Le Machine Learning, une aide décisionnelle pour les praticiens ?

Données de santé

©metamorworks-istock

Les approches de Machine Learning sont encore très peu utilisées en biologie médicale en France. A travers l’exemple du diabète, les société ISoft et Sil-Lab expert ont cherché à évaluer leur intérêt comme aide au diagnostic, en vue d’améliorer le suivi des patients.

Il y a un vrai potentiel d’amélioration du suivi des patients diabétiques. C’est le résultat d’une étude menée en collaboration par le laboratoire Bio86, et les sociétés ISoft et Sil-Lab Expert sur des informations patients anonymisées de 2012 à 2018 issus de la base de données du groupement de laboratoire Bio86 à Poitier. Partant de constat, Jean-Philippe Meyniel, responsable de projets santé de la société Isoft, Serge Payeur, président de Sil-Lab experts, et Bruno Gauthier, biologiste médical chez Inovie ont cherché à évaluer l’intérêt des approches Machine Learning pour améliorer le diagnostic précoce et le suivi des patients diabétiques. « Ces approches statistiques sont basées sur un apprentissage progressif de la machine, à partir des données fournies. Adaptées aux données massives, elles permettent de mettre en évidence des évènements subtils qui peuvent être associés à la survenue d’évènements précoces dans certaines pathologies » présente Jean-Philippe Meyniel.

Pour cette étude, les données allant de 2005 à 2016 de l’étude américaine Nhanes (National Health and Nutrition Examination Survey) d’environ 6000 patients ont été exploitées. A partir des résultats d’analyses liés au diabète de type 2 (créatinémie, glycémie à jeun, cholestérolémie totale, hémoglobine glycosylée sanguine, triglycéridémie, microalbuminurie, insulinémie, créatinurie) et des réponses données par le patient en entretien, cinq groupes de patients* ont été identifiés. Un modèle de prédiction du statut diabétique des patients a ensuite été créé à partir des groupes 1 (patients diabétiques) et 4 (patients non diabétiques). Ce modèle a alors été appliqué aux groupes 2 (patients avec diabète avéré qui prennent de l’insuline), 3 (patients non diabétiques avec évocation d’un prédiabète) et 5 (patients borderline ou en prédiabète). Environ 35% des patients du groupe 5 et 21% des patients du groupe 3 ont été prédits comme diabétiques, mettant en évidence la nécessité d’un suivi strict et approfondi de ces patients. En revanche, 6% des patients du groupe 2 ont été prédits comme non diabétique, signe d’une bonne prise en charge.

« Le Machine Learning n’est pas une fin en soi, mais peut attirer l’attention sur la nécessité de pratiquer des examens complémentaires pour confirmer un résultat ou lever un doute chez certains patients » résume Jean-Philippe Meyniel. Appliquée à la biologie médicale, cette technologie pourrait permettre de « détecter des maladies de plus en plus rares » et de « mieux en mieux anticiper la survenue de pathologies » projette Serge Payeur.

N.B.S.