Prévision des trajectoires individuelles de maladie à l'aide d'un apprentissage profond interprétable

Les modèles de progression des maladies sont essentiels pour prédire les trajectoires de santé au niveau individuel et comprendre la dynamique des maladies. Les modèles existants sont capables de fournir soit des prédictions précises du pronostic des patients, soit des représentations cliniquement interprétables de la pathophysiologie des maladies, mais pas les deux simultanément. Dans cet article, nous développons le modèle de progression des maladies à espace d'états attentif par phases (PASS), un modèle probabiliste profond qui capture des représentations complexes de la progression des maladies tout en maintenant une interprétabilité clinique. Contrairement aux modèles d'espace d'états markoviens qui supposent des dynamiques sans mémoire, PASS utilise un mécanisme d'attention pour induire des transitions d'état « avec mémoire », où les poids d'attention mis à jour répétitivement sont utilisés pour se concentrer sur les réalisations d'état passées qui prédisent le mieux les états futurs. Cela donne lieu à des dynamiques d'état complexes et non stationnaires qui restent interprétables grâce aux poids d'attention générés, qui désignent les relations entre les variables d'état réalisées pour chaque patient. PASS utilise des unités LSTM phasées (avec des portes temporelles contrôlées par des oscillations paramétrées) pour générer les poids d'attention en temps continu, ce qui permet de traiter les observations médicales irrégulièrement échantillonnées et potentiellement manquantes. Des expériences menées sur des données issues d'une cohorte réelle de patients montrent que PASS réussit à équilibrer le compromis entre précision et interprétabilité : il démontre une précision prédictive supérieure et apprend des représentations individuelles pertinentes de la progression des maladies.