Plusieurs études indiquent qu’une bonne observance des patients transplantés rénaux limite le risque d’échec de la greffe mais les données d’observance sont difficilement accessibles. Nous avons mobilisé les données du Système National des Données de Santé pour étudier la corrélation entre observance et échec de greffe sur 16 000 patients.

L’étude vise à identifier les déterminants d’une mauvaise observance des patients et l’impact de cette mauvaise observance sur l’échec de la greffe. Nous avons eu accès aux données de remboursements des 16 000 transplantés entre janvier 2013 et décembre 2017. Ces données comprennent l’âge, le sexe, le détail des séjours hospitaliers des patients (avant, pendant et après la greffe) ainsi que l’ensemble des visites en pharmacie et les traitements délivrés lors de ces visites.

Nous avons construit un indicateur “proxy” de l’observance des patients à partir de la fréquence des visites en pharmacie pour les traitements chroniques liés à leur pathologie, cette fréquence est attendue à une fois par mois au minimum. Pour estimer les déterminants d’une mauvaise observance (fréquence de visite en pharmacie en dessous de 9 fois par an), nous avons utilisé des modèles classiques (modèles de Cox et régression logistique) ainsi que de modèles d’intelligence artificielle, notamment pour mieux estimer les interactions entre les variables explicatives.

Le modèle construit présente de bons résultats et les principaux déterminants identifiés sont le temps depuis le dernier achat, le sexe et l’index de Charlson de l’année pré-transplantation. Les modèles d’IA sont légèrement plus robustes que les modèles classiques, mais apparaissent peu interprétables. Après ajustement sur les variables disponibles, il apparaît que la mauvaise observance a un impact significatif sur l’échec de greffe.

Un enrichissement de la base de données avec les données de prescription et d’analyse biologique est actuellement en cours.