Spatial Transferability of Explainable Machine Learning for Predicting Pre-Treatment Tuberculosis Loss to Follow-up Across West Java Districts

Chaque année, des millions de personnes à travers le monde sont diagnostiquées avec la tuberculose, une grave infection bactérienne qui attaque les poumons. Le système médical dispose d'une voie claire : une fois qu'une personne est diagnostiquée, elle doit commencer immédiatement un traitement médicamenteux. Cependant, un fossé dangereux existe dans ce processus. De nombreux patients, après avoir reçu leur diagnostic, ne commencent tout simplement jamais leur traitement. Ils quittent la clinique, perdent le contact avec les agents de santé ou décident de ne pas entamer le régime thérapeutique. C'est ce qu'on appelle la « perte de suivi ». Ces individus restent infectieux, propageant la maladie à leurs familles et à leurs communautés, tandis que leur propre santé se détériore rapidement. Les programmes de santé luttent souvent pour trouver l'argent et le personnel nécessaires pour soutenir chaque patient, ils ont donc besoin d'un moyen d'identifier qui est le plus susceptible d'abandonner avant même de franchir la porte. Si les médecins pouvaient repérer ces patients à haut risque tôt, ils pourraient concentrer leurs ressources limitées sur les personnes qui en ont le plus besoin, plutôt que d'essayer d'aider tout le monde de la même manière.

Dans la province indonésienne de Java occidental, des chercheurs ont entrepris de résoudre ce problème en utilisant les vastes quantités de données déjà collectées par le système de santé national. Ils ont posé une question simple mais difficile : un programme informatique, entraîné sur les dossiers de patients de toute la province, peut-il prédire avec précision quels individus spécifiques dans une ville donnée ne commenceront pas leur traitement ? Ils voulaient savoir si un modèle unique et à grande échelle pouvait fonctionner partout, ou si les circonstances uniques de chaque district briseraient la prédiction. Pour répondre à cela, ils se sont tournés vers un domaine de l'informatique appelé l'apprentissage automatique (machine learning), qui permet aux ordinateurs de trouver des modèles dans les données sans être explicitement programmés avec des règles. Ils se sont concentrés sur des modèles « explicables », qui sont comme des boîtes transparentes où l'on peut voir exactement pourquoi l'ordinateur a pris une décision, plutôt que des « boîtes noires » qui donnent une réponse sans montrer leur raisonnement. Cette transparence est cruciale pour les médecins, qui doivent comprendre le raisonnement derrière une prédiction de risque avant d'agir.

L'équipe a rassemblé des informations sur plus de 174 000 personnes diagnostiquées avec la tuberculose dans vingt-sept districts et villes différents de Java occidental en 2024. Ils ont examiné des détails disponibles au moment du diagnostic, tels que l'âge du patient, s'il souffrait de diabète, son lieu de résidence et le type de clinique qu'il a fréquentée. Plus important encore, ils ont noté si le statut VIH du patient était enregistré dans le système. Environ neuf pour cent de ces patients avaient déjà été perdus de vue avant de commencer le traitement. Les chercheurs ont construit cinq modèles informatiques différents pour voir lequel pouvait le mieux distinguer les patients qui commenceraient le traitement de ceux qui ne le feraient pas. Ils ont testé tout, des méthodes statistiques simples aux systèmes plus complexes basés sur des arbres de décision qui prennent des décisions en posant une série de questions par oui ou par non.

Les résultats ont montré que les modèles informatiques étaient étonnamment doués pour leur tâche. Le meilleur modèle pouvait distinguer les patients qui restaient de ceux qui partaient avec un haut degré de précision. Ce qui était peut-être plus surprenant, c'est que les cinq types de modèles différents affichaient des performances presque identiques. Le modèle le plus complexe n'a pas surpassé les plus simples de manière significative. Cela suggéait que la qualité des données elles-mêmes, plutôt que l'ingéniosité de l'algorithme informatique, était le principal facteur limitant la capacité des prédictions. Les données contenaient des signaux forts, particulièrement concernant le fait que le statut VIH du patient ait été enregistré ou non. Les patients dont le statut VIH était manquant dans leur dossier étaient beaucoup plus susceptibles d'être perdus de vue que ceux dont le statut était clairement enregistré comme négatif ou positif. Cela pointait vers un problème plus profond : l'acte d'enregistrer le test du VIH n'était pas seulement une tâche de saisie de données, mais le signe du degré de complétude et de rigueur de l'ensemble du processus médical pour ce patient.

Cependant, lorsque les chercheurs ont testé si ce modèle unique à l'échelle de la province fonctionnait aussi bien dans chaque ville, le tableau a changé. Un modèle qui performait bien en moyenne sur l'ensemble de la région échouait à être fiable dans des districts spécifiques. Dans certaines zones, le modèle sous-estimait systématiquement le risque, prédisant que les patients commenceraient le traitement alors qu'en réalité, ils ne le faisaient pas. Dans d'autres zones, il surestimait le risque. Les chercheurs ont découvert deux raisons principales à ces échecs. Premièrement, dans certains districts, la manière d'enregistrer les données était différente du reste de la province. Par exemple, dans un district, un pourcentage beaucoup plus élevé de patients présentait des dossiers VIH manquants par rapport à la moyenne provinciale. Comme le modèle s'appuyait fortement sur cette information, il peinait à faire des prédictions précises là où les données étaient incomplètes.

La seconde raison était plus mystérieuse. Dans certains districts, même lorsque les données semblaient normales, le modèle prédisait que les patients commenceraient le traitement, pour finalement constater que beaucoup d'entre eux ne le faisaient pas. Cela suggérait que des facteurs locaux influençaient les décisions des patients et que l'ordinateur ne pouvait pas les voir. Il pouvait s'agir de la qualité des services de santé locaux, de la distance jusqu'à la clinique ou de barrières culturelles propres à cette ville. Les chercheurs ont découvert que ces échecs locaux ne se propageaient pas aux villes voisines selon un schéma prévisible ; une ville ayant une mauvaise prédiction n'était pas nécessairement voisine d'une autre ville ayant une mauvaise prédiction. Cela signifiait qu'un modèle unique et standardisé ne pouvait pas être considéré comme fiable partout sans ajustement.

L'étude a conclu que, bien que l'apprentissage automatique soit un outil puissant pour identifier les patients à risque, il ne peut pas être appliqué aveuglément à travers différentes régions. Les chercheurs ont constaté que le nombre de patients dans un district ne déterminait pas l'efficacité du modèle ; même des zones avec très peu de patients pouvaient être bien prédites si les données locales étaient cohérentes, tandis que de grandes zones pouvaient échouer si les conditions locales étaient uniques. Ils ont également découvert que tenter de simplifier la liste des facteurs examinés par l'ordinateur n'améliorait pas les résultats. La leçon la plus importante était que le modèle devait être recalibré pour chaque emplacement spécifique. En ajustant les prédictions du modèle pour qu'elles correspondent à la réalité locale, les agents de santé pourraient utiliser les analyses de l'ordinateur pour créer une liste ciblée de patients qui ont réellement besoin d'un soutien supplémentaire.

Pour rendre cela pratique pour les cliniques surchargées, les chercheurs ont traduit leur modèle informatique complexe en un système de notation simple. Les médecins peuvent calculer un score de risque pour un patient en quelques secondes en utilisant seulement quelques faits : si le statut VIH est enregistré, la manière dont le diagnostic a été posé, l'âge et l'historique du traitement. Un patient avec un dossier VIH manquant, par exemple, recevrait immédiatement un score de risque élevé, signalant qu'il nécessite une attention immédiate. Cette approche permet aux programmes de santé de s'éloigner d'un traitement uniforme de chaque patient pour se concentrer, au lieu de cela, sur les individus les plus susceptibles de passer entre les mailles du filet. L'étude a prouvé qu'avec les bonnes données et des ajustements locaux minutieux, la technologie peut aider à combler le fossé entre le diagnostic et le traitement, sauvant ainsi des vies dans les jours critiques suivant un diagnostic de tuberculose.