📄 health informatics

Forecasting laboratory measurements from longitudinal electronic health records

Le document présente LaBERT, un modèle basé sur les transformeurs qui surpasse de manière significative les méthodes de référence pour la prévision de mesures de laboratoire futures à partir de dossiers de santé électroniques longitudinaux en apprenant efficacement des effets de traitement cliniquement significatifs et en permettant un support à la décision clinique personnalisé.

Auteurs originaux : Firoozbakht, F., Baumabach, J.

Publié 2026-08-13

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Firoozbakht, F., Baumabach, J.

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez de deviner quel temps il fera la semaine prochaine. Vous pourriez simplement regarder le ciel en ce moment et dire : « Il fait beau, donc il fera probablement beau demain. » C'est une supposition décente, mais cela manque de vision globale. Et si un système de tempête arrivait de l'ouest ? Et s'il pleuvait depuis trois jours consécutifs ? Pour ne pas se tromper, il faut comprendre toute l'histoire : l'historique de la météo, les tendances de température, et même ce que les prévisionnistes ont annoncé hier.

Dans le monde de la médecine, les médecins sont confrontés à un casse-tête similaire. Ils disposent du « rapport météo médical » d'un patient, une longue liste de chiffres et de notes appelée Dossier de Santé Électronique (DSE). Ces dossiers suivent des éléments tels que les résultats d'analyses de sang, les médicaments et l'état de santé du patient au fil du temps. La grande question est la suivante : pouvons-nous utiliser cet historique complexe et désordonné pour prédire à quoi ressembleront les indicateurs de santé d'un patient lors de sa prochaine visite médicale ? Si nous pouvions le faire, ce serait comme posséder une boule de cristal qui aide les médecins à repérer les problèmes avant qu'ils ne surviennent, permettant d'ajuster les traitements juste à temps. C'est le défi de la « prévision » de la santé des patients, et c'est complexe car chaque corps réagit différemment et les données sont souvent désordonnées et parsemées de lacunes.

C'est ici qu'intervient LaBERT, un nouveau cerveau informatique conçu par les chercheurs Farzaneh Firoozbakht et Jan Baumbach pour résoudre ce casse-tête précis. Considérez LaBERT comme un détective super intelligent qui ne se contente pas de regarder l'indice le plus récent (la dernière analyse de sang), mais qui lit l'intégralité du dossier de l'affaire. Ce détective est entraîné sur une immense bibliothèque de dossiers médicaux réels provenant de plus de 255 000 patients, contenant plus d'un demi-million de visites hospitalières.

Voici comment fonctionne LaBERT et ce qu'il a découvert :

La boîte à outils du détective
La plupart des modèles informatiques tentent de transformer l'historique d'un patient en une simple liste de mots, comme un livre d'histoires. Mais LaBERT est différent. Il traite les différents types de données médicales de manière spécifique. Il sait qu'un nom de médicament est différent d'un chiffre de tension artérielle. Au lieu de tout écraser sous forme de texte, il utilise un système de « traduction » spécial qui conserve les chiffres en tant que nombres et les noms de médicaments en tant que noms, permettant au modèle de comprendre la forme unique de chaque information.

Crucialement, LaBERT ne regarde pas une visite de manière isolée. Il utilise un système de « chemin de la mémoire ». Imaginez un randonneur laissant un sac à dos à chaque campement. Lorsque le randonneur atteint le campement suivant, il ne regarde pas seulement le nouvel endroit ; il vérifie les sacs à dos de tous les campements précédents pour voir où il est passé et où il pourrait aller. LaBERT fait cela en combinant la visite actuelle avec un « historique latent » de toutes les visites précédentes. Les chercheurs ont testé trois façons de transporter ce sac à dos : en ajoutant simplement les anciennes informations, en utilisant une « porte » pour décider de la quantité d'anciennes informations à conserver, ou en utilisant une cellule de mémoire complexe. Ils ont découvert que la méthode de la « porte » fonctionnait le mieux, permettant au modèle de l'équilibrer de manière adaptative entre ce qui s'est passé hier et ce qui se passe aujourd'hui.

Les résultats : Meilleur que les bases
L'équipe a testé LaBERT par rapport à des méthodes plus simples. L'une était l'approche « baseline » (de référence), qui suppose simplement que votre prochain examen de sang sera exactement le même que le précédent. Une autre était un modèle informatique standard (MLP) qui ne possédait pas les capacités de « mémoire » ou de « traduction » sophistiquées.

Les résultats étaient clairs : LaBERT a gagné.

Il a réduit l'erreur moyenne de ses prédictions (Erreur Quadratique Moyenne) de 0,77 à 0,53.
Il a amélioré sa capacité à expliquer les changements de l'état de santé d'un patient (le score R²) de 0,29 à 0,51.

Cela signifie que LaBERT ne se contente pas de deviner ; il apprend réellement la danse complexe entre l'historique d'un patient, ses traitements et sa santé future.

Comprend-il réellement la médecine ?
Pour s'assurer que LaBERT ne faisait pas que mémoriser des schémas sans les comprendre, les chercheurs ont joué au jeu du « et si ». Ils ont pris de vrais dossiers de patients et ont remplacé les médicaments réels par des médicaments fictifs aléatoires. Ils ont découvert que dans 81 % des cas, le modèle prédisait l'état de santé futur avec beaucoup plus de précision lorsqu'il utilisait les vrais médicaments que lorsqu'il utilisait les faux. Cela suggère que LaBERT a appris que des médicaments spécifiques entraînent des changements spécifiques dans le corps.

Ils sont allés encore plus loin avec une expérience « contrefactuelle ». Ils ont demandé au modèle : « Si ce patient prend de la Warfarine (un anticoagulant), qu'arrive-t-il à son INR (un chiffre de coagulation sanguine) ? » et « S'il prend de l'Héparine, qu'arrive-t-il à son PTT ? »

Lorsque le modèle voyait de la Warfarine, il prédisait une augmentation de l'INR 100 % du temps à travers différents essais.
Lorsqu'il voyait de l'Héparine, il prédisait une augmentation du PTT dans 82 % à 89 % des cas.

Ces résultats restaient vrais, que le modèle prédisait l'état de santé 0,5 jour plus tard ou 30 jours plus tard. Cela montre que le modèle a appris de vraies règles médicales établies, et non un simple bruit aléatoire.

Ce que LaBERT ne fait pas
Il est important de noter ce que ce modèle ne fait pas. Les chercheurs précisent explicitement que LaBERT apprend à partir de données observationnelles — ce qui s'est réellement passé dans les hôpitaux. Il ne prouve pas la causalité. Par exemple, le modèle peut prédire que les patients prenant de l'insuline ont une glycémie plus élevée plus tard. Ce n'est pas parce que l'insuline augmente la glycémie (elle la baisse en réalité) ; c'est parce que les médecins donnent de l'insuline à des patients qui ont déjà un taux de sucre très élevé. Le modèle reproduit fidèlement ce schéma du monde réel, mais il ne connaît pas magiquement la cause biologique et l'effet, à moins qu'on ne lui dise. Les auteurs avertissent que ces prédictions sont des « prévisions observationnelles », et non des vérités causales absolues, et qu'elles doivent servir à soutenir, et non à remplacer, le jugement d'un médecin.

L'essentiel
LaBERT est un nouvel outil puissant qui montre que nous pouvons utiliser l'histoire longue et désordonnée de la vie d'un patient pour prédire ses futurs indicateurs de santé avec une précision surprenante. En traitant le temps, les médicaments et les résultats de laboratoire comme une histoire connectée plutôt que comme une liste de faits isolés, il offre un aperçu d'un avenir où les médecins pourront simuler différents parcours de traitement et choisir celui qui est le plus susceptible de maintenir leurs patients en bonne santé. Bien qu'il ne s'agisse pas d'une baguette magique qui résout tous les mystères médicaux, c'est une étape significative vers une médecine personnalisée et prospective.

Résumé technique : LaBERT pour la prévision des mesures de laboratoire à partir de dossiers de santé électroniques longitudinaux

Énoncé du problème

Prédire les futures mesures de laboratoire d'un patient à partir de dossiers de santé électroniques (DSE) longitudinaux est un défi critique en médecine personnalisée, offrant un soutien potentiel au suivi des maladies et à la planification des traitements. Cependant, la prédiction précise est entravée par les trajectoires cliniques complexes et hautement individualisées des patients, qui impliquent des interactions non linéaires entre la progression de la maladie, les interventions thérapeutiques et l'historique individuel. Bien que les récentes avancées de l'apprentissage profond aient abordé la prédiction d'événements discrets (ex. : mortalité, scores de risque) et la prévision à court terme en soins intensifs, il existe une lacune significative dans les méthodes capables de prévoir des mesures de laboratoire continues lors de visites cliniques ultérieures et éparses. Les approches existantes comme LabTOP sont limitées aux données de haute densité en soins intensifs et aux horizons à court terme, manquant d'applicabilité à la nature irrégulière et éparse des données longitudinales générales des hôpitaux et des consultations externes.

Méthodologie

Jeu de données et prétraitement

L'étude a utilisé la base de données MIMIC-IV, comprenant des données longitudinales anonymisées de 299 712 patients à travers 431 231 admissions hospitalières (2008–2019). Le jeu de données a été traité au format Medical Event Data Standard (MEDS), organisant les données en séquences d'événements cliniques ordonnées chronologiquement par visite.

Caractéristiques : Le modèle a ingéré 50 caractéristiques, incluant des données démographiques statiques, des diagnostics (CIM-9/10), des procédures (CIM-9/10-PCS), des médicaments (noms génériques), des signes vitaux et 44 mesures de laboratoire continues (sélectionnées pour une couverture $\ge$ 20 %).
Construction de séquences : Chaque visite de patient a été traitée comme une séquence de jetons (tokens) avec une longueur de contexte fixe de 250.
Normalisation : Les variables continues ont subi une transformation logarithmique pour traiter l'asymétrie, un écrêtage des valeurs aberrantes (1 MAD) et une standardisation à moyenne nulle et variance unitaire. Les intervalles de temps ( $\Delta t$ ) entre les visites ont été transformés par logarithme et mis à l'échelle sur [0, 1].
Cohorte : Le jeu de données final comprenait 583 535 visites de 255 769 patients, avec une répartition entraînement/validation/test de 70/15/15.

Architecture du modèle : LaBERT

LaBERT est un cadre basé sur les transformers conçu pour prévoir les valeurs de laboratoire continues à un futur point temporel ( $t + \Delta t$ ) étant donné l'état actuel du patient et son historique.

Représentation clinique hétérogène :
- Les variables discrètes (diagnostics, médicaments, procédures) sont cartographiées via des plongements (embeddings) de recherche apprenables.
- Les variables continues (valeurs de labo, constantes vitales, intervalles de temps) sont projetées dans l'espace d'embedding via des couches linéaires dédiées.
- Tokenisation sensible aux caractéristiques : Contrairement aux transformers standards qui utilisent des plongements de position pour encoder l'ordre, LaBERT assigne des plongements spécifiques aux caractéristiques et apprenables à chaque type de jeton. Cela permet de modéliser conjointement des variables hétérogènes au sein d'une architecture d'auto-attention unifiée, indépendamment de leur ordre séquentiel.
Modélisation de l'historique longitudinal :
Pour capturer les dépendances à travers plusieurs visites, LaBERT propage un état d'historique latent ( $H_t$ ) en utilisant un mécanisme récurrent à porte. Le modèle a évalué trois stratégies d'intégration :
- Additive : Projection linéaire de l'historique ajoutée à la représentation de la visite actuelle.
- À porte (Gated) : Une porte sigmoïde équilibre de manière adaptative les informations passées et présentes.
- Basée sur LSTM : États cachés et cellulaires explicites avec des portes d'entrée, d'oubli et de sortie.
  Le mécanisme d'intégration à porte a été identifié comme l'approche optimale, surpassant les autres.
Prévision conditionnée par le temps :
Le modèle incorpore explicitement l'intervalle de temps ( $\Delta t$ ) entre la visite actuelle et la visite future comme un jeton d'entrée, permettant des prédictions sur des horizons temporels arbitraires plutôt que sur des intervalles fixes.
Objectif d'entraînement :
Le modèle minimise l'erreur quadratique moyenne (MSE) entre les valeurs de laboratoire prédites et observées lors de la visite clinique suivante.

Résultats clés

Performance prédictive

Évalué sur 583 535 visites, LaBERT surpasse systématiquement trois méthodes de référence :

Vs Last Observation Carried Forward (Dernière observation reportée) : LaBERT a réduit la MSE de 0,76 à 0,55 (~28 % de réduction) et a amélioré le coefficient de détermination ( $R^2$ ) de 0,30 à 0,50.
Vs Perceptron Multicouche (MLP) : LaBERT a réduit la MSE de 0,60 à 0,55 et a amélioré le $R^2$ de 0,45 à 0,50, démontrant la valeur de la modélisation de séquences et des mécanismes d'attention.
Vs LabTOP : Adapté au même cadre de prédiction, LaBERT surpasse significativement le modèle LabTOP basé sur GPT-2, améliorant le $R^2$ de -3,7 (pire que la prédiction de la moyenne) à 0,77.

Contributions longitudinales et temporelles

Intégration de l'historique : L'incorporation de l'historique longitudinal via l'intégration à porte a réduit davantage la MSE de 3,4 % par rapport à un modèle de base sans historique, augmentant la corrélation de Pearson globale de 0,70 à 0,72.
Intervalle de temps ( $\Delta t$ ) : Le retrait de $\Delta t$ en tant que jeton d'entrée a augmenté l'erreur de prédiction, l'écart s'élargissant à mesure que l'horizon de prédiction augmentait. Cela confirme que le modèle apprend des représentations temporellement cohérentes plutôt que de se baser uniquement sur des caractéristiques statiques.
Démographie : Les études d'ablation ont montré que l'ajout de l'âge, du sexe et de la race comme jetons d'entrée n'améliorait pas la performance, suggérant que ces facteurs sont largement redondants avec la trajectoire clinique longitudinale capturée par le modèle.

Robustesse et pertinence clinique

Fréquence des mesures : L'erreur de prédiction (NRMSE) ne montre aucune corrélation forte avec la fréquence des mesures. La précision élevée est portée par les corrélations entre variables (ex. : MCV/MCH) et la stabilité temporelle, et non par la densité des données.
Perturbation des médicaments : Dans 81 % des visites, les prédictions utilisant les médicaments originaux étaient plus précises que celles utilisant des ensembles de médicaments randomisés, indiquant que le modèle apprend des informations liées au traitement.
Analyse contrefactuelle : LaBERT reproduit avec succès les effets pharmacologiques établis dans des simulations contrôlées :
- Warfare (Warfarine) : Prédit une augmentation de l'INR dans 100 % des comparaisons sur 11 graines (seeds) de modèle.
- Héparine : Prédit une augmentation de l'aPTT dans 82–89 % des comparaisons.
  Ces effets étaient cohérents sur des horizons de prédiction allant de 0,5 à 30 jours.

Signification et affirmations

Les auteurs positionnent LaBERT comme un cadre fondamental pour la simulation de l'état du patient dépendante du traitement et le support à la décision clinique personnalisée. Les affirmations clés incluent :

Premier cadre unifié : À la connaissance des auteurs, LaBERT est la première méthode combinant des représentations cliniques hétérogènes, une tokenisation sensible aux caractéristiques, une intégration explicite de l'historique longitudinal et une prévision conditionnée par le temps au sein d'un cadre transformer unique pour prédire les futurs états physiologiques.
Interprétabilité clinique : La capacité du modèle à reproduire des effets médicamenteux connus (Warfarine-INR, Héparine-aPTT) dans des contextes contrefactuels démontre qu'il apprend des associations cliniquement significatives et dépendantes du traitement à partir de données observationnelles.
Limites et causalité : Les auteurs déclarent explicitement que LaBERT apprend des associations à partir de données de DSE observationnelles, et non des effets causaux. Ils avertissent que le modèle peut reproduire les biais inhérents à l'assignation des traitements (ex. : « confusion par indication » où l'insuline est prescrite à des patients ayant une glycémie plus élevée). Par conséquent, les prédictions doivent être vues comme des prévisions observationnelles pour compléter, et non remplacer, le jugement clinique ou les essais prospectifs.
Direction future : L'article suggère que l'intégration de telles représentations longitudinales avec des connaissances biomédicales structurées (ex. : graphes de connaissances) pourrait améliorer l'interprétabilité et permettre des simulations biologiquement informées.

Ce travail établit une approche computationnelle robuste pour la prévision de mesures cliniques continues, allant au-delà de la prédiction d'événements discrets pour fournir des prévisions quantitatives et temporelles des trajectoires des patients.