Evaluating Patient Representation Strategies for Early Prediction of Alzheimer’s Disease and Related Dementias from Longitudinal EHRs

La maladie d'Alzheimer et les démences apparentées ne sont pas des événements soudains qui frappent sans prévenir ; ce sont des processus lents et insidieux qui commencent à modifier le cerveau des années avant qu'une personne n'oublie un nom ou ne se perde dans un endroit familier. Parce que ces changements surviennent très tôt, les médecins et les chercheurs espèrent depuis longtemps trouver un moyen de détecter le risque bien avant l'apparition des symptômes, permettant ainsi des soins plus précoces et une meilleure planification. Le défi est que le cerveau humain est complexe, et les signes de trouble sont souvent subtils et dispersés dans l'historique médical d'une personne. Pour résoudre cela, les scientifiques se sont tournés vers les dossiers de santé électroniques, ces vastes archives numériques de chaque visite chez le médecin, de chaque prescription et de chaque test de laboratoire reçus par un patient. Ces dossiers contiennent une vie entière d'indices, mais ils sont désordonnés, irréguliers et difficiles à lire. La question fondamentale pour les chercheurs est de savoir comment transformer ce flux chaotique de données en un portrait clair de qui est à risque, et si la meilleure façon d'y parvenir dépend de l'horizon temporel de la prédiction.

Une équipe de chercheurs s'est donné pour mission de tester différentes manières d'apprendre aux ordinateurs à lire ces historiques médicaux afin de prédire l'apparition de la démence. Ils ont comparé deux approches très différentes pour représenter la vie d'un patient dans l'ordinateur. La première approche était directe et transparente : elle comptait simplement combien de fois un patient avait consulté un médecin, combien de médicaments différents il avait pris et la fréquence de certains diagnostics, en organisant ces décomptes dans des fenêtres temporelles. La seconde approche était beaucoup plus complexe, utilisant des modèles d'intelligence artificielle avancés, pré-entraînés sur des millions de dossiers médicaux, pour créer un « résumé » mathématique caché du parcours de santé complet d'un patient. Les chercheurs voulaient voir quelle méthode fonctionnait le mieux, comment leur performance évoluait lorsqu'ils tentaient de prédire la maladie plus longtemps à l'avance, et si ces méthodes fonctionneraient si elles étaient appliquées à un groupe de patients totalement différent dans un autre système hospitalier.

En utilisant une vaste base de données nationale de dossiers de santé, l'équipe a entraîné ses modèles pour prédire la démence à six, douze, vingt-quatre et trente-six mois avant qu'un patient ne soit réellement diagnostiqué. Ils ont découvert que l'approche simple, basée sur le comptage, était généralement la plus fiable. Elle était plus apte à distinguer les patients qui développeraient la maladie de ceux qui ne la développeraient pas, et ses prédictions étaient plus précises en termes de probabilité. Cet avantage était plus marqué lors de la prédiction pour le futur proche ; pour les prédictions faites six mois avant un diagnostic, la méthode de comptage simple surpassait de manière significative les modèles complexes d'intelligence artificielle. Cependant, lorsque les chercheurs regardaient plus loin dans le passé, tentant de prédire la maladie trois ans à l'avance, l'écart entre les deux méthodes se réduisait. Au seuil des trente-six mois, les modèles complexes avaient rattrapé leur retard, performant presque aussi bien que les décomptes simples, bien qu'ils ne les aient toujours pas surpassés.

L'étude a également révélé comment les modèles informatiques « pensaient » lorsqu'ils regardaient plus loin dans le passé. Lors de la prédiction à court terme, les modèles s'appuyaient fortement sur des symptômes cognitifs spécifiques, tels que des diagnostics de perte de mémoire ou de trouble cognitif léger. Mais à mesure que la fenêtre de prédiction s'étendait plus loin dans le passé, ces symptômes spécifiques n'étaient souvent pas encore présents dans les dossiers. Dans ces cas, les modèles détournaient leur attention vers des schémas de recours aux soins plus larges. Ils commençaient à accorder de l'importance à des facteurs tels que la fréquence des visites à l'hôpital, le nombre de médicaments prescrits et le volume général des interactions médicales. Il semble qu'bien avant que le cerveau ne montre des signes clairs de démence, le schéma global de recours aux soins du corps change, et les modèles ont appris à utiliser ces signaux généraux comme des alertes précoces.

Les chercheurs ont également testé si ces modèles pouvaient être transférés à un autre système hospitalier sans réentraînement, un scénario appelé transfert « zero-shot ». Ils ont appliqué les modèles entraînés sur la base de données nationale à un ensemble de données indépendant provenant d'un hôpital universitaire. Les résultats ont été frappants : la performance a chuté de manière significative pour les deux méthodes. Les modèles ont eu du mal à s'adapter à la population de patients différente, plus âgée et présentant des caractéristiques démographiques raciales distinctes, ainsi qu'à des modes différents de saisie des informations par les médecins. Bien que les modèles d'intelligence artificielle complexes aient mieux résisté que les décomptes simples dans ce scénario de transfert difficile, aucune des deux approches n'a prouvé être assez robuste pour fonctionner parfaitement à travers différents systèmes de santé sans ajustement. Cela suggère que, bien que la technologie soit puissante, elle n'est pas encore un outil universel pouvant être appliqué partout sans un réglage local minutieux.

En fin de compte, ce travail démontre qu'il n'existe pas de « meilleure » façon unique de représenter l'historique médical d'un patient pour prédire la démence. Le choix dépend du moment de la prédiction et du contexte spécifique. Pour détecter la maladie dans un avenir proche, les décomptes simples et interprétables des événements médicaux restent la référence. Pour regarder plus loin devant, les modèles complexes d'intelligence artificielle deviennent plus compétitifs, offrant un équilibre différent en termes de précision. Les conclusions suggèrent que la voie de la détection précoce ne réside pas dans la recherche d'un algorithme parfait unique, mais dans la compréhension de la manière dont différents outils capturent différents signaux à différents moments, et dans la reconnaissance du fait que les signaux eux-mêmes changent à mesure que la maladie passe d'un risque lointain à une réalité imminente.