Apprentissage automatique pour la stratification du risque des troubles hypertensifs de la grossesse :

Apprentissage automatique pour la stratification du risque des troubles hypertensifs de la grossesse : améliorer l'efficacité clinique dans les soins prénatals à ressources limitées en Tanzanie

Consulter l'article complet

Aperçu de l'étude

Cette étude a examiné comment l'apprentissage automatique (machine learning, ML) peut améliorer l'identification précoce des troubles hypertensifs de la grossesse (THG) à partir des données de CPN de routine collectées via le Unified Community System (UCS) de Tanzanie. Les THG contribuent à environ 34 % des décès maternels directs en Tanzanie, pourtant les CPN de routine dans de nombreux établissements de santé reposent sur une seule mesure de la tension artérielle, ce qui peut ne pas détecter les femmes à haut risque.

Les chercheurs ont analysé 337 027 dossiers de CPN de routine collectés entre 2020 et 2024, représentant 187 438 femmes enceintes uniques réparties dans 23 régions de Tanzanie. Cinq algorithmes d'apprentissage automatique ont été évalués, XGBoost affichant les meilleures performances pour identifier les femmes nécessitant une évaluation clinique complémentaire.

Plutôt que de remplacer le diagnostic clinique, le modèle a été conçu comme un outil de triage clinique destiné à aider les prestataires de soins à prioriser les femmes ayant besoin d'un examen approfondi dans des cliniques prénatales surchargées et disposant de ressources limitées.

Principaux résultats

Le modèle XGBoost a atteint une précision globale de 90,9 % avec une aire sous la courbe (AUC) de 0,95, démontrant une excellente capacité à distinguer les femmes à risque de troubles hypertensifs.

Fait le plus important, le modèle a atteint une sensibilité de 100 %, ce qui signifie qu'il a identifié avec succès chaque femme classée comme présentant un THG dans le jeu de données de validation. Cette approche « priorité à la sécurité » réduit au minimum le risque de passer à côté de grossesses à haut risque, bien qu'elle génère intentionnellement davantage d'alertes faussement positives nécessitant un suivi.

Les mesures de la tension artérielle (systolique et diastolique) se sont révélées être les prédicteurs les plus puissants des THG, tandis que des variables supplémentaires — notamment l'indice de masse corporelle (IMC), la protéinurie, la glycémie, la température et le statut syphilitique — ont amélioré la stratification globale du risque en offrant une vision plus complète du profil de santé maternelle.

L'étude a également mis en évidence d'importants défis liés au système de santé. Les données de santé de routine présentaient d'importantes lacunes concernant les informations de laboratoire, la glycémie étant manquante dans 76 % des dossiers et plusieurs variables diagnostiques étant mal documentées. Malgré ces limites, l'apprentissage automatique est resté efficace lorsqu'il était entraîné sur des données de santé gouvernementales réelles.

Les chercheurs ont constaté que de nombreuses femmes n'assistaient qu'à une seule visite de CPN, ce qui complique le suivi clinique longitudinal. Le modèle de ML offre donc une opportunité d'améliorer la prise de décision clinique même lorsque seules des informations limitées sur la patiente sont disponibles.

Conclusion

Cette étude démontre que les données de santé numériques de routine collectées via le Unified Community System de Tanzanie peuvent efficacement soutenir des modèles d'apprentissage automatique pour la stratification du risque maternel dans des contextes à ressources limitées.

Plutôt que de remplacer les prestataires de soins, le modèle sert d'outil de dépistage intelligent qui aide à prioriser les femmes nécessitant une évaluation clinique complémentaire, permettant une utilisation plus efficace des ressources de santé limitées tout en réduisant la probabilité de troubles hypertensifs non détectés pendant la grossesse.

Avant une mise en œuvre à l'échelle nationale, les auteurs recommandent de renforcer l'infrastructure de santé numérique, d'améliorer la qualité des données, d'intégrer le modèle dans les circuits cliniques de routine, et de mener des études pilotes progressives pour évaluer l'impact opérationnel, les implications en matière de charge de travail, la rentabilité et l'équité. Avec une mise en œuvre appropriée, l'apprentissage automatique a le potentiel d'améliorer les résultats en matière de santé maternelle en favorisant une identification et une prise en charge plus précoces des grossesses à haut risque à travers la Tanzanie.

L'article a été publié en 2026. Il est paru dans PLOS Digital Health et a examiné l'application de l'apprentissage automatique pour l'identification des troubles hypertensifs de la grossesse à partir des données de CPN de routine collectées via le Unified Community System de Tanzanie.