{"id":33956,"date":"2024-10-31T09:09:00","date_gmt":"2024-10-31T07:09:00","guid":{"rendered":"https:\/\/neuronup.com\/?p=33956"},"modified":"2024-10-31T09:09:00","modified_gmt":"2024-10-31T07:09:00","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\/investigation\/lignes-de-recherche\/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 utilisant des donn\u00e9es sanitaires administratives \u00e0 grande \u00e9chelle"},"content":{"rendered":"\n

Dans cet article, Antonio Javier Sutil Jim\u00e9nez parle de l’\u00e9tude \u00abPr\u00e9diction de l’incidence de la maladie d’alzheimer par apprentissage automatique en utilisant des donn\u00e9es sanitaires administratives \u00e0 grande \u00e9chelle\u00bb<\/em>. <\/p>\n\n\n\n

Pourquoi l’\u00e9tude de pr\u00e9diction de la maladie d’alzheimer par apprentissage automatique est-elle importante ?<\/h2>\n\n\n\n

Les progr\u00e8s technologiques peuvent parfois apporter des solutions inattendues \u00e0 des probl\u00e8mes m\u00e9dicaux. Un exemple en est l’utilisation de donn\u00e9es sanitaires administratives pour cr\u00e9er des mod\u00e8les pr\u00e9dictifs du risque de d\u00e9velopper la maladie d’alzheimer<\/a>. <\/p>\n\n\n\n

La grande nouveaut\u00e9 du travail de Park et collaborateurs a \u00e9t\u00e9 l’exploitation de cette quantit\u00e9 massive de donn\u00e9es qui, comme le d\u00e9crivent les chercheurs, sont encore dans de nombreux cas sous-exploit\u00e9es. Par cons\u00e9quent, la num\u00e9risation des dossiers cliniques est devenue une ressource de grande valeur pour r\u00e9duire les efforts et le co\u00fbt de la collecte de donn\u00e9es<\/strong>. <\/p>\n\n\n\n

Malgr\u00e9 cela, son application \u00e0 des maladies comme l’alzheimer avait \u00e9t\u00e9 limit\u00e9e. En partie, cela a \u00e9t\u00e9 r\u00e9solu gr\u00e2ce \u00e0 l’augmentation de la capacit\u00e9 de calcul<\/strong>, ce qui permet d’appliquer des techniques d’apprentissage automatique \u00e0 l’analyse des donn\u00e9es et de cr\u00e9er des mod\u00e8les pr\u00e9dictifs repr\u00e9sentatifs de la population, en disposant d’\u00e9chantillons suffisamment grands.<\/p>\n\n\n\n

Pr\u00e9misse de l’\u00e9tude<\/h3>\n\n\n\n

Pour la r\u00e9alisation de l’\u00e9tude, on part de la pr\u00e9misse que l’utilisation de donn\u00e9es d’individus \u00e0 risque de d\u00e9velopper la maladie d’alzheimer permettra une meilleure d\u00e9tection pr\u00e9coce<\/a> des cas au stade pr\u00e9clinique<\/strong> et, par cons\u00e9quent, d’am\u00e9liorer 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 Cor\u00e9e, qui contenait plus de 40.000 dossiers de sant\u00e9 de personnes de plus de 65 ans<\/strong>, avec une grande quantit\u00e9 d’informations telles que l’historique personnel, les ant\u00e9c\u00e9dents familiaux, les donn\u00e9es sociod\u00e9mographiques, les diagnostics, la m\u00e9dication, etc.<\/p>\n\n\n\n

Qu’a-t-on fait ?<\/h2>\n\n\n\n

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

Pour mener l’\u00e9tude, une cohorte du NHIS-NSC<\/strong> (The National Health Insurance Service\u2013National Sample Cohort) de Cor\u00e9e du Sud a \u00e9t\u00e9 utilis\u00e9e, incluant plus d’un million de participants, et suivie pendant onze ans (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, les niveaux de revenus bas\u00e9s sur le salaire mensuel, les codes de maladies et de m\u00e9dicaments, les valeurs de laboratoire, les profils de sant\u00e9 et l’historique des maladies personnelles et familiales. De cet \u00e9chantillon, 40.736 adultes 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

Ensuite, une d\u00e9finition op\u00e9rationnelle de la maladie d’alzheimer a \u00e9t\u00e9 cr\u00e9\u00e9e, bas\u00e9e sur l’algorithme d’une \u00e9tude canadienne ant\u00e9rieure. <\/p>\n\n\n\n

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

Pour am\u00e9liorer la pr\u00e9cision de la d\u00e9tection de la maladie, les \u00e9tiquettes \u00abdefinite AD\u00bb ont \u00e9t\u00e9 utilis\u00e9es pour les cas pour lesquels on avait un degr\u00e9 \u00e9lev\u00e9 de certitude, et \u00abprobable AD\u00bb pour les cas confirm\u00e9s uniquement au moyen des codes de la CIE-10 (acr\u00f3nimo de la Clasificaci\u00f3n Internacional de Enfermedades), afin de minimiser les faux n\u00e9gatifs. Avec ces \u00e9tiquettes, une pr\u00e9valence de la maladie d’Alzheimer de 1.5% pour \u00abdefinite AD\u00bb et de 4.9% pour \u00abprobable AD\u00bb a \u00e9t\u00e9 obtenue.<\/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, en plus de 21 variables provenant de la base de donn\u00e9es NHIS-NSC, incluant des profils de sant\u00e9 et l’historique des maladies familiales, ainsi que plus de 6.000 variables d\u00e9riv\u00e9es des codes CIE-10 et des m\u00e9dicaments. <\/p>\n\n\n\n

Une fois les caract\u00e9ristiques d\u00e9crites, celles-ci ont \u00e9t\u00e9 align\u00e9es en se centrant sur l’incidence du diagnostic pour chaque individu<\/strong>, selon les codes CIE-10 et les codes de m\u00e9dicaments. Cela a permis d’\u00e9liminer les maladies rares et les codes de m\u00e9dication avec une faible fr\u00e9quence d’apparition. De plus, les individus n’ayant pas de nouvelles donn\u00e9es de sant\u00e9 au cours des deux derni\u00e8res ann\u00e9es ont \u00e9t\u00e9 exclus. L’ensemble final de variables utilis\u00e9es dans les mod\u00e8les comprenait 4.894 caract\u00e9ristiques uniques.<\/p>\n\n\n\n

Pour r\u00e9aliser les pr\u00e9dictions \u00e0 \u00ab\u00a0n\u00a0\u00bb ann\u00e9es dans le groupe atteint de la maladie d’alzheimer, des fen\u00eatres temporelles comprises entre 2002 et l’ann\u00e9e d’incidence ont \u00e9t\u00e9 utilis\u00e9es. Dans le groupe non atteint de la maladie, les donn\u00e9es ont \u00e9t\u00e9 prises de 2002 jusqu’\u00e0 2010-n. <\/p>\n\n\n\n

Enfin, avant d’impl\u00e9menter le 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 ensemble de donn\u00e9es \u00e9quilibr\u00e9 et \u00e9chantillonn\u00e9 al\u00e9atoirement, et un ensemble de donn\u00e9es non \u00e9quilibr\u00e9.<\/p>\n\n\n\n

Application de techniques d’apprentissage automatique (ML)<\/h3>\n\n\n\n

Finalement, une analyse des donn\u00e9es en impl\u00e9mentant des techniques d’apprentissage automatique<\/strong> telles que random forest, support vector machine avec noyau lin\u00e9aire et r\u00e9gression logistique a \u00e9t\u00e9 r\u00e9alis\u00e9e. <\/p>\n\n\n\n

L’entra\u00eenement, la validation et les tests ont \u00e9t\u00e9 effectu\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 en utilisant 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 habituelles ont \u00e9t\u00e9 utilis\u00e9es, comme l’aire sous la courbe ROC, la sensibilit\u00e9 et la sp\u00e9cificit\u00e9.<\/p>\n\n\n\n

Pour plus de d\u00e9tails sur la mani\u00e8re dont cette \u00e9tude a \u00e9t\u00e9 r\u00e9alis\u00e9e, il est recommand\u00e9 de consulter l’article original.<\/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

Quelles sont les principales conclusions de cette \u00e9tude de pr\u00e9diction de la maladie d’Alzheimer par apprentissage automatique ?<\/h2>\n\n\n\n

Le travail met en avant le potentiel des techniques d’apprentissage automatique<\/strong> guid\u00e9es par les donn\u00e9es comme un outil prometteur<\/strong> pour pr\u00e9dire le risque<\/strong> de d\u00e9mence de type alzheimer. <\/p>\n\n\n\n

Principal avantage de l’\u00e9tude<\/h3>\n\n\n\n

Cette \u00e9tude pr\u00e9sente un grand avantage par rapport \u00e0 d’autres approches bas\u00e9es sur des informations obtenues \u00e0 partir d’\u00e9preuves de neuroimagerie ou d’\u00e9valuations neuropsychologiques, puisqu’elle a \u00e9t\u00e9 r\u00e9alis\u00e9e en utilisant exclusivement des donn\u00e9es administratives. <\/p>\n\n\n\n

Tandis que d’autres \u00e9tudes se concentrent sur des populations d\u00e9j\u00e0 en situation de risque clinique r\u00e9el ou ayant suffisamment d’inqui\u00e9tude pour consulter un professionnel de sant\u00e9, cette approche tire parti de 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

<\/div>\n\n\n\n
<\/td>Definite AD<\/td>Probable AD<\/td>Non-AD<\/td><\/tr>
N\u00ba<\/td>614<\/td>2026<\/td>38.710<\/td><\/tr>
Edad<\/td>80.7<\/td>79.2<\/td>74.5<\/td><\/tr>
Sexo (hombre, mujer)<\/td>229, 285<\/td>733, 1293<\/td>18.200, 20.510<\/td><\/tr><\/tbody><\/table>
Tableau1. Donn\u00e9es simplifi\u00e9es des caract\u00e9ristiques de l’\u00e9chantillon. Pour une pr\u00e9cision accrue des donn\u00e9es et un plus grand nombre de caract\u00e9ristiques, consulter le tableau 1 de l’article original.<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n

Ci-dessous sont pr\u00e9sent\u00e9s les tableaux comparatifs entre definite AD et non AD, et Probable AD et non AD pour les ann\u00e9es de pr\u00e9diction 0 et 4 avec tous les classificateurs utilis\u00e9s dans l’\u00e9tude.<\/p>\n\n\n\n

<\/div>\n\n\n\n
A\u00f1os de predicci\u00f3n<\/td>Clasificador<\/td>M\u00e9tricas<\/td><\/td><\/td><\/td><\/tr>
<\/td><\/td>Precisi\u00f3n<\/td>AUC<\/td>Sensibilidad<\/td>Especifidad<\/td><\/tr>
0 a\u00f1os<\/td>Regresi\u00f3n log\u00edstica<\/td>0.76<\/td>0.794<\/td>0.726<\/td>0.793<\/td><\/tr>
<\/td>Support Vector Model<\/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 a\u00f1os<\/td>Regresi\u00f3n log\u00edstica<\/td>0.627<\/td>0.661<\/td>0.509<\/td>0.745<\/td><\/tr>
<\/td>Support Vector Model<\/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>
Definite AD vs Non AD.<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n
A\u00f1os de predicci\u00f3n<\/td>Clasificador<\/td>M\u00e9tricas<\/td><\/td><\/td><\/td><\/tr>
<\/td><\/td>Precisi\u00f3n<\/td>AUC<\/td>Sensibilidad<\/td>Especifidad<\/td><\/tr>
0 a\u00f1os<\/td>Regresi\u00f3n log\u00edstica<\/td>0.763<\/td>0.783<\/td>0.689<\/td>0.783<\/td><\/tr>
<\/td>Support Vector Model<\/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 a\u00f1os<\/td>Regresi\u00f3n log\u00edstica<\/td>0.611<\/td>0.644<\/td>0.516<\/td>0.707<\/td><\/tr>
<\/td>Support Vector Model<\/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>
Probable AD vs non AD.<\/figcaption><\/figure>\n\n
<\/div>\n\n\n\n

Les deux tableaux pr\u00e9sent\u00e9s sont des simplifications des tableaux de l’article original. Dans ce cas, le nombre d’ann\u00e9es a \u00e9t\u00e9 r\u00e9duit \u00e0 seulement deux (0 et 4 ans) pour les ann\u00e9es de pr\u00e9diction.<\/p>\n\n\n\n

R\u00e9sultats pour la pr\u00e9diction <\/h3>\n\n\n\n

Un autre point saillant de l’article concerne les caract\u00e9ristiques importantes trouv\u00e9es pour la pr\u00e9diction. Celles-ci sont d\u00e9crites comme li\u00e9es de mani\u00e8re positive ou n\u00e9gative \u00e0 l’incidence de la maladie d’Alzheimer. Certaines des caract\u00e9ristiques li\u00e9es positivement <\/strong>au d\u00e9veloppement de la maladie incluent l’\u00e2ge, la pr\u00e9sence de prot\u00e9ine dans les urines et la prescription de zotepine (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 d\u00e9tect\u00e9es, telles que la diminution de l’h\u00e9moglobine, la prescription de nicametato citrate (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 pr\u00e9dictif a \u00e9t\u00e9 test\u00e9 en n’utilisant que les 20 caract\u00e9ristiques les plus importantes, et il a \u00e9t\u00e9 constat\u00e9 que le mod\u00e8le avait une pr\u00e9cision pour les ann\u00e9es 0 et 1 tr\u00e8s similaire \u00e0 celle de l’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

Par cons\u00e9quent, la conclusion de l’\u00e9tude est que la d\u00e9tection d’individus \u00e0 risque d’Alzheimer en se basant uniquement sur des donn\u00e9es administratives de sant\u00e9 est possible<\/strong>. Cependant, les auteurs laissent ouverte la possibilit\u00e9 que des \u00e9tudes futures dans diff\u00e9rentes nations et syst\u00e8mes de sant\u00e9 puissent corroborer ces r\u00e9sultats. Leur r\u00e9plication serait une \u00e9tape importante permettant 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

Essayez NeuronUP 7 jours gratuitement<\/h2>\n\n\n\n

Vous pourrez travailler avec nos activit\u00e9s, concevoir des s\u00e9ances ou effectuer des r\u00e9habilitations \u00e0 distance<\/p>\n<\/div>\n\n\n\n

\n
\n
Commencez votre essai<\/a><\/div>\n\n<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n
<\/div>\n\n\n\n

O\u00f9 NeuronUP pourrait-elle apporter dans une \u00e9tude comme celle-ci ?<\/h2>\n\n\n\n

NeuronUP<\/a> poss\u00e8de une expertise scientifique dans deux domaines principaux : <\/p>\n\n\n\n

    \n
  1. Apporter un soutien aux groupes de recherche int\u00e9ress\u00e9s par la technologie,<\/li>\n\n\n\n
  2. r\u00e9aliser ses propres travaux pour \u00eatre publi\u00e9s dans des revues \u00e0 fort impact scientifique.<\/li>\n<\/ol>\n\n\n\n

    Plus pr\u00e9cis\u00e9ment, pour des \u00e9tudes pr\u00e9sentant des caract\u00e9ristiques similaires \u00e0 celles examin\u00e9es dans cet article, nous pensons que, disposant d’un acc\u00e8s \u00e0 de grands ensembles de donn\u00e9es comme ceux d\u00e9crits, NeuronUP<\/a> dispose de l’\u00e9quipe et de l’exp\u00e9rience n\u00e9cessaires pour :<\/p>\n\n\n\n