Explainable Machine Learning for Diabetes Risk Prediction: Development of a Baseline Predictive Engine for the Wo’tosuga Digital Health Platform Targeting African Populations

Résumé Technique : Apprentissage automatique explicable pour la prédiction du risque de diabète sur la plateforme Wo'tosuga

Énoncé du problème
Le diabète sucré représente une crise de santé publique en pleine escalade en Afrique subsaharienne, avec une estimation de 54 % des personnes affectées restant non diagnostiquées. Le dépistage conventionnel en laboratoire (ex. : glycémie à jeun, HbA1c) est souvent inaccessible en raison de contraintes infrastructurelles, financières et géographiques. Bien que l'apprentissage automatique (ML) offre une alternative évolutive et non invasive utilisant des variables autodéclarées, les modèles prédictifs existants souffrent de deux limitations critiques :

1. Généralisabilité des données : La plupart des modèles sont entraînés sur des ensembles de données nord-américains ou européens (ex. : Pima Indian, US BRFSS), ce qui limite leur applicabilité aux populations africaines en raison de différences dans la distribution des facteurs de risque et des caractéristiques phénotypiques.
2. Métriques d'évaluation : La littérature repose principalement sur l'exactitude globale ou l'AUC-ROC, qui sont inappropriées pour des tâches de dépistage déséquilibrées. Dans les contextes à faibles ressources, la priorité clinique est de maximiser la sensibilité (identifier les individus réellement à risque) plutôt que de maximiser l'exactitude, qui favorise souvent la classe majoritaire.

Méthodologie
Cette étude établit un moteur prédictif de base (Phase 1) pour la plateforme de santé numérique Wo'tosuga en utilisant un pipeline rigoureux et reproductible :

• Source de données : L'étude a utilisé trois cycles (2019, 2021, 2023) du système de surveillance des facteurs de risque comportementaux des États-Unis (BRFSS), produisant un ensemble de données analytiques de 869 319 répondants.
• Prétraitement :
  • Sélection des caractéristiques : 21 caractéristiques prédictives ont été conservées après suppression des variables présentant plus de 50 % de données manquantes.
  • Recodage de la cible : Les cas pré-diabétiques ont été reclassés comme diabétiques (classe positive) pour s'aligner sur l'objectif clinique consistant à signaler tous les individus à risque pour intervention.
  • Déséquilibre des classes : Le jeu de données présentait un déséquilibre d'environ 5,4:1 (84,4 % de non-diabétiques contre 15,6 % de diabétiques). Au lieu d'un suréchantillonnage synthétique (SMOTE), l'étude a employé un apprentissage sensible au coût (ex. : class_weight='balanced', scale_pos_weight) pour préserver les distributions de probabilité naturelles.
  • Ingénierie des caractéristiques : Les variables catégorielles (statut matrimonial/emploi) ont été regroupées pour l'interprétabilité ; une variable de strate socio-économique a été dérivée pour être transférable aux contextes non américains.
• Développement du modèle :
  • Huit algorithmes ont été évalués : Régression logistique, Arbre de décision, Extra Trees, Gradient Boosting, AdaBoost, XGBoost, LightGBM et K-Nearest Neighbors.
  • Optimisation : L'ajustement des hyperparamètres a été réalisé via GridSearchCV avec une validation croisée à 3 plis, en optimisant explicitement le rappel (sensibilité).
  • Évaluation : La sensibilité a été désignée comme métrique primaire, aux côtés de la spécificité, de la VPP, de la VPN, du score F1, de l'AUC-ROC et du score de Brier.
• Explicabilité : Les valeurs SHAP (SHapley Additive exPlanations) ont été calculées en utilisant l'algorithme TreeExplainer pour déterminer l'importance globale des caractéristiques et les contributions locales des prédictions.

Résultats clés

• Performance du modèle : LightGBM est apparu comme l'algorithme supérieur. Après l'ajustement des hyperparamètres et le réentraînement sur l'ensemble des données, le modèle final a atteint :
  • Sensibilité : 0,809 (80,9 % des vrais diabétiques correctement identifiés).
  • Spécificité : 0,701.
  • AUC-ROC : 0,828.
  • Valeur Prédictive Négative (VPN) : 0,952.
  • Note : Bien que le Gradient Boosting ait obtenu un AUC-ROC similaire (0,826), sa sensibilité était critiquement basse (0,190), le rendant cliniquement inapte au dépistage malgré une exactitude élevée.
• Comparateurs : XGBoost (Sensibilité : 0,806) et la Régression Logistique (Sensibilité : 0,779) ont servi de comparateurs solides, suggérant que le signal prédictif dans ce jeu de données est largement capturé par un petit ensemble de facteurs de risque linéairement séparables.
• Importance des caractéristiques : L'analyse SHAP a identifié les cinq prédicteurs principaux, cohérents entre LightGBM et la Régression Logistique :
  1. Âge
  2. État de santé générale autodéclaré
  3. IMC (Indice de Masse Corporelle)
  4. Statut de la pression artérielle
  5. Temps écoulé depuis le dernier contrôle médical
• Interprétabilité : Le modèle a démontré des schémas cliniquement cohérents (ex. : augmentation monotone du risque avec l'âge et l'IMC ; relation inverse entre l'évaluation de la santé générale et le risque). Notamment, la variable de strate socio-économique a montré une importance négligeable, probablement en raison de la grossièreté de la métrique dérivée.

Signification et Revendications
L'article positionne ce travail non pas simplement comme un exercice de modélisation prédictive, mais comme l'infrastructure fondamentale d'une boucle de recherche translationnelle conçue pour combler le « fossé des données médicales africaines ».

1. Utilité clinique en tant qu'outil de triage : Le modèle est explicitement présenté comme un instrument de dépistage et de triage, et non comme un outil de diagnostic. La VPN élevée (0,952) est mise en avant comme la métrique la plus significative sur le plan clinique pour les contextes à faible accès, fournissant un réassurance fiable pour les résultats négatifs et permettant la priorisation des cas positifs pour les ressources de laboratoire limitées.
2. La « Boucle de recherche Wo'tosuga » : Les auteurs reconnaissent que l'entraînement exclusif sur des données américaines est une limitation primaire. Cependant, ils recadrent cela comme la motivation centrale de l'architecture de la plateforme. La plateforme Wo'tosuga intègre un mécanisme de don de données anonymes, permettant aux utilisateurs de contribuer avec leurs facteurs de risque et leurs prédictions. Cela crée un cycle auto-améliorant où la base entraînée aux États-Unis permet un déploiement immédiat, tandis que les interactions des utilisateurs génèrent les données spécifiques à l'Afrique nécessaires pour réentraîner et valider les futures itérations du modèle.
3. Rigueur méthodologique : L'étude souligne l'importance critique de la sélection des métriques dans l'IA clinique. En privilégiant la sensibilité plutôt que l'exactitude, la recherche démontre que des modèles apparaissant « compétitifs » selon les standards habituels peuvent être cliniquement dangereux s'ils ne parviennent pas à détecter la majorité des individus à risque.

En conclusion, l'article établit une base reproductible et explicable (LightGBM, Sensibilité ~0,81, VPN ~0,95) pour la stratification du risque de diabète. Sa contribution principale est la conception architecturale d'une plateforme de santé numérique qui fonctionne simultanément comme un outil de dépistage clinique et un moteur de collecte de données pour réduire progressivement l'écart des données de santé spécifiques à l'Afrique.