Prédiction de la réponse au traitement et des événements indésirables dans le TDAH pédiatrique traité par acupuncture combinée à un traitement conventionnelPrediction of treatment response and adverse events in pediatric ADHD treated with acupuncture combined with conventional treatment.
- Dix modèles de machine learning ont été développés et validés sur des données cliniques de routine de 809 enfants avec TDAH.
- Le modèle extreme gradient boosting a atteint les meilleures performances pour prédire la réponse au traitement (AUROC interne 0,83).
- La validation externe a montré des performances stables (AUROC 0,78-0,87 pour la réponse, 0,73-0,85 pour les événements indésirables).
Étude pertinente pour le suivi clinique du TDAH avec l'usage de modèles prédictifs, mais l'acupuncture comme thérapie complémentaire reste marginale dans les pratiques courantes en France.
Étude rétrospective avec des biais potentiels de sélection et de mesure. L'acupuncture en complément n'est pas un traitement standard, limitant la généralisabilité. La définition de la réponse thérapeutique (réduction ≥30% du SNAP-IV) peut ne pas capturer tous les aspects cliniques pertinents. Les événements indésirables rapportés par les parents peuvent être sous-déclarés.
Une étude multicentrique rétrospective a développé et validé des modèles d'apprentissage automatique pour prédire la réponse au traitement et les événements indésirables chez 809 enfants atteints de TDAH (6-12 ans) recevant de l'acupuncture en complément d'un traitement conventionnel. Le modèle extreme gradient boosting a montré les meilleures performances discriminatives pour prédire la réponse (AUROC interne 0,83, externe 0,78-0,87) et des performances modérées pour les événements indésirables (AUROC externe 0,73-0,85). Les analyses d'interprétabilité ont identifié plusieurs domaines cliniques contributifs. Ces résultats soutiennent l'utilisation de modèles ML pour la stratification bénéfice-risque individualisée dans les contextes de traitement intégratif, bien qu'une évaluation prospective soit nécessaire.
Dix modèles de machine learning ont été développés et validés sur des données cliniques de routine de 809 enfants avec TDAH. Le modèle extreme gradient boosting a atteint les meilleures performances pour prédire la réponse au traitement (AUROC interne 0,83). La validation externe a montré des performances stables (AUROC 0,78-0,87 pour la réponse, 0,73-0,85 pour les événements indésirables). Plusieurs domaines de caractéristiques cliniques contribuent aux prédictions du modèle.
Les modèles ML pourraient aider les cliniciens à stratifier les risques et bénéfices de l'acupuncture en complément du traitement conventionnel du TDAH. L'utilisation de données cliniques de routine facilite l'intégration de ces modèles dans les pratiques cliniques. Une évaluation prospective est nécessaire avant d'adopter ces modèles en pratique clinique.
Modéré