Prédire le risque de cancer colorectal : une nouvelle approche

Le Cancer colorectal (CRC) est un gros souci de santé et c'est le troisième cancer le plus fréquent dans le monde. En 2020, il y a eu presque 1,9 million de nouveaux cas et environ 930 000 décès liés à cette maladie. Ce type de cancer est plus fréquent dans les pays développés, qui représentent plus de 65 % des cas. Malgré sa prévalence, beaucoup de gens ne participent pas aux Programmes de dépistage qui peuvent détecter le CRC tôt. Par exemple, en Europe, seulement environ 14 % des personnes à risque participent à ces dépistages.

Les méthodes de dépistage devraient être efficaces et abordables. Il y a un besoin urgent de méthodes plus personnalisées qui tiennent compte de la génétique, du mode de vie et de l'environnement d'une personne. Développer des modèles prédictifs pourrait aider à améliorer le dépistage et les options de traitement du CRC.

#Identification des Facteurs de risque

Les facteurs de risque peuvent être classés en deux types : non modifiables et modifiables. Les facteurs non modifiables incluent l'âge, le sexe et la génétique, qui ne peuvent pas être changés ou influencés par des actions individuelles. En revanche, les facteurs modifiables sont ceux que les gens peuvent contrôler, comme l'activité physique, le régime alimentaire, le tabagisme et la consommation d'alcool.

Beaucoup de cas de CRC sont liés à des facteurs de mode de vie et environnementaux plutôt qu'à la génétique. Donc, comprendre comment les facteurs modifiables affectent le risque individuel est crucial.

#Construction d'un modèle prédictif

Cette étude se concentre sur la création d'un modèle en utilisant des Réseaux bayésiens (BN) pour prédire et cartographier le risque de CRC. Le modèle combine les connaissances d'experts avec des données collectées lors d'évaluations de santé de travailleurs en Espagne entre 2012 et 2016. Le jeu de données contenait environ 2,4 millions de dossiers couvrant divers facteurs comme l'âge, les habitudes de vie et les conditions médicales.

Des experts ont aidé à affiner les variables pour se concentrer sur quatorze facteurs clés qui influencent le risque de CRC. Ces facteurs incluent l'âge, le sexe, le statut socio-économique, l'indice de masse corporelle (IMC), la durée de sommeil, la consommation d'alcool, les habitudes de tabagisme, l'anxiété, la dépression, l'hypertension, le cholestérol élevé et le diabète.

#Traitement des données et découverte de la structure

La prochaine étape a consisté à nettoyer les données pour enlever les erreurs, les valeurs aberrantes et les dossiers incomplets. Le processus de nettoyage a inclus s'assurer que les mesures étaient correctes et enlever les dossiers avec des informations incohérentes, ce qui a conduit à un jeu de données final d'environ 1,78 million d'évaluations de santé.

Une fois les données préparées, une structure initiale de réseau bayésien a été créée pour comprendre comment les facteurs de risque interagissent les uns avec les autres. Divers algorithmes ont aidé à affiner cette structure tout en intégrant des idées d'experts médicaux pour garantir que le modèle soit représentatif et précis.

#Estimation des probabilités

Avec une structure claire en place, la prochaine étape était de calculer les probabilités associées à chaque facteur. Cela impliquait d'utiliser des méthodes statistiques pour créer des tables de probabilité pour les différentes variables. Une attention particulière a été accordée pour s'assurer que le modèle restait précis même pour les cas moins courants.

Les probabilités aident à prédire la probabilité de CRC chez les individus en fonction de leurs facteurs de risque. Quand il y a beaucoup de données disponibles, le modèle peut fournir des estimations plus fiables, tandis que dans les cas avec des données limitées, il s'assure que les probabilités ne deviennent pas trompeuses.

#Validation du modèle

Une validation a été menée pour s'assurer que le modèle prédit avec précision le risque de CRC. Cela a été fait en traitant le réseau comme un outil de classification et en évaluant sa performance par rapport aux données réelles. Le processus a impliqué l'application de diverses métriques pour jauger à quel point le modèle identifiait bien les cas de CRC.

Par exemple, un accent particulier a été mis sur la sensibilité, qui mesure la capacité du modèle à identifier correctement les cas positifs de CRC. Un taux de sensibilité de 68 % a été atteint, indiquant que le modèle détecte efficacement de nombreuses personnes atteintes de CRC, tandis que la spécificité a mesuré la capacité du modèle à identifier correctement celles qui n'ont pas la maladie.

#Cartographie des risques

Une des applications clés du modèle est de produire des cartes de risque. Ces cartes illustrent comment différentes caractéristiques affectent le risque de CRC. Par exemple, une carte du risque pourrait montrer comment la probabilité de développer un CRC change pour les individus en fonction de leur durée de sommeil, de leur âge et de leur consommation d'alcool.

Les cartes de risque fournissent une représentation visuelle des facteurs influençant le CRC, aidant à identifier les groupes à haut risque. En ciblant ces groupes, les programmes de dépistage peuvent être plus efficaces.

#Identification des découvertes influentes

Le modèle peut aussi identifier quels facteurs de risque ont le plus d'impact sur le développement du CRC. En examinant les données des individus positifs au CRC, la méthode peut classer l'importance des différentes variables. Cette approche peut mettre en lumière comment les choix de mode de vie, comme le tabagisme et la consommation d'alcool, contribuent au développement du CRC.

Fait intéressant, les résultats suggèrent que fumer peut être moins risqué que d'être un ancien fumeur, probablement parce que les effets nocifs du tabagisme s'accumulent avec le temps. De plus, l'âge ressort comme un facteur majeur dans le risque de CRC ; la plupart des nouveaux cas sont signalés chez des personnes de plus de 50 ans.

#Orientations futures

Les travaux réalisés ici peuvent guider les améliorations continues dans les programmes de dépistage et de traitement du CRC. Il reste un besoin d'adapter ces modèles à différentes populations et de tenir compte des variations des données de santé selon les pays. La collaboration avec des experts médicaux et des organisations de santé peut encore améliorer l'efficacité des stratégies de prévention du CRC.

De plus, les efforts futurs pourraient inclure l'intégration de ce modèle prédictif dans des systèmes de soutien à la décision plus larges qui guident les prestataires de soins de santé dans le choix des méthodes de dépistage appropriées adaptées aux patients individuels.

#Conclusion

Le cancer colorectal représente un défi de santé important à l'échelle mondiale, avec de nombreux cas liés à des choix de mode de vie qui peuvent être modifiés. Cette étude souligne l'importance de comprendre à la fois les facteurs de risque non modifiables et modifiables et de trouver des moyens de prédire le risque avec précision. Le développement d'un modèle de réseau bayésien fournit un outil précieux pour cartographier le risque de CRC et identifier les facteurs influents.

En se concentrant sur des approches de dépistage personnalisées et en tirant parti des informations des données, les systèmes de santé peuvent améliorer l'efficacité de la détection du cancer colorectal et finalement améliorer les résultats pour les patients.