Problème 2804
Les outils de prédiction du risque d'AVC sont destinés à guider la façon dont les médecins abordent une maladie potentiellement mortelle, en utilisant des facteurs tels que les maladies cardiaques et l'hypertension artérielle pour déterminer quels patients pourraient bénéficier d'un traitement particulier.
Pendant des années, les médecins ont utilisé plusieurs algorithmes différents pour tenter de saisir le véritable risque d'AVC, y compris des modèles plus récents qui utilisent l'apprentissage automatique. Une nouvelle analyse, menée par des chercheurs de la Duke University School of Medicine, a comparé plusieurs de ces algorithmes en tête-à-tête et a constaté que les nouveaux modèles d'apprentissage automatique n'étaient pas beaucoup plus précis pour prédire le risque d'AVC que des algorithmes plus simples basés sur soi-même -les facteurs de risque signalés et une méthodologie plus ancienne. De manière alarmante, l'étude a également révélé que tous les algorithmes étaient moins efficaces pour stratifier le risque pour les hommes et les femmes noirs que pour les blancs.
"Nous avons obtenu le résultat choquant - pour moi, choquant - que la mesure de la discrimination, la capacité de les classer, était bien meilleure … pour les participants blancs que pour les participants noirs", a déclaré Michael Pencina, directeur de Duke AI Health et l'un des les chercheurs principaux de l'étude.
Les chercheurs ont comparé deux modèles précédemment développés utilisés pour déterminer si un patient présente un risque élevé ou faible d'accident vasculaire cérébral, ainsi qu'un troisième qui estime les taux de risque sur 10 ans d'événements tels que les crises cardiaques et les accidents vasculaires cérébraux, pour voir à quel point cela fonctionnait spécifiquement à la prédiction des accidents vasculaires cérébraux.
Une fois qu'ils ont rassemblé toutes les données sur lesquelles ces modèles étaient basés, a déclaré Pencina, les chercheurs se sont demandé : "Et si nous développions des algorithmes d'apprentissage automatique sophistiqués sur les données dont nous disposons ?"
Les chercheurs ont donc développé deux modèles d'apprentissage automatique qui utilisaient les données de plusieurs études de cohorte basées aux États-Unis qui avaient été utilisées pour développer les algorithmes existants. Ensuite, ils ont validé les modèles en utilisant les données d'une autre étude de cohorte qui a été utilisée dans la recherche sur les accidents vasculaires cérébraux. Compte tenu des limites des ensembles de données avec lesquels ils ont dû travailler, les chercheurs ont décidé d'examiner spécifiquement la précision des modèles pour prédire le risque d'AVC chez les adultes blancs et les adultes noirs, qui ont un risque d'AVC environ 50 % plus élevé que leurs pairs blancs. Les patients qui se sont identifiés comme noirs représentaient 29 % de l'ensemble de données utilisé pour analyser les performances des modèles. Tous les patients étaient âgés de 45 ans et plus et n'avaient jamais subi d'accident vasculaire cérébral ou de blocage temporaire du flux sanguin vers le cerveau.
Les chercheurs ont ensuite examiné comment les modèles classaient les risques ou classaient les patients en fonction de leur risque d'AVC. Malgré le potentiel des modèles d'apprentissage automatique, ils se sont relativement mal comportés.
"Je peux plaisanter en disant que c'est presque comme Chat GPT, c'est vraiment la meilleure méthode", a déclaré Pencina, comparant les nouveaux modèles d'apprentissage automatique à la nouvelle technologie bourdonnante. "Et … rien ne s'est passé. Ils ne pouvaient pas nous aider. Cela n'a pas amélioré les performances. Cela n'a pas réduit les préjugés."
Avec tous les modèles, la précision était pire pour les hommes et les femmes noirs que pour leurs pairs blancs. Cela signifie que les Noirs américains – qui ont une probabilité beaucoup plus élevée de souffrir d'un AVC – sont également moins susceptibles d'obtenir une prédiction précise de leur risque d'AVC. En pratique, cela pourrait conduire les patients noirs à obtenir moins de ressources pour la prévention et le traitement des AVC - même lorsqu'ils sont plus à risque - ou une intervention inutile pour les personnes à faible risque.
L'un des algorithmes les plus simples, qui utilisait des données autodéclarées, a légèrement mieux réussi à ne pas surestimer ou sous-estimer le risque. Cette découverte donne à Pencina l'espoir que des algorithmes simples, associés à de meilleures données, y compris les déterminants sociaux de la santé, aideront à développer des évaluations plus équitables du risque d'AVC.
Alonso Alvaro, professeur d'épidémiologie à la Rollins School of Public Health de l'Université Emory, a souligné que l'un des problèmes de ces modèles est que la majorité de la population des études est blanche, ce qui peut fausser leurs performances dans d'autres populations.
"Donc, en fin de compte, même si vous avez un score de risque dérivé d'une population composée de personnes de plusieurs origines raciales, il est surpondéré pour être plus utile aux personnes de race blanche", a déclaré Alvaro.
Chere Gregory, directrice médicale des neurosciences au Forsyth Medical Center de Winston-Salem, a également souligné que, comme la race est une construction sociale, "tout modèle ou algorithme médical qui utilise la race comme variable échouera souvent à prédire correctement les résultats". ."
Pour Pencina, le problème n'est pas l'état d'avancement de la technologie prédictive des AVC, mais les ensembles de données eux-mêmes, qui n'incluent pas d'informations sur les facteurs de risque d'AVC comme le [stress chronique](https://www.statnews.com/2023/ 02/01/brain-scans-reveal-disparate-impact-of-poverty-toxic-stress-on-black-children/) et les déterminants sociaux de la santé.
Les experts ont souligné la littérature montrant que l'application d'algorithmes d'apprentissage automatique aux données épidémiologiques traditionnelles engendre des résultats similaires - biais et tout - si les informations disponibles sur les patients n'ont pas changé.
"L'algorithme ne peut prédire qu'autant que les données qu'il reçoit, il n'est donc pas surprenant qu'il ne prédise pas avec précision le risque dans les communautés de couleur. Nous avons besoin d'un ensemble de données plus complet qui inclut des variables allant du biais structurel à la discrimination en passant par la pollution du quartier. ", Bernadette Boden-Albala, directrice du programme de santé publique de l'UC Irvine, a déclaré à STAT dans un e-mail.
James Meschia, professeur de neurologie à la Mayo Clinic, spécialisé dans les accidents vasculaires cérébraux, a déclaré qu'il espérait que d'autres recherches pourraient se pencher sur ces facteurs de risque non biologiques. Mais, a-t-il ajouté, le défi est de savoir comment établir s'il existe une corrélation directe entre les facteurs et l'AVC, et si oui, quel est l'impact de ces facteurs. Ces mises en garde peuvent rendre plus difficile l'intégration précise de ces facteurs dans un calcul qui, autrement, comprend principalement des mesures biologiques objectives.
Alors que les experts ont salué l'exécution de l'étude Duke et la grande population de patients sur laquelle elle a testé les modèles, ils ont déclaré qu'il sera crucial pour les études futures de s'attaquer à une meilleure prédiction des accidents vasculaires cérébraux.
"Vous pourriez utiliser des calculateurs de risque pour informer les patients que, 'Vous savez, la façon dont vous allez, votre risque est x, disons 7 % [sur 10 ans],... Si nous [traitons] ces facteurs, nous pouvons le réduire à 5 % ", a-t-il déclaré, bien qu'il ait également noté qu'il pouvait également le voir se retourner contre lui, les patients disant " " Seulement 7 % en 10 ans ? ! Eh bien, bon sang, je ne fais rien " \ [comme arrêter de fumer ou faire de l'exercice]."
Pencina a suggéré que les dossiers de santé électroniques et le partenariat avec des organisations de services communautaires sur le terrain pourraient aider à recueillir une gamme plus diversifiée de données pour une meilleure prédiction du risque d'AVC chez les Noirs.
Il a déclaré que le but ultime était d'intervenir et d'aider les patients les plus à risque avant qu'ils ne subissent un AVC. Il sait de première main à quel point cela pourrait être précieux, ayant perdu ses deux grands-parents alors qu'ils étaient encore jeunes, après avoir lutté pour obtenir des soins de santé pour les maladies cardiovasculaires en Pologne.
"La notion de prévention m'a vraiment frappé, car j'avais le sentiment que ces maladies auraient pu être évitées", a-t-il déclaré, avec une éducation, des soins appropriés et une prédiction des risques.