Des modèles d’IA indiquent quels enfants atteints d’eczéma précoce pourraient présenter un risque plus élevé d’asthme

Les chercheurs estiment que des modèles d’alerte précoce pourraient aider à cibler les soins préventifs

Les enfants qui développent de l’eczéma très tôt dans la vie finissent souvent par être confrontés à d’autres affections allergiques, mais les cliniciens disposent de peu d’outils pour estimer quels patients sont les plus susceptibles d’évoluer vers une maladie respiratoire plus grave. Une nouvelle étude suggère que l’apprentissage automatique pourrait désormais offrir un moyen plus précis de répartir ce risque.

Dans une étude publiée en ligne le 17 avril dans le Journal of Allergy and Clinical Immunology, des chercheurs de Kaiser Permanente Southern California ont développé et validé des modèles de prédiction pour des enfants diagnostiqués avec une dermatite atopique avant l’âge de 3 ans. À partir des données de dossiers de santé électroniques de 10 688 enfants, l’équipe a construit des modèles pour estimer le risque individualisé de développer un asthme persistant modéré à sévère et une rhinite allergique entre 5 et 11 ans.

Les résultats laissent entrevoir un outil clinique potentiellement utile, en particulier pour les systèmes de santé cherchant à identifier plus tôt les enfants à plus haut risque et à intervenir avant l’aggravation des symptômes. Les chercheurs ont signalé de bonnes performances pour la prédiction de l’asthme et des performances plus modestes, mais toujours significatives, pour la rhinite allergique.

Une forte prédiction de l’asthme dans un vaste jeu de données du monde réel

Les modèles d’asthme ont obtenu des scores d’aire sous la courbe de 0,893 pour la version complète et de 0,892 pour une version simplifiée, ce qui indique une forte capacité de discrimination pour séparer les enfants qui ont ensuite développé la maladie de ceux qui ne l’ont pas développée. À un seuil de spécificité de 95 %, le modèle complet a atteint une sensibilité de 40,4 % et une valeur prédictive positive de 39,3 %, tandis que le modèle simplifié a atteint une sensibilité de 36,2 % et une valeur prédictive positive de 33,8 %.

Ces chiffres sont importants, car ils suggèrent que les modèles étaient particulièrement efficaces pour limiter les faux positifs tout en captant une proportion significative d’enfants qui développeraient plus tard un asthme persistant. En pratique, un tel équilibre peut être crucial en pédiatrie, où une intensification inutile a un coût, mais où un risque manqué peut entraîner un retard de traitement et des complications évitables.

Les modèles de rhinite étaient moins précis que les modèles d’asthme, mais ils ont tout de même offert des performances prédictives modérées. Le modèle complet de rhinite a obtenu un AUC de 0,793, tandis que le modèle simplifié a atteint 0,773. À 90 % de spécificité, le modèle complet a atteint une sensibilité de 35,5 % avec une valeur prédictive positive de 72,7 %, tandis que le modèle simplifié a produit une sensibilité de 34,0 % et une valeur prédictive positive de 69,2 %.

Les auteurs ont également signalé une calibration acceptable, avec un accord particulièrement fort dans les groupes à risque le plus élevé. Ce point est significatif, car même un modèle à forte discrimination peut être moins utile si ses estimations du risque ne correspondent pas bien à ce qui se produit réellement en clinique.