Hépatite C non diagnostiquée : un modèle explicable entraîné sur les dossiers de santé de toute l'Andalousie repère 63 % des cas, mais un signalement sur quatorze seulement est un vrai cas

Une équipe andalouse a entraîné un modèle d'apprentissage automatique interprétable sur les dossiers de santé de la région, avec 25 028 diagnostics d'hépatite C posés entre 2017 et 2024, pour repérer les personnes infectées qui ne le savent pas encore. Testé sans modification sur un échantillon aléatoire de 2024, il retrouve 63,5 % des futurs diagnostics, mais seuls 7 % des patients qu'il signale sont réellement concernés. C'est un travail méthodologiquement soigné sur plusieurs points, qui reste une preuve de concept : une seule région, pas de comparaison chiffrée avec les stratégies de dépistage existantes, et un « audit de biais » dont les résultats ne figurent pas dans le texte.

Le contexte

L'hépatite C est une infection virale du foie qui évolue souvent sans symptômes pendant des années, jusqu'à la cirrhose ou au cancer du foie. Depuis l'arrivée des antiviraux à action directe, quelques semaines de comprimés guérissent la très grande majorité des patients. Le goulot d'étranglement n'est donc plus le traitement mais le diagnostic : selon les auteurs, 25 à 30 % des infections actives en Espagne ne sont toujours pas diagnostiquées.

Deux stratégies classiques coexistent : dépister tout le monde dans certaines tranches d'âge, ou cibler les personnes à facteurs de risque connus (usage de drogues injectables, VIH, transfusion ancienne). La seconde rate beaucoup de cas, la première coûte cher. D'où l'idée, déjà explorée aux États-Unis, en Israël ou en Corée, d'utiliser les données déjà présentes dans le dossier médical (bilans biologiques, diagnostics codés) pour signaler automatiquement les patients à tester. Les modèles publiés affichent des AUC allant d'environ 0,77 à 0,95. La question n'est donc pas « est-ce faisable ? » mais « est-ce utilisable, et à quel prix en faux positifs ? ».

La méthode

Les données viennent de la Base Poblacional de Salud (BPS), qui couvre plus de 16 millions d'usagers du système public andalou, analysées dans un environnement sécurisé. Les cas sont toutes les personnes ayant reçu un diagnostic d'hépatite C entre 2017 et 2024 (n = 25 028) ; le texte ne précise pas la définition exacte (codes diagnostiques, sérologie ou ARN viral). Pour l'entraînement, chaque cas est apparié à des témoins de même sexe, âge et district sanitaire, avec un ratio réalisé d'environ 9,2 témoins par cas (213 404 témoins).

Les variables d'entrée sont des maladies chroniques codées (VIH, dépendance aux substances, obésité, diabète, BPCO, etc.) et des résumés statistiques (moyenne, écart-type, minimum, maximum) de bilans biologiques : transaminases ALAT et ASAT, plaquettes, GGT, hémoglobine… Seules les données enregistrées au moins 30 jours avant la date du diagnostic sont utilisées, pour limiter la fuite d'information (data leakage) : sans ce délai, le modèle verrait les examens prescrits justement parce qu'on soupçonne déjà une hépatite.

Le modèle est un Explainable Boosting Machine (EBM), développé par Microsoft Research dans la bibliothèque InterpretML. C'est un modèle additif : la prédiction est la somme de contributions de chaque variable, chacune apprise par boosting (une succession de petits arbres de décision qui corrigent les erreurs des précédents). On peut donc afficher, pour chaque variable, la courbe exacte de son effet sur le risque. Il est comparé à une régression logistique régularisée.

La validation est temporelle : entraînement sur les diagnostics 2017-2022, réglage du seuil de décision sur 2023 pour garantir au moins 60 % de sensibilité (la sensibilité est la part des malades que le modèle signale), puis test « à l'aveugle » sur 2024. Point important, le jeu de test n'est pas apparié : il contient 1 881 cas et 193 054 témoins tirés au hasard dans la population, soit une prévalence d'environ 1 %. C'est plus proche de la réalité que les jeux équilibrés que l'on voit souvent. Après une revue d'explicabilité, les auteurs ont retiré deux variables jugées refléter surtout la précarité sociale (la tranche de ticket modérateur pharmaceutique, liée au revenu, et un indice de défavorisation du quartier), ainsi que la dyslipidémie, sans justification écrite pour cette dernière.

Les résultats

En métriques ML, sur le jeu de test 2024 : AUC de 0,837 (0,826 en validation, 0,841 en entraînement). L'AUC, ou aire sous la courbe ROC, mesure la capacité à classer un malade au-dessus d'un non-malade : ici, dans environ 84 % des paires tirées au hasard. Au seuil retenu, sensibilité de 63,5 % (1 195 cas sur 1 881), spécificité de 91,8 %, valeur prédictive positive (VPP, la probabilité qu'un patient signalé soit réellement infecté) de 7,0 %, valeur prédictive négative de 99,6 %. L'aire sous la courbe précision-rappel, plus exigeante quand les positifs sont rares, tombe à 0,240 en test contre 0,542 en validation, une chute qui s'explique en grande partie par le passage d'un jeu apparié à 1 % de prévalence.

Les variables les plus influentes sont la valeur minimale des ALAT (une transaminase durablement élevée signe une souffrance hépatique), l'infection par le VIH, la dépendance à des substances autres que le tabac et les statistiques de plaquettes. La performance baisse quand on impose un délai plus long entre les données et le diagnostic (de 30 à 720 jours). La calibration, c'est-à-dire l'accord entre probabilité prédite et risque réel, est imparfaite : le modèle sous-estime le risque dans les probabilités élevées, et les recalibrations testées n'ont pas été retenues.

Traduction clinique, à partir des effectifs publiés et ramenés à 1 000 personnes de la population de test (où environ 10 recevront un diagnostic en 2024) : le modèle en signale environ 88. Parmi elles, 6 sont de vrais cas et 81 sont des faux positifs ; 3 à 4 cas passent sous le radar. Il faut donc tester environ 14 personnes signalées pour trouver une infection. Dans une population où la prévalence serait plus faible que dans ce jeu de test, par exemple 0,3 %, la même sensibilité et la même spécificité donneraient une VPP d'environ 2 %, soit un cas pour une cinquantaine de tests.

Ce qui est bien

Premièrement, un jeu de test réaliste. Beaucoup de modèles de dépistage sont évalués sur des jeux appariés ou équilibrés qui gonflent la VPP. Ici, le seuil est figé sur 2023 puis appliqué à un échantillon aléatoire de 2024 à environ 1 % de prévalence, et les auteurs publient la VPP de 7 % et le taux de fausses découvertes de 93 % au lieu de les cacher derrière l'AUC.

Deuxièmement, un modèle réellement lisible. L'EBM permet de voir l'effet de chaque variable, ce qui a servi concrètement : la revue d'explicabilité a conduit à retirer deux variables socio-économiques que le modèle utilisait comme raccourci. Le délai de 30 jours avant le diagnostic et l'analyse de sensibilité jusqu'à 720 jours montrent un souci réel de la fuite d'information.

Troisièmement, l'échelle et la sobriété des données. Une base populationnelle de plus de 16 millions d'usagers, 25 028 cas, et uniquement des données déjà collectées en routine : pas d'examen supplémentaire, pas d'imagerie. Si l'approche se confirme, elle est déployable à faible coût dans un système de santé qui dispose d'un entrepôt de données comparable.

Ce qui est moins bien

Premièrement, un risque de shortcut learning (apprentissage par raccourci) lié à l'étiquette elle-même. Le modèle apprend à prédire qui recevra un diagnostic, pas qui est infecté. Or les personnes vivant avec le VIH ou suivies pour une dépendance sont précisément celles qu'on teste déjà le plus ; que ces variables arrivent en tête n'est pas surprenant et dit peu sur la capacité à trouver les infections réellement cachées, chez des patients sans facteur de risque connu. S'y ajoute un écart de profil dans le jeu de test : les cas ont en moyenne 59,5 ans et sont à 67,9 % des hommes, contre 49,9 ans et 48,6 % d'hommes pour les témoins aléatoires. L'âge et le sexe ne sont pas des variables du modèle, mais des maladies chroniques et des valeurs biologiques qui en dépendent, oui ; une partie de la discrimination en test peut donc refléter l'âge plutôt que l'hépatite.

Deuxièmement, un « audit de biais » annoncé mais non montré, et un comparateur absent. Le titre promet un modèle « audité pour les biais » et la discussion évoque une performance homogène entre districts sanitaires, mais la version que nous avons lue ne présente aucun résultat chiffré par sexe, âge, district ou niveau socio-économique. Il n'y a pas non plus de comparaison chiffrée avec la stratégie qu'il faudrait battre, le dépistage ciblé sur facteurs de risque ou le dépistage par tranche d'âge ; les autres modèles ne sont comparés qu'à travers la littérature. On note aussi des incohérences à corriger : deux seuils différents (0,1793 et 0,1437) pour le modèle principal, et un appariement décrit tantôt par âge, tantôt par année de naissance.

Troisièmement, un biais de population et des questions d'indépendance. La validation est temporelle dans une seule région, sans validation externe ; les auteurs le reconnaissent, ainsi que les différences de codage et d'épidémiologie (co-infection VIH, usage de drogues injectables) d'un système à l'autre. Les données sont en accès contrôlé et la disponibilité du code n'est pas confirmée dans le texte. Enfin, l'étude est en partie financée par Gilead Sciences, fabricant d'antiviraux contre l'hépatite C, sans déclaration de conflits d'intérêts ni description du rôle du financeur dans la version consultée. Ce n'est pas une preuve de biais, mais c'est une information que le lecteur doit avoir.

Ce que ça change

Pour la communauté de recherche : ce travail montre une bonne pratique, évaluer à prévalence réaliste et publier la VPP, et il fournit une base interprétable pour la suite. Les étapes manquantes sont claires : publier les résultats par sous-groupe, comparer chiffres à l'appui avec le dépistage sur facteurs de risque, valider dans d'autres régions, puis mesurer dans une étude prospective combien de diagnostics et de traitements supplémentaires une alerte entraîne réellement.

Pour les cliniciens : rien de déployable aujourd'hui. Mais la logique mérite attention : une sérologie de l'hépatite C est un examen simple, et signaler quatorze patients pour trouver une infection guérissable peut être acceptable, à condition de vérifier que les cas trouvés ne sont pas ceux que le dépistage ciblé aurait trouvés de toute façon, et que les alertes ne surchargent pas les équipes de soins primaires.

Pour les patients et le grand public : l'idée est que le dossier médical lui-même suggère un test sanguin à quelqu'un qui ne se sait pas à risque. Cela pose des questions légitimes sur l'usage des données de santé et sur la stigmatisation, puisque certaines variables (VIH, dépendances) sont sensibles. L'enjeu de fond reste positif : chaque infection trouvée est, aujourd'hui, presque toujours guérissable.

Pour aller plus loin

Le préprint : An explainable, bias-audited machine learning model to detect hidden hepatitis C from region-wide real-world health records, medRxiv, mis en ligne le 6 novembre 2026, DOI 10.64898/2026.11.05.26367298, non relu par les pairs. Auteurs : Alberto Esteban-Medina, Carlos Loucera, Joaquín Dopazo (Barcelonaβeta Brain Research Center, Hospital del Mar Research Institute, Plateforme andalouse de médecine computationnelle) et Manuel Romero Gómez (Institut de biomédecine de Séville, Hôpital universitaire Virgen del Rocío). Financements : Gilead Sciences Espagne, ministère espagnol de la Science, Instituto de Salud Carlos III, Junta de Andalucía, Horizon Europe (MLCARE). Outil : la bibliothèque open source InterpretML, qui implémente l'EBM.

Mention de transparence éditoriale : cet article a été produit par la chaîne éditoriale automatisée de Tatakoto à partir de la version 1 du préprint ; les annexes (tableaux et figures supplémentaires) n'ont pas pu être consultées. Les calculs « pour 1 000 personnes » et la simulation à 0,3 % de prévalence sont les nôtres, à partir des effectifs publiés. Les versions anglaise, espagnole et chinoise sont générées par IA. Une erreur ? Contactez-nous.