Predicting Medication Adherence Among Chronic Disease Patients in Ghana Using Explainable Machine Learning: A Retrospective EMR-Based Study

Dans le rythme tranquille de la gestion d'une maladie chronique, l'étape la plus critique se déroule souvent non pas dans le cabinet d'un médecin, mais dans l'intimité du domicile d'un patient. Prendre ses médicaments exactement comme prescrit est le pont entre un diagnostic et une vie bien vécue, pourtant, pour des millions de personnes à travers le monde, ce pont demeure incomplet. Cet écart entre ce qu'un médecin prescrit et ce qu'un patient prend réellement est connu sous le nom de non-observance thérapeutique. Il s'agit d'un problème complexe façonné par l'oubli, les instructions confuses et les effets secondaires du traitement, mais dans de nombreux pays en développement, il est dicté par quelque chose de bien plus tangible : le coût des médicaments et la fiabilité de la chaîne d'approvisionnement. Lorsqu'un patient ne peut pas se permettre un renouvellement ou ne trouve pas le médicament en rayon, le plan de traitement s'effondre, entraînant des complications évitables et une mort prématurée.

Pour résoudre cela, les médecins et les chercheurs ont commencé à se tourner vers l'informatique, utilisant l'apprentissage automatique pour repérer des modèles dans les données des patients que l'œil humain pourrait manquer. Ces systèmes examinent les dossiers de ceux qui prennent leurs médicaments et de ceux qui ne les prennent pas, recherchant la combinaison spécifique de facteurs qui mène à l'omission d'une dose. Cependant, la plupart de ces modèles informatiques ont été conçus dans des pays riches où l'assurance couvre les coûts et où les pharmacies sont toujours approvisionnées. Lorsque ces modèles sont appliqués à des endroits comme le Ghana, où l'assurance maladie n'est pas universelle et où les coûts directs peuvent être un lourd fardeau, ils échouent souvent. Ils ignorent les réalités locales qui dictent si une personne peut poursuivre son traitement. Une nouvelle étude au Ghana cherche à corriger cela en construisant un modèle qui comprend le paysage économique et social spécifique de ses patients, en utilisant des données qui reflètent leurs vies réelles plutôt qu'une version idéalisée des soins de santé.

Des chercheurs de l'hôpital presbytérien d'Agogo, au Ghana, se sont donné pour mission de créer un outil capable de prédire quels patients étaient susceptibles d'arrêter de prendre leurs médicaments pour des maladies chroniques comme l'hypertension artérielle et le diabète. Ils ont recueilli les dossiers de 1 772 patients adultes ayant visité l'hôpital sur une période de six mois. Au lieu de compter sur la mémoire des patients pour savoir combien de pilules ils avaient prises, l'équipe a utilisé une méthode précise appelée la Proportion de Jours Couverts (Proportion of Days Covered). Cette approche examine les dates de chaque renouvellement de prescription pour calculer exactement combien de jours un patient a disposé de ses médicaments. Si un patient avait suffisamment de médicaments pendant au moins 80 % du temps, il était considéré comme observant ; tout résultat inférieur signifiait qu'il était à risque.

L'équipe a commencé par injecter dans un programme informatique des informations standards sur ces patients : leur âge, leur sexe, s'ils avaient une assurance maladie, le nombre de médicaments qui leur ont été prescrits et le coût estimé de ces médicaments. Ils ont testé cinq types différents d'algorithmes informatiques, allant de méthodes statistiques simples à des réseaux de neurones plus complexes, pour voir lequel pouvait le mieux prédire qui serait observant et qui ne le serait pas. Les résultats étaient prometteurs, les meilleurs modèles individuels identifiant correctement les schémas d'observance environ 88 % du temps. Mais les chercheurs savaient que les données standards ne suffisaient pas à capturer l'image complète de la vie au Ghana.

Pour rendre le modèle plus intelligent, l'équipe a ajouté six nouvelles informations personnalisées qui reflétaient les défis spécifiques de leur environnement local. Ils ont créé des caractéristiques combinant différents facteurs, comme multiplier l'âge d'un patient par le nombre de médicaments qu'il prend pour voir si les patients plus âgés éprouvaient plus de difficultés avec des régimes complexes. Ils ont également calculé un « fardeau de prix » spécifiquement pour les patients sans assurance, reconnaissant que le coût des médicaments frappe beaucoup plus durement les non-assurés. En apprenant à l'ordinateur à observer ces interactions, ils ont permis au modèle de comprendre qu'un coût élevé pourrait ne pas importer pour un patient assuré, mais pourrait être un obstacle majeur pour quelqu'un payant de sa poche.

Lorsqu'ils ont combiné ces nouvelles caractéristiques contextuelles avec une technique appelée ensemble empilé (stacked ensemble) — où plusieurs modèles informatiques travaillent ensemble pour voter sur une réponse finale — la précision de la prédiction s'est améliorée. Le meilleur modèle a classé correctement les patients 89,5 % du temps. Plus important encore, les chercheurs ont utilisé une méthode appelée SHAP pour ouvrir la « boîte noire » de la prise de décision de l'ordinateur. Cela leur a permis de voir exactement quels facteurs dictaient les prédictions. Ils ont découvert que les prédicteurs les plus puissants n'étaient pas seulement l'âge ou le sexe, mais le statut d'assurance du patient, l'interaction entre l'âge et la complexité de la médication, et la présence d'autres pathologies chroniques. Cela a confirmé que l'accès financier et la complexité du traitement étaient les forces primaires façonnant l'observance dans cette communauté.

L'étude a également exploré comment rendre cet outil pratique pour les hôpitaux disposant de ressources limitées. Ils ont testé si le modèle pouvait fonctionner avec moins de données, simulant un scénario où une clinique n'aurait pas accès à tous les détails concernant un patient. Ils ont découvert qu'un modèle utilisant seulement sept caractéristiques clés fonctionnait presque aussi bien que le modèle complet, et même qu'une version ne comportant que trois caractéristiques — le statut d'assurance, l'interaction âge-médication et le statut de comorbidité chronique — conservait la majeure partie de son pouvoir prédictif. Cela suggère que dans les contextes à ressources limitées, les médecins n'ont pas besoin d'une base de données massive pour identifier les patients à risque ; un ensemble restreint et ciblé d'informations suffit pour signaler ceux qui ont besoin d'aide.

Cependant, les chercheurs ont pris soin de noter les limites de leurs conclusions. Les données provenaient d'un seul hôpital, et le modèle n'a pas été testé sur des patients d'autres régions ou pays, il n'est donc pas encore certain qu'il fonctionnerait partout. Ils ont également constaté que l'utilisation d'une technique pour équilibrer les données aidait le modèle à trouver davantage de patients non-observants, mais rendait les prédictions globales légèrement moins précises. En fin de compte, ils ont choisi le modèle entraîné sur les données originales, non équilibrées, car il offrait la meilleure fiabilité globale. L'étude conclut que si l'apprentissage automatique porte de grandes promesses pour améliorer la santé au Ghana, ces outils doivent être construits en tenant compte des réalités locales. En se concentrant sur les barrières spécifiques du coût et de l'assurance, et en gardant les modèles assez simples pour être utilisés avec des données limitées, les chercheurs ont tracé une voie vers l'identification des patients qui ont besoin de soutien avant qu'ils n'arrêtent de prendre leurs médicaments vitaux.