performance de méthodes d'ensemble complexes tout en offrant une plus grande interprétabilité, ce qui est crucial pour le raisonnement clinique.
• Rôle des informateurs : Les résultats soulignent que les mesures rapportées par l'informateur (IQCODE) portent un signal prédictif plus fort que les tâches cognitives individuelles dans cette population. Cela est attribué à la capacité de l'informateur à capturer le déclin fonctionnel par rapport à la ligne de base de l'individu, plutôt qu'à la performance par rapport aux normes de la population, qui peut être biaisée par le désavantage éducatif.
• Nécessité multidomaine : Les résultats soutiennent l'idée que la démence est un syndrome multidomaine où les facteurs vasculaires et métaboliques, bien que non dominants individuellement, fournissent un contexte structurel nécessaire au signal cognitif central.
• Utilité opérationnelle : La VPN élevée suggère que le modèle est efficace pour exclure la démence dans les contextes à ressources limitées, tandis que le gradient de risque permet de prioriser les individus à haut risque pour une évaluation spécialisée.

Limites et directions futures
Les auteurs déclarent explicitement que le modèle est validé en interne et nécessite une validation externe et un étalonnage avant une application plus large. Les principales limites sont :

• La nature transversale des données empêche d'établir une direction causale ou de modéliser la progression.
• Le résultat repose sur des données imputées, introduisant une incertitude résiduelle près de la frontière de classification.
• L'exclusion des poids d'enquête limite la généralisabilité des estimations de prévalence, bien que les auteurs soutiennent que cela est acceptable pour la modélisation prédictive.
• Une analyse de calibration formelle (par exemple, le score de Brier) n'a pas été effectuée, ce qui signifie que le modèle est actuellement mieux compris comme un outil de classement plutôt que comme une source d'estimations de probabilité individuelle fiables.

L'article conclut que, bien que l'approche réussisse à accommoder la complexité tout en restant interprétable, les travaux futurs doivent prioriser la validation externe dans des cohortes indépendantes, l'étalonnage formel et l'incorporation de données longitudinales pour modéliser les trajectoires de risque.