Essentiel

 L'IA nous fera accéder à une médecine de précision, il s'agit d'une médecine augmentée ; mais il faudra aussi régler le problème majeur de l'IA actuellement , son empreinte carbone…

Un projet franco-européen managé par Francis Couturaud  est en marche, projet MORPHEUS.

Sur la base d’approches quantitatives et qualitatives, le projet MORPHEUS va combiner pour la première fois des biomarqueurs cliniques, biologiques et morphologiques (médecine de précision) et des marqueurs socio-anthropologiques (médecine personnalisée) dans un outil de prédiction de risque intégré à une processus de décision médicale partagée afin d’aider à la décision thérapeutique (durée et modalités de traitement). L’objectif est ainsi de valider un outil temps-dépendant, multi-niveau intégré à un processus de décision médicale partagée pour optimiser le traitement prolonge de la MTEV non provoquée. Il s’agit d’un projet innovant de rupture aux interfaces entre les disciplines cliniques et scientifiques susceptible d’avoir des implications scientifiques, de santé publique, économiques et sociétales majeures.

Innovation mondiale : l’espoir d’un outil prédictif pour les thromboses sans cause identifiable (MORPHEUS) 

https://www.fcrin.org/espace-media/communiques-de-presse/innovation-mondiale-lespoir-dun-outil-predictif-pour-les

Voici un article intéressant sur l'IA et la prédiction de la MTEV.

Apprentissage automatique dans la prédiction de la thromboembolie veineuse : revue systématique et méta-analyse

Principales conclusions

L'objectif principal de cette revue systématique était d'évaluer la performance des modèles d'apprentissage automatique (ML) pour la prédiction de la MTEV. La sensibilité, la spécificité et l'indice C combinés étaient respectivement de 0,79 (IC à 95 % : 0,78-0,80), 0,82 (IC à 95 % : 0,81-0,82) et 0,84 (IC à 95 % : 0,80-0,88), démontrant une performance prédictive robuste lors de la validation interne. De plus, toutes les études incluses ont été publiées au cours des six dernières années, dont 66 % (18/27) au cours des deux dernières années, ce qui indique que l'apprentissage automatique restera un axe de recherche majeur dans un avenir proche.

Les échelles de score traditionnelles reposent généralement sur l'expérience clinique des médecins et les analyses de laboratoire de routine, qui présentent certaines limites subjectives. L'apprentissage automatique (AA) transforme les problèmes cliniques concrets en problèmes mathématiques par simulation informatique, classe et traite les données massives, et identifie les populations à haut risque. Des études antérieures ont démontré la supériorité de l'AA sur les modèles statistiques traditionnels pour traiter grands ensembles de données comportant de nombreuses caractéristiques. Parmi les études incluses, 12 (44 %) portaient sur des échantillons de plus de 1 000 participants, et 5 (19 %) sur des seuils de plus de 10 000 participants. Ainsi, différents types de données, comme les indicateurs de laboratoire et les données métabolomiques, peuvent être intégrés grâce à des algorithmes d'AA afin d'améliorer la précision de la prédiction et du diagnostic de la thromboembolie veineuse (TEV). Ces études à grande échelle ont validé l'évolutivité et la robustesse supérieures des algorithmes d'AA pour le traitement d'ensembles de données cliniques multidimensionnels.

Sélection des prédicteurs et applicabilité clinique

En pratique clinique, la sélection des prédicteurs est cruciale pour la performance et l'interprétation des modèles. Notre étude a recensé les prédicteurs les plus fréquents. L'âge était le prédicteur le plus fréquemment rapporté, suggérant qu'un âge avancé constitue un facteur de risque élevé de MTEV. Les principaux prédicteurs biologiques, notamment les D-dimères, le temps de prothrombine, le fibrinogène et le temps de céphaline activée, sont essentiels à l'évaluation des anomalies de la coagulation. Il est intéressant de noter que des prédicteurs non biologiques, tels que la chimiothérapie, la mobilité réduite et un cancer actif, ont également été rapportés, reflétant la nature multifactorielle du risque de MTEV. Ces résultats concordent avec la littérature existante qui intègre les données biologiques et cliniques pour une stratification complète du risque de MTEV. La diversité de ces facteurs témoigne de la complexité du diagnostic de MTEV, nécessitant une évaluation approfondie adaptée au profil de chaque patient.

Le signalement des facteurs de risque élevés était hétérogène d'une étude à l'autre, ce qui semble principalement dû aux différences géographiques et ethniques des populations étudiées. Ces différences peuvent influencer les profils de risque, les prédispositions génétiques et l'exposition environnementale variant selon les régions. De plus, l'hétérogénéité des définitions de la mobilité réduite d'une étude à l'autre peut conduire à une identification incohérente de son association avec le risque de MTEV, masquant potentiellement sa véritable signification clinique en tant que facteur prédictif. Notamment, des facteurs prédictifs moins fréquemment cités (thrombophilie, insuffisance cardiaque ou respiratoire et marqueurs inflammatoires) n'ont été observés que dans des études isolées, suggérant que leurs associations pourraient être spécifiques à certaines populations ou nécessiter une validation plus poussée dans des études de plus grande envergure avec des ensembles de données plus robustes. Les études futures devraient privilégier le signalement standardisé des facteurs de risque et valider leur utilité prédictive au sein de populations diverses afin d'affiner les modèles de prédiction.

Au cours des dernières années, plusieurs études ont tenté de prédire la MTEV à l'aide des technologies génomiques. He et al. [36 ] ont réalisé une étude d'association pangénomique de la MTEV parmi 14 723 cas et 334 315 témoins et ont constaté que la protéine C, la protéine pS1, le membre 1 de la famille des serpins C, le récepteur de la protéine C, le facteur V de coagulation, la kallicréine B1, la chaîne alpha du fibrinogène, la stabiline 2, le facteur de von Willebrand, le facteur d'épissage riche en sérine/arginine 6, la phosphohistidine phosphatase 1, la cinguline et la protéine kinase activée par les mitogènes 2 étaient associés au risque de MTEV. Une autre méta-analyse a montré que les variants G20210A (c.*97G>A) dans F2 et p.R534Q dans F5 étaient liés au risque de MTEV [37 ]. Bien que la technologie génomique ait démontré une certaine valeur et une certaine importance dans la prédiction de la MTEV, compte tenu de son coût élevé, de sa complexité et de la difficulté d'analyse et d'interprétation des données génomiques, son application clinique à la prédiction de la MTEV reste limitée. Des recherches supplémentaires sont nécessaires pour valider la valeur prédictive de ces facteurs, notamment dans les populations à haut risque, et pour explorer leurs interactions au sein de modèles prédictifs afin d'optimiser la prophylaxie individualisée.

De plus, la thromboélastographie est un important facteur prédictif de la MTEV. Une méta-analyse de Brown et al. [L’étude [38 ] a montré que la valeur d’amplitude maximale était associée au risque de MTEV postopératoire. Cependant, la définition de l’hypercoagulabilité, telle que déterminée par l’amplitude maximale, demeure très variable, ce qui limite sa valeur prédictive et son utilisation. En revanche, les variables cliniques courantes décrites dans ce rapport sont plus applicables et plus pratiques dans la plupart des contextes cliniques actuels, tout en contribuant à réduire le fardeau économique et le temps consacré à la prise en charge des patients atteints de MTEV.

Limites et orientations futures

Cependant, les modèles d'apprentissage automatique présentent certaines limites. Leur utilité clinique actuelle est restreinte par le risque élevé de biais, l'hétérogénéité et le manque de validation externe des études sous-jacentes. Par conséquent, ces résultats doivent être interprétés avec prudence.

Bien que les résultats aient indiqué une performance prédictive favorable, le risque élevé de biais identifié dans 18 (67 %) des 27 études utilisant l'évaluation PROBAST a considérablement limité l'applicabilité clinique et la généralisation de ces modèles. Trois principaux types de biais expliquent ces limitations. Premièrement, concernant la conception des études, seules 2 (7 %) des 27 études incluses étaient prospectives. Cette forte dépendance aux données rétrospectives accroît la susceptibilité aux biais de sélection et aux facteurs de confusion non mesurés. Cette lacune méthodologique souligne la nécessité de mener des études prospectives bien conçues afin de réduire l'hétérogénéité dans les recherches futures. Deuxièmement, les méthodes de traitement des données manquantes ont introduit des biais potentiels. Parmi les études incluses, 8 (30 %) ont rapporté des données complètes sans valeurs manquantes, évitant ainsi les biais potentiels. Cependant, 3 (11 %) études ont exclu les enregistrements comportant des valeurs manquantes, introduisant ainsi un biais de sélection. Cinq autres (19 %) études ont utilisé une imputation simple, telle que la substitution par la moyenne, ce qui fausse les corrélations entre les variables et peut introduire un biais en sous-estimant les erreurs standard. Des méthodes plus robustes ont également été utilisées : une étude (4 %) a appliqué l’imputation par les k plus proches voisins afin de préserver les relations locales, et une autre a eu recours à la régression ridge bayésienne pour tenir compte de l’incertitude. De plus, deux études (7 %) ont utilisé l’imputation par forêt aléatoire pour les modèles non linéaires, et deux autres (7 %) ont mis en œuvre des imputations multiples pour capturer la variabilité. Les recherches futures devraient privilégier la transparence des rapports et les méthodes avancées, telles que l’imputation multiple, afin de minimiser les biais. Troisièmement, seules quatre études (15 %) sur les 27 incluses ont effectué une validation externe, ce qui a pu limiter la généralisation des modèles de prédiction à des populations plus larges. Ce manque de validation externe soulève des inquiétudes quant à un potentiel surapprentissage et pourrait surestimer les performances du modèle lorsqu’il est appliqué en situation clinique réelle. Pour atténuer ce problème, les recherches futures devraient privilégier les collaborations multicentriques afin d’établir des cohortes de validation diversifiées reflétant l’hétérogénéité clinique réelle.

L'interprétation de nos résultats est limitée par l'hétérogénéité significative des études incluses, due à de multiples aspects. Premièrement, ces études ont utilisé divers modèles d'apprentissage automatique, chacun avec des mécanismes opérationnels distincts. La méthode des forêts aléatoires utilise l'apprentissage d'ensemble, agrégeant les prédictions de plusieurs arbres de décision par le biais du bagging et d'une sélection aléatoire de caractéristiques, améliorant ainsi la précision grâce au vote majoritaire. En revanche, les machines à vecteurs de support optimisent la classification à l'aide de fonctions noyau et présentent de solides performances sur des ensembles de données de taille moyenne. Ces différences méthodologiques peuvent contribuer à l'hétérogénéité des performances et de la généralisation des modèles. Deuxièmement, cette étude a inclus des populations diverses, telles que des patients hospitalisés en médecine interne, des patients atteints de cancer, des groupes postopératoires (par exemple, des patients ayant subi une arthroplastie ou une chirurgie rachidienne) et des individus présentant des pathologies spécifiques (par exemple, un AVC ou un traumatisme). L'hétérogénéité observée provient probablement des variations des contextes cliniques et des profils de risque initiaux entre les patients. Par exemple, les patients hospitalisés pour une maladie médicale et les patients opérés diffèrent considérablement en termes de risque thrombotique et de comorbidités, ce qui peut contribuer aux différences de performances des modèles. Troisièmement, l'hétérogénéité de nos résultats pourrait être partiellement attribuée aux variations des critères d'évaluation de la MTEV (maladie thromboembolique veineuse) ciblés entre les études, notamment l'EP (embolie pulmonaire), la TVP (thrombose veineuse profonde) et la MTEV associée à un cathéter central inséré par voie périphérique. Ces manifestations thrombotiques diffèrent considérablement par leur physiopathologie et leurs critères diagnostiques. Quatrièmement, l'hétérogénéité observée entre les études pourrait être attribuée aux différentes stratégies utilisées pour le partitionnement des ensembles de données. Bien que 16 (59 %) des 27 études aient utilisé des partitions conventionnelles (un ratio de 70:30 ou 80:20 pour l'entraînement et les tests), nous avons constaté différentes approches, notamment un ratio déséquilibré de 30:70 pour l'entraînement et les tests, ainsi que la mise en œuvre de plans à triple partitionnement avec des ensembles de validation dédiés. Cette variation méthodologique souligne la nécessité d'une standardisation du partitionnement des données afin de garantir une comparaison équitable. Enfin, le graphique en entonnoir de Deeks a indiqué une hétérogénéité potentielle : les études de plus petite taille (taille d'échantillon effective < 200) présentaient une plus grande dispersion et un biais possible, tandis que les études de plus grande taille (taille d'échantillon effective > 400) se regroupaient plus étroitement autour de l'effet moyen. Cette asymétrie suggère que la variabilité observée dans les études de plus petite envergure peut influencer de manière disproportionnée les résultats globaux. Par conséquent, les études futures devraient être prospectives, porter sur des échantillons plus importants, respecter des protocoles de publication standardisés et garantir une transparence totale quant à la méthodologie employée, afin d'améliorer la généralisation des modèles prédictifs de la MTEV.

Questions éthiques

Bien que notre analyse indique que les modèles d'apprentissage automatique peuvent atteindre une précision relativement satisfaisante pour la prédiction de la MTEV, plusieurs problèmes éthiques inhérents à l'apprentissage automatique en médecine doivent être pris en compte, notamment les biais dans les données, le manque de transparence, le phénomène de la boîte noire, les problèmes liés à la confidentialité des données et la responsabilité de la prise de décision [39 ]. Les biais algorithmiques de l'apprentissage automatique constituent une menace importante pour l'équité en santé. Comme les modèles apprennent à partir de données générées par l'homme, qui contiennent souvent des biais inhérents, ces biais sont inévitables [40 ]. S’ils sont entraînés sur des ensembles de données non représentatifs, ces modèles risquent de perpétuer, voire d’amplifier, les biais existants, ce qui compromet les performances prédictives et conduit à des résultats injustes pour les populations de patients sous-représentées. Par conséquent, les développements futurs doivent privilégier l’utilisation d’ensembles de données multicentriques diversifiés et recourir à des audits d’équité rigoureux pour identifier et atténuer ces biais. La prise de décision autonome par les cliniciens et les patients nécessite une compréhension du processus. La nature opaque (ou « cerveau ») de nombreux modèles d’apprentissage automatique complexes compromet cette autonomie.41 ]. Le manque de transparence et d'explications intuitives concernant les prédictions complique la validation clinique et entrave la détection des erreurs et des biais des modèles. De plus, l'élaboration de ces modèles repose sur d'importants volumes de données sensibles. Une protection insuffisante des données expose ces dernières à des risques d'atteinte à la vie privée, pouvant entraîner des préjudices psychologiques, sociaux et économiques.

Afin d'analyser de manière exhaustive les considérations éthiques liées au déploiement de l'apprentissage automatique dans la prédiction de la MTEV, nous avons structuré notre discussion en utilisant le cadre largement accepté de l'éthique biomédicale [42 ], qui inclut le respect de l'autonomie, de la bienfaisance, de la non-malfaisance et de la justice. Premièrement, le principe de justice exige un audit proactif des biais algorithmiques afin de garantir une performance équitable du modèle pour tous les groupes démographiques, prévenant ainsi l'exacerbation des inégalités en matière de soins de santé. Deuxièmement, la bienfaisance et la non-malfaisance imposent que les modèles soient non seulement précis, mais aussi transparents. Par conséquent, l'intégration de techniques d'intelligence artificielle explicables, telles que les explications additives de Shapley, est cruciale pour démystifier la nature opaque des modèles complexes. Cela améliore la transparence et permet aux cliniciens de comprendre et de faire confiance aux résultats de prédiction de la MTEV. Cependant, notre revue a révélé que seulement 6 (22 %) des 27 études ont utilisé la technique des explications additives de Shapley pour interpréter les prédictions de leur modèle. Cette rareté souligne une limitation importante de l'interprétabilité des modèles dans la littérature existante (

(Annexe multimédia 5 ), ​​soulignant l'impératif pour les recherches futures de privilégier l'intégration de modèles de prédiction explicables. Enfin, étant donné que ces systèmes reposent sur d'importants volumes de données sensibles de patients, leur dépendance à ces volumes de données exige des protocoles de protection de la vie privée robustes.

Conclusions

L'utilisation de modèles d'apprentissage automatique pour la prédiction de la MTEV est en hausse et pourrait potentiellement améliorer les modèles existants. En conclusion, l'apprentissage automatique présente une performance prédictive favorable pour le risque de thrombose veineuse et peut être utilisé comme outil potentiel pour l'identification précoce de ce risque. Cependant, le développement de modèles d'apprentissage automatique dans les domaines connexes reste limité par le manque de validation externe et un risque élevé de biais, ce qui restreint leur application pratique en clinique. Les recherches futures devraient privilégier le développement de modèles de prédiction avec des échantillons plus importants, des protocoles de recherche rigoureux, une validation externe et des rapports scientifiques afin d'améliorer les capacités d'application clinique de ces modèles.

Voici une synthèse exhaustive sous forme de tableaux, intégrant l'ensemble des données de la littérature.

Tableau 1 — Facteurs de risque acquis et environnementaux (classés par mécanisme physiopathologique)

Tableau 2 — Thrombophilies héréditaires

Tableau 3 — Thrombophilies acquises