Résumé
La prise en charge de l’insuffisance cardiaque est guidée par l’existence ou non d’une altération de la fraction d’éjection du ventricule gauche (FEVG). De nouvelles classes thérapeutiques ont récemment montré leur efficacité dans le traitement de l’insuffisance cardiaque à FEVG réduite, conduisant à un besoin de données épidémiologiques sur cette pathologie afin de pouvoir décrire le « burden of disease » ainsi que de quantifier et qualifier la population des patients qui en sont atteints en France. Jusqu’en 2018 inclus, la classification internationale des maladies dans sa dixième révision (CIM10) ne différentiait pas l’insuffisance cardiaque selon sa FEVG. L’objectif est de développer un algorithme capable d’identifier correctement les patients présentant cette pathologie, sur la base des données du SNDS.
Les données du registre FRESH (FREnch Survey on Heart failure), piloté par la Société française de cardiologie (SFC) et contenant la valeur de la FEVG des patients ont été appariées de manière probabiliste avec les données du Système National des données de Santé (SNDS) par Clinityx. Sur la base de ces données appariées, un algorithme de machine learning, de type Random Forest, a été développé en intégrant la contrainte d’explicabilité de l’algorithme d’une part, l’obtention d’une performance satisfaisante d’autre part, tout en évitant le risque de sur-apprentissage en raison de la présence de biais connus des patients de la base FRESH. La gestion de ces biais garantit la conservation des performances de la méthode de classification sur une base d’insuffisants cardiaques plus conséquente. Une fois développé, cet algorithme a été propagé sur l’ensemble des données des patients insuffisants cardiaques résidant en France afin de prédire leur FEVG. À partir de 2019, une mise à jour de la CIM10 intègre de nouveaux codes qualifiant la FEVG ; les données du PMSI des années 2019 et 2020 intègrent donc petit à petit ces nouveaux codes et vont permettre de valider cet algorithme.
L’appariement des données a conduit à retenir 88,7 % des patients insuffisants cardiaques chroniques et inclus dans FRESH, soit 2412 patients. Après des phases d’apprentissage successives et des phases de revue/suppression des variables par le comité scientifique, l’algorithme, reposant in fine sur 15 des 688 descripteurs testés (âge, sexe, remboursement de certains traitements, présence d’antécédents ou caractéristiques du parcours de soin), présente une précision de 0,84 et un rappel de 0,88, et conduit à classifier les patients en FEVG réduite (≤45 %), FEVG préservée (>45 %) et FEVG inclassable, l’introduction de cette dernière catégorie permettant d’optimiser la précision d’identification des patients à FEVG réduite.
L’appariement du registre FRESH avec les données du SNDS a permis de développer un algorithme de prédiction de la FEVG, donnée absente du SNDS et cruciale pour mener à bien des études épidémiologiques sur l’insuffisance cardiaque en France dans le contexte du développement d’une nouvelle classe de produits indiquée dans l’insuffisance cardiaque à FEVG réduite. Cette approche peut être répétée dans d’autres aires thérapeutiques afin de médicaliser le SNDS par des données essentielles à la conduite d’études sur des pathologies ou indications plus ciblées que ne le permet aujourd’hui le SNDS sur l’ensemble de la population résidant en France.