Estimating VO2max in patients with obesity using machine learning: A retrospective observational cohort study

Le corps humain est un moteur remarquable, mais son indicateur le plus vital est souvent le plus difficile à lire. Cet indicateur est la capacité cardiorespiratoire, la mesure de l'efficacité avec laquelle le cœur, les poumons et les muscles travaillent ensemble pour consommer de l'oxygène lors d'un effort intense. En termes médicaux, cette capacité de pointe est connue sous le nom de VO2max. C'est un prédicteur puissant de la santé à long terme ; un score faible comporte un risque de mort prématurée comparable à celui du tabagisme ou du diabète. Pendant des décennies, la seule façon de mesurer cela avec précision était de placer une personne sur un tapis roulant ou un vélo stationnaire, de la faire faire de l'exercice jusqu'à ce qu'elle ne puisse plus continuer, et d'analyser son souffle avec des machines coûteuses et complexes. Ce processus est chronophage, nécessite un personnel spécialisé et peut être physiquement intimidant, en particulier pour les individus portant un poids supplémentaire. Par conséquent, de nombreuses personnes, particulièrement celles souffrant d'obésité sévère, ne sont jamais testées, laissant les médecins sans une information de santé cruciale.

Une équipe de chercheurs en Norvège a entrepris de résoudre ce problème en se demandant si un ordinateur pouvait apprendre à deviner le niveau de forme physique d'une personne en utilisant uniquement les informations de base déjà disponibles dans un dossier médical standard. Ils se sont concentrés spécifiquement sur les adultes souffrant d'obésité sévère, un groupe souvent exclu des études qui ont créé les anciennes formules standards pour estimer la forme physique. En injectant les données de 253 patients dans des programmes informatiques avancés, l'équipe a entraîné ces modèles à trouver des corrélations entre des mesures simples — comme l'âge, la taille et le poids — et la consommation réelle d'oxygène mesurée lors de tests d'effort rigoureux. Leur objectif n'était pas de remplacer le test médical de référence, mais de créer une alternative fiable et accessible pour les situations où le test complet est impossible à réaliser.

Les chercheurs ont abordé le problème en trois étapes, en donnant progressivement plus d'informations à l'ordinateur. Dans la première étape, le modèle ne voyait que quatre faits de base : le sexe, l'âge, la taille et le poids du patient. Dans la deuxième étape, ils ont ajouté les mesures du tour de taille et de hanches, ainsi que les lectures de la pression artérielle. Dans la troisième étape, la plus détaillée, le modèle a également appris la masse grasse du patient et la vitesse à laquelle son cœur bat au repos et à son maximum. L'équipe a testé onze types différents de modèles d'apprentissage automatique pour voir lequel pouvait faire les estimations les plus précises. Ils ont découvert que deux types spécifiques de modèles, connus sous le nom de régression de Ridge bayésienne et de détermination automatique de la pertinence, étaient les plus performants. Ces modèles ont appris à pondérer l'importance de chaque information différemment selon la quantité de données disponibles.

Lorsque les modèles ont été testés sur des patients qu'ils n'avaient jamais vus auparavant, ils ont montré une amélioration claire à mesure que davantage de données étaient ajoutées. Le modèle le plus simple, utilisant uniquement les quatre faits de base, présentait une erreur moyenne d'environ 12,5 % lors de la prédiction de la consommation d'oxygène. Lorsque le modèle a reçu les détails supplémentaires sur la forme corporelle et la pression artérielle, l'erreur est tombée à 12,0 %. Avec l'ensemble complet d'informations, incluant la fréquence cardiaque et la masse grasse, l'erreur est descendue à 11,3 %. Bien que cela ne soit pas aussi précis qu'une mesure directe sur un tapis roulant, qui présente généralement une erreur de seulement 2 à 6 %, les chercheurs ont noté qu'une marge d'erreur de 11 % est souvent acceptable pour des estimations cliniques lorsque le test direct ne peut être effectué. L'étude a également révélé que les modèles informatiques étaient remarquablement cohérents dans ce qu'ils jugeaient important. À travers les trois niveaux de complexité, le sexe et l'âge du patient étaient les prédicteurs les plus forts de la forme physique. Les hommes présentaient systématiquement des niveaux de forme physique plus élevés que les femmes, et la forme physique déclinait avec l'âge, un schéma qui s'aligne sur des décennies de connaissances médicales établies.

L'étude a également mis en lumière la manière dont la composition corporelle influence ces estimations. Dans le modèle le plus simple, le poids corporel ne semblait pas avoir beaucoup d'importance. Cependant, une fois que le modèle a appris la masse grasse et d'autres détails physiologiques, le poids corporel est devenu un facteur significatif. Cela est logique car une personne plus lourde doit déplacer une masse plus importante, ce qui nécessite plus d'oxygène, mais seulement si cette masse supplémentaire est un tissu actif plutôt que de la graisse. Les chercheurs ont constaté que le tour de taille était également un indice utile ; un tour de taille plus large était lié à une forme physique moindre, probablement parce que l'excès de graisse abdominale peut restreindre le mouvement du diaphragme et rendre la respiration plus difficile pendant l'exercice. Étonnamment, le tour de hanches et les lectures de la pression artérielle n'avaient que très peu d'influence sur les estimations finales, suggérant que pour ce groupe spécifique de patients, ces mesures n'apportaient pas beaucoup de nouvelles informations au-delà de ce qui était déjà connu de l'âge, du sexe et du poids.

L'une des caractéristiques les plus prometteuses des modèles informatiques était leur capacité à exprimer le doute. Parce que les meilleurs modèles étaient construits sur un type de mathématiques traitant des probabilités, ils pouvaient indiquer aux chercheurs leur degré de confiance dans chaque estimation. L'étude a trouvé un lien direct entre la taille de l'erreur et l'incertitude déclarée par le modèle : quand le modèle était moins sûr, il était plus susceptible de se tromper. Cette caractéristique pourrait être vitale dans un clinique réelle, car elle permettrait à un médecin de voir non seulement un chiffre, mais aussi un signal d'alerte si ce chiffre est susceptible d'être inexact. Cela aiderait les cliniciens à décider quand il est sûr de se fier à l'estimation et quand un patient a réellement besoin du test d'effort complet et rigoureux.

Les chercheurs ont pris soin de noter que leurs conclusions sont basées sur un groupe relativement restreint de patients provenant d'un seul hôpital en Norvège, et que les modèles sont encore en deçà de la précision de la mesure directe. Ils ont souligné que, bien que ces outils soient un pas en avant, ils ne constituent pas une solution achevée. L'étude suggère qu'avec des groupes de personnes plus larges et peut-être plus de données sur les habitudes de vie, ces prédictions informatiques pourraient devenir encore plus aiguisées. Pour l'instant, ce travail démontre que l'apprentissage automatique peut traduire avec succès des données médicales de routine en une estimation significative de la santé cardiaque et pulmonaire, offrant une nouvelle façon, moins contraignante, de surveiller la forme physique pour une population qui a historiquement été difficile à évaluer.