Early identification of advanced chronicity (MACA) patients using Machine Learning models: a population-based predictive approach for proactive care stratification

Résumé technique : Identification précoce des patients MACA par apprentissage automatique

Énoncé du problème
L'identification des patients présentant des conditions chroniques avancées (MACA) demeure un défi critique dans la pratique clinique. Les stratégies actuelles reposent souvent sur des critères rétrospectifs ou le jugement clinique (par exemple, l'outil NECPAL, l'indice de comorbidité de Charlson), ce qui peut retarder une intervention personnalisée et opportune. Ces méthodes traditionnelles présentent des limites en termes de sensibilité pour l'identification précoce et peinent à capturer la nature multidimensionnelle et dynamique de la chronicité avancée, particulièrement dans les populations non oncologiques où l'incertitude pronostique est élevée. Bien que les dossiers de santé électroniques (DSE) offrent un vaste potentiel de données, il existe une lacune notable dans les études ciblant spécifiquement la détection proactive et précoce des patients MACA dans des contextes réels et basés sur la population en utilisant l'apprentissage automatique (ML).

Méthodologie
Cette étude a utilisé un plan d'étude de cohorte observationnelle rétrospective à l'Hospital Universitario Parc Taulí (Sabadell, Espagne) pour développer et valider en interne un modèle prédictif basé sur le ML.

• Source de données et population : Le jeu de données comprenait 163 patients (80 MACA, 83 non-MACA) extraits des DSE de l'hôpital. Des critères d'exclusion ont été appliqués aux unités de pédiatrie, obstétrique, gynécologie, santé mentale et soins intensifs afin de garantir la cohérence clinique avec la définition de la chronicité avancée.
• Ingénierie des caractéristiques (Feature Engineering) : Initialement, 173 variables réparties sur 24 conditions cliniques ont été identifiées. En raison de contraintes d'extraction, 80 variables ont été sélectionnées. De manière cruciale, les variables reflétant l'engagement antérieur avec les soins palliatifs spécialisés (Condition 1) ont été exclues pour éviter les dépendances circulaires et garantir que le modèle identifie des cas précédemment non reconnus. Les dépendances hiérarchiques entre des conditions liées (par exemple, la progression de la fragilité) ont été explicitement incorporées.
• Prétraitement : Les valeurs manquantes ont été traitées par imputation de la moyenne (numérique) ou par assignation de zéro (catégoriel). Les variables catégorielles ont subi un encodage one-hot et les variables continues ont été standardisées.
• Sélection des caractéristiques : Trois stratégies (k-best, faible variance, élimination récursive de caractéristiques) ont réduit le jeu de données à 10 prédicteurs clés.
• Développement du modèle : 14 algorithmes de classification supervisée ont été évalués, incluant des modèles linéaires (régression logistique, LDA, SVM), des méthodes probabilistes (Naïve Bayes) et des méthodes d'ensemble (Bagging, Forêt aléatoire, XGBoost, LightGBM, CatBoost, AdaBoost).
• Stratégie de validation : Une approche de validation double a été utilisée : une division train-test de 75/25 et une validation croisée (CV) stratifiée à 5 plis. Étant donné l'objectif de détection précoce, la sensibilité (rappel) a été privilégiée par rapport à la spécificité afin de minimiser les faux négatifs.

Résultats clés

• Sélection des caractéristiques : Le modèle final utilisait 10 prédicteurs : la dépendance absolue (COND8), le déclin fonctionnel sévère/dépendance sévère (COND9), la dépendance modérée (COND10), l'utilisation de ressources spécifiques (COND19), les syndromes gériatriques graves/moyens (COND22/23), l'identifiant de patient chronique complexe, l'évaluation palliative en ambulatoire, l'intervention à domicile et la prescription de neuroleptiques.
• Performance du modèle :
  • Classificateur Bagging : A obtenu la performance la plus cohérente avec une sensibilité de 0,91, une précision de 0,905, un score F1 de 0,905 et une AUC-ROC de 0,902 sur l'ensemble de test.
  • Arbre de décision : A performé de manière identique au Bagging sur l'ensemble de test (Exactitude, Précision, Rappel, Score F1 tous à 90,5 % ; AUC 0,912).
  • Validation croisée : La CV à 5 plis a confirmé la stabilité du modèle. Le Bagging a montré une robustesse supérieure avec un F1 moyen de 0,919 et une AUC moyenne de 0,953, contre respectivement 0,891 et 0,893 pour l'arbre de décision.
• Importance des prédicteurs : L'analyse de l'importance des caractéristiques sur le modèle Bagging a identifié la « dépendance absolue » (poids 0,318) et l'« utilisation de ressources spécifiques » (poids 0,262) comme les prédicteurs les plus influents.

Principales contributions

1. Cadre de détection proactive : L'étude démontre que les modèles de ML peuvent identifier efficacement les patients MACA en utilisant les données de routine des DSE, passant d'une identification réactive déclenchée par des événements à un dépistage proactif.
2. Modèle parcimonieux et interprétable : La recherche établit qu'un ensemble réduit de 10 variables cliniquement interprétables (se concentrant sur le déclin fonctionnel, la dépendance et l'utilisation des ressources) est suffisant pour une performance de discrimination élevée, facilitant l'intégration clinique.
3. Évitement de la circularité : En excluant les variables liées à l'identification antérieure des soins palliatifs, le modèle est conçu pour détecter des cas non reconnus plutôt que de simplement reproduire les décisions cliniques existantes.
4. Performance robuste des méthodes d'ensemble : L'étude valide que les méthodes d'ensemble, spécifiquement le Bagging, offrent un équilibre favorable entre sensibilité et robustesse pour cette tâche clinique spécifique, surpassant les modèles linéaires simples et montrant une plus grande stabilité en validation croisée que les arbres de décision uniques.

Signification et affirmations
L'article affirme que ses conclusions soulignent le potentiel des outils basés sur le ML pour la détection précoce de la chronicité avancée, offrant une capacité de discrimination élevée (AUC > 0,90) qui pourrait soutenir une stratification proactive des soins. Les auteurs soutiennent que la capacité du modèle à utiliser des données couramment disponibles, combinée à l'interprétabilité de ses prédicteurs, en fait un outil d'aide à la décision viable pour orienter la prestation de soins vers un cadre plus efficace et centré sur le patient.

Cependant, les auteurs maintiennent un ton modeste concernant les limites de l'étude. Ils reconnaissent explicitement que la petite taille de l'échantillon (n=163) limite la généralisabilité et augmente le risque de surapprentissage (overfitting), malgré la validation interne. Ils notent que la distribution de classe presque équilibrée ne reflète pas la prévalence réelle, ce qui peut entraîner un mauvais calibrage en pratique. Par conséquent, l'article conclut que bien que les résultats soient prometteurs, une validation externe dans des cohortes multicentriques indépendantes et des études cliniques prospectives sont essentielles pour confirmer la stabilité, la transportabilité du modèle et son impact réel sur les résultats des patients et l'allocation des ressources.