Machine Learning Versus Self-Supervised Transfer Learning for 30-Day Readmission Prediction in Diabetic Patients

Imaginez que vous êtes un détective essayant de résoudre un mystère : qui va retomber malade et retourner à l'hôpital dans les 30 jours ? Ce n'est pas seulement un jeu ; c'est un problème énorme pour les médecins et les hôpitaux. Quand les patients reviennent trop vite, cela signifie souvent que quelque chose s'est mal passé dans leurs soins, et cela coûte beaucoup d'argent. Pour les patients diabétiques, cela arrive encore plus souvent. Pour résoudre cela, les scientifiques utilisent le « Machine Learning » (apprentissage automatique), ce qui revient à enseigner à un ordinateur comment apprendre des modèles à partir d'une immense pile de dossiers médicaux passés, un peu comme un détective qui étudie de vieux dossiers d'affaires pour repérer les habitudes d'un criminel.

D'habitude, quand nous entendons parler d'ordinateurs super intelligents, nous pensons au « Deep Learning » (apprentissage profond) ou aux « Réseaux de Neurones » — des systèmes complexes semblables au cerveau, capables de reconnaître des visages sur des photos ou de comprendre la parole. Mais cet article pose une question délicate : est-ce que ces ordinateurs sophistiqués, semblables au cerveau, fonctionnent réellement mieux que les outils mathématiques plus anciens et plus simples lorsque les données ne sont qu'un tableur de chiffres (comme l'âge, le taux de glycémie et le nombre de visites chez le médecin) ? Les chercheurs voulaient aussi voir si l'on pouvait donner un « coup de pouce » à l'ordinateur sophistiqué en le laissant étudier les données d'abord sans connaître les réponses (comme lire un manuel avant un examen) pour voir si cela le rendrait plus intelligent. Cela importe car les hôpitaux ont besoin d'outils qui fonctionnent réellement pour aider les patients, et non de simples outils qui ont l'air impressionnants.

Le Grand Duel des Ordinateurs

Dans cette étude, une équipe de chercheurs a organisé une course entre deux équipes de modèles informatiques pour prédire si un patient diabétique serait réadmis à l'hôpital dans les 30 jours. Ils ont utilisé un ensemble de données massif provenant de 130 hôpitaux américains, contenant près de 100 000 visites de patients.

Les Contendants

• L'Équipe Classique : Cette équipe a utilisé quatre outils bien connus et fiables : la Régression Logistique (une ligne mathématique simple), la Forêt Aléatoire (un groupe d'arbres de décision), XGBoost et LightGBM. Considérez-les comme les « détectives vétérans » qui sont excellents pour trouver des modèles dans des feuilles de calcul.
• L'Équipe Neurale : Cette équipe a utilisé deux versions d'un « Réseau de Neurones » (un cerveau informatique). L'une a été entraînée à partir de zéro, comme un étudiant apprenant tout depuis le premier jour. L'autre était le « Transfer Learner » (apprenant par transfert). Celui-ci a reçu un coup de pouce spécial : il a d'abord étudié toutes les données des patients sans connaître les réponses, en utilisant une technique appelée « Denoising Autoencoder » (auto-encodeur de débruitage). Imaginez cela comme un étudiant lisant l'intégralité du manuel médical et apprenant comment les mots s'assemblent avant même d'avoir vu la moindre question d'examen. L'idée était que ce coup de pouce ferait d'eux de meilleurs détectives.

Les Résultats de la Course
Les résultats ont été surprenants pour quiconque pense que « plus grand et plus sophistiqué » signifie toujours « meilleur ».

• Le Gagnant : Les détectives vétérans ont gagné facilement. XGBoost (un type d'arbre de boosting de gradient) est arrivé en tête avec un score de 0,672 sur les données de test. LightGBM et la Forêt Aléatoire étaient juste derrière.
• Les Perdants : Les réseaux de neurones sophistiqués, même celui avec le « coup de pouce » (transfer learning), ont plutôt mal performé. Ils ont obtenu un score d'environ 0,58, ce qui est à peine mieux que de jouer à pile ou face. Le « coup de pouce » n'a servi à rien ; en fait, ils étaient légèrement moins bons que celui entraîné à partir de zéro.

Les chercheurs ont constaté que pour ce type spécifique de données (un tableur de dossiers hospitaliers), les ordinateurs complexes semblables au cerveau n'avaient aucun superpouvoir particulier. Les modèles plus simples basés sur les arbres étaient simplement meilleurs pour la tâche.

La « Fuite » dans le Système
Pendant la course, les chercheurs ont failli commettre une grave erreur. Lorsqu'ils ont d'abord essayé d'ajuster le modèle XGBoost, ils ont accidentellement laissé l'ordinateur « utiliser les données de manière inappropriée ». Ils ont utilisé une technique appelée SMOTE (qui crée de fausses données de patients pour équilibrer les chiffres) avant de diviser les données en groupes d'entraînement et de test. C'était comme laisser le détective jeter un coup d'œil au corrigé avant l'examen. L'ordinateur a obtenu un score faux et impossible de 0,957 (presque parfait). Les chercheurs ont détecté cette erreur, l'ont corrigée en s'assurant que « l'utilisation inappropriée des données » ne se produise que dans le groupe d'entraînement, et le score est redescendu à un niveau réaliste de 0,661. Cela leur a appris que même les ordinateurs intelligents peuvent être trompés si les règles ne sont pas suivies parfaitement.

Le Piège du « Seuil »
Voici la leçon la plus importante de l'article. Un modèle informatique ne dit pas seulement « Oui » ou « Non » ; il donne un pourcentage de chance. Vous devez décider quel pourcentage compte comme un « Oui ».

• Le Piège par Défaut : Si vous utilisez la règle de base habituelle (tout ce qui est supérieur à 50 % est un « Oui »), le modèle est inutile. Il ne détecterait que 1,4 % des patients qui reviennent réellement. Il est si prudent qu'il en manque presque tout le monde.
• La Règle Intelligente : Lorsque les chercheurs ont abaissé la règle à 12,8 % (basée sur une formule mathématique appelée l'indice J de Youden), le modèle est devenu beaucoup plus utile. Il a détecté 58 % des patients qui revenaient. Cependant, cela avait un coût : pour chaque patient qu'il signalait correctement, il signalait aussi à tort environ 4 ou 5 patients qui ne reviendraient pas.

Ce que cela signifie
L'article conclut que pour prédire les réadmissions hospitalières en utilisant uniquement les dossiers hospitaliers standards, il semble y avoir un « plafond » à la qualité de la prédiction. Trois équipes de recherche différentes, utilisant des méthodes différentes, ont toutes trouvé que le meilleur score se situait autour de 0,66 à 0,69. Cela suggère que peu importe la sophistication de l'ordinateur, les données elles-mêmes (juste les chiffres dans le tableur) ne contiennent pas assez d'indices pour être parfaites.

L'étude soutient que les hôpitaux ne devraient pas gaspiller d'argent dans des systèmes d'apprentissage profond super complexes si des outils plus simples fonctionnent mieux. Plus important encore, elle avertit que le simple fait de faire tourner un modèle ne suffit pas ; il faut choisir soigneusement la « règle » pour déclencher l'alarme. Si vous choisissez la mauvaise règle, un bon modèle peut paraître inutile. Les auteurs suggèrent que pour faire mieux, nous avons besoin de plus que des chiffres ; nous avons besoin d'informations plus riches comme les notes des médecins ou les tendances dans le temps, ce que cet ancien ensemble de données ne possédait pas.