Réentraînement avec suivi prolongé d’UroPredict 2 : amélioration des performances et simplification d’un modèle prédictif de récidive après chirurgie du carcinome rénal - 31/10/26
, V. Defour 2, G. Herman 1, L. Ferrer 2, P. Bigot 3, K. Bensalah 4, A. Mejean 5, M. Roupret 6, N. Doumerc 7, A. Ingels 8, R. Boissier 9, G. Pignot 10, B. Parier 11, P. Paparel 12, T. Waeckel 13, T. Colin 2, J.C. Bernhard 1Résumé |
Introduction |
UroPredict est un modèle de machine learning développé à partir des données prospectives du registre national UroCCR pour prédire la survie sans récidive (SSR) individuelle après chirurgie du carcinome rénal (CCR) localisé ou localement avancé. Publié en 2024 avec un suivi médian de 2 ans, ce modèle nécessitait une actualisation intégrant un suivi prolongé et de nouvelles fonctionnalités d’aide à la décision clinique.
Méthodes |
Le modèle a été réentraîné sur les données UroCCR de la cohorte initiale ( n = 3355 ; 2227 entraînement/1128 test), avec un suivi médian prolongé à 5 ans (+2,5 ans versus version initiale). Une optimisation des variables a permis une réduction de 24 à 19 features, supprimant les variables de faible importance pronostique afin de simplifier le renseignement clinique. Le modèle repose sur une approche Cox PH associée à une imputation multiple des données manquantes. Les performances ont été évaluées par iAUC et AUC à l’horizon sur la cohorte test. Le prédicteur mis à jour intègre des outils d’explicabilité, de visualisation pronostique individuelle et de quantification de l’incertitude.
Résultats |
Le modèle actualisé améliore les performances malgré une réduction du nombre de variables : iAUC à 5 ans de 0,82 (vs 0,81) et AUC à 5 ans de 0,78 (vs 0,76) sur la cohorte test. Les performances demeurent globalement stables dans les différentes sous-populations étudiées selon les modalités des variables catégorielles. La stratification en groupes de risque permet une discrimination nette, avec des courbes de SSR bien séparées. Le mécanisme d’imputation maintient des performances élevées malgré les données manquantes, renforçant la robustesse du modèle en pratique courante.
Conclusion |
Ce réentraînement avec suivi étendu améliore les performances d’UroPredict tout en simplifiant son utilisation. L’intégration des valeurs SHAP, de la visualisation pronostique et de la quantification de l’incertitude renforce la transparence et la confiance clinique dans la prédiction individuelle, constituant une étape vers une aide à la décision opérationnelle en pratique urologique courante ( Fig. 1, Fig. 2 ).
Le texte complet de cet article est disponible en PDF.Plan
Vol 36 - N° 7S
P. S73-S74 - octobre 2026 Retour au numéro
Article précédent
- UroPredict 2 pour optimiser la sélection des patients candidats à l’immunothérapie adjuvante dans le carcinome rénal : émulation en vie réelle de trois essais de phase III
- G. Margue, L. Ferrer, V. Defour, P. Barthelemy, M. Gross-Goupil, P. Bigot, L. Albiges, T. Colin, J.C. Bernhard
- Validation externe de la classification cT1 tripartite dans le carcinome rénal : étude multicentrique sur 4993 patients (UroCCR no 281)
- M. Pattou, F. Audenet, N. Branger, A. Roupret, J. Guillotreau, T. Waeckel, K. Bensalah, J.J. Patard, H. Lang, L. Surlemont, A. Fontenil, A. Bourgi, C. Michel, T. Prudhomme, B. Parier, J.C. Fantoni, J.C. Bernhard, A. Mejean, M.O. Timsit
Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.
Déjà abonné à cette revue ?