Création, puis validation, de deux outils d’estimation du risque cardiovasculaire et rénal des patients insuffisants rénaux à l’aide de modèles issus de l’intelligence artificielle

1. Contexte

En 2019, l’insuffisance rénale chronique (IRC) est la 10e cause de décès dans le monde. Les maladies cardiovasculaires (CV) sont la principale cause de décès chez les patients atteints d’IRC. Les scores de risque cardiovasculaire développés en population générale tels que Framingham, PROCAM 2007, QRisk-3 ou SCORE ne sont pas adaptés pour prédire le risque CV chez les insuffisants rénaux. Un score de risque (KFRE) qui prédit le risque de progression vers l’insuffisance rénale terminale (IRT) à 2 à 5 ans ne prend pas compte de certains facteurs importants. Par conséquent, il doit être amélioré.

2. Objectifs

Le projet de recherche a pour buts, chez les patients insuffisants rénaux chroniques (eDFG<60/ml/min/1.73m², stades 3-4 et 5), de développer 2 outils pour prédire à 2 et 5 ans :

 La survie et la survenue de complications CV,

 L’évolution vers l’IRCT.

3. Méthodologie

L’originalité du projet repose sur l’utilisation de techniques issues du «Machine Learning» pour développer les outils de prédiction clinique. La qualité de la base de données d’apprentissage est essentielle pour la création d’un modèle prédictif. Les bases de données qui seront utilisées sont les bases de données nationales, régionales et internationales: « ALICE-PROTECT », « Photo-graphe 3 », base de données extraite du système d’information EASILY des Hospices Civils de Lyon, base de données d'études internationales d'entreprises pharmaceutiques. Une trentaine de variables démographiques, biologiques descriptives et d’intérêt néphrologique, thérapeutiques) seront analysées.

Différents modèles Bayesian network, deep learning, logistic regression, neural network, random forest and XGBoost seront utilisés pour créer les outils de prédiction. L’outil qui aura les meilleures performances lors de sa validation interne (validation croisée 10 fois) en termes d’AUC sous la courbe ROC, sensibilité, spécificité, valeurs prédictives positive (VPP) et négative (VPN) sera sélectionné pour optimiser puis sera validé dans différentes populations externes.

Pour optimiser l'outil choisi, dans un premier temps, les variables les plus informatives concernant le risque cardiovasculaire, rénal et de mortalité sans compromettre la performance de l'outil de prédiction seront sélectionnées. Deuxièmement, une population synthétique sera créée à l'aide d'une technique d'imputation bayésienne.

La validation externe sera réalisée en utilisant des bases de données régionales (l’AURA Alsace), nationales (CKD – REIN) et internationales (des études pharmaceutiques internationales). D’autres demandes d’accès à des bases internationales prospectives seront effectuées.

Enfin, après validation, l’intégration des bases de données ayant servi à la validation, exceptée CKD-REIN, seront intégrées aux bases de données initiales, les outils issus de l’intelligence artificielle ayant les capacités d’auto-apprentissage. Ainsi, les performances de l’outil de prédiction seront améliorées.

4. Perspective

Ce projet fournira deux outils de prédiction clinique pouvant être intégrés à la pratique clinique pour aider le clinicien à adapter la prise en charge des patients insuffisants rénaux afin d'améliorer les résultats cliniques et de réduire les coûts de santé.