Construction of a Retinopathy of Prematurity Onset Prediction Model Using the Random Forest Machine Learning Algorithm

Chaque année, des milliers de bébés nés prématurément font face à une menace silencante pour leur vue. Cette affection, connue sous le nom de rétinopathie de la prématurité, est un trouble où les vaisseaux sanguins à l'arrière de l'œil ne se développent pas correctement. Parce que ces nourrissons naissent avant que leurs yeux ne soient pleinement formés, le réseau délicat de vaisseaux qui transporteront finalement le sang vers la rétine peut cesser de croître ou croître de manière chaotique et endommageante. Si elle n'est pas surveillée, cette croissance anormale peut détacher la rétine du fond de l'œil, entraînant une cécité permanente. La fenêtre pour prévenir cela est étroite ; les médecins doivent identifier quels bébés sont à risque et les traiter avant que les dommages ne deviennent irréversibles. Cependant, le système actuel consistant à examiner chaque bébé prématuré pour cette affection est un lourd fardeau. La plupart de ces nourrissons ne développeront jamais la maladie, pourtant ils doivent subir des examens oculaires répétés, souvent stressants, qui consomment des ressources médicales et causent de l'anxiété aux familles. Le défi pour les médecins est de trouver un moyen de distinguer les rares qui ont réellement besoin d'une intervention de ceux qui n'en ont pas besoin, sans manquer un seul cas.

Pour résoudre ce casse-tête, des chercheurs de Guangxi, en Chine, se sont tournés vers un outil puissant issu du monde de l'informatique : un algorithme d'apprentissage automatique appelé Forêt Aléatoire (Random Forest). Au lieu de s'appuyer sur une règle unique ou une simple liste de contrôle, cette approche imite la façon dont un groupe d'experts pourrait débattre d'un diagnostic, combinant de nombreuses informations différentes pour parvenir à une conclusion plus fiable. L'équipe, dirigée par Yong Yang et Minli Huang, s'est donné pour mission de construire et de tester un modèle capable de prédire quels nourrissons prématurés développeraient une rétinopathie de la prématurité en se basant sur leur historique médical. Ils ont recueilli des données provenant de 150 bébés qui avaient été examinés dans un hôpital local entre janvier et septembre 2024. Chaque nourrisson de ce groupe était né prématurément, présentait un faible poids de naissance ou d'autres complications de santé graves qui le mettaient en danger. Les chercheurs ont soigneusement examiné les dossiers médicaux électroniques de ces enfants, cherchant des schémas dans leurs premiers jours de vie qui pourraient signaler des problèmes pour leurs yeux.

Les chercheurs ont commencé avec une longue liste de quarante-six signes précurseurs potentiels, allant de la santé de la mère pendant la grossesse aux traitements spécifiques reçus par le bébé après la naissance. Ils ont injecté ces informations dans cinq modèles informatiques différents, chacun conçu pour trouver les indices les plus importants. L'objectif était de trouver les facteurs sur lesquels tous les modèles s'accordaient comme étant critiques. Après avoir traité les chiffres, l'ordinateur a identifié neuf prédicteurs clés qui apparaissaient de manière constante à travers les différentes méthodes. Ceux-ci comprenaient l'âge gestationnel du bébé et son poids de naissance, l'utilisation d'une oxygénothérapie et la concentration spécifique d'oxygène administrée, ainsi que la présence de conditions telles que l'anémie, la détresse respiratoire et une infection intestinale grave connue sous le nom d'entérocolite nécrosante. La liste incluait également si le bébé avait été conçu par fécondation in vitro et si des antibiotiques avaient été utilisés durant son séjour à l'hôpital. En se concentrant sur ces neuf détails spécifiques, les chercheurs ont réduit la vaste quantité de données médicales aux signaux les plus puissants.

Avec ces neuf facteurs en main, l'équipe a construit son modèle de prédiction et l'a testé par rapport aux données réelles des 150 bébés. Les résultats étaient prometteurs. Le modèle s'est avéré très efficace pour identifier les bébés qui n'avaient pas la maladie, signalant correctement presque tous d'entre eux comme étant à faible risque. En fait, l'étude a confirmé qu'aucun des 135 nourrissons prématurés n'ayant pas développé de ROP n'avait été manqué par le modèle. Il a également réussi à prédire l'apparition de la condition dans la majorité des cas où elle se produisait. La précision de l'ordinateur pour distinguer les yeux sains de ceux développant la maladie était forte, avec un score de performance indiquant qu'il s'agissait d'un outil fiable. L'étude a montré qu'en utilisant ces neuf indicateurs médicaux spécifiques, le modèle pouvait trier les données avec un haut degré de confiance, suggérant qu'il pourrait aider les médecins à décider quels bébés nécessitent l'attention la plus urgente et lesquels pourraient ne pas requérir un dépistage aussi fréquent et intensif.

Les conclusions offrent une nouvelle façon d'envisager la biologie complexe de la naissance prématurée. L'étude a confirmé que les risques les plus importants sont liés à l'immaturité du corps du nourrisson et aux interventions nécessaires pour le maintenir en vie. Par exemple, le besoin de fortes concentrations d'oxygène, bien que vital pour les poumons, peut être nocif pour les vaisseaux sanguins en développement dans l'œil. De même, les conditions qui provoquent une inflammation ou un stress dans le corps, telles que les infections graves ou les difficultés respiratoires, semblent être étroitement liées au développement de problèmes oculaires. Le modèle n'a pas seulement deviné ; il a appris des issues réelles de 150 patients, constatant que les bébés développant la condition étaient généralement plus petits, nés plus tôt et présentaient des antécédents médicaux plus graves que ceux qui ne la développaient pas. Ce lien entre la lutte globale du corps pour la survie et la santé spécifique des yeux offre une image plus claire de ceux qui sont les plus vulnérables.

Bien que le modèle soit très prometteur, les chercheurs ont noté qu'il n'est pas une boule de cristal parfaite. Lors de leurs tests, le système s'est révélé extrêmement doué pour exclure la maladie chez les bébés sains, identifiant correctement tous les 135 nourrissons qui n'ont pas développé la condition. Cependant, le modèle a été confronté à une limite dans la prédiction exacte de quels nourrissons diagnostiqués avec une ROP ne nécessiteraient pas de suivi supplémentaire, car sa sensibilité pour détecter l'apparition spécifique chez le groupe plus restreint d'enfants affectés était plus faible. C'est une distinction cruciale en médecine ; il est souvent plus sûr de manquer quelques cas potentiels et de les traiter plus tard que de donner de fausses alertes à de nombreuses familles saines. L'étude suggère que cet outil pourrait être utilisé pour aider les médecins à prioriser leurs efforts de dépistage, garantissant que les nourrissons les plus à risque soient vus en premier. Il ne remplace pas la nécessité de l'examen minutieux d'un médecin, mais il offre une manière basée sur les données d'organiser les soins et de réduire le nombre de procédures inutiles. En se concentrant sur les neuf facteurs spécifiques identifiés, les équipes médicales peuvent mieux comprendre la trajectoire de la santé d'un nourrisson prématuré et prendre des décisions plus éclairées pour protéger sa vision.