Un cadre de prédiction dynamique des risques pour la maladie d'Alzheimer et les démences apparentées avec interprétabilitéA dynamic risk prediction framework for Alzheimer's disease and related dementias with interpretability.
- Le modèle GRU-DA intègre la modélisation des données manquantes et l'attention pour un suivi interprétable du risque de MADA.
- Les performances prédictives sont meilleures pour les suivis de plus de 5 ans, avec une AUROC d'environ 0,7 à 8,5 ans.
- La disponibilité des données influence davantage la prédiction que la durée de suivi.
Article proposant une méthode innovante et interprétable de prédiction précoce des démences à partir de données cliniques réelles, validée en externe, avec des implications directes pour la pratique clinique et la recherche. La note élevée reflète la pertinence clinique et la qualité méthodologique.
L'AUROC modeste (~0,7) limite la précision individuelle et nécessite des améliorations avant une utilisation clinique. La variabilité des attributions entre les partitions réduit la confiance dans l'interprétation au niveau individuel. L'étude repose sur des DSE américains, ce qui limite la généralisabilité à d'autres systèmes de santé. Les données manquantes et les visites irrégulières restent des défis pour les applications en conditions réelles. Aucune comparaison avec des biomarqueurs ou l'imagerie n'a été réalisée.
Cette étude propose un modèle GRU-DA (Gated Recurrent Unit with Decay & Attention) exploitant les dossiers de santé électroniques (DSE) pour prédire la maladie d'Alzheimer et les démences apparentées (MADA) jusqu'à 10 ans avant le diagnostic. Entraîné sur les DSE de l'Université du Texas (15 172 cas MADA avec témoins appariés 1:10) et validé sur la cohorte All of Us, le modèle atteint une AUROC d'environ 0,7 après 8,5 ans de suivi. Les performances dépendent davantage de la disponibilité des données que de la durée de suivi : 1 an avec 15 % de données disponibles (AUROC 0,75) équivaut à 7,5 ans avec 10 % de disponibilité. L'interprétabilité est assurée par des mécanismes d'attention.
Le modèle GRU-DA intègre la modélisation des données manquantes et l'attention pour un suivi interprétable du risque de MADA. Les performances prédictives sont meilleures pour les suivis de plus de 5 ans, avec une AUROC d'environ 0,7 à 8,5 ans. La disponibilité des données influence davantage la prédiction que la durée de suivi. Les prédictions individuelles sont stables mais présentent une variabilité dans les attributions temporelles et de caractéristiques entre les partitions. Les DSE permettent un suivi dynamique du risque jusqu'à 10 ans avant le diagnostic.
Ce cadre pourrait permettre un dépistage précoce et un suivi personnalisé du risque de démence à partir de données cliniques de routine. La dépendance à la complétude des données souligne l'importance d'enrichir les DSE pour améliorer la prédiction. L'interprétabilité du modèle facilite l'adoption clinique en expliquant les facteurs contribuant au risque. Les résultats justifient l'intégration de modèles dynamiques dans les systèmes d'alerte précoce en soins primaires.
Élevé