Ce document traite de l'utilisation de modèles de transformateurs génératifs pour prédire la progression des maladies humaines et comprendre les risques de multimorbidité à partir de données de santé.

Modèle de prédiction de la progression des maladies

Le modèle Delphi-2M utilise une architecture de transformateur pour prédire la progression des maladies humaines en s'établissant sur des données de santé historiques.

• Le modèle a été formé sur 0,4 million de participants du UK Biobank et validé sur 1,9 million de Danois.

• Prédit les taux de plus de 1 000 maladies en fonction de l'historique de santé des individus.

• Précision comparable aux modèles de maladies uniques existants.

• Capacité à générer des trajectoires de santé synthétiques sur 20 ans.

• Utilisation de méthodes d'IA explicables pour comprendre les prédictions et identifier les biais.

Importance de la compréhension des comorbidités

Comprendre les risques de multimorbidité est essentiel pour personnaliser les décisions de santé.

• Les comorbidités sont influencées par le mode de vie, les traits héréditaires et le statut socio-économique.

• Les modèles de prédiction actuels se concentrent souvent sur des maladies spécifiques, négligeant les interactions entre plusieurs maladies.

• La prévalence des maladies chroniques augmente, avec une prévision d'augmentation de 77 % des diagnostics de cancer d'ici 2050.

Développement et validation du modèle Delphi-2M

Le modèle a été développé pour surmonter les limitations des modèles de multimorbidité existants.

• Utilisation de l'architecture GPT-2 modifiée pour intégrer des données de santé continues.

• Entraînement sur 402 799 participants, avec validation sur 100 639 participants.

• Capacité à prédire les taux de maladies avec une AUC moyenne de 0,76 dans les données de validation.
  
  

Prédictions des incidences des maladies

Delphi-2M prédit les incidences des maladies avec une précision élevée.

• Les courbes d'incidence varient selon les maladies et les sexes.

• AUC pour la prédiction de la mort est de 0,97, indiquant une forte prévisibilité.

• Les performances du modèle surpassent celles des scores de risque clinique pour des maladies comme le diabète et la démence.

Simulation des trajectoires de santé futures

Le modèle permet de simuler des trajectoires de santé établies sur l'historique médical.

• Évaluation de 63 662 trajectoires simulées par rapport aux données observées.

• Les taux de maladies simulés à 70-75 ans correspondent bien aux taux observés.

• Prédictions plus précises que celles basées uniquement sur l'âge et le sexe.

Explication des prédictions du modèle

Des analyses permettent de comprendre comment Delphi-2M prédit les taux de maladies futures.

• Les codes de maladies se regroupent par chapitres selon les cooccurrences observées.

• Les maladies avec une mortalité aiguë, comme l'infarctus du myocarde, se regroupent avec la mort.

• Les valeurs SHAP montrent l'impact des antécédents médicaux sur les prédictions.

Modèle Delphi-2M pour la progression des maladies

Le modèle Delphi-2M est un modèle basé sur l'IA qui prédit la progression des maladies grâce à des données de santé longitudinales.

• Utilise des données de la UK Biobank, incluant 402,799 participants.
  
  

• Prédit les taux de maladies sur une période allant jusqu'à 20 ans.
  
  

• Montre une augmentation de la mortalité, par exemple, le cancer du pancréas augmente le risque de mortalité de 19 fois.

• Les effets des maladies sont souvent symétriques, indiquant des dépendances mutuelles.

Analyse des valeurs SHAP pour les risques

L'analyse SHAP permet d'évaluer l'influence des diagnostics sur les risques futurs de maladies.

• 778 diagnostics ont été analysés, montrant des contributions significatives à la mortalité.

• Les maladies du tractus digestif augmentent le risque de cancer du pancréas de 19 fois.

• Les effets des maladies sont souvent plus forts au sein des mêmes chapitres ICD-10.

Validation externe et évaluation des biais

Le modèle a été testé sur des données de registre de population danoise pour évaluer sa généralisation.

• AUC moyenne de 0,67 sur les données danoises, légèrement inférieure à 0,69 pour la UK Biobank.

• Les biais d'échantillonnage incluent une surreprésentation des participants blancs et plus éduqués.

• Les données de la UK Biobank montrent des biais de mortalité, car les décès avant le recrutement ne sont pas enregistrés.

Applications et implications du modèle

Delphi-2M a des applications potentielles dans la prise de décision médicale et la planification des soins de santé.

• Peut identifier les individus à risque élevé pour des tests de dépistage.

• Utile pour projeter les besoins futurs en soins de santé dans les populations vieillissantes.

• Peut être intégré avec d'autres données, comme les informations génomiques et les biomarqueurs.

Limitations et considérations éthiques

Le modèle présente des limitations et des considérations éthiques à prendre en compte.

• Les biais de sélection et de données peuvent affecter les prédictions.

• Nécessité d'un cadre réglementaire pour utiliser les systèmes d'aide à la décision clinique.

• Les résultats doivent être interprétés avec prudence, sans établir de relations causales directes.

Évaluation des modèles de prédiction de maladies

L'article présente une évaluation des performances du modèle Delphi-2M par rapport à d'autres modèles de référence dans la prédiction des maladies.

• Comparaison des performances de Delphi-2M avec des biomarqueurs cliniques sur un ensemble de données de validation UKB.

• L'AUC (Area Under Curve) pour le modèle Delphi-2M, comparé à un prédicteur simple de santé globale, montre des résultats significatifs.

• Boxplots illustrant les AUC de Delphi-2M, stratifiés par sexe, chapitre de maladie et facteurs de style de vie, avec n = 906 diagnostics pour les hommes et n = 957 pour les femmes.

Intégration des prédictions avec d'autres données

L'intégration des prédictions de Delphi-2M avec d'autres types de données améliore la précision des prévisions de maladies.

• Utilisation de modèles de régression linéaire combinant les logits de Delphi avec des scores de risque polygénique et des biomarqueurs.

• AUC validée pour des groupes d'âge de 40 à 80 ans, stratifiée par sexe, montrant des résultats prometteurs.

Calibration des prédictions instantanées de Delphi-2M

L'évaluation de la calibration des prédictions instantanées de Delphi-2M pour différentes maladies et groupes d'âge.

• Résultats pour 9 maladies sélectionnées, avec des taux observés calculés à partir des données de validation.

• Graphiques de calibration sur des données de test longitudinales danoises, comparant les taux prévus et observés.

Importance des hyperparamètres dans le modèle

Une analyse de l'importance des hyperparamètres dans le modèle Delphi-2M et leur corrélation avec la perte de validation.

• Validation de l'entropie croisée pour différents paramètres architecturaux, avec des boxplots montrant la distribution des résultats.

• Importance des hyperparamètres évaluée par un modèle de forêt aléatoire, indiquant des corrélations significatives avec la perte de validation.

Effets de l'ethnicité et de la déprivation

L'impact de l'ethnicité et de la déprivation sur les taux de maladies modélisés par le modèle Delphi-2M.

• Taux modélisés par an, séparés par sexe et origine ethnique, avec des boxplots illustrant les variations.

• Analyse des AUC stratifiées par âge et sexe pour 10 maladies sélectionnées, avec des intervalles de confiance de 95 % calculés.

Trajectoires de santé simulées

Évaluation des trajectoires de santé simulées à partir de l'âge de 60 ans, en utilisant les données de validation.

• Comparaison des taux de maladies simulés et observés pour différents groupes de consommation de tabac, d'alcool et d'IMC.

• Stratification des trajectoires en groupes de risque bas, moyen et élevé pour des diagnostics sélectionnés et la mortalité.