 | Voici un résumé en français des travaux : La MPOC (maladie pulmonaire obstructive chronique) est l’une des principales causes de mortalité dans le monde. Prévoir quels patients présentent un risque plus élevé de décès au cours des prochaines années pourrait aider les équipes cliniques à adapter le suivi et à mieux orienter les ressources. Toutefois, la plupart des outils prédictifs reposent sur des examens spécialisés (tests respiratoires, imagerie, analyses biologiques) qui ne sont pas toujours disponibles lors d’une consultation de routine. Dans ce contexte, notre équipe a développé des modèles permettant de prédire la mortalité à 5 ans simplement à partir des médicaments utilisés par les patients et de leur adhésion au traitement, tels qu’enregistrés dans les bases de données de la RAMQ. Il s’agit d’une approche novatrice, car les données de médicaments sont accessibles en temps réel et de façon uniforme pour toute la population. Nous avons analysé les informations de plus de 179 000 personnes atteintes de MPOC au Québec et comparé plusieurs méthodes de machine learning et de statistique conventionnelle. Les résultats montrent que les modèles basés sur l’usage des médicaments offrent une bonne capacité de prédiction, comparable à celle de modèles nécessitant des données cliniques complexes. Parmi les approches testées, les réseaux de neurones profonds obtiennent les meilleurs résultats, bien que l’amélioration par rapport à la régression logistique demeure modeste. Notre étude démontre qu’il est possible d’utiliser les renseignements médicamenteux, déjà disponibles dans la RAMQ, pour repérer les patients les plus vulnérables. Cette approche pourrait soutenir la prise de décision clinique, faciliter un suivi personnalisé et optimiser l’allocation des ressources, notamment dans les milieux où les données cliniques détaillées sont difficiles d’accès. |
