{"id":11020,"date":"2024-10-31T09:00:00","date_gmt":"2024-10-31T07:00:00","guid":{"rendered":"https:\/\/neuronup.com\/fr\/?p=11020"},"modified":"2025-01-07T13:35:29","modified_gmt":"2025-01-07T11:35:29","slug":"prediction-de-lincidence-de-la-maladie-dalzheimer-par-apprentissage-automatique-en-utilisant-des-donnees-administratives-de-sante-a-grande-echelle","status":"publish","type":"post","link":"https:\/\/neuronup.com\/fr\/nouveautes-neuronup\/prediction-de-lincidence-de-la-maladie-dalzheimer-par-apprentissage-automatique-en-utilisant-des-donnees-administratives-de-sante-a-grande-echelle\/","title":{"rendered":"Pr\u00e9diction de l’incidence de la maladie d’Alzheimer par apprentissage automatique en utilisant des donn\u00e9es administratives de sant\u00e9 \u00e0 grande \u00e9chelle"},"content":{"rendered":"\n

Dans cet article, Antonio Javier Sutil Jim\u00e9nez aborde l’\u00e9tude \u00ab\u00a0Pr\u00e9diction de l’incidence de la maladie d’Alzheimer par apprentissage automatique en utilisant des donn\u00e9es administratives de sant\u00e9 \u00e0 grande \u00e9chelle\u00a0\u00bb<\/em>.<\/p>\n\n\n\n

Pourquoi l’\u00e9tude de la pr\u00e9diction de la maladie d’Alzheimer avec le machine learning est-elle importante ?<\/h2>\n\n\n\n

Les avanc\u00e9es technologiques peuvent parfois apporter des solutions inattendues \u00e0 des probl\u00e8mes m\u00e9dicaux. Un exemple en est l’utilisation de donn\u00e9es administratives de sant\u00e9 pour cr\u00e9er des mod\u00e8les pr\u00e9dictifs du risque de d\u00e9velopper la maladie d’Alzheimer.<\/p>\n\n\n\n

La grande nouveaut\u00e9 du travail de Park et de ses collaborateurs r\u00e9side dans l’exploitation de cette quantit\u00e9 massive de donn\u00e9es qui, comme le d\u00e9crivent les chercheurs, n’a pas encore \u00e9t\u00e9 pleinement exploit\u00e9e dans de nombreux cas. Ainsi, la num\u00e9risation des dossiers m\u00e9dicaux est devenue une ressource pr\u00e9cieuse pour r\u00e9duire les efforts et les co\u00fbts li\u00e9s \u00e0 la collecte de donn\u00e9es.<\/strong><\/p>\n\n\n\n

Malgr\u00e9 cela, son application \u00e0 des maladies telles que l’Alzheimer \u00e9tait limit\u00e9e. En partie, cette limitation a \u00e9t\u00e9 surmont\u00e9e gr\u00e2ce \u00e0 l‘augmentation des capacit\u00e9s de calcul<\/strong>, permettant ainsi d’appliquer des techniques de machine learning \u00e0 l’analyse des donn\u00e9es et de cr\u00e9er des mod\u00e8les pr\u00e9dictifs repr\u00e9sentatifs de la population, gr\u00e2ce \u00e0 des \u00e9chantillons suffisamment grands.<\/p>\n\n\n\n

Hypoth\u00e8se de l’\u00e9tude<\/h3>\n\n\n\n

L’\u00e9tude repose sur l’hypoth\u00e8se que l’utilisation de donn\u00e9es de personnes pr\u00e9sentant un risque de d\u00e9velopper la maladie d’Alzheimer permettra une meilleure d\u00e9tection pr\u00e9coce des cas au stade pr\u00e9clinique<\/strong>, am\u00e9liorant ainsi les strat\u00e9gies th\u00e9rapeutiques.<\/p>\n\n\n\n

Pour atteindre cet objectif, le groupe de chercheurs a eu acc\u00e8s \u00e0 la base de donn\u00e9es du syst\u00e8me national de sant\u00e9 de la Cor\u00e9e, qui contenait plus de 40 000 dossiers de sant\u00e9 de personnes \u00e2g\u00e9es de plus de 65 ans<\/strong>, incluant des informations telles que les ant\u00e9c\u00e9dents personnels, familiaux, les donn\u00e9es sociod\u00e9mographiques, les diagnostics, la m\u00e9dication, etc.<\/p>\n\n\n\n

M\u00e9thodologie<\/h2>\n\n\n\n

Dataset<\/h3>\n\n\n\n

Pour mener \u00e0 bien l’\u00e9tude, une cohorte du NHIS-NSC<\/strong> (The National Health Insurance Service\u2013National Sample Cohort) de Cor\u00e9e du Sud, comprenant plus d’un million de participants, a \u00e9t\u00e9 suivie sur une p\u00e9riode de onze ans (de 2002 \u00e0 2013).<\/p>\n\n\n\n

La base de donn\u00e9es contenait des informations sur les services de sant\u00e9, les diagnostics et les prescriptions de chaque individu, ainsi que des caract\u00e9ristiques cliniques, incluant des donn\u00e9es d\u00e9mographiques, le niveau de revenu bas\u00e9 sur le salaire mensuel, les codes de maladies et de m\u00e9dicaments, les valeurs de laboratoire, les profils de sant\u00e9, ainsi que les ant\u00e9c\u00e9dents personnels et familiaux de maladies. Sur cet \u00e9chantillon, 40 736 adultes \u00e2g\u00e9s de plus de 40 ans ont \u00e9t\u00e9 s\u00e9lectionn\u00e9s pour cette \u00e9tude.<\/strong><\/p>\n\n\n\n

D\u00e9finition op\u00e9rationnelle de la maladie d’Alzheimer<\/h3>\n\n\n\n

Une d\u00e9finition op\u00e9rationnelle de la maladie d’Alzheimer a \u00e9t\u00e9 \u00e9tablie, fond\u00e9e sur l’algorithme d’une \u00e9tude canadienne ant\u00e9rieure.<\/p>\n\n\n\n

Cet algorithme a atteint une sensibilit\u00e9 de 79 % et une sp\u00e9cificit\u00e9 de 99 %<\/strong>, en incluant des codes d’hospitalisation, des r\u00e9clamations m\u00e9dicales et des prescriptions sp\u00e9cifiques pour la maladie d’Alzheimer.<\/p>\n\n\n\n

Pour am\u00e9liorer la pr\u00e9cision de la d\u00e9tection, les \u00e9tiquettes \u00ab\u00a0AD d\u00e9finitive\u00a0\u00bb ont \u00e9t\u00e9 utilis\u00e9es pour les cas avec un haut degr\u00e9 de certitude, et \u00ab\u00a0AD probable\u00a0\u00bb pour les cas confirm\u00e9s uniquement par les codes CIM-10 (Classification Internationale des Maladies), afin de minimiser les faux n\u00e9gatifs. Avec ces \u00e9tiquettes, la pr\u00e9valence de la maladie d’Alzheimer a \u00e9t\u00e9 de 1,5 % pour \u00ab\u00a0AD d\u00e9finitive\u00a0\u00bb et de 4,9 % pour \u00ab\u00a0AD probable\u00a0\u00bb.<\/p>\n\n\n\n

Analyse<\/h3>\n\n\n\n

Pour l’analyse et le traitement des donn\u00e9es, des caract\u00e9ristiques telles que l’\u00e2ge et le sexe ont \u00e9t\u00e9 utilis\u00e9es, ainsi que 21 variables provenant de la base de donn\u00e9es NHIS-NSC, incluant les profils de sant\u00e9 et les ant\u00e9c\u00e9dents familiaux de maladies, ainsi que plus de 6 000 variables d\u00e9riv\u00e9es des codes CIM-10 et des m\u00e9dicaments.<\/p>\n\n\n\n

Apr\u00e8s avoir d\u00e9crit les caract\u00e9ristiques, celles-ci ont \u00e9t\u00e9 align\u00e9es en se concentrant sur l’incidence du diagnostic pour chaque individu<\/strong>, selon les codes CIM-10 et les codes de m\u00e9dicaments. Cela a permis d’\u00e9liminer les maladies rares et les codes de m\u00e9dicaments peu fr\u00e9quents. En outre, les individus sans nouvelles donn\u00e9es de sant\u00e9 au cours des deux derni\u00e8res ann\u00e9es ont \u00e9t\u00e9 exclus. Le jeu final de variables utilis\u00e9es dans les mod\u00e8les comprenait 4 894 caract\u00e9ristiques uniques.<\/p>\n\n\n\n

Pour effectuer les pr\u00e9dictions \u00e0 \u00ab\u00a0n\u00a0\u00bb ann\u00e9es dans le groupe avec maladie d’Alzheimer, des fen\u00eatres temporelles allant de 2002 jusqu’\u00e0 l’ann\u00e9e d’incidence ont \u00e9t\u00e9 utilis\u00e9es. Dans le groupe sans la maladie, les donn\u00e9es ont \u00e9t\u00e9 prises de 2002 \u00e0 2010-n.<\/p>\n\n\n\n

Enfin, avant la mise en \u0153uvre du mod\u00e8le, des sous-ensembles d’entra\u00eenement, de validation et de test ont \u00e9t\u00e9 cr\u00e9\u00e9s en utilisant \u00e0 la fois un jeu de donn\u00e9es \u00e9quilibr\u00e9 et \u00e9chantillonn\u00e9 al\u00e9atoirement, ainsi qu’un jeu de donn\u00e9es non \u00e9quilibr\u00e9.<\/p>\n\n\n\n

Application des techniques de machine learning (ML)<\/h3>\n\n\n\n

Finalement, l’analyse des donn\u00e9es a \u00e9t\u00e9 effectu\u00e9e en appliquant des techniques de machine learning <\/strong>telles que la for\u00eat al\u00e9atoire, les machines \u00e0 vecteurs de support avec noyau lin\u00e9aire et la r\u00e9gression logistique.<\/p>\n\n\n\n

L’entra\u00eenement, la validation et les tests ont \u00e9t\u00e9 r\u00e9alis\u00e9s en utilisant une validation crois\u00e9e stratifi\u00e9e avec 5 it\u00e9rations.<\/p>\n\n\n\n

La s\u00e9lection des caract\u00e9ristiques a \u00e9t\u00e9 r\u00e9alis\u00e9e au sein des \u00e9chantillons d’entra\u00eenement \u00e0 l’aide d’une m\u00e9thode de seuil de variance, et la g\u00e9n\u00e9ralisation de la performance du mod\u00e8le a \u00e9t\u00e9 \u00e9valu\u00e9e sur les \u00e9chantillons de test.<\/p>\n\n\n\n

Pour v\u00e9rifier la performance du mod\u00e8le, des m\u00e9triques classiques telles que l’aire sous la courbe ROC, la sensibilit\u00e9 et la sp\u00e9cificit\u00e9 ont \u00e9t\u00e9 utilis\u00e9es.<\/p>\n\n\n\n

Pour plus de d\u00e9tails sur la r\u00e9alisation de cette \u00e9tude, il est recommand\u00e9 de consulter l’article original.<\/p>\n\n\n\n

Quelles sont les principales conclusions de cette \u00e9tude de pr\u00e9diction de la maladie d’Alzheimer avec machine learning ?<\/h2>\n\n\n\n

L’\u00e9tude met en \u00e9vidence le potentiel des techniques d’apprentissage automatique<\/strong> orient\u00e9es par les donn\u00e9es comme un outil prometteur pour pr\u00e9dire le risque<\/strong> de d\u00e9mence de type Alzheimer.<\/p>\n\n\n\n

Avantage principal de l’\u00e9tude<\/h3>\n\n\n\n

Cette \u00e9tude pr\u00e9sente un avantage consid\u00e9rable par rapport \u00e0 d’autres approches reposant sur des informations obtenues par des tests de neuro-imagerie ou des \u00e9valuations neuropsychologiques, puisqu’elle a \u00e9t\u00e9 r\u00e9alis\u00e9e exclusivement \u00e0 partir de donn\u00e9es administratives.<\/p>\n\n\n\n

Alors que d’autres \u00e9tudes se concentrent sur des populations d\u00e9j\u00e0 dans une situation de risque clinique r\u00e9el ou ayant suffisamment d’inqui\u00e9tudes pour consulter un professionnel de sant\u00e9, cette approche exploite la disponibilit\u00e9 des donn\u00e9es administratives pour identifier les risques sans n\u00e9cessiter d’\u00e9valuations cliniques pr\u00e9alables.<\/strong><\/p>\n\n\n\n

<\/td>AD certain<\/td>AD probable<\/td>Non-AD<\/td><\/tr>
Nombre de cas<\/td>614<\/td>2026<\/td>38.710<\/td><\/tr>
\u00c2ge moyen<\/td>80.7<\/td>79.2<\/td>74.5<\/td><\/tr>
Sexe (Homme, Femme)<\/td>229, 285<\/td>733, 1293<\/td>18.200, 20.510<\/td><\/tr><\/tbody><\/table>
Tableau 1. Donn\u00e9es simplifi\u00e9es sur les caract\u00e9ristiques de l’\u00e9chantillon. Pour des donn\u00e9es plus pr\u00e9cises et un plus grand nombre de caract\u00e9ristiques, voir le tableau 1 de l’article original.<\/figcaption><\/figure>\n\n\n\n

Les tableaux comparatifs entre AD certain et Non-AD, ainsi que AD probable et Non-AD sont pr\u00e9sent\u00e9s ci-dessous pour les ann\u00e9es de pr\u00e9diction 0 et 4, avec tous les classificateurs utilis\u00e9s dans l’\u00e9tude.<\/p>\n\n\n\n

Ann\u00e9es de pr\u00e9diction<\/td>Classificateur<\/td>M\u00e9triques<\/td><\/td><\/td><\/td><\/tr>
<\/td><\/td>Pr\u00e9cision<\/td>AUC<\/td>Sensibilit\u00e9<\/td>Sp\u00e9cificit\u00e9<\/td><\/tr>
0 ans<\/td>
R\u00e9gression logistique<\/td>		0.76<\/td>0.794<\/td>0.726<\/td>0.793<\/td><\/tr>
<\/td>Support Vector Machine<\/td>0.763<\/td>0.817<\/td>0.795<\/td>0.811<\/td><\/tr>
<\/td>Random Forest<\/td>0.823<\/td>0.898<\/td>0.509<\/td>0.852<\/td><\/tr>
4 ans<\/td>R\u00e9gression logistique<\/td>0.627<\/td>0.661<\/td>0.509<\/td>0.745<\/td><\/tr>
<\/td>Support Vector Machine<\/td>0.646<\/td>0.685<\/td>0.538<\/td>0.754<\/td><\/tr>
<\/td>Random Forest<\/td>0.663<\/td>0.725<\/td>0.621<\/td>0.705<\/td><\/tr><\/tbody><\/table>
AD certain ou non AD.<\/figcaption><\/figure>\n\n\n\n
Ann\u00e9es de pr\u00e9diction<\/td>Classificateur<\/td>M\u00e9triques<\/td><\/td><\/td><\/td><\/tr>
<\/td><\/td>Pr\u00e9cision<\/td>AUC<\/td>Sensibilit\u00e9<\/td>Sp\u00e9cificit\u00e9<\/td><\/tr>
0 ans<\/td>
R\u00e9gression logistique<\/td>		0.763<\/td>0.783<\/td>0.689<\/td>0.783<\/td><\/tr>
<\/td>Support Vector Machine<\/td>0.734<\/td>0.794<\/td>0.652<\/td>0.816<\/td><\/tr>
<\/td>Random Forest<\/td>0.788<\/td>0.850<\/td>0.723<\/td>0.853<\/td><\/tr>
4 ans<\/td>R\u00e9gression logistique<\/td>0.611<\/td>0.644<\/td>0.516<\/td>0.707<\/td><\/tr>
<\/td>Support Vector Machine<\/td>0.601<\/td>0.641<\/td>0.465<\/td>0.738<\/td><\/tr>
<\/td>Random Forest<\/td>0.641<\/td>0.683<\/td>0.603<\/td>0.679<\/td><\/tr><\/tbody><\/table>
AD probable ou non AD.<\/figcaption><\/figure>\n\n\n\n

Les tableaux pr\u00e9sent\u00e9s ici sont des simplifications des tableaux de l’article original, limitant les ann\u00e9es de pr\u00e9diction \u00e0 deux (0 et 4 ans).<\/p>\n\n\n\n

Conclusions pour la pr\u00e9diction<\/h3>\n\n\n\n

Un autre point marquant de l’article concerne les caract\u00e9ristiques importantes d\u00e9couvertes pour la pr\u00e9diction. Celles-ci sont d\u00e9crites comme \u00e9tant li\u00e9es positivement ou n\u00e9gativement \u00e0 l’incidence de la maladie d’Alzheimer. Certaines des caract\u00e9ristiques associ\u00e9es positivement<\/strong> au d\u00e9veloppement de la maladie incluent l’\u00e2ge, la pr\u00e9sence de prot\u00e9ines dans les urines et la prescription de zot\u00e9pine (un antipsychotique).<\/p>\n\n\n\n

En revanche, des caract\u00e9ristiques li\u00e9es n\u00e9gativement <\/strong>\u00e0 l’incidence de la maladie ont \u00e9galement \u00e9t\u00e9 identifi\u00e9es, comme la diminution de l’h\u00e9moglobine, la prescription de citrate de nicametate (un vasodilatateur), les troubles d\u00e9g\u00e9n\u00e9ratifs du syst\u00e8me nerveux et les troubles de l’oreille externe.<\/p>\n\n\n\n

De plus, le mod\u00e8le de pr\u00e9diction a \u00e9t\u00e9 test\u00e9 en n’utilisant que les 20 caract\u00e9ristiques les plus importantes, et il a \u00e9t\u00e9 constat\u00e9 que la pr\u00e9cision pour les ann\u00e9es 0 et 1 \u00e9tait tr\u00e8s similaire \u00e0 celle du mod\u00e8le original.<\/p>\n\n\n\n

La d\u00e9tection bas\u00e9e sur des donn\u00e9es administratives de sant\u00e9 est-elle possible ?<\/h3>\n\n\n\n

Ainsi, la conclusion de l’\u00e9tude est qu’il est possible de d\u00e9tecter les individus pr\u00e9sentant un risque de maladie d’Alzheimer en se basant uniquement sur des donn\u00e9es administratives de sant\u00e9<\/strong>. Cependant, les auteurs laissent ouverte la possibilit\u00e9 que des \u00e9tudes futures men\u00e9es dans diff\u00e9rents pays et syst\u00e8mes de sant\u00e9 puissent corroborer ces r\u00e9sultats. La r\u00e9plication de cette m\u00e9thode pourrait permettre une d\u00e9tection plus pr\u00e9coce et plus pr\u00e9cise des personnes \u00e0 risque.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Abonnez-vous<\/strong>
\u00e0 notre
Newsletter<\/h2>\n\n\n\n
\n
Abonnez-vous<\/a><\/div>\n\n<\/div>\n\n\n\n
<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n
<\/div>\n\n\n\n

Comment NeuronUP pourrait-elle contribuer \u00e0 une \u00e9tude comme celle-ci ?<\/h2>\n\n\n\n

NeuronUP poss\u00e8de de l’exp\u00e9rience dans le domaine scientifique dans deux domaines principaux :<\/p>\n\n\n\n

    \n
  1. Fournir un soutien aux groupes de recherche int\u00e9ress\u00e9s par la technologie,<\/li>\n\n\n\n
  2. R\u00e9aliser ses propres travaux pour publication dans des revues scientifiques de haut impact.<\/li>\n<\/ol>\n\n\n\n

    En particulier, pour des \u00e9tudes pr\u00e9sentant des caract\u00e9ristiques similaires \u00e0 celles de l’article, nous pensons qu’ayant acc\u00e8s \u00e0 de grands ensembles de donn\u00e9es comme ceux d\u00e9crits, NeuronUP dispose de l’\u00e9quipe et des comp\u00e9tences n\u00e9cessaires pour :<\/p>\n\n\n\n