Prédire la gravité de la fluorose squelettique par apprentissage automatique dans des populations exposées au fluor variées en Chine

Pourquoi c’est important pour la santé quotidienne

La fluorose squelettique est une maladie osseuse grave causée par un apport excessif en fluor sur de nombreuses années. Elle peut évoluer de douleurs diffuses vers des colonnes vertébrales déformées, des articulations raides et des incapacités permanentes. Des millions de personnes dans les pays à revenu faible ou intermédiaire vivent dans des zones où l’eau, la fumée de charbon ou même le thé apportent quotidiennement du fluor sans qu’on s’en rende compte. Cette étude montre comment des outils de données modernes peuvent aider les médecins à repérer plus tôt les personnes sur une trajectoire dangereuse — avant que les lésions ne deviennent irréversibles.

Un danger caché dans les habitudes quotidiennes

Dans certaines régions de Chine et d’autres pays, une forte exposition au fluor provient de routines ordinaires : brûler du charbon local à l’intérieur, boire l’eau de puits ou consommer du thé de briques très concentré. Le fluor s’accumule lentement dans les os, provoquant d’abord seulement des douleurs articulaires légères ou une raideur. Quand les radiographies montrent des dommages nets, une grande partie du tort est déjà faite et difficile à inverser. Les chercheurs de cette étude se sont demandés si des informations faciles à recueillir — comme l’âge, des scores simples de douleur, l’amplitude des mouvements articulaires et des tests urinaires — pourraient être combinées pour prédire l’importance des lésions osseuses déjà présentes chez une personne.

Un panorama de données national

L’équipe s’est appuyée sur la China Fluorosis Cohort, lancée en 2022, en se concentrant sur trois régions représentant les principales voies d’exposition : des communautés de combustion de charbon au Guizhou, des zones d’eau potable riche en fluor au Shanxi, et des communautés consommatrices de thé de briques au Sichuan. Parmi près de 1 800 volontaires tous atteints de fluorose squelettique, 1 309 disposant d’informations complètes ont été inclus dans l’analyse. Chaque participant a répondu à des questionnaires détaillés, a eu sa taille, son poids et sa tension artérielle mesurés, a subi des examens articulaires par des spécialistes en orthopédie et a fourni des prélèvements sanguins et urinaires pour des dizaines d’analyses chimiques. Des radiologues experts ont classé la maladie de chaque personne en légère ou modérée-à-sévère à l’aide de radiographies standardisées.

Apprendre aux ordinateurs à reconnaître la maladie sévère

Étant donné que des dizaines d’indicateurs potentiels avaient été enregistrés, l’équipe a d’abord utilisé un filtre statistique pour réduire 80 variables mesurées à 22 qui portaient le plus d’information sur le degré d’avancement de la maladie. Celles-ci incluaient le lieu de résidence, l’âge et la durée de sommeil, des mesures de la résistance osseuse, des évaluations de l’amplitude des principaux articulations, un simple score de douleur de 0 à 10, des niveaux de marqueurs de formation et de résorption osseuse, des signaux d’inflammation, des hémogrammes standards, la fonction hépatique et la quantité de fluor dans les urines. Les chercheurs ont ensuite entraîné cinq modèles informatiques différents, dont une méthode populaire appelée forêt aléatoire (random forest), sur les données d’environ 70 % des participants, et ont testé les performances sur les 30 % restants. L’évaluation s’est principalement faite sur la capacité des modèles à séparer correctement les cas légers des formes plus graves.

Ce que le modèle a appris sur les os et la douleur

Le modèle de forêt aléatoire s’est avéré le plus précis, distinguant correctement les fluoroses légères des formes modérées-à-sévères chez environ quatre personnes sur cinq dans le groupe de test. Pour « ouvrir » la boîte noire du modèle, l’équipe a utilisé une technique attribuant à chaque entrée un score de contribution pour chaque prédiction. Le niveau de douleur est apparu comme le signal le plus important : des scores de douleur plus élevés poussaient fortement les prédictions vers une maladie plus sévère. Une amplitude réduite au genou et à l’épaule, un âge plus avancé et des concentrations urinaires de fluor plus élevées jouaient également des rôles majeurs. Les personnes ayant une masse osseuse plus faible et des marqueurs modifiés de formation osseuse étaient plus susceptibles d’avoir des lésions avancées, même si leurs os pouvaient paraître plus denses mais plus fragiles. Le modèle a aussi mis en évidence des schémas régionaux nets : les zones de combustion de charbon présentaient la plus forte proportion de cas sévères, suivies des régions d’eau potable, tandis que les zones de thé de briques avaient tendance à montrer des maladies plus légères et plus réversibles.

Ce que cela signifie pour la prévention

Pour les familles vivant dans des environnements riches en fluor, ce travail suggère que des informations simples — l’intensité de la douleur, l’amplitude des mouvements articulaires, des analyses de base et le lieu de résidence — peuvent être combinées en un système d’alerte précoce. Plutôt que d’attendre que des radiographies révèlent des atteintes osseuses avancées, les agents de santé pourraient utiliser un tel modèle pour identifier les personnes à haut risque et les prioriser pour un suivi rapproché, des changements de sources d’eau ou de combustible, ou d’autres mesures protectrices. Bien que l’approche nécessite encore des ajustements et des validations dans d’autres pays, elle offre une voie pratique vers une détection plus précoce et une planification sanitaire plus intelligente dans les communautés où les squelettes enregistrent silencieusement une vie d’exposition au fluor.

Citation: Long, H., Zeng, J., Wei, S. et al. Predicting skeletal fluorosis severity using machine learning across diverse fluoride-exposed populations in China. Sci Rep 16, 13858 (2026). https://doi.org/10.1038/s41598-026-43429-4

Mots-clés: fluorose squelettique, exposition au fluor, apprentissage automatique, santé osseuse, épidémiologie environnementale