Temporally non-local harmonisation and cardiovascular model transport between England and China: a measurement-methods study

Dans le monde de la santé publique, les chercheurs tentent souvent de construire une carte unique des risques capable de guider les médecins dans de nombreux endroits différents. Ils recueillent des données auprès de grands groupes de personnes sur de nombreuses années, suivant qui développe une maladie cardiaque et qui n'en développe pas. L'objectif est de créer un outil de prédiction qui fonctionne partout, indiquant à un médecin dans un pays donné la probabilité qu'un patient subisse une crise cardiaque en fonction de son âge, de ses habitudes de tabagisme et de ses antécédents médicaux. Cependant, ces outils reposent sur les récits que les gens racontent sur leur santé passée. Un défi majeur surgit lorsque les chercheurs tentent de combiner des données provenant de différents pays ou de différentes périodes. Parfois, l'historique médical d'une personne change entre deux entretiens. Un diagnostic signalé des années plus tard peut être utilisé pour réécrire ce qui était connu de sa santé au début de l'étude. Cela crée un problème : si le point de départ de l'histoire change, l'ensemble du parcours de l'outil de prédiction peut se déplacer, menant potentiellement à des conclusions différentes sur qui est à risque et sur l'efficacité de l'outil.

Deux grandes études, l'une suivant des adultes âgés en Angleterre et l'autre suivant un groupe similaire en Chine, ont offert une opportunité unique de tester comment ces histoires changeantes affectent les prédictions médicales. Des chercheurs de l'University College London et d'un hôpital en Chine ont décidé d'étudier si la manière dont ces historiques sont enregistrés modifie la fiabilité des modèles de maladies cardiaques lorsqu'ils sont transférés d'un pays à l'autre. Ils se sont concentrés sur un problème spécifique : la différence entre un historique « publié », qui inclut toutes les informations disponibles au moment de l'analyse, et un historique « ancré dans le temps », qui reconstruit ce qui était réellement connu du patient et des chercheurs au moment exact de l'entretien, ignorant les corrections ultérieures. En comparant ces deux versions, ils voulaient voir si le fait de fixer la chronologie des données améliorait la précision des prédictions ou si cela changeait simplement la composition des personnes étudiées.

Les chercheurs ont pris les données des deux pays et ont construit deux versions de l'historique de santé pour chaque participant. Dans la première version, ils ont utilisé les fichiers de données standards, qui intègrent souvent des diagnostics signalés lors d'entretiens ultérieurs pour mettre à jour les dossiers antérieurs. Dans la seconde version, ils ont supprimé ces mises à jour ultérieures, verrouillant l'historique à ce qui était connu au moment spécifique de chaque entretien. Ils ont ensuite testé si un modèle construit en Chine pouvait prédire les maladies cardiaques en Angleterre, et vice versa, en utilisant les deux versions de l'historique. Les résultats ont montré que changer la chronologie des données avait un impact réel et mesurable. Dans l'étude chinoise, près de 9 % des participants ont vu leur statut de maladie cardiaque modifié lorsque la chronologie a été corrigée. Dans l'étude anglaise, le nombre était d'environ 4,5 %. Plus important encore, le nombre total de personnes passant d'un groupe à l'autre (du groupe « sain » vers le groupe « malade » ou inversement) était beaucoup plus élevé, avec plus de 10 % du groupe chinois et près de 6 % du groupe anglais changeant de statut. Cela signifiait que le groupe de personnes étudiées n'était pas le même dans les deux versions, même si le nombre total de participants semblait similaire.

Lorsque les chercheurs ont testé les modèles de prédiction, ils ont constaté que la correction de la chronologie ne rendait pas les modèles universellement meilleurs. Dans le sens Chine vers Angleterre, la capacité du modèle à classer les personnes par niveau de risque s'est légèrement améliorée, ce qui signifie qu'il était meilleur pour identifier qui était plus susceptible de tomber malade par rapport à qui l'était moins. Cependant, le modèle n'est pas devenu meilleur pour prédire la probabilité réelle de tomber malade. Dans le sens inverse, d'Angleterre vers la Chine, le classement s'est amélioré, mais l'erreur de prédiction du risque réel a augmenté de manière significative. Le modèle continuait de sous-estimer le risque pour le groupe Angleterre-vers-Chine, que la chronologie soit corrigée ou non. Les chercheurs ont découvert que les améliorations du classement n'étaient pas dues au fait que le modèle apprenait de meilleures règles sur le fonctionnement des facteurs de risque. Au lieu de cela, les améliorations provenaient du fait que la correction de la chronologie modifiait qui était admis dans l'étude. En supprimant les personnes dont l'état de santé avait été révisé, les chercheurs ont modifié la composition du groupe, ce qui a déplacé les résultats.

L'étude a également examiné si ces changements affectaient différemment les hommes et les femmes ou s'ils s'appliquaient davantage aux crises cardiaques qu'aux accidents vasculaires cérébraux (AVC). Les données n'ont montré aucune preuve que l'effet de la correction de la chronologie dépendait du sexe. Bien que les femmes de l'étude chinoise aient été plus susceptibles d'avoir leurs antécédents révisés que les hommes, l'impact sur les modèles de prédiction était le même pour les deux groupes. De même, bien que les antécédents de maladies cardiaques aient été révisés plus souvent que ceux des AVC, cette différence n'a pas entraîné de résultats différents dans la performance des modèles. La conclusion fondamentale restait constante : l'acte de fixer la chronologie changeait le groupe de personnes analysées, et ce changement de groupe était responsable des variations de la performance du modèle.

En fin de compte, la recherche suggère que le simple nettoyage de la chronologie des antécédents médicaux n'est pas une solution miracle pour les outils de prédiction transfrontaliers. Bien qu'il soit important de savoir exactement ce qui était connu au moment d'un entretien, le faire ne rend pas automatiquement un modèle développé dans un pays parfaitement opérationnel dans un autre. L'étude souligne que les personnes qui entrent dans une étude sont tout aussi importantes que les règles utilisées pour prédire leur avenir. Lorsque la chronologie est ajustée, le mélange de personnes change, et ce changement de composition influence les résultats plus que toute amélioration des règles de prédiction elles-mêmes. Pour les médecins et les chercheurs, cela signifie qu'avant d'utiliser un modèle de prédiction d'un pays dans un autre, ils doivent comprendre non seulement l'historique médical des patients, mais aussi la manière dont les données ont été collectées et comment le groupe de personnes a été sélectionné. L'étude conclut que si l'ancrage temporel aide à clarifier l'ordre des événements, il ne résout pas le problème plus profond du transfert des prédictions de risque entre différentes populations, et que des travaux supplémentaires sont nécessaires pour comprendre comment rendre ces outils véritablement fiables pour tous.