CRISPNAM-FG : Un modèle de survie profonde Fine-Gray interprétable pour les risques concurrents dans les soins de santé

Les chercheurs de Vector ont développé CRISPNAM-FG, un modèle d'IA fiable qui prédit le risque de complications du pied liées au diabète chez les patients sortant de l'hôpital, tout en assurant une transparence totale sur le processus décisionnel. Ce modèle répond ainsi au besoin crucial d'une IA interprétable dans le domaine de la santé, où la compréhension du raisonnement du modèle est essentielle à son adoption clinique. Cette avancée majeure démontre que les systèmes d'IA peuvent atteindre une grande précision tout en conservant une interprétabilité complète, résolvant un problème fondamental qui a longtemps freiné le déploiement de l'IA dans des contextes médicaux critiques. Accédez à l'article complet ici .

L'analyse de survie est une approche statistique pour analyser les données sur la durée de vie. Elle consiste essentiellement à étudier le temps nécessaire avant la survenue d'un événement (apparition d'une maladie, guérison ou décès) et les facteurs qui influencent ce délai. L'analyse de survie traditionnelle se concentre sur la prédiction du risque d'un événement unique, mais de nombreuses situations de soins de santé réelles impliquent plusieurs événements « concurrents », dont la survenue peut empêcher la survenue d'autres événements. Chez les personnes diabétiques, cela peut inclure le risque de complications au niveau des pieds, ce qui peut être en concurrence avec le risque de mortalité d'autres causes.

Les récentes avancées en matière d'apprentissage profond, telles que DeepHit et DeepSurv, ont amélioré les performances prédictives pour les scénarios de risques concurrents, mais ces gains se font au détriment de l'interprétabilité, créant des modèles opaques que les cliniciens ont du mal à prendre en compte et à valider dans la pratique.

L'objectif de recherche de notre équipe est de permettre une prédiction précise et transparente du délai d'apparition d'un événement en présence de risques multiples, tout en préservant un niveau d'interprétabilité favorable à la confiance clinique, à la validation et à la prise de décision politique. Ces travaux démontrent qu'une performance prédictive élevée et une interprétabilité intrinsèque peuvent coexister dans l'analyse de survie en présence de risques concurrents, pour des applications concrètes en soins de santé.

Ce travail est le fruit d'une collaboration entre Vector Institute, GEMINI, Unity Health et Action Diabète Canada, qui a réuni des expertises méthodologiques, des données hospitalières à grande échelle et des connaissances approfondies en matière de soins du diabète. L'équipe de recherche a développé CRISPNAM-FG (prédiction de la survie face aux risques concurrents à l'aide de modèles additifs neuronaux : Fine Gray), un modèle de survie intrinsèquement interprétable qui tient compte des risques concurrents grâce à la formulation Fine Gray, tout en conservant la puissance prédictive de l'apprentissage profond et l'interprétabilité des modèles statistiques classiques.

Le défi de l'interprétabilité dans l'analyse de survie

L'interprétabilité des modèles est essentielle pour assurer la sécurité de l'IA et la confiance des cliniciens dans les applications médicales. Les modèles d'apprentissage profond récents ont atteint d'excellentes performances prédictives, mais leur manque de transparence, inhérent à leur fonctionnement en boîte noire, freine leur intégration dans la pratique clinique.

Les approches existantes de survie profonde pour les risques concurrents, telles que DeepHit et Neural Fine-Gray, manquent d'interprétabilité intrinsèque, notamment au niveau des caractéristiques. Cette opacité rend difficile la compréhension de la contribution de chaque caractéristique aux prédictions de risque pour différents événements concurrents.

Les méthodes d'explication a posteriori comme LIME et SHAP présentent des limites. Elles souffrent généralement d'une faible fidélité, ce qui mène à des explications inexactes ou trompeuses et les rend facilement manipulables. Contrairement aux modèles de survie profonds de type « boîte noire », l'approche CRISPNAM-FG est intrinsèquement interprétable et ne repose pas sur des méthodes d'explication a posteriori, souvent instables et difficiles à valider dans le contexte des soins de santé.

Architecture CRISPNAM-FG : Construire l’interprétabilité dès le départ

L'apport majeur réside dans l'intégration du cadre d'analyse des risques concurrents Fine-Gray aux modèles additifs neuronaux au sein d'une architecture unique et entièrement entraînable. Chaque variable clinique est modélisée indépendamment à l'aide d'un petit réseau neuronal, ce qui permet au système de saisir les effets non linéaires tout en préservant la transparence au niveau des caractéristiques.

Fondation du modèle additif neuronal

Conformément au modèle additif neuronal, chaque caractéristique d'entrée est traitée par son propre réseau neuronal dédié, appelé FeatureNet. Ces sous-réseaux spécifiques à chaque caractéristique apprennent la contribution non linéaire de chaque caractéristique individuelle au score de risque global, tout en préservant l'interprétabilité par l'isolement des effets des caractéristiques.

Chaque FeatureNet prend une entrée scalaire et produit une représentation cachée grâce à des réseaux neuronaux à propagation avant entièrement connectés avec des fonctions d'activation tangente hyperbolique.

Projections spécifiques aux risques

Le modèle permet à chaque caractéristique du patient d'influencer différemment les résultats. Par exemple, une glycémie élevée peut augmenter considérablement le risque de complications au niveau du pied tout en ayant un effet différent sur le risque de mortalité. Cette flexibilité est essentielle car les mécanismes biologiques à l'origine de chaque résultat peuvent être distincts.

Pour chaque variable et chaque résultat concurrent, le modèle apprend des transformations distinctes qui rendent compte de la contribution de cette variable au risque. Afin d'assurer des comparaisons équitables entre les différents résultats, ces transformations sont normalisées à la même échelle. Cela évite qu'un résultat paraisse artificiellement plus important en raison de différences d'unités de mesure ou d'échelle mathématique.

Formulation Fine-Gray

L'approche Fine-Gray modélise la probabilité de survenance d'un événement spécifique au fil du temps, en tenant compte de la présence d'événements concurrents. Contrairement aux méthodes traditionnelles qui excluent les patients de l'analyse dès qu'un événement survient, Fine-Gray continue de suivre les patients même après la survenue d'un événement concurrent. Cela offre une représentation plus réaliste du risque dans les contextes cliniques où plusieurs issues sont possibles.

Le modèle calcule le risque en combinant un risque de base qui évolue dans le temps avec des facteurs propres à chaque patient. Il convertit ensuite ce risque en incidence cumulative : la probabilité qu’un patient subisse l’événement d’intérêt à un moment donné.

Interprétabilité par l'entremise des fonctions de forme

Le principal atout du modèle est son interprétabilité intrinsèque. Au lieu de faire des prédictions sans explication, il génère des « fonctions de forme » qui visualisent l’influence de chaque caractéristique du patient sur le risque.

Pour chaque variable clinique (comme l'âge, la glycémie ou la pression artérielle), le modèle génère une courbe illustrant l'influence des différentes valeurs de cette variable sur le risque, et ce, pour chaque issue possible. Par exemple, on peut observer comment l'augmentation du taux d'HbA1c augmente graduellement le risque de complications du pied par rapport au risque de mortalité.

Le système offre deux fonctionnalités clés d'interprétabilité :

1. Graphiques de fonctions de forme montrant comment chaque variable influence le risque sur toute sa plage de valeurs. 
2. Classement de l'importance des caractéristiques permettant d'identifier les facteurs qui influencent le plus fortement chaque résultat concurrent.

Cette transparence permet aux cliniciens de comprendre non seulement qui présente un risque élevé, mais aussi pourquoi le modèle arrive à cette conclusion, rendant ainsi les prédictions exploitables et vérifiables par rapport aux connaissances cliniques.

Validation en situation réelle : Complications du pied diabétique en Ontario

Le problème clinique et l'ensemble de données GEMINI

Les chercheurs ont utilisé CRISPNAM-FG pour prédire les complications du pied diabétique après la sortie de l'hôpital, à partir des données de plus de 100 000 patients répartis dans 29 hôpitaux de l'Ontario. Les complications du pied constituent le critère d'évaluation principal, tandis que le décès à l'hôpital est modélisé comme un risque concurrent.

L'ensemble de données, tiré de la base de données GEMINI, comprenait tous les patients adultes diabétiques sortis de l'hôpital entre avril 2016 et mars 2023. Une complication du pied était définie comme une première hospitalisation pour ulcère du pied, infection, gangrène ou amputation. Après l'application des critères d'exclusion, la cohorte finale comprenait 107 386 patients. L'âge médian des patients était de 72,0 ans, et 46,2 % d'entre eux étaient des femmes. La cohorte présentait une comorbidité importante : 39,8 % des patients avaient un indice de comorbidité de Charlson de ^1/1 et 28,4 % un indice de 2 ou plus.

Performances du modèle

CRISPNAM-FG a démontré une forte capacité de discrimination sur l'ensemble de données GEMINI, obtenant des résultats compétitifs par rapport aux modèles de risques concurrents profonds existants. Nous avons évalué le modèle à l'aide de deux mesures standard. La zone sous la courbe dépendante du temps (TD-AUC) mesure la capacité du modèle à distinguer les patients qui présenteront ou non un événement à un moment donné ; plus la valeur est proche de 1,0, meilleure est la discrimination. L'indice de concordance dépendant du temps (TD-CI) évalue de la même manière si le modèle classe correctement les patients en fonction de leur risque ; plus la valeur est élevée, meilleur est le classement des risques.

Pour les complications du pied (risque 1), le modèle a atteint des valeurs de TD-AUC de 0,766 ± 0,042 au 25e percentile, de 0,763 ± 0,047 à la médiane et de 0,763 ± 0,052 au 75e percentile. Pour le risque de mortalité concurrent (risque 2), les valeurs de TD-AUC étaient de 0,739 ± 0,057, 0,726 ± 0,058 et 0,707 ± 0,060 pour les mêmes percentiles.

Le modèle a démontré une forte performance discriminative par rapport aux modèles de risques concurrents profonds existants, tout en produisant des schémas de risque cliniquement cohérents qui correspondent aux connaissances médicales.

Perspectives cliniques tirées des fonctions de forme interprétables

Les fonctions de forme constituent le principal mécanisme d'interprétabilité de CRISPNAM-FG. Ce sont des courbes d'apprentissage qui illustrent l'influence de chaque variable sur la prédiction du modèle, quelle que soit sa valeur. Contrairement aux modèles linéaires classiques où chaque variable possède un coefficient unique, les fonctions de forme permettent de saisir des relations non linéaires. Par exemple, elles peuvent montrer que le risque augmente lentement pour de faibles taux d'HbA1c, mais rapidement pour des valeurs plus élevées. Chaque variable a sa propre fonction de forme, et la prédiction finale est simplement la somme des contributions de toutes ces variables. Cette structure additive confère à CRISPNAM-FG son interprétabilité : les cliniciens peuvent examiner chaque fonction de forme indépendamment afin de comprendre précisément comment le modèle utilise chaque variable pour calculer le risque.

Les fonctions de forme calculées à partir du modèle CRISPNAM-FG entraîné sur l'ensemble de données GEMINI ont révélé des schémas cliniquement significatifs et parfois contre-intuitifs qui démontrent la capacité du modèle à saisir des relations cliniques complexes :

• Contrôle glycémique (HbA1c) : Les courbes de réponse présentent un profil surprenant : comme prévu, des valeurs d’HbA1c élevées augmentent le risque de complications au niveau du pied, mais diminuent paradoxalement le risque de mortalité. Ce résultat contre-intuitif démontre la capacité du modèle à révéler des relations cliniques complexes, notamment le fait que les patients présentant un mauvais contrôle glycémique sont plus susceptibles de développer des complications au niveau du pied avant de subir un événement fatal.
  
• Comorbidités cardiovasculaires : La présence d’une maladie coronarienne augmente le risque de complications du pied, ce qui concorde avec les connaissances médicales établies sur le lien entre les maladies cardiovasculaires et les complications du diabète. L'insuffisance cardiaque congestive contribue de plus en plus aux complications du pied et à la mortalité, illustrant ainsi l'impact des comorbidités cardiovasculaires sur de multiples paramètres.
  
• Artériopathie périphérique : Les fonctions morphologiques montrent une augmentation marquée, quasi linéaire, du risque de complications du pied en cas d’artériopathie périphérique, tandis que l’impact sur le risque de mortalité est minime. Cela concorde parfaitement avec les connaissances cliniques selon lesquelles l’artériopathie périphérique affecte directement la perfusion des membres et la cicatrisation.
  
• Profils liés à l'âge : L'âge a présenté des profils distincts pour les deux issues. La contribution au risque de complications du pied augmente jusqu'à environ 60 ans avant de diminuer, tandis que le risque de mortalité augmente de façon monotone avec l'âge. Cette divergence après 60 ans reflète probablement des risques concurrents, les patients plus âgés succombant à des complications systémiques avant de développer des problèmes spécifiques au pied.
  
• État nutritionnel (albumine) : Un faible taux d’albumine contribue aux deux risques, mais la relation est plus marquée pour le risque de mortalité, ce qui reflète l’association connue entre hypoalbuminémie et mauvais pronostic. Les courbes montrent que l'effet protecteur de l'albumine diminue lorsque son taux descend sous les valeurs normales.
  
• Effets spécifiques à la maladie : Le modèle a correctement identifié que la bronchopneumopathie chronique obstructive (BPCO) ne contribue pas de manière significative au risque de complications au niveau du pied, mais augmente considérablement le risque de mortalité. De même, les affections malignes ont montré une association plus forte avec la mortalité qu’avec les complications au niveau du pied. Ces distinctions sont essentielles pour une planification post-hospitalisation appropriée.
  
• Modèles de données manquantes : Les valeurs manquantes pour la créatinine et l'albumine indiquaient une prescription sélective des tests, les cliniciens n'ayant pas prescrit ces tests en l'absence de suspicion clinique de dysfonctionnement rénal ou de complications liées à l'hypoalbuminémie.

Soutenir les soins préventifs et l'allocation des ressources

CRISPNAM-FG est spécifiquement conçu pour soutenir les soins préventifs et l'allocation des ressources. En identifiant les patients à risque élevé de complications du pied, les systèmes de santé peuvent prioriser le dépistage précoce, le suivi ambulatoire et les interventions multidisciplinaires reconnues pour réduire les amputations et les coûts qui en découlent.

Grâce à son interprétabilité, le modèle permet d'examiner, de vérifier et de communiquer ses résultats aux cliniciens, aux patients et aux décideurs politiques. Cette transparence permet aux professionnels de la santé de comprendre non seulement quels patients sont à risque, mais aussi pourquoi ils le sont et quels facteurs spécifiques contribuent à leur profil de risque élevé.

Cette interprétabilité est essentielle à l'adoption clinique, car elle permet aux cliniciens de valider le raisonnement du modèle par rapport à leur expérience et d'utiliser l'attribution détaillée des risques pour orienter des interventions ciblées. Par exemple, un patient identifié principalement comme ayant un mauvais contrôle glycémique bénéficierait d'interventions différentes de celles d'un patient identifié comme ayant une maladie vasculaire.

Avantages et limites du modèle

CRISPNAM-FG offre plusieurs avantages clés par rapport aux approches existantes :

1. Interprétabilité intrinsèque : Contrairement aux modèles de type boîte noire, CRISPNAM-FG fournit un raisonnement transparent grâce à des fonctions de forme et des graphiques d'importance des caractéristiques qui montrent exactement comment chaque caractéristique contribue à chaque risque concurrent.
   
2. Analyse des risques spécifiques : Le modèle permet à une même variable d’avoir des effets différents sur différents résultats, révélant des relations cliniques complexes qui seraient masquées dans les modèles à résultat unique.
   
3. Cohérence clinique : Les fonctions de forme produisent des modèles cliniquement significatifs qui s'alignent sur les connaissances médicales établies tout en révélant de nouvelles perspectives sur les interactions de risque.
   
4. Transparence au niveau individuel : le modèle permet de comprendre la contribution des caractéristiques pour chaque patient, et pas seulement l’importance globale des caractéristiques.
   

Nous reconnaissons que notre modèle ne tient pas compte des interactions au niveau des caractéristiques au-delà des effets additifs, ce qui peut limiter sa capacité à modéliser des relations complexes. De plus, bien que ses performances en matière de discrimination soient compétitives, ses performances d'étalonnage sont inférieures à celles de certaines alternatives comme DeepHit.

Voie de mise en œuvre dans le monde réel

Bien que CRISPNAM-FG ait été évalué à partir de données rétrospectives et ne soit pas encore utilisé en pratique clinique courante, ce travail s'appuie sur l'expérience avérée de l'équipe en matière de mise en œuvre clinique. Dans le cadre de cette même initiative, l'équipe de recherche a déjà déployé un modèle de sous-distribution Fine-Gray antérieur à l'hôpital St Michael.

Cette expérience de mise en œuvre démontre la faisabilité pratique des modèles de survie interprétables dans des contextes cliniques réels et offre une voie pour étendre CRISPNAM-FG à des applications de soins de santé plus larges.

Conclusions et perspectives d'avenir

Les chercheurs démontrent qu'il est possible d'obtenir des performances prédictives compétitives dans l'analyse de survie en présence de risques concurrents sans compromettre l'interprétabilité. CRISPNAM-FG offre une approche transparente et cliniquement pertinente de la prédiction des risques, parfaitement adaptée à une utilisation concrète dans les soins de santé et à la prise de décision à l'échelle de la population.

Le modèle génère des scores de discrimination compétitifs tout en assurant la transparence grâce à des fonctions de forme qui révèlent la contribution détaillée de chaque caractéristique à chaque risque. Son application aux complications du pied diabétique démontre son utilité pratique dans des situations de soins de santé réelles, en fournissant des informations cliniquement pertinentes sur les facteurs de risque et leurs impacts différentiels sur les résultats cliniques.

Les orientations futures de la recherche comprennent l'étude des réseaux de caractéristiques temporelles capables de capturer les contributions variables des caractéristiques dans le temps pour chaque risque et le développement de fonctions de perte améliorées pour améliorer les performances d'étalonnage du modèle.

La principale valeur ajoutée des applications de l'IA en santé réside dans leur interprétabilité intrinsèque, qui permet aux cliniciens de comprendre, de valider et de faire confiance aux prédictions des modèles. Cette interprétabilité est essentielle à une intégration sécuritaire et efficace de l'IA dans la pratique clinique. Grâce à cette collaboration entre Vector Institute, GEMINI et Action Diabète Canada, l'équipe de recherche a démontré que l'avenir de l'IA en santé ne réside pas dans un choix entre précision et interprétabilité, mais dans l'intégration de ces deux aspects au sein de systèmes unifiés et cliniquement pertinents.

Créé par l'IA, édité par des humains, à propos de l'IA

Cet article fait partie de notre série « ANDERS – Explication des avancées majeures de l'IA et vulgarisation de la recherche ». Nous utilisons des agents d'IA pour générer des brouillons à partir d'articles scientifiques, qui sont ensuite soigneusement édités et peaufinés par nos équipes. Notre objectif est de vous proposer des explications claires et concises des recherches de pointe menées par les chercheurs de Vector. Grâce à ANDERS, nous nous efforçons de rendre accessibles les avancées scientifiques complexes au grand public, en soulignant leur importance et leur impact sur notre monde.

Lire l'article complet

Notes supplémentaires

¹ L'indice de comorbidité de Charlson est un système de notation qui quantifie la charge globale de maladie d'un patient en attribuant des points pour la présence de maladies chroniques spécifiques (comme le diabète, les maladies cardiaques ou le cancer), les scores les plus élevés indiquant une comorbidité plus grave et un risque pour la santé plus important.