Un modèle d'apprentissage machine interprétable en ligne pour prédire le risque de multimorbidité cardiométabolique chez les patients atteints de diabète de type 2

Pourquoi c’est important pour les personnes diabétiques

De nombreuses personnes atteintes de diabète de type 2 n’ont pas qu’un seul problème de santé : elles doivent aussi composer avec des maladies cardiaques, des AVC ou une hypertension. Cette combinaison, appelée multimorbidité cardiométabolique, augmente fortement le risque de décès prématuré et d’hospitalisations coûteuses. L’étude décrite ici présente un nouvel outil en ligne, simple d’utilisation, qui aide les médecins à estimer le risque individuel de développer ces complications graves à un stade précoce, en s’appuyant sur des analyses de routine, et explique en termes clairs quels facteurs contribuent à ce risque.

Le diabète et ses partenaires cachés

Le diabète de type 2 est devenu l’une des maladies chroniques les plus fréquentes dans le monde. Au moment du diagnostic, beaucoup de personnes présentent déjà une ou plusieurs autres affections, en particulier des maladies cardiovasculaires ou une hypertension. Ensemble, ces problèmes — regroupés sous le terme de multimorbidité cardiométabolique — augmentent considérablement le risque d’infarctus, d’AVC et de mortalité précoce, et doublent plus que tout autre les coûts médicaux. Les recommandations actuelles préconisent des bilans réguliers du risque cardio-vasculaire pour les personnes diabétiques, mais les cabinets manquent souvent d’outils simples et précis qui saisissent l’ensemble du tableau des maladies multiples.

Transformer les données cliniques courantes en prévision de risque

Les chercheurs ont rassemblé des informations sur 1 153 adultes atteints de diabète de type 2 pris en charge dans deux grands hôpitaux de la province du Shanxi, en Chine. Après application des critères d’inclusion et d’exclusion et un traitement rigoureux des valeurs manquantes, ils ont retenu 793 patients pour construire le modèle et 360 patients supplémentaires pour le tester de façon indépendante. Pour chaque patient, ils ont collecté des données de base comme l’âge et la durée du diabète, ainsi que des analyses sanguines courantes comprenant l’hémoglobine glyquée (HbA1c), la glycémie postprandiale, des enzymes hépatiques, des marqueurs rénaux et une mesure scanographique de la graisse viscérale abdominale. La multimorbidité cardiométabolique a été définie comme la présence du diabète plus au moins une des affections suivantes : maladie coronarienne liée à l’obstruction des artères, AVC ou hypertension artérielle.

Entraîner un modèle intelligent puis ouvrir la « boîte noire »

Pour prédire qui présenterait une multimorbidité cardiométabolique, l’équipe a testé plusieurs approches d’apprentissage automatique — des programmes informatiques qui apprennent des patrons dans les données. Ils ont d’abord utilisé une méthode appelée élimination récursive de caractéristiques pour réduire des dizaines de mesures à neuf variables particulièrement informatives : glycémie postprandiale, HbA1c, âge, graisse viscérale, numération plaquettaire, score de résistance à l’insuline, rapport de deux enzymes hépatiques (AST/ALT), durée du diabète en années et utilisation d’insuline injectée sous-cutanée. Ils ont ensuite comparé six algorithmes différents et constaté qu’un modèle de type « stacking » — un ensemble qui combine les forces de plusieurs méthodes — donnait les résultats les plus fiables. Lors des tests internes, il a correctement distingué les patients à haut et bas risque avec une aire sous la courbe (AUC) de 0,868, et dans un hôpital indépendant il a conservé une bonne performance avec une AUC de 0,822.

Quels facteurs comptent le plus pour le risque

Parce que les modèles complexes peuvent être difficiles à appréhender s’ils restent opaques, l’équipe a appliqué deux outils d’explicabilité, SHAP et LIME, qui montrent comment chaque donnée d’entrée fait monter ou baisser le risque d’une personne. Dans l’ensemble du groupe, trois facteurs se sont révélés particulièrement importants : l’HbA1c, l’âge et l’utilisation d’injections d’insuline. Un HbA1c plus élevé et un âge avancé augmentaient clairement le risque, de même qu’une glycémie postprandiale élevée, davantage de graisse viscérale et un score de résistance à l’insuline plus élevé. La numération plaquettaire et le rapport AST/ALT jouaient aussi un rôle d’accompagnement, reflétant une tendance à la coagulation et une possible surcharge cœur–foie. Les explications au niveau individuel ont montré, par exemple, comment une personne d’âge moyen avec un diabète de longue date, une forte graisse abdominale et un HbA1c très élevé pouvait présenter un risque estimé proche de 90 %, alors qu’une personne ayant un meilleur contrôle glycémique et moins de graisse viscérale pouvait avoir un risque bien plus faible à âge comparable.

Un outil web pour des décisions en pratique — et ses limites

Pour rendre la recherche utile en pratique, les auteurs ont développé une application web gratuite où un clinicien peut saisir les neuf mesures sélectionnées et recevoir instantanément une estimation de risque personnalisée accompagnée d’une explication visuelle des facteurs qui la motivent. Le système est conçu pour ne pas stocker les données des patients et est actuellement destiné à soutenir l’enseignement et la recherche plutôt qu’à servir d’appareil de diagnostic autonome. L’étude présente des limites : elle repose sur des dossiers rétrospectifs de deux hôpitaux d’une seule région de Chine, et sur des mesures prises à un seul moment. Les auteurs insistent sur la nécessité d’études plus vastes, prospective et menées dans des populations plus diversifiées avant de pouvoir considérer l’outil comme universel.

Ce que cela signifie pour les personnes atteintes de diabète de type 2

Concrètement, ce travail montre que des tests courants déjà réalisés dans les consultations diabète — en particulier l’hémoglobine glyquée, la glycémie postprandiale, les mesures de graisse abdominale et la durée du diabète — peuvent être combinés par un algorithme intelligent et transparent pour identifier ceux qui sont les plus susceptibles de développer des complications graves liées au cœur et à la tension artérielle. Utilisés en complément du jugement clinique, de tels outils pourraient aider à cibler des changements de mode de vie intensifs et des traitements vers ceux qui en ont le plus besoin, prévenant potentiellement infarctus et AVC et améliorant la qualité de vie des personnes vivant avec un diabète de type 2.

Citation: Liu, X., Li, C., Huo, X. et al. An online interpretable machine learning model for predicting cardiometabolic multimorbidity risk in patients with type 2 diabetes mellitus. Sci Rep 16, 5877 (2026). https://doi.org/10.1038/s41598-026-36923-2

Mots-clés: diabète de type 2, risque de maladie cardiaque, apprentissage automatique en médecine, multimorbidité, outils de prédiction du risque