Prévision du risque de progression de la maladie rénale chronique chez les personnes atteintes de diabète de type 2 dans des populations diverses

Pourquoi c’est important pour les personnes diabétiques

Beaucoup de personnes atteintes de diabète de type 2 développent à terme des problèmes rénaux, pouvant parfois conduire à la dialyse ou à une transplantation. Pourtant, pour un individu donné, il est difficile pour les médecins de prédire qui verra la fonction rénale se détériorer rapidement et qui restera stable pendant des années. Cette étude montre comment des dossiers médicaux longitudinaux et des techniques informatiques modernes peuvent être combinés pour prévoir des problèmes rénaux des années à l’avance, donnant ainsi aux patients et aux cliniciens plus de temps pour agir.

Suivre des milliers de patients sur de nombreuses années

Les chercheurs ont exploité les dossiers de santé électroniques du système public de Hong Kong, qui dessert la majeure partie de la population locale. Ils se sont concentrés sur plus de 220 000 adultes atteints de diabète de type 2 ayant passé des tests rénaux répétés entre 2003 et 2019, puis ont retenu ceux dont les reins étaient au départ à des stades précoces, moins à risque. Sur 17 ans, ils ont suivi qui progressait vers des stades plus graves de la maladie rénale chronique et qui restait stable. Pour refléter la prise en charge réelle, ils ont construit des modèles de prédiction distincts regardant respectivement deux, cinq ou dix ans dans le futur.

Apprendre aux ordinateurs à lire les antécédents de santé

Plutôt que de n’utiliser que quelques facteurs de risque simples, l’équipe a entraîné des modèles d’apprentissage profond — des systèmes informatiques flexibles capables de découvrir des motifs à partir de nombreuses informations simultanément. Les modèles prenaient en compte un mélange de 21 mesures routinières, incluant l’âge, le sexe, la corpulence, les lipides sanguins, le contrôle glycémique, des analyses sanguines liées aux reins, la pression artérielle, les antécédents de tabagisme et les prescriptions de médicaments clés tels que les antihypertenseurs et l’insuline. Pour les situations où moins d’examens sont disponibles, ils ont également créé une version allégée utilisant 15 des éléments les plus couramment mesurés. Les modèles ont été entraînés sur 80 % des données et validés sur les 20 % restants, avec des méthodes spéciales pour combler les valeurs manquantes et prévenir le surapprentissage.

Performances des prédictions

Sur toutes les fenêtres temporelles, les modèles d’apprentissage profond se sont montrés plus précis que les outils statistiques classiques et d’autres méthodes d’apprentissage automatique. Pour les patients de Hong Kong, le modèle complet a correctement classé le risque rénal futur avec une aire sous la courbe ROC d’environ 87 % à deux ans, 85 % à cinq ans et 85 % à dix ans, ce qui signifie qu’il pouvait généralement distinguer qui s’aggraverait plus rapidement. Le modèle simplifié a présenté des performances légèrement inférieures. Lorsque ces mêmes modèles ont été appliqués à deux cohortes de recherche indépendantes — l’UK Biobank et l’étude longitudinale China Health and Retirement Longitudinal Study — ils ont conservé une performance raisonnable, malgré l’absence de nombreux résultats de laboratoire détaillés ou d’historiques de prescriptions dans ces jeux de données. Cela suggère que l’approche peut être transférable à différents pays et systèmes de santé.

Ce qui alimente le risque et comment les résultats peuvent orienter les soins

Pour rendre les prédictions compréhensibles pour les cliniciens, l’équipe a utilisé une technique d’analyse montrant la contribution de chaque facteur aux décisions du modèle. Les signaux les plus forts étaient la créatinine sérique (un marqueur de la capacité de filtration rénale), le sexe, l’âge, la pression artérielle, le contrôle glycémique à long terme et l’utilisation récente de médicaments affectant les reins et la pression artérielle. Les scores de risque produits par l’ordinateur ont ensuite été intégrés à des outils d’analyse de survie standards pour tracer des courbes montrant la vitesse à laquelle les personnes à risque prédit faible, moyen ou élevé tendent à progresser. Dans chaque groupe, les personnes avec un risque prédit plus élevé évoluaient vers des stades rénaux plus sévères plus rapidement et avaient des temps de « survie » rénale plus courts, confirmant que ces scores ont une signification clinique réelle. Il est important de noter que les performances étaient généralement similaires chez les hommes et les femmes, bien que des différences aient été observées pour les prédictions à plus long terme dans une cohorte externe.

Implications pour la prise en charge courante

En substance, l’étude propose une méthode pragmatique pour transformer des données de routine en clinique en prévisions personnalisées de santé rénale pour les personnes atteintes de diabète de type 2. Un médecin pourrait saisir l’âge d’un patient, ses résultats de laboratoire et ses prescriptions récentes et obtenir une estimation du risque de déclin rénal sur les prochaines années, accompagnée d’une courbe visuelle de l’évolution attendue de la maladie. Les personnes identifiées comme à haut risque pourraient bénéficier d’un suivi rapproché, d’un contrôle plus strict de la tension et de la glycémie, et d’une orientation plus précoce vers des spécialistes rénaux, tandis que les patients à faible risque pourraient éviter des visites inutiles. Bien que les auteurs soulignent que le modèle ne peut pas prouver quels traitements préviennent la maladie, et que des travaux supplémentaires sont nécessaires pour inclure d’autres types de données et de populations, leur cadre ouvre la voie à un futur où des variations subtiles des analyses de laboratoire et des schémas de médication peuvent être traduites en avertissements clairs et exploitables bien avant l’apparition d’une insuffisance rénale.»}

Citation: Zhao, Y., Lu, S., Lu, J. et al. Risk Prediction of Chronic Kidney Disease Progression in Type 2 Diabetes Mellitus Across Diverse Populations. npj Digit. Med. 9, 250 (2026). https://doi.org/10.1038/s41746-026-02439-2

Mots-clés: diabète de type 2, maladie rénale chronique, prévision du risque, dossiers de santé électroniques, apprentissage profond