Prédiction des complications après revascularisation des membres inférieurs grâce à l’intelligence artificielle et les données du système national des données de santé

Contexte

En France, les artériopathies oblitérantes des membres inférieurs (AOMI) sont à l’origine de 10 500 années vécues avec une incapacité, 25 % des cas graves ayant recours à une amputation (~500/an). Les AOMI critiques nécessitent une revascularisation par chirurgie ouverte et/ou intervention endovasculaire mais, quel que soit le traitement, des événements indésirables majeurs (e.g. amputation, décès) peuvent survenir pendant les phases opératoires ou post-opératoires. A partir des données du Système National des Données de Santé (SNDS), nous avons notamment montré que les patients atteints d’AOMI pris en charge en ambulatoire ou en hospitalisation complète pour revascularisation avaient une probabilité similaire d’événements indésirables dans les 30 jours suivant l’intervention. Lors du choix des traitements de revascularisation, les caractéristiques cliniques sont priorisées par les cliniciens. Cependant, de nombreuses études ont montré le poids des inégalité sociales et territoriales de santé (e.g. stabilité économique, éducation, accès aux soins de santé) dans l’évolution et la prise en charge de l’AOMI.

Dans ce contexte, des algorithmes d’apprentissage automatique (machine Learning – ML) entrainer sur des entrepôts des données médicales incluant des variables socio-démographiques ont été proposés pour aider les cliniciens dans leur choix de traitements. Les résultats sont prometteurs mais l’estimation de l’impact des erreurs dans les données (entrée de données, inadéquation, …) ou de l’impact des biais de sélection des populations (fairness) sur ces modèles ont à étudier. En effet, comme dans de nombreux domaines d’application de l’intelligence artificielle, il faut veiller à l’équité de l’utilisation de ces algorithmes de ML. Dans le parcours de soins de l’AOMI, où les disparités de soins sont déjà documentées, les algorithmes de ML doivent tenir compte des caractéristiques sociodémographiques des patients afin d’éviter les modèles qui ignoreraient les populations défavorisées ou en discrimineraient certaines.

Objectifs

Ce projet de recherche explorer comment les méthodes d’apprentissage automatique et les données massives en santé (incluant consommation de soins et données socio-démographiques) peuvent aider les chirurgiens vasculaires et endovasculaires à choisir un traitement efficace, raisonnable, et équitable pour de meilleurs résultats dans la prise en charge de l’AOMI.

Pour répondre à cette question, nous suivrons trois objectifs :

* proposer une stratégie et les outils ML associés pour prédire le risque de complications après revascularisation pour AOMI afin d’aider les chirurgiens vasculaires et endovasculaires dans leur choix de protocole de traitement.

* proposer une amélioration d’un algorithme de ML pour prédire la probabilité brute de décès par AOMI ou autres causes chez les patients atteints d’AOMI en tenant compte du risque compétitif de décès.

* évaluer la performance de nos outils en utilisant des données externes dans le but de généraliser nos méthodes et stratégies pour aider les chirurgiens vasculaires et endovasculaires dans leur choix de traitement de la AOMI.

Méthodes

Nous identifierons les parcours de soins des patients ayant bénéficiés d’une revascularisation d’un membre pour AOMI à partir les données de vie réelle recueillies dans le SNDS sur la période 2014-2024. Ces données seront ensuite réparties en jeux de données d’apprentissage et jeux de données de test pour développer et valider nos algorithmes.

Pour notre premier objectif, nous comparerons les performances (précision, sensibilité, spécificité…) des modèles d’apprentissage automatique existants (forêt aléatoires, réseaux de neurones…) aux modèles traditionnels (régression logistique). Nous testerons également les indicateurs d’équité existants (fairness) et les adapterons, cas échéant, aux données du SNDS. L’impact des erreurs dans les données sera évalué par simulation.

Pour notre second objectif, nous utiliserons les données du SNDS et des données simulées pour prendre en compte les risques compétitifs de décès dans l’estimation de la probabilité brute de décès par algorithmes de ML.

Pour notre troisième objectif, nous testerons nos développements sur des entrepôts de données externes. Nous proposons ainsi de réaliser une étude ancillaire au projet EMC2, dans lequel le Groupe Hospitalier Paris Saint Joseph est partenaire. Le projet EMC2 est un entrepôt de données cliniques appariées au SNDS, porté par le Health data Hub et financé par l’agence européenne du médicament, fédérant actuellement avec 4 centres hospitaliers français. Parallèlement, nous appliquerons nos stratégies et modèles à des données issues de entrepôts de données américains et japonais. Ces nouvelles données seront l’occasion d’évaluer la valeur ajoutée des données cliniques sur la performance de nos algorithmes et de tester la généralisation de nos méthodes.

Perspectives

Les résultats de ce projet fourniront des stratégies et des algorithmes pour la prédiction des complications après revascularisation pour AOMI grâce à l’utilisation secondaire de données de vie réelle. Ces outils donneront des éléments d’aide à la décision pour les cliniciens dans le choix des protocoles de traitement de l’AOMI. Ainsi, leurs décisions pourront s’appuyer sur des paramètres médicaux, cliniques et socio-démographiques au regard des parcours de soins des patients AOMI. Enfin, le partage de nos méthodes et stratégies d’analyse par apprentissage automatique (Machine Learning) sur des données de vie réelle constituera une base importante pour de futures recherches qui pourront s’étendre à d’autres pathologies chroniques que l’AOMI.