Stratification du risque patient : du score à l’action clinique

Formulez l’usage en une phrase : chez quelle population, à quel moment, pour prévoir quel événement, dans quel horizon, afin de déclencher quelle action ? Le risque d’une réadmission à sept jours n’a pas le même sens que le risque cardiovasculaire à dix ans.

Une réponse par catégorie

Associez à chaque niveau de risque une réponse possible : appel infirmier, consultation anticipée, revue médicamenteuse, examen, orientation sociale ou maintien du suivi habituel. Si la capacité d’intervention est limitée, le seuil doit en tenir compte : classer en « risque élevé » plus de patients que l’équipe ne peut en appeler revient à ne rien prioriser.

Prédire n’est pas expliquer

Un modèle repose sur des associations ; il ne dit pas qu’agir sur une variable modifiera le résultat. Un indicateur de précarité peut améliorer la prédiction d’une hospitalisation sans constituer une cible clinique. L’action déclenchée doit reposer sur un mécanisme plausible et, autant que possible, sur une intervention dont l’efficacité a été évaluée.

Un score développé dans un autre pays, une autre spécialité ou une autre période peut perdre en performance chez vous. Comparez les critères d’inclusion, les exclusions, le point d’entrée et la fréquence de l’événement avec ceux de vos patients. La déclaration TRIPOD+AI, qui fixe ce qu’une étude de modèle prédictif doit rapporter, demande justement de décrire la population cible et l’usage prévu dans le parcours de soins, utilisateurs compris : si ces éléments manquent, demandez-les.

Comparez ensuite le dispositif à la pratique actuelle : jugement clinique seul, règle existante ou absence de stratification.

La discrimination mesure la capacité à classer plus haut les patients qui connaîtront l’événement ; la calibration compare les probabilités annoncées aux fréquences observées. Un modèle peut bien ordonner les patients tout en surestimant systématiquement leur risque : pour une équipe qui fixe des seuils, c’est un défaut majeur, puisque le seuil s’exprime justement en probabilité.

Reste l’utilité clinique : à un seuil donné, combien de vrais positifs, de faux positifs, d’interventions et d’événements manqués ? L’approche du bénéfice net décrite par Vickers et ses coauteurs dans le BMJ place bénéfices et préjudices sur une même échelle et les représente, pour une gamme de seuils, sous forme de courbe de décision. Elle aide à voir si décider avec le modèle ferait plus de bien que de mal ; le choix du seuil reste clinique et organisationnel.

Exigez des performances accompagnées d’intervalles d’incertitude, mesurées sur des données externes. Puis prévoyez une réévaluation locale après tout changement de population, de pratique ou de système d’information.

L’absence d’une mesure n’est pas toujours due au hasard. Elle peut refléter un problème d’accès, une habitude du service ou un état clinique différent. Remplacer toutes les valeurs manquantes par une moyenne peut masquer ce mécanisme. TRIPOD+AI demande d’ailleurs aux études de décrire comment les données manquantes ont été traitées.

Documentez leur proportion par variable et par groupe, et testez les performances chez les patients dont le dossier est le moins complet. La complétude n’est qu’une des dimensions de la qualité des données de santé, à vérifier avant qu’un score soit calculé en routine.

Mesurez la sensibilité, la spécificité, la calibration et le taux d’intervention selon l’âge, le sexe, le handicap, le territoire et les autres groupes pertinents. Une performance moyenne peut cacher un sous-repérage systématique. TRIPOD+AI demande des estimations de performance avec leurs intervalles de confiance pour les sous-groupes clés, notamment sociodémographiques.

Les variables sensibles ne doivent donc pas être retirées mécaniquement de l’évaluation : elles peuvent être nécessaires pour détecter un biais. Leur usage dans le calcul, dans l’audit et dans la décision pose trois questions différentes, à examiner avec les équipes clinique, juridique et éthique.

Le choix du résultat à prédire est lui-même un choix clinique et social. Une étude publiée dans Science en 2019 a analysé un algorithme commercial largement utilisé pour repérer les patients aux besoins complexes et leur proposer une aide supplémentaire. Il prédisait les dépenses de santé plutôt que la maladie. Or, l’accès aux soins étant inégal, moins d’argent était dépensé pour soigner les patients noirs : à score égal, ils étaient nettement plus malades que les patients blancs.

Le professionnel doit voir le score, son horizon, les principaux éléments qui l’alimentent et ses limites. Il doit pouvoir ignorer ou contester la recommandation, en le justifiant. L’interface distingue une donnée mesurée, une donnée déclarée par le patient, comme les PROMs en santé, et une estimation.

Définissez qui reçoit l’alerte, sous quel délai, avec quelle priorité et quelle traçabilité : c’est la chaîne d’alerte détaillée dans notre guide du suivi patient à distance. Une alerte que personne ne traite donne une fausse impression de sécurité. Mesurez la charge créée et la part d’alertes restées sans action.

C’est le principe de MyTwin pour les cliniciens. Construit à partir du dossier médical, des examens, des traitements et des biomarqueurs, puis alimenté par les données de vie réelle, le jumeau numérique du patient est analysé en continu et n’alerte le médecin que lorsque c’est nécessaire. Il recommande ; le professionnel décide de proposer un rendez-vous, d’ajuster un traitement ou de recommander un examen.

1. Phase silencieuse

Le score est calculé sans modifier les soins. On vérifie la disponibilité des données, la calibration locale, les biais et le volume d’alertes. Cette phase ne démontre aucun bénéfice clinique, mais révèle les défauts d’intégration avant qu’ils ne touchent un patient.

2. Pilote supervisé

Le dispositif est activé sur un périmètre limité, avec une équipe formée. On documente les décisions, les contestations et les incidents, et les patients sont informés selon le cadre applicable.

3. Évaluation comparative

Le parcours assisté est comparé à la pratique habituelle, avec des indicateurs définis à l’avance : délai d’intervention, événements, charge, expérience patient, équité, effets indésirables. L’effet du modèle ne doit pas être confondu avec celui des ressources ajoutées pour le pilote.

4. Surveillance continue

On suit la dérive des données, la calibration, les faux positifs et les performances par sous-groupe. Toute mise à jour du modèle est versionnée et évaluée, et un mécanisme d’arrêt est prévu.

Une fiche de modèle présente la finalité, les développeurs, les données, les exclusions, les performances, les seuils, les limites et l’historique des versions. Le protocole clinique fixe les rôles et les délais. Lorsque l’établissement développe ou réentraîne lui-même un modèle sur les données de ses patients, les recommandations de la CNIL sur le développement des systèmes d’IA s’appliquent : finalité définie en amont, minimisation des données et information claire des personnes.

Le règlement européen sur l’intelligence artificielle gradue ses exigences selon le risque. Un système d’IA est notamment classé à haut risque lorsqu’il est lui-même un produit, ou le composant de sécurité d’un produit, relevant d’une législation listée en annexe I, dont le règlement sur les dispositifs médicaux, et soumis à une évaluation de conformité par un tiers. L’annexe III y ajoute, entre autres, les systèmes de tri des patients en urgence. Pour un système à haut risque, le texte exige une supervision humaine effective : comprendre les capacités et limites du système, rester conscient du biais d’automatisation, pouvoir ignorer ou infirmer sa sortie, pouvoir l’arrêter. L’établissement qui le déploie doit confier cette supervision à des personnes compétentes, formées et dotées de l’autorité nécessaire, et surveiller son fonctionnement.

La qualification dépend de la finalité revendiquée et du contexte : elle s’analyse avec les responsables compétents, et l’étiquette « aide à la décision » n’en dispense pas. Le versant dispositif médical est abordé dans notre article sur l’IA en imagerie médicale.