Analyse des risques de la rupture intracrânienne de l'anévrisme par le biais des déterminants sociaux de la santé (ARAMISS)

Les anévrismes intracrâniens (IA), la malformation artérielle intracrânienne la plus courante, affectent environ 3% de la population mondiale. Ils se caractérisent par une dilatation de la paroi vasculaire dans la région intracrânienne, généralement à une bifurcation. La complication la plus redoutée de l'IA est la rupture, qui est associée à une morbidité et une mortalité élevées. Environ 30% des patients sont confrontés à la mort ou à une invalidité grave, et même parmi ceux qui n'ont pas de séquelles visibles, jusqu'à 50% souffrent de troubles invisibles tels que des problèmes cognitifs. Cela explique le fardeau économique important des IAS rompus, estimés à environ 168 millions de livres sterling par an au Royaume-Uni.

Une façon de réduire cette morbidité et cette charge sociétale consiste à identifier les patients à haut risque de rupture pour déterminer les plus susceptibles de subir une progression de la maladie. Diverses initiatives, telles que les Elapss, les phases et les scores UCAS, ont été développées pour évaluer le risque de rupture dans la pratique clinique de routine. Cependant, ces scores reposent en grande partie sur des facteurs de risque modifiables et non modifiables bien connus, tels que l'ethnicité, l'hypertension, le sexe, l'âge, le tabagisme et les antécédents d'hémorragie sous-arachnoïdienne. Malgré leur utilité, ils sont insuffisants pour stratifier de manière fiable le risque de rupture, le sous-estimant d'environ 30%, ce qui limite leur impact dans la pratique quotidienne.

Des recherches récentes ont identifié les risques émergents et les facteurs de protection, tels que le syndrome de l'apnée du sommeil, le contrôle des lipides et l'utilisation de traitements antidiabétiques, hypotes-lipidiques ou antihypertenseurs. Par conséquent, il est nécessaire de revisiter le risque de rupture en considérant ces facteurs par rapport aux environnements vivants des patients.

Les déterminants sociaux de la santé (SDOH) jouent un rôle essentiel dans ce contexte. Défini comme les conditions de vie qui influencent la santé individuelle et de la population, SDOH inclut des facteurs généraux tels que l'âge, l'ethnicité et le sexe, ainsi que les comportements de dépendance, les niveaux de revenu, l'exposition environnementale et le statut social. On estime qu'ils contribuent à plus de 80% des résultats pour la santé de la population. Dans les maladies vasculaires, SDOH - comme de faibles niveaux d'éducation, un revenu limité, une isolation sociale et une faible activité physique - sont connues pour avoir un impact sur la gravité de la maladie au-delà des facteurs de risque traditionnels. L'OMS estime que les maladies vasculaires sont la principale cause mondiale de mortalité, avec 17,7 millions de morts par an, dont la moitié sont évitables. La compréhension et la lutte contre le SDOH sont donc cruciaux pour les efforts de prévention de la santé publique.

Les études initiales sur l'impact du SDOH sur la rupture de l'IA sont limitées, se concentrant souvent sur les déterminants individuels. Une approche plus complète de la SDH est nécessaire, en particulier compte tenu du manque de directives consensuelles pour la gestion de l'IA. Les options thérapeutiques actuelles, bien que avancées, portent toujours une morbidité périopératoire. La modélisation multivariable et les scores composites pondérés peuvent aider à répondre à la complexité des facteurs cliniques et environnementaux.

Les données SDH sont régulièrement collectées dans les dossiers médicaux et de plus en plus numérisées par le biais de systèmes d'information hospitaliers. Les entrepôts de données de santé (HDW), comme celui de l'hôpital universitaire de Nantes, intègrent des données structurées et non structurées de millions de patients, permettant leur réutilisation à des fins de recherche. L'avènement de l'intelligence artificielle (IA) a permis d'extraire et d'analyser ces données, révélant des informations à partir d'informations auparavant inaccessibles.

Le traitement du langage naturel (NLP), une branche de l'IA, permet l'extraction automatisée d'informations à partir des dossiers médicaux textuels, débloquant le potentiel de données non structurées dans HDWS. Les modèles de pointe, tels que Bert, Chatgpt, Llama et Mistral, peuvent traiter et analyser de grands volumes de texte. Cependant, l'application de la PNL aux langues non anglophones est limitée par un manque de corpus annotés, de problèmes de confidentialité et de réglementations de souveraineté des données.

Le projet Aramiss vise à étudier l'interaction entre le SDH et les facteurs de risque connus de rupture de l'IA, en comparant les patients avec des IAS non dressés à ceux qui ont une IAS rompue. En utilisant SDH, le projet classera les patients en groupes de risque et analysera spatialement les données des patients via des API comme DataGouv. De plus, le projet se concentrera sur le développement de méthodologies équitables (trouvables, accessibles, interopérables, réutilisables) pour partager ses algorithmes et la formation des corpus avec la communauté biomédicale tout en maintenant la conformité réglementaire.