Comparing Ordered Logistic Regression and Random Forest for Predicting Lacosamide Trough Concentration Tiers in a Real-World Cohort: A Methodological Cautionary Study

Dans le monde de la médecine, certains médicaments agissent comme une clé précise s'insérant dans une serrure, tandis que d'autres se comportent davantage comme de l'eau versée dans un seau présentant un trou dont la taille change pour chaque personne. Le lacosamide est l'un de ces médicaments qui varient considérablement d'un patient à l'autre. C'est un médicament utilisé pour contrôler les crises d'épilepsie, et les médecins s'appuient sur un processus appelé suivi thérapeutique pharmacologique pour s'assurer que la quantité de médicament dans le sang d'un patient est parfaitement ajustée. Si le taux est trop bas, les crises pourraient réapparaître ; s'il est trop élevé, le patient pourrait souffrir d'effets secondaires. Le défi est que la même dose ne produit pas le même taux sanguin chez différentes personnes. Des facteurs tels que l'âge, le poids corporel et la prise d'autres médicaments peuvent tous modifier l'équilibre. Pendant des années, les médecins ont espéré qu'en injectant ces faits connus dans un ordinateur, ils pourraient prédire exactement où le taux de médicament d'un patient se situerait, permettant ainsi un dosage personnalisé parfait dès le début.

Une équipe de chercheurs de la Faculté de médecine de l'Université de Zhejiang a décidé de tester cet espoir à travers une grande expérience en conditions réelles. Ils ont recueilli les données de près de mille patients, allant de jeunes enfants à des adultes âgés, qui avaient fait contrôler leurs taux de lacosamide dans un seul hôpital. Les chercheurs voulaient voir s'ils pouvaient utiliser deux types différents d'outils mathématiques pour classer ces patients en trois groupes : ceux ayant des taux de médicament bas, ceux ayant des taux dans la plage thérapeutique sécuritaire, et ceux ayant des taux trop élevés. Un outil était une méthode statistique traditionnelle connue sous le nom de régression logistique ordonnée, qui recherche des relations linéaires entre des facteurs comme l'âge et les taux de médicament. L'autre était une technique d'apprentissage automatique appelée forêt aléatoire (random forest), un système plus complexe qui tente de trouver des motifs cachés et des connexions que les mathématiques simples pourraient manquer. L'objectif était de voir si l'un ou l'autre de ces outils pouvait deviner avec précision le niveau de médicament d'un patient à partir d'un seul test sanguin et d'une liste de détails de routine comme son poids et ses autres médicaments.

Les chercheurs ont fourni aux systèmes informatiques un ensemble spécifique d'informations pour chaque patient : leur âge, leur sexe, leur poids corporel, la dose de lacosamide qu'ils prenaient ajustée à leur poids, s'ils prenaient d'autres médicaments antiépileptiques connus pour accélérer le métabolisme des médicaments par l'organisme, et combien d'autres médicaments antiépileptiques ils prenaient simultanément. Ils ont défini les « autres médicaments » de manière très précise, en examinant uniquement les prescriptions remplies dans la semaine précédant le test sanguin pour s'assurer que le calendrier concordait. Ils ont ensuite divisé leurs données, utilisant la majeure partie pour entraîner les modèles et le reste pour tester la performance des modèles sur des patients qu'ils n'avaient jamais vus auparavant. Les résultats ont été clairs et plutôt décevants pour ceux qui espéraient une solution informatique rapide. Ni le modèle statistique traditionnel ni le système d'apprentissage automatique avancé ne pouvaient prédire les taux de médicament avec une précision utile. Les modèles n'ont performé qu'un peu mieux qu'un choix aléatoire. Bien que le modèle d'apprentissage automatique ait légèrement devancé le modèle traditionnel par une petite marge, les deux ont échoué à atteindre le niveau de fiabilité nécessaire pour guider les décisions cliniques.

Malgré l'échec de la prédiction des niveaux individuels, l'étude a néanmoins mis au jour un signal très spécifique et fiable. Les chercheurs ont découvert que lorsqu'un patient prenait certains autres médicaments antiépileptiques qui accélèrent le métabolisme des médicaments, ses taux de lacosamide étaient significativement plus bas. Cet effet était assez fort pour être détecté, même lorsque les modèles peinaient pour tout le reste. Les données ont montré que les patients prenant ces médicaments en interaction avaient environ deux fois moins de chances d'avoir un taux de médicament élevé par rapport à ceux qui n'en prenaient pas. Cela confirmait un fait biologique connu : ces médicaments spécifiques agissent comme un accélérateur chimique, éliminant le lacosamide du corps plus rapidement. Cependant, ce seul facteur n'était pas suffisant pour faire fonctionner la prédiction globale. Les modèles ne pouvaient pas rendre compte de la vaste quantité d'autres variations existant entre les individus.

L'étude suggère que le problème n'est pas le type de mathématiques utilisées, mais la nature même des données. Un seul test sanguin, quel que soit le nombre de détails qui y sont attachés, ne contient pas assez d'informations pour prédire où le taux de médicament d'un patient se situera. Les chercheurs ont noté que des facteurs qu'ils ne pouvaient pas mesurer, tels que le fait qu'un patient prenne réellement son médicament comme prescrit, ou les différences génétiques dans la façon dont leur foie traite les médicaments, jouent probablement un rôle majeur. Le modèle d'apprentissage automatique n'a trouvé aucun motif secret que le modèle plus simple aurait manqué ; les deux s'accordaient sur le fait que l'âge et la dose ajustée au poids étaient les facteurs les plus importants, pourtant même ceux-ci étaient insuffisants. L'étude a également confirmé que la relation entre l'âge et les taux de médicament n'est pas la même pour tout le monde, les enfants présentant un lien plus étroit entre la dose reçue et le taux atteint par rapport aux adultes, qui présentent des résultats beaucoup plus imprévisibles.

En fin de compte, cette recherche sert de mise en garde pour le domaine de la médecine personnalisée. Elle démontre que, bien que nous disposions d'outils puissants pour analyser les données, nous ne pouvons pas encore prédire des résultats biologiques complexes à partir d'un instantané unique dans le temps. L'idée qu'un algorithme informatique puisse instantanément indiquer à un médecin la dose parfaite basée sur un test sanguin de routine et quelques faits de base n'est pas soutenue par ces preuves. Au contraire, les conclusions renforcent la nécessité pour les médecins de s'appuyer sur une observation attentive au fil du temps, en surveillant comment les taux d'un patient évoluent avec des tests répétés. La seule règle claire qui a émergé est que si un patient prend des médicaments en interaction spécifiques, ses taux seront probablement plus bas, et cela doit être pris en compte manuellement. Pour le reste, le chemin vers un dosage véritablement individualisé nécessite plus qu'un meilleur logiciel ; il nécessite un regard plus approfondi sur l'historique du patient, sa génétique et son observance réelle du plan de traitement, recueillis sur une longue période plutôt qu'en un seul instant.