📄 medicine

External validation and comparison of PREVENT and SCORE2 atherosclerotic cardiovascular risk scores in the MASHAD cohort study

Cette étude a validé de manière externe les modèles de risque cardiovasculaire PREVENT et SCORE2 dans la cohorte iranienne MASHAD, concluant que bien que les deux modèles aient démontré une discrimination acceptable, ils sous-estimaient significativement le risque absolu et nécessitaient un recalibrage local pour fournir des prédictions précises pour cette population du Moyen-Orient.

Auteurs originaux : Ali Tajik, Hamidreza Rahimi, Sara Saffar Soflaei, Mohsen Moohebati, Ashkan Bahrami, Gordon A. Ferns, Habibollah Esmaily, Majid Ghayour-Mobarhan, Hedieh Alimi

Publié 2026-06-28

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ali Tajik, Hamidreza Rahimi, Sara Saffar Soflaei, Mohsen Moohebati, Ashkan Bahrami, Gordon A. Ferns, Habibollah Esmaily, Majid Ghayour-Mobarhan, Hedieh Alimi

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous avez deux prévisionnistes météo très populaires, PREVENT et SCORE2. Ces prévisionnistes sont célèbres en Europe et aux États-Unis pour prédire la probabilité qu'une « tempête » (une crise cardiaque ou un AVC) frappe une personne au cours des 10 prochaines années. Ils utilisent une recette standard : ils examinent votre âge, votre tension artérielle, votre cholestérol et si vous fumez pour vous donner un pourcentage de chance d'être frappé par la tempête.

Les chercheurs de cette étude voulaient voir si ces célèbres prévisionnistes fonctionneraient correctement à Mashhad, en Iran. Ils ont traité la population locale comme une nouvelle zone météorologique non testée.

Voici ce qu'ils ont trouvé, expliqué simplement :

1. Le problème : Les prévisionnistes « étrangers » étaient trop optimistes

Lorsque les chercheurs ont utilisé les formules originales européennes et américaines sur la population iranienne, les prévisionnistes ont commis une grosse erreur : ils étaient trop optimistes.

L'analogie : Imaginez un présentateur météo à Londres disant à un agriculteur dans le désert : « Il y a 1 % de chances de pluie aujourd'hui. » Mais dans le désert, il pleut en réalité 30 % du temps. L'agriculteur serait trempé parce que la prévision était fausse pour son emplacement spécifique.
La réalité : Tant PREVENT que SCORE2 disaient aux Iraniens que leur risque d'événement cardiaque était très faible. Cependant, lorsque les chercheurs ont examiné les données réelles sur 10 ans, beaucoup plus de personnes ont eu des événements cardiaques que ce que les modèles avaient prédit. Les modèles « sous-estimaient » le danger.

2. La solution : Le « réglage local » (Recalibrage)

Les chercheurs n'ont pas jeté les modèles. Au lieu de cela, ils ont effectué un « réglage local ».

L'analogie : Pensez aux modèles comme à une station de radio. La musique (la façon dont ils classent les gens du risque faible au risque élevé) était bonne, mais le volume était trop bas. Ils n'avaient pas besoin de changer la chanson ; ils avaient juste besoin de tourner le bouton du volume pour correspondre à l'audience locale.
L'action : Ils ont légèrement ajusté les calculs pour correspondre au nombre réel d'événements cardiaques se produisant à Mashhad. Ils ont gardé le système de « classement » identique, mais ont décalé les chiffres afin que les pourcentages reflètent la réalité.

3. Les résultats : Lequel était le meilleur ?

Après le « réglage », les deux modèles fonctionnaient beaucoup mieux, mais l'un avait un léger avantage.

La capacité de classement (Discrimination) : Les deux modèles étaient bons pour trier les gens. Ils pouvaient dire qui était plus susceptible d'avoir un événement qu'une autre personne. PREVENT était légèrement meilleur pour ce tri que SCORE2, comme une paire de lunettes un peu plus précise.
L'exactitude (Calibration) : Avant le réglage, les modèles se trompaient sur la quantité de risque. Après le réglage, le risque prédit correspondait presque parfaitement au risque réel.
- PREVENT était un peu plus précis dans l'ensemble. C'est probablement parce que PREVENT examine plus de détails, comme la fonction rénale et le diabète, qui sont très courants dans ce groupe spécifique de personnes.
- SCORE2 est un modèle plus simple (il ne prend pas en compte le diabète), mais il fonctionnait tout de même bien une fois réglé sur le « volume » local.

4. Pourquoi cela importe (Le « Bénéfice Net »)

L'étude a utilisé un concept appelé « Bénéfice Net » pour voir si les modèles ajustés aidaient les médecins à prendre de meilleures décisions.

L'analogie : Imaginez un agent de sécurité qui vérifie les sacs.
- Modèle original : L'agent était trop décontracté, laissant passer de nombreux sacs dangereux (manquant ainsi des personnes à haut risque).
- Modèle ajusté : L'agent est devenu plus vigilant. Il a arrêté plus de sacs dangereux (détectant plus de personnes à haut risque), mais il a aussi arrêté quelques sacs inoffensifs par erreur (diminuant la « spécificité »).
La conclusion : Les chercheurs ont constaté que les modèles « ajustés » en valaient la peine. Même s'ils ont signalé quelques personnes supplémentaires qui se sont avérées être en sécurité, ils ont réussi à attraper beaucoup plus de personnes qui étaient réellement à risque. Dans un contexte de santé, il vaut mieux détecter une potentielle crise cardiaque tôt que de la manquer.

Résumé

L'étude conclut que vous ne pouvez pas simplement copier-coller un calculateur de risque de l'Europe ou de l'Amérique et vous attendre à ce qu'il fonctionne parfaitement en Iran. La « recette » du risque est différente selon les endroits.

Cependant, la bonne nouvelle est que ces outils peuvent fonctionner si vous les « calibrez » à la population locale. Une fois que les chercheurs ont ajusté les chiffres pour qu'ils correspondent à la réalité de Mashhad, PREVENT et SCORE2 sont devenus des outils fiables pour prédire les risques cardiaques, avec un léger avantage pour PREVENT car il prend en compte davantage de facteurs de santé.

Résumé technique : Validation externe et comparaison de PREVENT et SCORE2 dans la cohorte MASHAD

Énoncé du problème
Les modèles contemporains de prédiction du risque de maladie cardiovasculaire athérosclérotique (ASCVD), tels que le PREVENT de l'American Heart Association et le SCORE2 de l'European Society of Cardiology, nécessitent une validation externe avant d'être implémentés dans des populations distinctes de leurs cohortes de dérivation. Les modèles de prédiction présentent souvent une faible calibration lorsqu'ils sont appliqués à des populations présentant des taux d'événements de base, des distributions de facteurs de risque ou un accès aux soins différents, même s'ils conservent une discrimination acceptable. Bien que des études antérieures aient validé ces outils dans d'autres régions (par exemple, l'étude Tehran Lipid and Glucose), il existe une lacune critique dans les preuves concernant leur performance dans le nord-est de l'Iran. Plus précisément, il n'est pas clair si PREVENT et SCORE2 fournissent une estimation fiable du risque absolu pour la cohorte MASHAD, où les charges cardiométaboliques, les modes de tabagisme et l'accès aux soins de santé diffèrent des cohortes occidentales. Des outils non calibrés risquent de sous-identifier les individus à haut risque ou d'exposer inutilement les individus à faible risque à un traitement.

Méthodologie
Cette étude de validation externe prospective a utilisé les données de la cohorte Mashhad Stroke and Heart Atherosclerotic Disorder (MASHAD), suivant 9 069 adultes (âgés de 30 à 65 ans) sur une période de 10 ans (2010–2020).

Sélection de la cohorte : La cohorte éligible complète ( $n=9\,069$ ) a été utilisée pour la validation de PREVENT. Pour SCORE2, qui est conçu pour les adultes non diabétiques, les participants présentant un diabète au départ ( $n=1\,233$ ) ont été exclus, ceい qui a donné un échantillon analytique de 7 836 participants non diabétiques.
Définition du critère de jugement : Le critère principal était un composite d'infarctus du myocarde fatal ou non fatal et d'accident vasculaire cérébral (AVC) fatal ou non fatal, jugé par un comité indépendant à l'aide des codes CIM-10.
Application des modèles : Les deux modèles ont été appliqués en utilisant leurs équations et coefficients publiés sans réajustement (refitting). PREVENT a utilisé son approximation logistique du modèle de risques concurrents, tandis que SCORE2 a utilisé ses équations de risque à 10 ans standard.
Stratégie de recalibrage : Pour corriger la mauvaise calibration tout en préservant la structure originale du modèle, un recalibrage local a été effectué :
- PREVENT : Mise à jour de l'ordonnée à l'origine spécifique au sexe (recalibrage logistique avec le prédicteur linéaire original comme offset).
- SCORE2 : Mise à jour du risque de base spécifique au sexe (régression des risques proportionnels de Cox avec le prédicteur linéaire original comme offset).
Mesures de performance : Les modèles ont été évalués selon la discrimination (C-statistiques), la calibration (pentes de calibration, ratios observé/attendu [O/E], scores de Brier), la performance clinique à des seuils prédéfinis (sensibilité, spécificité, bénéfice net), l'amélioration de la reclassification catégorielle (NRI), l'analyse de survie de Kaplan–Meier et l'analyse de la courbe de décision (DCA).

Résultats clés

Taux d'événements : Sur l'horizon de 10 ans, 678 événements ASCVD sont survenus dans l'échantillon PREVENT et 470 dans l'échantillon SCORE2.
Discrimination : Les deux modèles ont démontré une capacité acceptable à classer les individus par risque. PREVENT a montré une discrimination légèrement supérieure à celle de SCORE2.
- Hommes : C-statistique de PREVENT = 0,714 contre SCORE2 = 0,687.
- Femmes : C-statistique de PREVENT = 0,731 contre SCORE2 = 0,704.
- Le recalibrage n'a pas modifié les C-statistiques, car les coefficients des prédicteurs originaux ont été préservés.
Calibration : Les deux modèles originaux ont considérablement sous-estimé le risque absolu.
- Ratios O/E originaux : PREVENT (2,904 global ; 3,004 hommes, 2,817 femmes) et SCORE2 (4,002 global ; 3,393 hommes, 4,902 femmes).
- Impact du recalibrage : Le recalibrage spécifique au sexe a corrigé la calibration globale (calibration-in-the-large), ramenant les ratios O/E à environ 1,00 pour les deux modèles. Les pentes de calibration restaient inférieures à 1,0, indiquant une dispersion imparfaite des risques prédits, mais les scores de Brier se sont considérablement améliorés après recalibrage.
Performance clinique et reclassification :
- Le recalibrage a augmenté de manière significative la sensibilité et la proportion de participants classés dans des catégories de risque plus élevées, bien qu'au prix d'une réduction de la spécificité.
- Exemple (PREVENT, Hommes, seuil de 5 %) : La sensibilité est passée de 46,2 % à 90,1 % ; la proportion classée comme haut risque est passée de 21,3 % à 67,0 %. Le bénéfice net est passé de 0,0340 à 0,0529.
- Amélioration de la reclassification nette (NRI) : Un NRI total positif a été observé pour les deux modèles (PREVENT : 0,296 ; SCORE2 : 0,236), principalement dû à la reclassification à la hausse des cas d'événements (NRI des événements > 0,80).
Analyse de la courbe de décision : Les modèles recalibrés ont fourni un bénéfice net plus élevé que les modèles originaux pour les probabilités de seuil basses et intermédiaires, s'alignant mieux sur les scénarios de prise de décision clinique.

Signification et affirmations
L'étude conclut que, bien que PREVENT et SCORE2 préservent une capacité acceptable de classement du risque ASCVD dans cette cohorte iranienne, leurs estimations de risque absolu originales sont inexactes en raison d'une sous-estimation significative. Les auteurs affirment que le recalibrage local est essentiel pour une estimation précise du risque absolu dans cette population.

Performance comparative : PREVENT a démontré une discrimination et des pentes de calibration légèrement meilleures que SCORE2, probablement en raison de l'inclusion de prédicteurs cardiométaboliques et rénaux (ex: diabète, débit de filtration glomérulaire estimé [DFGe], utilisation de médicaments) qui sont très pertinents dans la population MASHAD.
Utilité clinique : La principale contribution de ce travail est de démontrer que le recalibrage améliore les mesures de performance cliniquement significatives — spécifiquement la sensibilité, la stratification du risque et le bénéfice net de l'analyse de décision — sans altérer le signal pronostique sous-jacent.
Conseils de mise en œuvre : Les auteurs soutiennent que des outils de risque localement calibrés sont nécessaires pour la prévention de l'ASCVD dans les populations régionales sous-représentées. Ils recommandent que PREVENT puisse être préférable lorsque des données complètes sont disponibles, tandis que SCORE2 reste une option viable et plus simple pour les adultes non diabétiques s'il est localement recalibré.
Limites : Les auteurs soulignent que ces équations recalibrées ne doivent pas être directement adoptées pour une mise en œuvre nationale sans une validation indépendante supplémentaire dans d'autres populations iraniennes et du Moyen-Orient, notant que l'étude est limitée à une cohorte urbaine régionale et que le recalibrage sacrifie la spécificité au profit de la sensibilité.