Une ordonnance courante peut-elle révéler une protection contre l’Alzheimer ?

Lire la hiérarchie des codes médicaux avec un transformeur

Les codes médicaux ne sont pas de simples chaînes plates. Un code de diagnostic pour une pathologie pancréatique s’inscrit dans des catégories endocriniennes plus larges. Un code d’ordonnance renvoie à une classe thérapeutique avant de désigner la molécule précise. Si un transformeur générique parvient à lire la séquence, il traite souvent chaque code comme un élément indifférencié, ce qui aplatit l’échelle interne des significations. La conception du pré-entraînement sensible à la hiérarchie attribue cinq sous-tokens à chaque code, un pour chaque niveau de cette hiérarchie. Chaque sous-token reçoit son propre plongement vectoriel. Un petit encodeur transformeur permet ensuite à ces cinq vecteurs d’échanger des informations avant qu’ils ne soient additionnés en une représentation unique du code entier.

Pour les diagnostics, le sexe est intégré comme un jeton médical, tandis que l’âge est converti en vecteur par une couche linéaire. Les deux sont ajoutés à la représentation du diagnostic. Les actes et les ordonnances sont regroupés en vecteurs de traitement, puis traités séparément des séquences de diagnostics. Un bloc d’attention croisée bidirectionnelle compare les diagnostics aux traitements dans les deux sens. Cette étape permet au modèle d’apprendre quels traitements suivent généralement quelles affections, plutôt que de supposer que chaque code n’est qu’un symbole de plus dans une liste.

La tâche d’entraînement respecte également la hiérarchie. Quinze pour cent des jetons sont choisis comme cibles et découpés en leurs cinq sous-tokens. Dans la plupart des cas (80 %), le premier sous-token, correspondant au niveau supérieur, reste visible tandis que les quatre niveaux inférieurs sont masqués. Dix pour cent reçoivent un masquage complet, et dix pour cent restent inchangés. Le modèle est entraîné à prédire uniquement le troisième sous-token, un niveau intermédiaire du code. Cela rend la tâche moins fragile que de deviner le code le plus spécifique, car de nombreux codes fins partagent la même catégorie plus large.

Sur les tests de pré-entraînement visant à prédire ce jeton de diagnostic de niveau intermédiaire, la conception complète a atteint une précision de 0,5867 et un coefficient de corrélation de Matthews de 0,5797. Une version avec agrégation hiérarchique des sous-tokens mais sans masquage partiel est tombée à une précision de 0,3913, tandis qu’une ablation d’auto-attention utilisant les deux méthodes a atteint 0,5804. Cet écart montre que la découpe sensible à la hiérarchie aide, et que le croisement diagnostic-traitement apporte un petit gain constant.

Ce que ces représentations révèlent sur la démence et les hospitalisations

À partir d’une année de données d’assurance maladie japonaise, le système a construit une synthèse compacte de l’état de santé de chaque patient, puis il a cherché à anticiper deux événements : la survenue initiale de démence, identifiée par les codes de diagnostic de la maladie d’Alzheimer et des démences associées, et l’hospitalisation durant la période de suivi. Le modèle n’a pas analysé de notes cliniques brutes ni d’images. Il s’est appuyé uniquement sur les diagnostics codés, les actes, les prescriptions, le sexe et l’âge enregistrés dans les dossiers.

Chaque mois, le système générait un vecteur de diagnostic et un vecteur de traitement. Ces deux résumés mensuels étaient fusionnés en une seule image clinique. Les douze images formaient ainsi une courte séquence capturant l’évolution des soins au cours de l’année. Une couche finale convertissait ce résumé annuel en probabilités d’apparition de la démence et d’hospitalisation.

La performance prédictive a été évaluée sur des patients distincts, non utilisés pour construire la représentation. Dix pour cent d’entre eux constituaient le groupe de test, tandis que les autres étaient répartis en neuf plis afin que chacun soit testé une fois. Les chiffres présentés sont des moyennes calculées sur ces plis. Ces cohortes comprenaient principalement des adultes âgés, avec un âge moyen proche de 73 ou 74 ans et environ neuf mois de données d’assurance au cours de l’année.

Pour la prédiction de la démence, le modèle le plus performant a atteint une AUC-ROC de 0,8164 et un coefficient de corrélation de Matthews (MCC) de 0,2577. Son AUC-PR était de 0,2204. Une version simplifiée de la même architecture, dépourvue des deux astuces d’entraînement tenant compte du codage, affichait une AUC-PR de 0,1949. Cet écart correspond à une amélioration relative d’environ 13 % de l’aire précision-rappel. La démence étant peu fréquente dans l’échantillon final (incidence de 6,2 %), l’AUC-ROC peut paraître encourageante tout en laissant échapper de nombreux cas. L’aire précision-rappel offre une vue plus stricte car elle se concentre sur la capacité du modèle à classer les vrais cas de démence au-dessus des non-cas.

L’hospitalisation était beaucoup plus fréquente dans l’échantillon d’évaluation, avec une incidence de 31,6 %. La même représentation annuelle produisait une probabilité d’admission pour chaque patient. Étant donné la fréquence élevée des admissions, un prédicteur utile devait distinguer les personnes qui seraient hospitalisées de celles qui ne le seraient pas, sans simplement signaler la majorité des patients.

Des ordonnances banales à des pistes classées par priorité pour protéger du risque d’Alzheimer

Les dossiers médicaux courants regorgent de signaux discrets qui échappent à l’attention du clinicien. Une ordonnance antihypertensive, une visite au laboratoire et un code de diagnostic saisi un jour comme les autres peuvent former un motif lorsque des millions d’entrées similaires sont comparées. L’approche de dépistage exploite les données de facturation japonaises issues des assureurs locaux pour transformer ces entrées courantes en indices classés, susceptibles de révéler une protection contre la maladie d’Alzheimer. Elle ne prétend pas qu’un médicament courant prévienne cette pathologie. Elle se demande simplement si certains motifs de prescription apparaissent moins souvent chez les personnes qui développent ensuite l’affection.

Le criblage de repositionnement a démarré avec un échantillon aléatoire de 100 000 personnes tirées d’un groupe plus large utilisé pour le pré-entraînement. Après application des critères d’éligibilité, il en restait 80 308. Aucune ne présentait de démence ou de maladie d’Alzheimer entre janvier 2017 et décembre 2018, et toutes étaient assurées sans interruption pendant la période requise. Dans les échantillons finaux, l’apparition de la maladie d’Alzheimer concernait environ 2,8 % des personnes, un taux suffisamment bas pour qu’une association faible soit facilement confondue avec du bruit. C’est pourquoi le processus applique un contrôle statistique des fausses découvertes avant de considérer tout lien médicament-maladie comme méritant une attention supplémentaire.

L’astuce pratique consiste à garder la question honnête tout en classant les candidats. Si le modèle se contente d’observer qu’une personne a pris un certain médicament, il risque d’apprendre qui a été traité plutôt que quel traitement pourrait être associé à un risque plus faible. Pour éviter ce raccourci, les jetons de prescription correspondant au médicament cible et aux médicaments connexes sont supprimés lorsque les vecteurs de diagnostic servent à la priorisation. Le résultat est une liste restreinte d’hypothèses d’association protectrice ayant passé le criblage. Ce sont des indices à tester, non des faits établis sur la protection contre la maladie d’Alzheimer.

Pourquoi un dépistage observationnel exige une validation distincte

Un criblage fondé sur les dossiers médicaux courants présente un intérêt majeur : il transforme des millions de consultations banales en une liste restreinte d’hypothèses méritant un examen approfondi. Les données de facturation mobilisées ici proviennent d’assureurs japonais et couvrent plusieurs millions de personnes, ce qui garantit que les motifs identifiés ne découlent pas d’une petite clinique ou d’un hôpital isolé. Toutefois, la sortie d’un tel criblage constitue un signal, non une sentence. Elle indique qu’un médicament apparaît plus fréquemment chez des patients n’ayant pas développé de démence durant la période observée. Elle n’établit pas que ce médicament a causé la baisse du risque.

Cette nuance est cruciale car les dossiers courants mêlent traitement et maladie. Un patient recevant de nombreuses ordonnances peut être plus malade, plus âgé ou suivi de manière plus intensive qu’un patient en recevant peu. La même personne bénéficie par ailleurs parfois d’un meilleur accès aux soins, relève de règles d’assurance différentes, ou fait l’objet d’une habitude médicale qui oriente la rédaction du dossier. Si ces facteurs ne sont pas entièrement mesurés, une association peut paraître protectrice alors que le médicament n’a aucun effet réel. C’est pourquoi le processus traite ses résultats comme des hypothèses à prioriser plutôt que comme des preuves d’un bénéfice causal.

Les contrôles statistiques aident à resserrer la liste mais n’éliminent pas ce problème. Après contrôle du taux de fausses découvertes, certaines associations candidates présentant un lien protecteur ont passé le filtre, sans qu’aucun médicament ou maladie spécifique ne soit nommé dans cette partie du résultat. L’appariement sur score de propension permet d’équilibrer les différences mesurées entre personnes traitées et non traitées. Pour deux indicateurs de gravité, la plupart des écarts moyens standardisés étaient faibles après appariement, souvent inférieurs à 0,1. C’est un bon signe, mais cela ne couvre que ce qui a été consigné. Les habitudes non mesurées, l’antécédent familial, l’alimentation, le soutien social ou les choix de codage restent invisibles dans les chiffres.

Une étape de validation distincte est donc nécessaire avant d’attribuer une signification clinique à un lien signalé. Un jeu de données indépendant permet de tester si le même motif apparaît en dehors de l’échantillon d’origine. Un essai randomisé répartit les patients en groupes avec ou sans traitement, ce qui neutralise bon nombre des facteurs de confusion que les données observationnelles ne peuvent pas entièrement contrôler. En attendant, le criblage a rempli sa vraie fonction : il a trié le bruit habituel pour en tirer des indices plausibles, non une protection prouvée.

Quels signaux cachés dans les factures ?

Un modèle entraîné sur les données d’assurance maladie japonaises transforme les codes de facturation en une carte des interactions entre diagnostics, actes et prescriptions. En se concentrant sur le niveau intermédiaire du codage médical, il capture l’évolution des pathologies sans se noyer dans la granularité excessive des codes. Le signal prédictif est particulièrement fort pour la démence : un an de facturations mensuelles offre une performance supérieure à celle des modèles transformeurs existants ou des méthodes tabulaires simples. La même représentation annuelle permet également de prédire les hospitalisations, ce qui confirme que les motifs appris correspondent bien à des événements cliniques réels. Ces représentations servent ensuite de base au dépistage pour le repositionnement de médicaments. Quatre molécules candidates, vildagliptine, candésartan, loxoprofène et pitavastatine, présentent des associations protectrices suffisamment robustes pour résister au contrôle du taux de fausses découvertes. Il ne s’agit pas de traitements prouvés, mais d’hypothèses hiérarchisées qui méritent un examen clinique approfondi. L’enjeu est plus large : créer un moteur de découverte à partir de données déjà collectées pour le paiement, permettant de comparer des schémas thérapeutiques rares sur des millions de patients.

Les limites sont tout aussi nettes. Les facturations étant destinées au remboursement, un diagnostic n’apparaît parfois qu’après que les tests ou les prescriptions ont déjà orienté la prise en charge. De plus, la population étudiée est âgée et japonaise. Il faut donc valider ces résultats sur d’autres groupes d’âge, profils génétiques et systèmes de santé. Les cohortes échantillonnées peuvent sous-représenter les maladies rares ou les médicaments peu fréquents, même si la base de données complète compte plus de cinq millions de personnes. L’extension à l’ensemble des facturations, la validation sur des cohortes indépendantes et le passage de l’association statistique à des questions prêtes pour essai clinique détermineront si ce processus devient une étape courante de la découverte de médicaments. Si les registres de facturation peuvent révéler des signaux protecteurs cachés dans les soins ordinaires, combien d’autres maladies attendent encore la bonne représentation ?