S'abonner

La classification non supervisée des données en vie réelle d’une communauté en ligne de patients permet l’identification de profils de patients lupiques concernant leurs préférences thérapeutiques - 15/09/20

Doi : 10.1016/j.respe.2020.04.051 
D. Testa a, , V. Morisseau a, L. Radoszycki a, , L. Chiche b
a Carenity, France 
b Service de médecine interne, Hôpital Européen, Marseille, France 

Auteurs correspondants.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.

Connectez-vous pour en bénéficier!

Résumé

Introduction

Le lupus est le prototype d’une maladie auto-immune complexe chronique. Le taux de non-observance au traitement est étonnamment élevé et nuit à sa prise en charge. L’adhésion au traitement médicamenteux est un phénomène multifactoriel, influencé par les caractéristiques du traitement [1]. Dans le cadre de cette étude, des méthodes de classification non supervisée ont été utilisées afin d’identifier des profils de patients lupiques concernant leurs préférences thérapeutiques.

Méthodes

Une enquête en ligne auprès des patients adultes atteints de lupus, provenant de la plateforme Carenity, a été menée entre août 2018 et avril 2019. En dehors des caractéristiques des patients et de leurs traitements actuels, l’enquête cherchait à identifier les préférences en termes de galénique et les caractéristiques du traitement priorisées (hors efficacité) parmi les 10 items suivants : moins d’effets secondaires, compatible avec une grossesse, mieux toléré à long terme, coût moins élevé pour la société, lieu d’administration qui me convient plus, facilité de prise, nécessite moins de suivi médical, moins de risques d’infection, permet de diminuer la dose de corticoïdes, permet de diminuer le temps d’administration du traitement. L’analyse des correspondances multiples (ACM) d’un ensemble de données sur les patients français atteints de lupus a été utilisée avec trois méthodes de classification non supervisées (classification ascendante hiérarchique, kmeans et partitionnement autour de médoïdes).

Résultats

Les 268 patients atteints de lupus étaient principalement des femmes (96 %), avec un âge moyen de 44,3 ans et 83 % remplissaient les critères de diagnostic du lupus systémique de l’« American College of Rheumatology ». Dans l’ensemble, la forme galénique préférée était orale (62 %) et le moindre risque d’effets secondaires était la caractéristique privilégiée (32 %). Une ACM a été réalisée à l’aide de huit variables de profil et la meilleure méthode de classification non supervisée pour cet ensemble de données (classification hiérarchique ascendante) a identifié trois groupes. Le groupe 1, le principal (59 %), comprenait des patients avec peu de comorbidités, moins de capacité à identifier les poussées à venir, et qui souhaitaient principalement (84 %) des traitements oraux avec des effets secondaires limités, la plupart (83 %) étant déjà sous traitements oraux. Le groupe 2, le plus petit (13 %), comprenait des patients plus jeunes, ayant déjà participé à des essais cliniques, favorisant les implants et la compatibilité des traitements avec la grossesse. Le groupe 3 (28 %) comprenait des patients qui avaient une durée de lupus plus longue mais une maladie moins contrôlée avec plus de comorbidités. Un tiers avait des traitements injectables et les patients de ce groupe voulaient principalement des implants ou des injections et favorisaient la possibilité de réduire les corticoïdes. La robustesse de ces résultats a été confirmée par des analyses de sensibilité ainsi qu’une validation externe.

Conclusion

Les patients lupiques préféraient une galénique favorisant la conservation de leur autonomie. Les profils identifiés pourraient aider les médecins à adapter leur proposition thérapeutique en tenant compte des préférences des patients et ainsi à maximiser l’observance thérapeutique [2]. Notre étude met également en évidence le potentiel d’utilisation de méthodes de classification non supervisée en combinaison avec des données provenant directement des patients via leurs communauté en ligne pour fournir de nouvelles connaissances dans le domaine des maladies chroniques rares et complexes.

Le texte complet de cet article est disponible en PDF.

Plan


© 2020  Publié par Elsevier Masson SAS.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 68 - N° S2

P. S90-S91 - septembre 2020 Retour au numéro
Article précédent Article précédent
  • Validation d’un algorithme complexe d’identification de poussées dans la sclérose en plaque à partir du Système national des données de santé
  • P. Bosco-Levy, P. Blin, S. Lignot-Maleyran, R. Lassalle, A. Abouelfath, P. Diez-Andreu, M. Debouverie, B. Brochet, C. Louapre, O. Heinzlef, E. Maillart, N. Moore, C. Droz-Perroteau
| Article suivant Article suivant
  • Index des auteurs

Bienvenue sur EM-consulte, la référence des professionnels de santé.

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.