Reconsidering the case against risk prediction in self-harm: routinely collected health data distinguishes groups at higher and lower risk of adverse outcomes following paracetamol overdose

Le dilemme du détective : les données peuvent-elles voir la tempête avant qu'elle n'éclate ?

Imaginez que vous soyez un prévisionniste météorologique essayant de prédire une tempête soudaine et dangereuse. Dans le monde de la médecine, plus précisément lorsque des personnes se présentent à l'hôpital après avoir pris trop de paracétamol (un analgésique courant) pour se faire du mal, il existe un grand débat sur la question de savoir si nous pouvons prédire la « tempête » d'un suicide futur ou d'une réhospitalisation. Pendant longtemps, la règle officielle au Royaume-Uni a été : « N'essayez pas de le prédire. » L'idée était que les données que les médecins collectent chaque jour — comme l'âge, les visites médicales passées et les listes de prescriptions — sont trop bruyantes et inutiles pour nous dire qui est à risque. C'est comme essayer de deviner la météo en regardant une seule photo floue d'un nuage ; les experts disaient que la photo ne contenait tout simplement pas assez de détails pour être utile.

Mais et si cette photo contenait en réalité un motif secret ? Et si, en utilisant un cerveau informatique super intelligent (l'apprentissage automatique ou machine learning) pour examiner des milliers de ces photos floues à la fois, nous pouvions repérer une forme qui échappe à l'œil humain ? C'est la question que les scientifiques se posent. Ils veulent savoir si les « données de santé collectées de routine » — les enregistrements banals et quotidiens que les médecins notent — contiennent réellement un signal caché capable de distinguer les personnes qui auront un mauvais résultat de celles qui ne l'auront pas. Si la réponse est « oui », cela ne signifie pas que nous possédons une boule de cristal, mais cela pourrait signifier que nous n'aurions pas dû jeter la carte tout de suite. Si la réponse est « non », alors nous savons avec certitude que nous devons chercher de l'aide ailleurs.

Le grand puzzle du paracétamol : trouver le signal dans le bruit

Dans cette étude, une équipe de chercheurs a décidé de mettre à l'épreuve la théorie selon laquelle « les données sont inutiles ». Ils n'ont pas essayé de construire un outil magique pour arrêter le suicide ; ils ont plutôt agi comme des détectives à la recherche d'un indice unique. Ils ont rassemblé les dossiers médicaux de 4 095 adultes qui s'étaient présentés aux services d'urgence de l'NHS Lothian (Écosse) entre 2017 et 2023 pour une overdose de paracétamol.

Considérez ces dossiers comme une immense boîte de puzzle. À l'intérieur se trouvaient 37 pièces d'information différentes qu'un médecin connaît déjà au moment où le patient arrive : son âge, son lieu de résidence (ce qui donne un indice sur la précarité de la zone), les médicaments qu'il prend déjà et s'il a déjà consulté un spécialiste de la santé mentale. Les chercheurs ont injecté ces pièces de puzzle dans un modèle informatique intelligent appelé « régression logistique elastic-net ». Vous pouvez imagre ce modèle comme un bibliothécaire très strict qui essaie de trier une pile massive de livres en deux piles : « Livres sur les personnes qui auront un mauvais résultat » et « Livres sur les personnes qui ne l'auront pas ».

Les chercheurs ont examiné trois périodes différentes après le départ du patient de l'hôpital :

1. La première semaine (0–7 jours) : Est-ce qu'ils sont décédés ou ont été admis dans un service de psychiatrie ?
2. Le mois suivant (8–30 jours) : Les ennuis ont-ils continué ?
3. L'année entière (31–365 jours) : La tempête a-t-elle fini par éclater ?

La grande découverte
Les résultats ont été surprenants. Le modèle informatique a effectivement trouvé un motif. Il n'était pas parfait, mais il était nettement meilleur que de tirer à pile ou face.

• Durant la première semaine, le modèle pouvait classer correctement les patients environ 65 % à 82 % du temps (selon la méthode de mesure utilisée).
• Dans la fenêtre de 8 à 30 jours, il se situait entre 63 % et 90 %.
• Sur l'année complète, il se situait entre 71 % et 85 %.

Dans le monde des statistiques, un score de 50 % n'est que du hasard. Tout ce qui est supérieur à cela signifie que le modèle perçoit réellement quelque chose. Les chercheurs ont constaté que le modèle était efficace pour repérer qui était à plus haut risque, et qu'il était très performant pour s'assurer que les chiffres qu'il donnait correspondaient aux résultats réels (ce qu'on appelle la « calibration »).

D'où venaient les indices ?
Vous pourriez penser que le modèle se contentait d'observer l'âge ou le sexe, comme un détective stéréotypé. Mais les chercheurs ont découvert que ce n'était pas là que se trouvait l'histoire principale. Les véritables « superpouvoirs » du modèle provenaient de indices liés à la santé mentale. Le modèle obtenait ses meilleures prédictions grâce à des éléments tels que :

• Si la personne s'était vu prescrire des médicaments antipsychotiques ou anxioliques.
• Si elle avait un historique de consultation avec un psychiatre.
• Si elle présentait un diagnostic de schizophrénie ou de maladie du foie liée à l'alcool.
• Le nombre de types différents de médicaments qu'elle prenait (polypharmacie).

L'âge était toujours utilisé par le modèle, mais il n'était pas le moteur principal. Le véritable signal était caché dans le parcours complexe de la santé mentale de la personne.

Ce que cet article dit (et ce qu'il ne dit pas)

Il est très important de comprendre ce que cette étude ne prétend pas. Les auteurs ne prétendent pas que nous pouvons désormais prédire exactement quelle personne individuelle tentera un suicide la prochaine fois. Ils ne disent pas que nous devrions commencer à utiliser ce modèle informatique dans les hôpitaux dès demain pour décider qui reçoit un traitement.

En fait, ils mettent explicitement en garde contre cela. La précision du modèle, bien que supérieure au hasard, n'est pas assez élevée pour être utilisée comme un juge final pour une personne seule. Si vous utilisiez cet outil sur une seule personne, il pourrait encore se tromper. L'article soutient que les règles actuelles au Royaume-Uni, qui stipulent « aucun outil de prédiction de risque », pourraient bien jeter le bébé avec l'eau du bain. La règle était basée sur l'idée qu'aucun signal utile n'existe dans les données. Cette étude suggère qu'un signal utile existe bel et bien, mais qu'il n'est pas encore assez fort pour être un instrument autonome.

Les chercheurs soulignent également que les données structurées « banales » qu'ils ont utilisées (les 37 cases à cocher) ont un plafond. C'est comme essayer de comprendre un film en ne lisant que la liste des acteurs et la durée du film ; on passe à côté de l'intrigue, des émotions et des dialogues. Les indices réels et profonds sur le risque d'une personne — comme ses pensées spécifiques, ses sentiments de désespoir ou son système de soutien — sont généralement écrits dans le texte libre des notes des médecins, et non dans les cases à cocher. L'article suggère que si nous apprenons aux ordinateurs à lire ces notes (en utilisant ce qu'on appelle le traitement du langage naturel), nous pourrions trouver un signal encore plus fort.

La conclusion à retenir

Alors, quel est le verdict ? L'article conclut que l'idée selon laquelle « les données de santé collectées de routine ne contiennent aucun signal prédictif utile » n'est pas vraie. Les données contiennent un signal ; elles peuvent distinguer des groupes de personnes à haut risque de ceux à faible risque. Cependant, le signal est actuellement trop ténu pour être utilisé pour prendre des décisions de vie ou de mort concernant des individus isolés.

Les auteurs disent essentiellement : « Ne fermez pas le livre de cette recherche simplement parce que le chapitre actuel n'est pas parfait. » Ils exhortent les scientifiques à continuer de chercher, peut-être en apprenant aux ordinateurs à lire les parties humaines et désordonnées des notes médicales, plutôt que d'abandonner l'idée que les données peuvent aider à sauver des vies. La porte d'une meilleure prédiction est toujours ouverte ; nous avons juste besoin de meilleurs outils pour la franchir.