Un réseau bayésien pour identifier les causes de la dyspnée à partir d’une base nationale de dossiers médicaux électroniques (DME)

Pourquoi identifier la cause de la dyspnée est important

Avoir du mal à respirer peut être effrayant, qu’un épisode survienne brusquement ou s’installe progressivement sur plusieurs mois. La dyspnée est souvent le premier signe qu’il y a un problème cardiaque ou pulmonaire, mais les médecins en pratique générale peuvent être confrontés à une longue liste de causes possibles avec peu de temps et des examens limités. Cette étude décrit un nouvel outil informatique qui exploite les motifs présents dans des millions de dossiers médicaux anonymisés pour aider les médecins généralistes (MG) à cibler rapidement les raisons les plus probables d’une difficulté respiratoire, dans le but d’accélérer le diagnostic et d’éviter des tests inutiles.

Un symptôme fréquent aux origines multiples

La dyspnée, parfois appelée essoufflement, est une plainte très fréquente aux conséquences sérieuses. Les personnes qui souffrent d’essoufflement ont souvent une qualité de vie plus faible, davantage d’anxiété et de dépression, et un risque accru d’hospitalisation et de décès prématuré. Elle est particulièrement liée aux maladies pulmonaires chroniques comme l’asthme et la bronchopneumopathie chronique obstructive (BPCO), et aux affections cardiaques telles que l’insuffisance cardiaque, mais peut aussi être due à des infections, des embolies pulmonaires ou même un cancer. Parce que de nombreuses maladies partagent ce symptôme unique, les MG doivent souvent prescrire plusieurs examens et orienter les patients vers différents spécialistes, ce qui peut retarder le traitement approprié et augmenter les coûts de santé.

Transformer les dossiers routiniers en outil d’apprentissage

Les chercheurs ont exploité une grande base de données britannique de dossiers médicaux électroniques provenant de 50 cabinets de médecine générale, couvrant environ 136 000 adultes ayant consulté pour dyspnée entre 2002 et 2024. À partir de ces dossiers, ils ont identifié près de 385 000 « épisodes » distincts de dyspnée et les ont reliés, lorsque c’était possible, à dix diagnostics clés connus pour provoquer un essoufflement, notamment l’asthme, la BPCO, l’insuffisance cardiaque, le cancer du poumon, la pneumonie et les embolies pulmonaires. Pour procéder équitablement, ils ont défini des fenêtres temporelles autour de chaque épisode : pour un problème à évolution rapide comme la pneumonie, ils n’ont considéré que quelques semaines avant et après la consultation, alors que pour des maladies plus lentes comme le cancer du poumon, ils ont regardé plusieurs mois de part et d’autre. Ils ont aussi extrait 34 informations simples sur chaque patient — âge, sexe, tabagisme, symptômes comme la toux ou la respiration sifflante, médicaments en cours et antécédents diagnostiques.

Comment fonctionne le réseau intelligent

Avec ces informations, l’équipe a construit un type de modèle statistique appelé réseau bayésien. On peut l’imaginer comme une toile de points reliés, chaque point représentant une caractéristique du patient (par exemple « fumeur actuel » ou « antécédent de BPCO ») ou l’une des dix causes possibles de dyspnée. Les lignes entre les points montrent l’intensité de leurs relations. Lorsqu’un MG saisit les données d’un patient, le réseau met à jour les probabilités de chaque diagnostic, en s’appuyant sur les motifs appris à partir de tous les patients précédents de la base. La structure du réseau a d’abord été apprise à partir des données, puis affinée avec l’avis de spécialistes pulmonaires et cardiologues pour s’assurer qu’elle avait un sens clinique et n’était pas basée sur des relations causes–effets impossibles.

Performance de l’outil

Pour tester le modèle, les chercheurs ont mis de côté 30 % des épisodes de dyspnée qui n’ont pas été utilisés lors du développement. Sur ce groupe distinct, la capacité de l’outil à distinguer les patients avec et sans chaque condition variait de modérée à excellente. Par exemple, son score de performance (connu sous le nom d’AUC-ROC) était de 0,94 pour l’insuffisance cardiaque et de 0,90 pour l’asthme, ce qui signifie qu’il confond très rarement les patients ayant ou n’ayant pas ces affections. Même pour des diagnostics plus difficiles, tels que les infections thoraciques non pneumoniques, la performance était supérieure au hasard. Des contrôles supplémentaires ont montré que les probabilités produites par le modèle correspondaient étroitement à ce qui était observé dans les données. Sans surprise, les antécédents d’une maladie chez un patient constituaient souvent l’indice le plus fort qu’un nouvel épisode soit causé par la même affection.

Ce que cela pourrait signifier pour les patients et les médecins

Les auteurs ont déjà intégré ce réseau dans un système d’aide à la décision clinique qui se branche aux logiciels des MG et le testent dans un essai en cabinet en Australie. S’il continue à bien fonctionner, l’outil pourrait aider les médecins à voir rapidement quels diagnostics sont plus ou moins probables lorsqu’une personne se présente avec de la dyspnée, les orientant vers les examens les plus informatifs en priorité. Cela ne remplace pas le jugement du médecin et ne couvre pas toutes les causes possibles, mais peut fournir un « second avis » fondé sur des preuves issues de centaines de milliers de cas similaires. Concrètement, l’étude suggère que des dossiers électroniques analysés avec soin peuvent se transformer en un conseiller discret en arrière-plan — qui aide à raccourcir le chemin entre la première sensation effrayante d’essoufflement et un diagnostic clair avec un traitement approprié.

Citation: Kabir, A., Devaux, A., Jenkins, C. et al. A Bayesian network for identifying causes of breathlessness using a national electronic medical records (EMR) database. Sci Rep 16, 4900 (2026). https://doi.org/10.1038/s41598-026-35250-w

Mots-clés: dyspnée, soins primaires, réseau bayésien, dossiers médicaux électroniques, support décisionnel diagnostique