Feature engineering of digital health data for machine learning prediction of COPD exacerbations in a real-world cohort

Résumé Technique : Ingénierie de Caractéristiques pour la Prédiction des Exacerbations de la BPCO

Énoncé du Problème
Les exacerbations de la Bronchopneumopathie Chronique Obstructive (BPCO) sont un moteur principal de morbidité, de mortalité et d'hospitalisations, pourtant les modèles de prédiction à court terme efficaces restent limités. Bien que les plateformes de gestion numérique de soi génèrent des données longitudinales, les tentatives précédentes de prédiction des exacerbations utilisant des ensembles limités de caractéristiques auto-rapportées n'ont produit qu'une précision modeste. De plus, il n'est pas clair si l'intégration de données d'activité physique régulièrement capturées (par exemple, le nombre de pas mesuré au poignet) apporte une valeur prédictive supplémentaire au-delà des données de symptômes et d'état de santé. Cette étude répond au besoin de systèmes d'alerte précoce évolutifs capables de distinguer les périodes stables des exacerbations imminentes en utilisant des données de santé numériques du monde réel.

Méthodologie
L'étude a utilisé une cohorte rétrospective de 5 865 utilisateurs de la plateforme de gestion numérique de soi myCOPD. L'analyse s'est concentrée sur deux cohortes : une cohorte analytique primaire de 4 223 utilisateurs avec au moins une entrée étiquetée dans l'application, et un sous-groupe de portables (wearables) de 459 utilisateurs avec des données de pas liées au poignet.

• Tâche de Prédiction : Le modèle prédisait si une exacerbation (définie par un score de symptôme de 3 ou 4) surviendrait au cours des 1 à 3 prochaines entrées de l'utilisateur, plutôt qu'à des intervalles de calendrier fixes. Cette approche reflète un cas d'utilisation pragmatique, axé sur l'engagement.
• Ingénierie de Caractéristiques (Feature Engineering) : Les auteurs sont allés au-delà des variables brutes pour créer un ensemble de caractéristiques enrichi et élaboré.
  • Caractéristiques Dynamiques : Comprenaient l'état actuel des symptômes, des valeurs décalées (lagged values : 1, 2, 3, 7 entrées), des résumés glissants (moyennes, écarts-types) et des écarts par rapport aux bases de référence personnalisées (calculées à partir d'entrées historiquement stables).
  • Historique des Exacerbations : Les caractéristiques ont capturé la récence et la fréquence des événements antérieurs (ex: comptes sur 28/90 entrées, temps depuis le dernier événement).
  • Clinique et Engagement : Incluaient les scores du Test d'Évaluation de la BPCO (CAT), l'utilisation de médicaments, la charge de réadaptation pulmonaire et les mesures d'engagement envers l'application.
  • Données de Portables (Wearables) : Dans le sous-groupe, les caractéristiques du nombre de pas ont été élaborées de manière similaire aux données de l'application, incluant des valeurs décalées, des statistiques glissantes et des écarts par rapport à une base de référence personnelle de pas.
• Stratégie de Modélisation : Des classifieurs de boosting de gradient XGBoost ont été entraînés en utilisant une validation croisée imbriquée groupée pour assurer la séparation des patients entre les ensembles d'entraînement et de test (évitant ainsi la fuite de données).
  • Cohorte Primaire : Entraînée sur 547 465 entrées étiquetées.
  • Étude d'Ablation : Dans le sous-groupe des portables, deux modèles identiques ont été comparés : l'un avec uniquement des caractéristiques dérivées de l'application, et l'autre avec les caractéristiques de l'application plus les caractéristiques du nombre de pas.
• Évaluation : La performance a été évaluée via l'AUC de Précision-Rappel (PR-AUC), l'AUC-ROC, la précision et le rappel. Les seuils ont été optimisés pour maximiser le score F1 dans les plis d'entraînement afin d'équilibrer la sensibilité et la valeur prédictive positive dans un contexte de faible prévalence (classe positive de 4,8 %).

Résultats Clés

• Performance du Modèle Primaire : Dans la cohorte principale, le modèle a atteint une PR-AUC moyenne de 0,284 et une AUC-ROC moyenne de 0,834. Au seuil optimisé, le modèle a atteint une précision moyenne de 29,8 % et un rappel de 41,2 %. Cela représente une amélioration significative de la précision par rapport aux précédents efforts de modélisation de myCOPD (environ 7 % de précision) sous un cadre de validation plus strict.
• Horizons de Prédiction : Des alertes positives ont été suivies d'une exacerbation auto-rapportée dans près de 30 % des cas. Le délai médian entre une alerte positive et la première entrée d'exacerbation était de 5 jours, avec 39,5 % survenant dans les 3 jours et 56,0 % dans les 7 jours.
• Importance des Caractéristiques : Les prédicteurs les plus forts étaient les variables dérivées des symptômes (état actuel, variabilité et valeurs décalées) et l'historique récent des exacerbations. Les caractéristiques dérivées du CAT et les schémas d'engagement ont contribué de manière significative, tandis que les caractéristiques cliniques statiques (ex: âge, antécédents de tabagisme) étaient moins influentes.
• Ablation des Portables : Dans le sous-groupe des portables, l'ajout des caractéristiques du nombre de pas n'a pas amélioré matériellement la performance. Le modèle avec l'application seule et le modèle avec l'application plus les pas ont donné des résultats presque identiques (ex: PR-AUC 0,162 contre 0,163 ; Précision 0,214 contre 0,214). L'analyse descriptive des trajectoires a confirmé que les écarts du nombre de pas ne montraient que des différences modestes et inconsistantes avant les exacerbations, contrairement à la séparation plus nette observée dans les trajectoires du CAT et des symptômes.

Signification et Revendications
Les auteurs affirment que cette étude démontre la faisabilité de l'extrapolation de la prédiction des exacerbations en utilisant des données de gestion numérique de soi collectées de routine. La contribution primaire est la validation que les représentations par ingénierie de caractéristiques des trajectoires de symptômes et de l'état de santé améliorent significativement la précision de la prédiction par rapport aux variables brutes ou aux ensembles de caractéristiques limités, même sous une validation stricte par patient.

L'étude conclut que les signaux de symptômes auto-rapportés capturés via les plateformes numériques fournissent des alertes précoces utiles. En revanche, les auteurs affirment que le nombre de pas mesuré au poignet, tel que capturé dans ce groupe et ce contexte spécifique, offre une valeur incrémentale limitée au-delà des riches données de symptômes et du CAT. Les conclusions suggèrent que pour cette tâche de prédiction spécifique, le "signal" d'une exacerbation imminente est plus fortement contenu dans la charge de symptômes rapportée par le patient et son historique que dans ses niveaux d'activité physique. Les auteurs soulignent que le modèle fonctionne comme un système d'alerte précoce à court terme déclenché par l'engagement de l'utilisateur, plutôt que comme un prédicteur à jour fixe, et que l'utilité future dépend de la traduction de ces signaux prédictifs en interventions cliniques ou de gestion de soi exploitables.