Machine Learning and Large Language Models for Maternal Cardiometabolic Risk Prediction Across Harmonised Public Pregnancy Datasets

La grossesse est un événement physiologique profond qui agit comme un test de résistance rigoureux pour le cœur et le métabolisme d'une femme. Pendant ces neuf mois, le corps doit gérer l'augmentation du volume sanguin, les variations des niveaux hormonaux et les demandes métaboliques d'un fœtus en pleine croissance. Pour beaucoup, ce processus se déroule sans encombre, mais pour d'autres, il révèle des vulnérabilités sous-jacentes. Des conditions telles qu'une hypertension artérielle, une glycémie irrégulière et de faibles taux de fer dans le sang peuvent apparaître ou s'aggraver, créant un réseau complexe de risques qui menacent à la fois la mère et le bébé. Ces complications ne sont pas des événements isolés ; elles sont souvent interconnectées, et leur présence peut signaler une probabilité plus élevée d'accouchements difficiles, de naissances prématurées ou de problèmes de santé à long terme pour la mère plus tard dans sa vie. Identifier ces risques précocement permet aux médecins d'intervenir, de surveiller de plus près et d'adapter les soins pour prévenir des issues graves.

Pendant des décennies, les professionnels de la médecine se sont appuyés sur des seuils spécifiques et des indicateurs individuels pour repérer ces dangers. Une lecture de la tension artérielle au-dessus d'un certain chiffre ou un taux de glucose en dehors d'une plage normale déclenche une alerte. Cependant, le corps humain ne suit pas toujours des règles simples et linéaires. L'interaction entre l'âge d'une femme, sa prise de poids, ses antécédents de grossesses passées et ses signes vitaux actuels crée un schéma difficile à capturer avec une simple liste de contrôle. Cette complexité a conduit les chercheurs à explorer si les ordinateurs pouvaient apprendre à reconnaître ces motifs subtils et non linéaires mieux que les méthodes traditionnelles. L'espoir est qu'en injectant de vastes quantités de données cliniques dans des algorithmes avancés, les machines pourraient prédire qui est le plus à risque, avant même que les symptômes ne deviennent évidents.

Une étude récente s'est donné pour mission de tester cette idée en utilisant deux approches différentes : l'apprentissage automatique traditionnel et les modèles de langage de grande taille, plus conversationnels. Les chercheurs ont commencé par rassembler des données provenant de deux collections de dossiers de santé maternelle accessibles au public. Un ensemble de données contenait des informations générales sur les femmes enceintes, tandis que l'autre se concentrait spécifiquement sur une condition appelée prééclampsie, un trouble grave impliquant une hypertension artérielle. Pour faire fonctionner ces deux sources ensemble, l'équipe a dû traduire leurs variables dans un langage commun. Ils ont aligné des mesures telles que la pression artérielle, les taux d'hémoglobine et l'âge gestationnel afin qu'une lecture dans un ensemble de données signifie la même chose dans l'autre. Ils ont également standardisé les étiquettes de risque, regroupant les femmes en catégories de risque faible, moyen et élevé sur la base de leurs dossiers médicaux existants.

La première phase de la recherche a consisté à entraîner un ensemble de modèles informatiques sur le premier ensemble de données. Ces modèles avaient pour tâche d'examiner le profil clinique d'une femme et de prédire sa catégorie de risque. Les chercheurs ont testé plusieurs types d'algorithmes différents, y compris des arbres de décision et des machines à vecteurs de support, pour voir lequel apprenait les motifs le plus efficacement. Un modèle, connu sous le nom de HistGradientBoosting, est apparu comme le plus performant. Testé contre les données qu'il avait apprises, il a correctement identifié le niveau de risque dans près de 88 % des cas. Il a démontré une forte discrimination interne pour séparer les patientes à haut risque du reste du groupe, avec une aire sous la courbe de la caractéristique de fonctionnement du récepteur de 0,989 et une aire sous la courbe de précision-rappel d'environ 0,974. Le modèle a également identifié les facteurs les plus importants, soulignant que la distance par rapport à un hôpital, les taux de glucose sanguin et la prise de poids pendant la grossesse étaient des moteurs clés de ses décisions.

Cependant, le véritable test de tout outil de prédiction médicale n'est pas la façon dont il fonctionne sur les données sur lesquelles il a été entraîné, mais la façon dont il fonctionne sur de nouvelles données inconnues. C'est ici que l'étude a pris un tournant critique. Les chercheurs ont pris leur meilleur modèle et l'ont appliqué directement au second ensemble de données, qui provenait d'une source différente et contenait des patientes différentes. Ils n'ont pas réentraîné le modèle ni ajusté ses paramètres ; ils lui ont simplement demandé de faire des prédictions basées sur les six variables partagées par les deux ensembles de données. Les résultats ont été radicalement différents. La précision du modèle a chuté de manière significative, classant correctement seulement environ 39 % des cas. Plus inquiétant encore, il n'a identifié aucune femme qui était réellement à haut risque dans ce nouveau groupe. Au lieu de cela, il a classé les 26 femmes à haut risque comme étant à risque faible ou moyen. Cet échec suggérait que les motifs appris par le modèle étaient spécifiques au premier groupe de patientes et ne se transposaient pas au second, probablement parce que les deux groupes différaient sur des points fondamentaux, tels que l'âge moyen des mères ou le moment de leurs analyses de sang.

Reconnaissant que les modèles traditionnels pourraient avoir du mal avec ce manque de généralisabilité, les chercheurs se sont tournés vers les modèles de langage de grande taille. Ce sont les mêmes systèmes d'intelligence artificielle qui peuvent écrire des essais, répondre à des questions et tenir des conversations. L'équipe a converti les dossiers médicaux structurés en récits de langage courant, décrivant l'histoire et l'état actuel de chaque patiente en quelques phrases. Ils ont ensuite demandé à deux modèles de langage différents, DeepSeek et Qwen, de lire ces récits et de prédire le niveau de risque. Ils ont testé diverses méthodes de formulation de requêtes (prompting), incluant le fait de donner des exemples de résolution de problèmes similaires avant de demander de résoudre un nouveau problème. La configuration la plus performante, qui utilisait un type spécifique de requête de raisonnement, a réussi à identifier le niveau de risque pour environ 58 % des cas. Bien que cela soit supérieur à la performance du modèle traditionnel sur les nouvelles données, cela restait loin d'être parfait. Le modèle présentait un biais clair : il a identifié avec succès les quatre cas à haut risque dans le petit groupe de test, mais n'a identifié aucun des cas à faible risque, supposant essentiellement que tout le monde présentait au moins un certain risque.

Les chercheurs ont également examiné comment ces différents systèmes expliquaient leurs décisions. Ils ont comparé les facteurs que le modèle d'apprentissage automatique traditionnel considérait comme importants avec les mots-clés utilisés par les modèles de langage dans leurs explications écrites. Les deux systèmes sont tombés d'accord sur le fait que la pression artérielle, le taux de sucre dans le sang et les taux d'hémoglobine étaient des indicateurs critiques de risque. Cependant, ils divergeaient sur d'autres facteurs. Le modèle traditionnel accordait un poids important à la distance de la patiente par rapport à un hôpital et à sa prise de poids, probablement parce qu'il s'agissait de signaux statistiques forts dans les données. Les modèles de langage, en revanche, mentionnaient rarement ces facteurs logistiques et physiques. Ils se concentraient davantage sur les antécédents médicaux de la patiente et les complications antérieures, s'appuyant sur les connaissances cliniques ancrées dans leur entraînement. Cette différence souligne un fossé entre ce que les données suggèrent statistiquement et ce que les modèles jugent cliniquement plausible.

L'étude conclut que bien que ces outils soient prometteurs, ils ne sont pas encore prêts pour une utilisation clinique. Le modèle d'apprentissage automatique traditionnel a bien performé dans l'environnement pour lequel il a été conçu, mais n'a pas pu s'adapter à une nouvelle population, un obstacle courant en intelligence artificielle médicale. Les modèles de langage de grande taille ont montré une capacité à lire des notes de cas et à générer des explications lisibles par l'homme, mais leurs prédictions étaient instables et sujettes aux biais. Les chercheurs soulignent que la valeur de ce travail ne réside pas dans la production d'un prédicteur parfait unique, mais dans la démonstration de la difficulté de transférer un modèle d'un ensemble de données à un autre. Ils suggèrent que pour que ces technologies deviennent utiles dans les hôpitaux du monde réel, elles doivent être testées sur des groupes de patients beaucoup plus larges et diversifiés, et validées par rapport à des résultats de santé réels plutôt que par rapport à des étiquettes existantes. D'ici là, ces systèmes restent des outils expérimentaux qui peuvent organiser l'information et suggérer des possibilités, mais ils ne peuvent pas encore remplacer le jugement d'un clinicien.