Intelligence artificielle et cirrhose : enfin un espoir de progresser dans le dépistage du CHC
Position du problème
L’échographie semestrielle reste la norme pour surveiller le carcinome hépatocellulaire (CHC) sur cirrhose. Pourtant, le risque de CHC est loin d’être homogène au sein de la population des cirrhotiques, rendant le rendement du dépistage inégal. Pour cibler au mieux les patients à haut risque (>2 % par an), ce travail explore des modèles de Machine Learning (ML) pour prédire l’apparition du CHC et les compare aux scores classiques.
Méthode
Des données issues de 4 grandes cohortes prospectives françaises (CHC 2000, ANRS CirVir, Hepather et CIRRAL) ont été utilisées. Tous les patients avaient une cirrhose, prouvée histologiquement, compensée (Child A à B7), d'étiologie principalement liée au VHC (guérie), et bénéficiaient d'une surveillance échographique. Trois modèles pronostiques ont été développés : un modèle de Fine-Gray, un arbre de décision unique (Single Tree), et une forêt aléatoire (Random Forest). Leur performance prédictive a été comparée via C-index et courbes de calibration.
Résultat
Parmi 3671 patients, 257 ont développé un CHC (taux annuel ≈2,3 %). Les facteurs les plus prédictifs dans l'ordre étaient l’âge (≥ 63,7 ans), un taux élevés de GGT (avec des seuils à 107 et 163 UI/l), le sexe masculin, la thrombopénie, et la bilirubine. Les modèles ML ont permis d’identifier des profils à risque, parfois inattendus (jeunes patients avec VHC guéri et GGT élevé). La performance globale restait proche des scores classiques à court terme, avec un léger gain à 5 ans pour le modèle RF (C-index : 0,77 vs 0,75).
Conclusion
Les modèles ML révèlent des combinaisons de facteurs de risque complexes et des phénotypes dits "extrêmes", inattendus, à haut risque et non identifiés par les scores traditionnels. Ces outils ouvrent la voie à une surveillance personnalisée du CHC, actuellement testée dans des essais randomisés comme FASTRAK.
R. Mroué, Nice