Analyse multivariée basée sur l’IA des profils immuno–comportementaux associés aux pertes de grossesse récurrentes : une étude rétrospective exploratoire

Pourquoi cela compte pour des parents pleins d’espoir

Pour de nombreux couples, perdre plusieurs grossesses reste un chagrin invisible qui semble survenir sans avertissement ni réponse claire. Cette étude examine si des facteurs quotidiens comme le poids corporel et le tabagisme, associés à des signes subtils du système immunitaire, peuvent constituer un motif reconnaissable aidant les médecins à estimer le risque de fausses couches répétées chez une femme. En utilisant une forme moderne d’intelligence artificielle pour analyser des analyses sanguines routinières de dizaines de milliers de femmes, les chercheurs visent à transformer des chiffres de laboratoire dispersés en recommandations pratiques pour la prévention et la prise en charge.

À la recherche des motifs derrière les pertes répétées

La perte de grossesse récurrente (PGR) est généralement définie comme deux fausses couches ou plus avant 24 semaines de grossesse et touche jusqu’à une femme sur vingt qui essaient de concevoir. Dans environ la moitié des cas, les tests médicaux standard n’identifient pas de cause claire. Des travaux antérieurs ont lié de nombreux facteurs à la perte de grossesse, notamment l’âge, l’obésité, le tabagisme, l’alcool, les troubles thyroïdiens et les réactions immunitaires au fœtus. Plutôt que d’étudier chaque facteur isolément, cette équipe s’est demandé s’il existe une « empreinte » combinée « immuno–comportementale » distinguant les femmes atteintes de PGR de celles ayant des grossesses normales, et si une telle empreinte pouvait être détectée de manière fiable à l’aide d’un modèle d’apprentissage profond.

Un énorme jeu de données et un outil d’apprentissage intelligent

Les chercheurs ont rassemblé des dossiers anonymisés de cinq centres de fertilité en Iran, couvrant plus de 36 000 femmes suivies entre 2014 et 2024. Cela comprenait 16 818 femmes ayant des antécédents de pertes récurrentes et 19 979 femmes ayant mené une grossesse à terme. Pour chaque femme, ils ont collecté 22 éléments d’information : âge, indice de masse corporelle (IMC), consommation de tabac et d’alcool, taux hormonaux et vitaminiques de base, comptages des différents types de cellules immunitaires dans le sang et un panel d’auto-anticorps pouvant parfois attaquer les tissus de l’organisme. Ils ont ensuite entraîné un modèle d’apprentissage profond spécialisé, appelé TabNet, conçu pour bien fonctionner avec des données de type tableau et capable de mettre en évidence les entrées les plus importantes pour ses décisions. Des vérifications rigoureuses ont été utilisées pour éviter le surapprentissage et pour s’assurer que le modèle n’apprenait pas par inadvertance à partir d’indices cachés tels que l’ordre des données ou des particularités de valeurs manquantes.

Ce que le modèle a appris des chiffres

Sur des données de validation inédites, l’IA a distingué les femmes présentant des profils immuno–comportementaux liés à la PGR des témoins sains avec une très grande précision. La justesse globale était d’environ 95 %, avec une sensibilité (détection des femmes affectées) proche de 97 % et une spécificité (identification correcte des femmes saines) supérieure à 92 %. Une mesure de performance standard, l’aire sous la courbe ROC, était de 0,985, ce qui indique une excellente séparation entre les deux groupes. Fait important, les estimations de risque du modèle étaient bien calibrées : les probabilités prédites correspondaient étroitement aux fréquences réelles des profils de type PGR dans les données. Des validations croisées répétées et des tests avec étiquettes mélangées ont montré que la performance était robuste et non due au hasard ou à des biais cachés dans l’ensemble de données.

Comment le mode de vie et l’immunité interagissent

En examinant les caractéristiques sur lesquelles le modèle s’appuyait le plus, les auteurs ont constaté que certains marqueurs immunitaires, en particulier l’équilibre entre deux types de cellules T auxiliaires (souvent résumé comme le ratio Th1/Th2) et le ratio CD4 par rapport aux autres cellules T, jouaient un rôle majeur. Ces signaux étaient accompagnés par l’IMC, l’âge, des marqueurs des cellules B et plusieurs auto-anticorps, ce qui suggère que l’activité immunitaire et l’état métabolique influencent tous deux le risque. L’analyse soutient l’idée qu’un excès de poids et le tabagisme favorisent une inflammation de bas grade et une tonalité immunitaire plus agressive, capable de perturber la tolérance nécessaire à la réussite d’une grossesse. Même des facteurs apparemment moins importants en moyenne, comme les anticorps thyroïdiens ou la vitamine D, aidaient parfois le modèle lorsque d’autres données faisaient défaut, soulignant que de nombreux signaux faibles peuvent se cumuler.

Des données complexes aux décisions du monde réel

Parce que les tests requis sont déjà courants dans les cliniques de fertilité, l’équipe a développé une interface web simple : les cliniciens peuvent téléverser un tableur contenant les 22 mesures et recevoir un rapport décrivant le profil immuno–comportemental de la femme et la probabilité estimée d’un futur enfant vivant. Les auteurs insistent sur le fait que l’outil n’est pas une boule de cristal pour l’issue d’une grossesse, et qu’il ne redéfinit pas les catégories de maladie. Il offre plutôt un moyen d’identifier les femmes dont les profils immunitaires et comportementaux suggèrent un risque plus élevé, afin que les médecins puissent prioriser des mesures comme la gestion du poids, l’arrêt du tabac et, lorsque cela est approprié, des thérapies modulant le système immunitaire avant la prochaine grossesse.

Ce que cela signifie pour les patientes

L’étude montre que l’IA moderne peut tisser ensemble habitudes de santé quotidiennes et lectures immunitaires détaillées en une image de risque unique et fiable pour la perte de grossesse récurrente. Pour les patientes, cela pourrait signifier de passer de rassurances vagues ou d’essais thérapeutiques empirique à des conseils plus personnalisés : qui a besoin seulement de changements de mode de vie, qui pourrait bénéficier d’une évaluation immunitaire plus approfondie, et qui présente un risque relativement faible. Le modèle doit encore être testé dans d’autres pays et contextes cliniques, mais il ouvre la voie à un avenir où une prise de sang de routine et un algorithme performant aideraient les couples à obtenir des attentes plus claires et un accompagnement mieux ciblé vers un bébé en bonne santé.

Citation: Dashti, M., Aslanian-Kalkhoran, L., Doustfateme, S. et al. Multivariable AI-based analysis of immune–lifestyle patterns associated with recurrent pregnancy loss: an exploratory retrospective study. Sci Rep 16, 8250 (2026). https://doi.org/10.1038/s41598-026-38941-6

Mots-clés: perte de grossesse récurrente, système immunitaire, facteurs liés au mode de vie, apprentissage profond, soins de fertilité