Retrospective Forecasting and Long-Term Projection of Alzheimer’s Disease Spreading

Résumé Technique : Prévision Rétrospective et Projection à Long Terme de la Propagation de la Maladie d'Alzheimer

Énoncé du Problème
La prévision de la propagation des maladies non transmissibles (MNT), spécifiquement la maladie d'Alzheimer et la démence, présente des défis méthodologiques importants en raison de la nature multifactorielle de leur étiologie. Contrairement aux maladies infectieuses, les MNT sont pilotées par des interactions complexes et dynamiques de facteurs génétiques, comportementaux, socio-économiques et environnementaux. Les approches de prévision traditionnelles reposent souvent sur la quantification de ces facteurs de risque spécifiques ou supposent une stationnarité des processus, deux approches qui peinent face à l'incertitude inhérente et à la non-stationnarité des dynamiques de maladies à long terme. De plus, les modèles existants se concentrent souvent sur des indicateurs annuels volatils, ce qui peut occulter les tendances stables à long terme. Les auteurs postulent qu'une prévision précise est cruciale pour la planification stratégique de la santé, l'allocation des ressources et la justification du financement de la recherche, pourtant les méthodes actuelles échouent souvent à fournir des projections décennales fiables dans des conditions d'incertitude.

Méthodologie
L'article propose une méthodologie novatrice basée sur un Modèle d'Entrée-Sortie Intégral (IIOM - Integral Inflow-Outflow Model) avec des paramètres stochastiques. Cette approche déplace le focus analytique de la modélisation des facteurs de risque individuels ou des comptages annuels volatiels vers la modélisation de la dynamique des volumes cumulés (intégraux) d'entrée (nouveaux cas) et de sortie (mortalité).

Les composantes clés de la méthodologie incluent :

1. Cadre du Modèle : La population atteinte de la maladie est traitée comme un « réservoir » défini par une équation d'équilibre : $I(t) = X_{inf}(t, t_0) - X_{of}(t, t_0)$, où $I(t)$ est le nombre de cas actifs, $X_{inf}$ est l'entrée cumulative, et $X_{of}$ est la sortie cumulative.
2. Taux Stochastiques : Le modèle utilise des taux de variation de ces volumes cumulés ($r_{inf}$ et $r_{of}$) plutôt que des comptes bruts.
3. Identification des Tendances : Une découverte centrale de l'étude est que, bien que les taux annuels puissent être volatils, les taux des entrées et sorties intégrales présentent une diminution monotone au fil du temps. Cette propriété permet la construction de tendances linéaires.
4. Mécanisme de Prévision :
   • Les auteurs calculent le taux de diminution annuel moyen des augmentations en pourcentage de l'entrée et de la sortie ($\alpha_{inf}$ et $\alpha_{of}$) sur une fenêtre historique (par exemple, 10 ans).
   • Ces taux sont approximés par des fonctions de puissance via la méthode des moindres carrés.
   • Les tendances linéaires pour les futurs taux stochastiques ($\tilde{r}_{inf}$ et $\tilde{r}_{of}$) sont extrapolées en utilisant la formule $\tilde{r}(\tau) = r(t) - k(t)(t - \tau)$, où $k(t)$ représente le coefficient de tendance dérivé des données historiques.
   • Ces taux extrapolés sont réintroduits dans les équations discrètes de l'IIOM pour générer des projections à 10 ans et à long terme.
5. Validation : L'exactitude du modèle est évaluée à l'aide de l'Erreur Absolue en Pourcentage Moyenne (MAPE) par rapport aux données rétrospectives de l'Institute for Health Metrics and Evaluation (IHME) pour la période 1990–2021.

Principales Contributions
Les auteurs identifient trois nouveautés primaires dans leur approche :

1. Changement de Focus de la Modélisation : Passer des chiffres annuels volatils à la dynamique stochastique des volumes de cas accumulés pour révéler des tendances stables à long terme.
2. Opérationnalisation de la Monotonie : Identifier et utiliser la propriété de diminution monotone des taux d'entrées et de sorties intégrales comme une tendance linéaire prévisible pour la prévision.
3. Technique Pratique : Développer une technique de prévision spécifique basée sur l'extrapolation de ces tendances linéaires, qui a été testée sur des processus non stationnaires fondamentalement différents (incluant la COVID-19 et les changements démographiques) pour confirmer sa robustesse.

Résultats
L'étude présente deux ensembles principaux de résultats :

• Prévisions Rétrospectives à 10 Ans : Des prévisions d'échantillon ont été générées en 2005, 2010 et 2015 pour le Monde et diverses régions. Le modèle a démontré une grande précision. L'abstract note des valeurs de MAPE pour les fenêtres de prévision à 10 ans dans l'intervalle [0,23 % ; 2,73 %], tout en notant également des valeurs de MAPE spécifiques dans l'intervalle [0,08 % ; 0,75 %]. Les valeurs de MAPE régionales spécifiques étaient généralement basses, avec une moyenne mondiale de 0,43 % (prévision 2005), 0,2 % (prévision 2010) et 0,09 % (prévision 2015). La conclusion cite par ailleurs une plage de MAPE allant de 0,43 % à 1,79 % pour les prévisions rétrospectives.
• Projection à Long Terme vers 2050 : En utilisant l'approche basée sur le modèle, les auteurs projettent une augmentation constante du nombre absolu de cas de la maladie d'Alzheimer dans le monde. Le nombre de cas devrait passer de 141,2 millions en 2022 à 489,5 millions d'ici 2050.
  • La proportion de cas au sein de la population âgée (65+) reste relativement stable (0,84–0,87), suggérant que le vieillissement démographique est le principal moteur plutôt que des changements dans les risques spécifiques à l'âge.
  • Les disparités régionales sont significatives. L'Europe occidentale devrait faire face à la charge la plus élevée (65 millions de cas), suivie de l'Amérique du Nord à revenu élevé (42,3 millions) et de l'Asie du Sud-Est (16,3 millions).
  • En revanche, l'Amérique latine tropicale et l'Afrique subsaharienne orientale présentent des proportions de cas modérées (0,72–0,76) par rapport à leurs populations âgées, reflétant des structures démographiques différentes.
  • Le modèle confirme une décélération monotone des taux de croissance, la croissance annuelle passant d'environ 5 % au début des années 2020 à 2,5 % à la fin de la période de projection.

Signification et Revendications
L'article affirme que le Modèle d'Entrée-Sortie Intégral Stochastique offre une alternative pratique et fiable aux modèles plus complexes et gourmands en données (tels que la méta-régression bayésienne ou le CODEm) qui nécessitent une évaluation précise de nombreux facteurs de risque difficiles à quantifier. En reconnaissant la nature non stationnaire de la propagation des MNT et en se concentrant sur les tendances stables des taux cumulés, la méthodologie fournit un outil robuste pour la prise de décision en situation d'incertitude.

Les auteurs concluent que cette approche établit une base solide pour :

• La planification stratégique des ressources de santé.
• Justifier les investissements dans la prévention et la recherche.
• Surveiller les tendances épidémiologiques.

L'étude positionne l'IIOM comme un outil prometteur pour la prévision de la santé publique à long terme, facilitant la prise de décision fondée sur des données probantes face aux défis croissants posés par les maladies non transmissibles, sans prétendre résoudre les mécanismes biologiques sous-jacents de la maladie.