Integrating dynamic nomogram and machine learning for personalized disability prediction in elderly cardiometabolic multimorbidity: routine blood markers and mental health

Résumé Technique : Intégration d'un nomogramme dynamique et de l'apprentissage automatique pour la prédiction personnalisée du handicap chez les personnes âgées présentant une multimorbidité cardiométabolique

Énoncé du problème
Le handicap chez les patients âgés souffrant de multimorbidité cardiométabolique (MCM) — définie par la cooccurrence de deux ou plusieurs maladies cardiométaboliques telles que l'hypertension, les maladies cardiaques, l'accident vasculaire cérébral (AVC), le diabète et la dyslipidémie — représente un fardeau de santé publique important. Bien que des études antérieures aient identifié des facteurs de risque généraux (ex. : âge, IMC, dépression), les modèles de prédiction clinique existants manquent souvent de précision individualisée et ne parviennent pas à traiter des complexités spécifiques : la valeur prédictive des marqueurs sanguins de routine, la dominance comparative de la santé mentale par rapport à la fonction physique, et si le risque de handicap augmente de manière linéaire avec le nombre de comorbidités ou s'il atteint un plateau. Les outils actuels, tels que les échelles standard ADL/IADL, fournissent des évaluations générales mais manquent de stratification du risque dynamique et personnalisée.

Méthodologie
L'étude a utilisé les données de la China Health and Retirement Longitudinal Study (CHARLS), analysant 1 424 patients âgés de ≥60 ans atteints de MCM pour le développement du modèle (ensembles d'entraînement et de validation interne) et 3 335 patients pour la validation externe. Le handicap était défini par une déficience dans les activités de la vie quotidienne (ADL) ou les activités instrumentales de la vie quotidienne (IADL), ou par un handicap auto-déclaré.

La recherche a employé une approche analytique multifacette :

1. Sélection des variables : À partir de 46 prédicteurs candidats (incluant la démographie, le mode de vie, les examens physiques, l'historique clinique et plus de 20 marqueurs de laboratoire comme l'HbA1c, le TyG, le CVAI et la fonction rénale), les variables ont été filtrées via une régression logistique univariée, suivie d'une régression LASSO (Least Absolute Shrinkage and Selection Operator) pour réduire la dimensionnalité.
2. Développement du nomogramme : Un nomogramme dynamique a été construit à l'aide d'une régression logistique multivariée sur l'ensemble final de prédicteurs indépendants. Ce modèle a été implémenté sous la forme d'un outil en ligne (application Shiny) pour le calcul du risque en temps réel.
3. Analyse statistique avancée :
   • Analyse de médiation : A exploré les voies par lesquelles la fonction physique (force de préhension, vitesse de marche) et les chutes médient les effets de la dépression, de la cognition et de l'AVC sur le handicap.
   • Analyse non linéaire : Des splines cubiques restreintes (RCS) et des analyses d'effet de seuil ont été utilisées pour identifier les points d'inflexion dans les relations (ex. : fonction cognitive).
   • Évaluation dose-réponse : Des tests de tendance linéaire et des comparaisons par paires ajustées par la méthode de Tukey ont évalué la relation entre le nombre de conditions de MCM et le risque de handicap.
4. Apprentissage automatique (ML) : Cinq algorithmes (Régression logistique, Forêt aléatoire, SVM, LightGBM, XGBoost) ont été entraînés en utilisant l'algorithme Boruta pour la sélection des caractéristiques. Le modèle de Forêt aléatoire (RF) a été sélectionné comme optimal selon les mesures de performance. Les explications SHAP (SHapley Additive exPlanations) ont été appliquées pour interpréter l'importance des caractéristiques et leur directionnalité dans le modèle de ML.

Résultats clés

• Modèle prédictif : Le nomogramme dynamique final intègre six prédicteurs indépendants : les symptômes de dépression, la fonction cognitive, l'AVC, le nombre de MCM, l'âge et les chutes. Le modèle a démontré une discrimination robuste avec des valeurs d'aire sous la courbe (AUC) de 0,746 (entraînement), 0,740 (validation interne) et 0,754 (validation externe). Les courbes de calibration et l'analyse de la courbe de décision (DCA) ont confirmé un excellent accord entre les probabilités prédites et réelles ainsi qu'un bénéfice clinique net significatif.
• Marqueurs sanguins de routine : Dans la régression logistique traditionnelle, les marqueurs sanguins de routine n'étaient pas statistiquement significatifs. Cependant, l'analyse SHAP du modèle de Forêt aléatoire a identifié l'HbA1c, la créatinine, l'acide urique, l'hématocrite, le glucose à jeun, le TyG et le CVAI comme des marqueurs de risque importants, suggérant que le ML capture des interactions non linéaires manquées par les modèles conventionnels.
• Santé mentale vs Santé physique : Les symptômes de dépression sont apparus comme un prédicteur dominant, surpassant les mesures de la fonction physique comme la force de préhension ou la vitesse de marche, tant dans les modèles traditionnels que dans les modèles de ML. L'analyse de médiation a révélé que la force de préhension de la main gauche médiait 12,3 % de l'effet de l'AVC sur le handicap, tandis que la vitesse de marche médiait les effets de la fonction cognitive et de l'AVC.
• Plateau du nombre de MCM : La relation entre le nombre de conditions de MCM et le risque de handicap n'est pas purement linéaire. Le risque augmente significativement de 2 à 3 et 4 conditions, mais semble stagner après ≥ 3 MCM. L'analyse de sensibilité fusionnant MCM=4 et 5 a confirmé que, bien que MCM≥4 présente un risque plus élevé que MCM=2, la différence entre MCM=3 et MCM≥4 n'est pas significative.
• Perspectives de l'apprentissage automatique : Le modèle de Forêt aléatoire a obtenu l'AUC la plus élevée (0,782) dans l'ensemble de validation interne. Notamment, dans le modèle de ML, la maladie rénale arrive plus haut en valeur prédictive que l'AVC ou le nombre de MCM, contrastant avec la régression traditionnelle où l'AVC était le prédicteur le plus fort (OR=2,55).
• Relations non linéaires : La fonction cognitive présente une relation en forme de U inversé avec le handicap, avec un point d'inflexion à 12,043.

Signification et revendications
Les auteurs affirment que cette étude fournit le premier nomogramme dynamique pratique spécifiquement conçu pour prédire le handicap chez les patients âgés atteints de MCM. La portée de l'étude réside dans son approche intégrée qui :

1. Valide les marqueurs de routine : Démontre que les marqueurs sanguins de routine (ex. : HbA1c, créatinine) possèdent une valeur prédictive pour le handicap lorsqu'ils sont analysés par apprentissage automatique, même s'ils sont non significatifs en régression linéaire.
2. Priorise la santé mentale : Établit que les symptômes de dépression sont un prédicteur plus critique du risque de handicap que les mesures de la fonction physique (force de préhension, vitesse de marche) dans cette population.
3. Affine la stratification du risque : Identifie un effet de plateau dans la relation MCM-handicap, suggérant que la stratification du risque clinique n'a peut-être pas besoin de distinguer linéairement au-delà de trois comorbidités.
4. Utilité clinique : Offre un outil en ligne cliniquement accessible pour la stratification du risque personnalisée, pouvant guider des interventions précoces axées sur l'évaluation de la santé mentale et le dépistage métabolique de routine.

L'article conclut que, bien que l'AVC demeure un prédicteur traditionnel primaire, l'apprentissage automatique révèle le rôle crucial de la maladie rénale et de la dysrégulation métabolique. Les auteurs reconnaissent les limites, notamment la nature rétrospective des données, le biais de sélection potentiel concernant les marqueurs sanguins et la nécessité d'une validation externe dans des populations diverses, tout en soutenant que le nomogramme développé constitue une étape précieuse vers l'identification précoce des risques et les stratégies de gestion personnalisées.