Prédiction de la mortalité toutes causes confondues à 5 ans chez les patients atteints de la MPOC à partir de données médico-administratives
Notice bibliographique
Résumé
La maladie pulmonaire obstructive chronique (MPOC) est un fardeau de santé publique majeur, associée à une forte mortalité et à une utilisation importante des services de santé. Un modèle de prédiction intégré aux dossiers médicaux électroniques (DME) pourrait aider les cliniciens à mieux cibler les patients atteints de MPOC les plus à risque de mortalité à moyen terme. Les modèles existants reposent sur des mesures qui ne sont pas toujours disponibles dans les DME. Dans cette perspective, l’objectif principal était de développer un modèle de prédiction du risque de mortalité toutes causes confondues à 5 ans chez les patients atteints de MPOC en ambulatoire à partir de données médico-administratives accessibles dans les DME. Les objectifs secondaires étaient d’évaluer si l'ajout de variables reliées aux médicaments améliore la performance prédictive des modèles et de comparer la performance de la régression logistique à deux méthodes d’apprentissage automatique : Elastic-Net et XGBoost. En utilisant la base de données ACPI, regroupant des patients atteints d’asthme et/ou de MPOC couverts par le régime public d’assurance médicaments au Québec, une cohorte rétrospective de 179 168 patients MPOC a été constituée. Les prédicteurs incluaient des variables sociodémographiques, l’utilisation des services de santé pour la MPOC, les diagnostics et les variables reliées aux médicaments. Les résultats ont montré que l’ajout des variables reliées aux médicaments n’a entraîné qu’une amélioration modeste de la performance prédictive (AUC = 0,791-0,794 sans médicaments vs. 0,806- 0,808 avec médicaments ; Score de Brier = 1434-1443 vs. 1396-1401). Les performances étaient également comparables entre la régression logistique, Elastic-Net et XGBoost. Bien que XGBoost ait présenté le meilleur équilibre entre performance et interprétation clinique des prédicteurs les plus influents, l’écart de performance avec la régression logistique et l’Elastic-Net demeure négligeable. Cette étude démontre la faisabilité de modèles robustes à partir de données médico-administratives. Leur performance prédictive est comparable à plusieurs modèles de prédictions existants développés sur des populations similaires et souligne leur potentiel à être intégrés dans les DME pour soutenir l’identification des patients MPOC à haut risque de mortalité à moyen terme.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».