Analyses des séquences de traitements à partir du Sniiram : cas d’étude des incidents 2013 du VIH - 12/05/19
Résumé |
Objectifs |
L’objectif de cette étude était de montrer la pertinence d’une nouvelle méthode de data mining pour étudier les séquences de traitements à partir de la base du Sniiram (Système national d’information inter-régimes de l’assurance maladie). L’enjeu était de décrire les changements et les arrêts de traitements (nombre, apparition, temporalité) sur une cohorte de plusieurs milliers de patients. Les écueils classiques de la modélisation de séquences sont à la fois analytiques et graphiques.
Méthode |
Nous avons extrait les données Sniiram des patients vivant avec le VIH (Virus de l’immunodéficience humaine) repérés par l’ALD, un remboursement d’un acte de biologie de suivi du VIH, une hospitalisation liée au VIH et/ou un remboursement d’au moins deux antirétroviraux (ART) sur la période 2013–2014 (N≈100 000). Les patients incidents en 2013 (N=5495) ont été suivis pendant deux ans pour repérer leurs délivrances d’ART. Ces délivrances ont été décrites en nombre de thérapies : monothérapies, bithérapies, trithérapies et quadrithérapies ou plus. Les séquences de traitements des patients ont été intégrées dans un algorithme de clustering pour identifier des sous-groupes de séquences similaires. La similarité entre deux séquences a été mesurée par une distance de Hamming et le linkage par la méthode Ward. Dans un objectif de visualisation, dans chaque sous-groupe, les séquences ont été ordonnées selon un critère de similarité. Cette étape a été menée par un algorithme d’Agglomerative Clustering. Il en résulte un graphique contenant une ligne par patient. Les lignes sont ordonnées les unes au-dessus des autres et suivent la ligne temporelle des deux ans de suivi. En dernier lieu, un lissage est opéré sur l’image obtenue pour homogénéiser le bruit des observations. L’association du premier clustering, de l’Agglomerative Clustering et du traitement d’image forme une méthodologie innovante intitulée T.A.K. : Time-sequence Analysis through K-clustering.
Résultats |
Le T.A.K. donne une vue d’ensemble des traitements reçus, des enchaînements et des arrêts de traitements des patients sur plusieurs années. Il permet de visualiser l’entièreté de la cohorte, les schémas généraux de prises de traitements et les schémas secondaires. Dans le cas des incidents VIH, il confirme que la trithérapie est le traitement de référence aujourd’hui. Il met en relief les patients ayant des périodes sans traitement, en précisant s’ils ont été traités auparavant et pendant combien de temps. On observe aussi des cas atypiques de traitements sous monothérapie, suivis d’un taux de mortalité élevé. On peut d’autre part voir combien de patients changent de manière durable d’une trithérapie à une monothérapie ou à une bithérapie, et à quel moment par rapport à leur inclusion ce changement a lieu.
Conclusion |
Cette étude montre la pertinence de coupler une méthode de clustering avec des méthodes de traitement d’image pour visualiser les séquences de traitements de l’entièreté d’une cohorte de manière claire et synthétique. Les changements de traitements et leurs emplacements dans la chronologie des patients ou dans le contexte médico-économique de la maladie permettent une meilleure compréhension du suivi. Cela apporte une information précise et complète aux décideurs publics et aux industriels de santé.
Le texte complet de cet article est disponible en PDF.Mots clés : Séquences de traitement, Clustering, Sniiram, Données de vie réelle, Parcours de soins, Data mining
Plan
Vol 67 - N° S4
P. S177-S178 - juin 2019 Retour au numéroBienvenue sur EM-consulte, la référence des professionnels de santé.