A Comparative Machine Learning Analysis of Neural Networks and XGBoost for Predicting Maternal Mortality in Maiduguri, Nigeria

Dans de nombreuses parties du monde, le parcours de la grossesse est semé de dangers, où une seule complication peut transformer un moment d'anticipation en une tragédie. Dans les milieux à faibles ressources, et particulièrement dans les zones touchées par les conflits, la capacité de prédire qui est à risque de mourir lors de l'accouchement est souvent limitée par un manque de données et par la pure complexité de la biologie humaine. Pendant des décennies, les médecins se sont appuyés sur des méthodes statistiques standards pour évaluer des facteurs tels que l'âge de la mère, son historique de grossesses précédentes et son accès aux soins. Ces méthodes sont utiles, mais elles peinent souvent à percevoir les interactions complexes et non linéaires entre ces facteurs. Ces dernières années, une nouvelle génération d'outils a émergé du domaine de l'informatique, capable de trouver des modèles cachés dans de vastes quantités d'informations. Deux de ces outils les plus puissants sont les réseaux de neurones artificiels, qui imitent la façon dont le cerveau humain connecte les idées, et les algorithmes de boosting de gradient, qui construisent des prédictions en apprenant d'une série de petites erreurs séquentielles. La question qui se pose aux responsables de la santé publique est de savoir si ces outils numériques avancés peuvent réellement aider à sauver des vies dans les environnements les plus difficiles, ou s'ils sont simplement trop complexes pour les données disponibles.

Dans la ville de Maiduguri, au Nigeria, une zone affectée par les conflits où l'insécurité et un système de santé fragile font de l'assistance maternelle une lutte quotidienne, deux chercheurs se sont mis en devoir de tester ces outils numériques face à la réalité des dossiers médicaux locaux. Ils ont recueilli des informations auprès de 158 femmes ayant reçu des soins dans des hôpitaux sélectionnés de la ville. L'objectif était simple : voir si un ordinateur pouvait examiner l'historique de santé d'une femme et prédire correctement si elle survivrait ou non à l'accouchement. L'équipe a comparé deux approches différentes. Une approche utilisait un réseau de neurones artificiels, un type de programme qui apprend en ajustant les connexions entre des couches d'unités numériques, un peu comme un étudiant affinant sa compréhension d'un sujet grâce à une pratique répétée. L'autre approche utilisait une méthode appelée XGBoost, qui fonctionne en construisant une forêt d'arbres de décision, où chaque nouvel arbre corrige les erreurs des précédents, peaufinant progressivement la prédiction la plus précise.

Les chercheurs ont commencé avec un ensemble de données comprenant des détails tels que l'âge de la mère, son niveau d'éducation, son revenu, le nombre de fois où elle a été enceinte, et si elle avait présenté des complications comme des saignements sévères ou une hypertension artérielle. Cependant, alors qu'ils préparaient les données pour l'apprentissage de l'ordinateur, ils ont découvert une faille critique qui aurait complètement faussé leurs résultats. Une variable dans leurs dossiers, étiquetée « Morbidité Sévère », s'est avérée être un miroir parfait du résultat lui-même. Dans chaque cas où une femme est décédée, cette variable était marquée comme sévère, et dans chaque cas où elle a survécu, elle était marquée comme non sévère. Si l'ordinateur avait été autorisé à utiliser cette information, il n'aurait pas été en train de prédire l'avenir ; il aurait simplement lu le corrigé. Les chercheurs ont pris la décision difficile mais nécessaire de supprimer entièrement cette variable. Ils ont également supprimé une autre donnée qui était identique pour chaque personne de l'étude, car elle n'offrait aucune information utile pour distinguer les survivantes de celles qui n'ont pas survécu.

Une fois les données nettoyées et les informations trompeuses supprimées, l'équipe a fait tourner ses modèles en utilisant une méthode de test rigoureuse. Au lieu de diviser les données une seule fois en un ensemble d'entraînement et un ensemble de test, ils ont mélangé de manière répétée les 158 dossiers en différents groupes, entraînant les modèles sur certains et les testant sur d'autres, un processus répété cent fois pour s'assurer que les résultats étaient stables et n'étaient pas seulement le fruit d'un coup de chance. Les résultats furent frappants. Le réseau de neurones artificiels et le modèle XGBoost ont tous deux performé avec une précision exceptionnelle, classant correctement la vaste majorité des cas. Le réseau de neurones était légèrement plus précis dans l'ensemble, trouvant la bonne réponse dans presque tous les cas, tandis que le modèle XGBoost était également très efficace, ne manquant que quelques cas. Ces deux outils avancés ont nettement surpassé une méthode statistique traditionnelle qui, bien qu'étant toujours bonne, était moins précise.

Plus important encore que les scores bruts était ce que les ordinateurs ont révélé aux chercheurs concernant les causes de décès. Lorsque la variable trompeuse a été supprimée, les modèles ont identifié un nouvel ensemble de facteurs qui déterminaient le risque de mortalité maternelle. Le prédicteur le plus puissant était l'éclampsie, une condition dangereuse impliquant des convulsions pendant la grossesse. Suivaient ensuite la méthode utilisée pour l'accouchement, le nombre de grossesses précédentes, le nombre total de grossesses et le revenu du ménage de la mère. Ces conclusions s'alignaient parfaitement avec ce que les experts médicaux savaient déjà des dangers de la grossesse, donnant aux chercheurs la confiance que leurs modèles apprenaient de véritables vérités médicales plutôt que de simplement mémoriser des particularités de données. Les modèles ont réussi à capturer les façons complexes dont ces facteurs interagissaient, montrant que le risque d'une femme ne dépend pas d'une seule chose, mais d'une combinaison de son historique médical, de ses circonstances d'accouchement et de ses circonstances sociales.

Malgré ces résultats impressionnants, les chercheurs ont pris soin de ne pas déclarer le problème résolu. Ils ont noté que l'ensemble de données était assez petit, ne contenant que 158 dossiers, et que la haute précision pouvait aussi s'expliquer par le fait que l'ordinateur avait trop bien appris les schémas spécifiques de ce petit groupe de femmes. Il est possible que si les modèles étaient testés sur un groupe de femmes complètement différent provenant d'un autre hôpital ou d'une autre ville, leur performance puisse chuter. L'étude sert de preuve de concept solide, montrant que ces outils numériques peuvent trouver des modèles significatifs dans les données locales, mais elle n'est pas encore une solution finale prête pour une utilisation immédiate dans chaque clinique. Les chercheurs ont souligné qu'avant que ces outils ne puissent être dignes de guider des décisions de vie ou de mort dans un hôpital, ils doivent être testés sur des groupes de personnes beaucoup plus larges et validés dans différents contextes.

L'étude conclut que si l'intelligence artificielle est porteuse de grandes promesses pour aider les médecins dans les zones à ressources limitées et touchées par les conflits à identifier les grossesses à haut risque précocement, elle doit être utilisée avec prudence et humilité. La technologie est puissante, mais elle n'est aussi bonne que les données qui la nourrissent et la diligence prise pour s'assurer que ces données sont honnêtes et complètes. Pour les femmes de Maiduguri, la voie à suivre implique non seulement l'adoption de nouvelles technologies, mais aussi l'amélioration de la tenue des dossiers médicaux et la garantie que les informations enregistrées sont véritablement indépendantes du résultat. Avec de meilleures données et des tests supplémentaires, des outils comme les réseaux de neurones et le boosting de gradient pourraient devenir des partenaires vitaux pour les travailleurs de la santé, les aidant à allouer les ressources rares aux mères qui en ont le plus besoin, sauvant potentiellement des vies dans certains des environnements les plus difficiles du monde.