A Dynamic Bayesian Network Model for Predicting Cardiovascular Disease Incidence in the Tehran Lipid and Glucose Study

Les maladies cardiaques demeurent la principale cause de décès à travers le monde, fauchant des millions de vies chaque année. Dans de nombreuses parties du monde, une crise cardiaque ou un accident vasculaire cérébral est l'événement final d'une longue chaîne de changements biologiques qui commencent souvent des décennies plus tôt. Pour les médecins et les responsables de la santé publique, l'outil le plus puissant contre cette tragédie n'est pas seulement de traiter les malades, mais de prédire qui est susceptible de tomber malade. Cela nécessite d'examiner l'historique d'une personne — son âge, ses antécédents familiaux, sa tension artérielle et son mode de vie — et de tisser ces faits distincts en une image unique du risque. Les méthodes traditionnelles pour y parvenir traitent souvent chaque information comme si elle était indépendante, supposant que le taux de glycémie d'une personne aujourd'hui n'a aucun lien avec sa pression artérielle d'il y a cinq ans. Cependant, la santé humaine est un fleuve qui coule, et non une série de clichés isolés. Une nouvelle approche utilisant un type de modèle informatique appelé Réseau Bayésien Dynamique tente de capturer ce flux, en suivant comment les facteurs de santé évoluent au fil du temps et comment ils s'influencent mutuellement pour prédire l'apparition future de maladies cardiaques.

Une équipe de chercheurs en Iran a appliqué cette technique de modélisation avancée à une étude longitudinale massive portant sur des personnes vivant à Téhéran. Ils voulaient voir si un modèle comprenant le passage du temps pouvait identifier les individus à haut risque plus efficacement que les méthodes standards. L'étude s'appuyait sur l'Étude des Lipides et du Glucose de Téhéran, un projet bien établi qui suit des milliers de résidents depuis 1999 pour comprendre les causes des maladies non transmissibles. Les chercheurs ont sélectionné 7 839 adultes ne présentant pas de maladie cardiaque au début de l'étude. Ils ont recueilli une mine d'informations sur ces participants, notamment leur âge, leur niveau d'éducation, leur statut professionnel, leurs antécédents familiaques de problèmes cardiaques, leurs habitudes de tabagisme, leurs niveaux d'activité physique et diverses mesures médicales telles que le cholestérol, la glycémie et la fonction rénale. Crucialement, ils n'ont pas seulement collecté ces facteurs une seule fois ; ils ont recueilli des données à plusieurs points de contrôle sur une période de dix ans, permettant de voir comment le profil de santé d'une personne évoluait.

Les chercheurs ont construit un modèle informatique spécifique pour les hommes et un autre séparé pour les femmes, reconnaissant que les facteurs de risque de maladies cardiaques diffèrent souvent selon le sexe. Ce modèle, connu sous le nom de Réseau Bayésien Dynamique, fonctionne en cartographiant les relations entre différents paramètres de santé tels qu'ils changent au fil du temps. Contrairement aux outils statistiques plus anciens qui pourraient éprouver des difficultés lorsqu'un participant abandonne une étude ou lorsque des données sont manquantes, ce modèle est conçu pour gérer ces lacunes avec aisance. Il traite la période d'étude comme une série de pas de temps, apprenant des schémas de ceux qui ont développé une maladie cardiaque et les comparant à ceux qui sont restés en bonne santé. L'équipe a testé son modèle en divisant les données, utilisant la majeure partie pour apprendre les schémas à l'ordinateur et en réservant une partie pour voir si le modèle pouvait prédire correctement des résultats qu'il n'avait jamais vus auparavant.

Au cours de la période de suivi de dix ans, 632 participants, soit environ 8 % du groupe, ont développé une maladie cardiaque. Le modèle a réussi à classer les participants en groupes à faible risque et à haut risque. Pour les hommes, le modèle a constaté que ceux du groupe à haut risque étaient plus de trois fois plus susceptibles de développer une maladie cardiaque que ceux du groupe à faible risque. Plus précisément, 21,6 % des hommes à haut risque ont développé la maladie, contre seulement 7,2 % des hommes à faible risque. Les résultats pour les femmes étaient tout aussi clairs : 20,0 % des femmes à haut risque ont développé une maladie cardiaque, tandis que seulement 6,6 % des femmes à faible risque l'ont fait. Dans les deux cas, le groupe à haut risque faisait face à un danger plus de trois fois supérieur à celui du groupe à faible risque. La capacité du modèle à distinguer ces groupes a été mesurée par un score appelé aire sous la courbe, qui s'est élevé à 0,612 pour les hommes et 0,674 pour les femmes. Bien que ces scores indiquent que le modèle est meilleur qu'un choix aléatoire, les chercheurs ont noté que les chiffres n'étaient pas parfaits, en partie parce qu'ils ont converti de nombreuses mesures médicales détaillées en catégories larges pour faire fonctionner le modèle.

L'étude a mis en évidence plusieurs différences clés entre ceux qui ont développé une maladie cardiaque et ceux qui n'en ont pas développé. Les personnes qui ont fini par subir un événement cardiaque avaient tendance à être plus âgées, à avoir des antécédents familiaux de la maladie et à avoir un niveau d'éducation plus faible. Elles étaient également plus susceptibles d'être au chômage, d'être obèses ou de présenter une obésité abdominale, et de souffrir de conditions telles que l'hypertension artérielle, le diabète et un dysfonctionnement rénal. Le modèle a prouvé sa capacité à intégrer tous ces facteurs changeants au fil du temps pour créer un profil de risque qui reflétait la réalité complexe de la santé humaine. Les chercheurs ont souligné que cette approche offre une alternative flexible aux modèles de survie traditionnels, qui supposent souvent que les facteurs de risque agissent indépendamment et ne tiennent pas compte de la réalité désordonnée des données manquantes ou des changements d'état de santé.

Malgré le succès du modèle, les auteurs ont pris soin de noter ses limites. Ils ont reconnu que la conversion de données médicales continues en catégories simples a pu entraîner une perte de détails, ce qui a probablement empêché les scores de prédiction d'être plus élevés. Ils ont également souligné que le modèle n'incluait pas encore de données à haute résolution comme les signaux d'électrocardiogramme, ce qui pourrait potentiellement améliorer la précision. De plus, comme l'étude s'est concentrée sur une seule population urbaine en Iran, les résultats devront être testés dans d'autres groupes diversifiés pour s'assurer qu'ils s'appliquent largement. Néanmoins, ce travail démontre que les modèles informatiques capables de suivre la santé au fil du temps peuvent identifier des individus qui sont trois fois plus susceptibles de développer une maladie cardiaque. Cela suggère qu'en adoptant des méthodes qui comprennent le flux du temps et les connexions entre différents facteurs de santé, les médecins pourraient être en mesure de repérer les individus à haut risque plus tôt et d'intervenir avant qu'une crise cardiaque ou un accident vasculaire cérébral ne survienne.