Estimer la prévalence de l’insuffisance rénale chronique (IRC) non dialysée (ND) est un enjeu majeur de santé publique. Nous avons utilisé un algorithme de Machine Learning (ML) afin d’identifier des patients potentiellement IRC mais sans diagnostic dans une base de 700000 individus.

Après identification d’un premier groupe d’adultes IRC depuis l’Échantillon Généraliste des Bénéficiaires (EGB), un second groupe de patients (pathologie cardiovasculaire, HTA, ou diabète) a été extrait et un algorithme de ML a été appliqué afin de déterminer ceux susceptibles d’être IRC sans diagnostic dans la base.

Un premier groupe d’adultes IRC a été identifié à partir des hospitalisations/ALD en lien avec l’IRC (CIM-10 N18) entre le 01/01/2012 et le 31/12/2017 depuis l’EGB, base de données issue des remboursements de soins de l’Assurance Maladie en France. Un second groupe de patients présentant un codage pour pathologie cardiovasculaire, hypertension artérielle ou diabète entre le 01/01/2012 et le 31/12/2017 a été extrait à partir de la base EGB. Un algorithme (One-Class-SVM) a été appliqué sur ce groupe de patients afin de déterminer ceux susceptibles d’être IRC sans diagnostic dans la base. Cet algorithme sépare les patients atypiques (IRC) des autres à partir de variables jugées pertinentes, puis valide la pertinence de cette séparation sur la population confirmée. L’anémie a été recherchée à travers la prise de traitements.

La prévalence de l’IRC ND était de 0,88 % en France parmi la population adulte (470000 personnes) et celui de l’anémie était de 0,38 % (140000 personnes). Après application des techniques de ML, ces taux étaient respectivement de 4,22 % et 1,28 %, soit 2,3 millions et 473000 personnes (Fig. 1).

Le ML permet d’estimer 2,3 millions de patients IRC ND en France dont 1,8 millions non diagnostiqués. Leur identification en routine permettrait une prise en charge précoce, ce qui aurait un impact potentiel en termes de santé publique.