Prédire l'échec d'observance du traitement anti-VIH par machine learning : que vaut une validation « réelle » sur 192 732 dossiers multipays ? (medRxiv, 2026)

Un preprint déposé le 15 mai 2026 sur medRxiv valide des modèles de machine learning sur 192 732 dossiers cliniques issus de plusieurs pays, pour prédire l'échec d'observance du traitement anti-VIH et chiffrer les « trous » du parcours de soins. La discrimination, mesurée en validation temporelle sur des patients futurs, atteint une AUC de 0,772 (IC 95 % : 0,744–0,802), et l'étude documente un délai médian de 74 jours entre diagnostic et mise sous traitement, 47,3 % des patients dépassant 90 jours. C'est une démonstration honnête et utile à grande échelle — mais une AUC modeste, un critère d'observance dont la définition reste opaque dans le résumé public, et une modélisation économique aux hypothèses non détaillées invitent à lire ces chiffres pour ce qu'ils sont.

Le contexte

Le VIH se traite, mais à deux conditions : être diagnostiqué tôt et prendre son traitement antirétroviral (ART, l'association de médicaments qui bloque la réplication du virus) sans interruption. L'observance — la régularité avec laquelle un patient prend effectivement son traitement — est le nerf de la guerre : une prise irrégulière laisse le virus rebondir, abîme l'immunité et favorise les résistances. Dans les pays à ressources limitées, où vit l'essentiel des personnes concernées, deux fractures persistent : on diagnostique trop tard, et on perd des patients en cours de route. L'ONUSIDA résume l'objectif par la cascade « 95-95-95 » (95 % des personnes diagnostiquées, 95 % de celles-ci sous traitement, 95 % de celles-ci avec une charge virale supprimée).

L'idée d'utiliser le machine learning pour repérer à l'avance les patients à risque de décrochage n'est pas neuve, mais la plupart des travaux antérieurs portaient sur de petites cohortes d'un seul centre, souvent sans validation au-delà du jeu d'entraînement. Ce preprint se distingue par son ambition de validation « en conditions réelles » et par l'échelle : 192 732 dossiers, plusieurs pays. C'est précisément ce qui le rend intéressant à décrypter — et ce qui appelle de la prudence sur ce que « validation réelle » veut dire ici.

La méthode

Le travail est un preprint medRxiv (2026.05.15.26353325, déposé le 15 mai 2026, non encore relu par les pairs). Il s'agit d'une étude rétrospective sur données de routine : on réutilise des dossiers déjà constitués plutôt que de recruter des patients pour l'occasion. Deux objectifs sont poursuivis en parallèle : prédire l'échec d'observance à venir, et quantifier les « care gaps » — les ruptures du parcours de soins (retards, abandons, présentations tardives).

Côté modèles, le résumé mentionne notamment XGBoost, un algorithme d'arbres de décision boostés : il combine des centaines de petits arbres, chacun corrigeant les erreurs du précédent, et reste l'outil de référence sur données tabulaires (colonnes de variables comme l'âge, le taux de CD4, les dates de visite). La validation revendiquée est temporelle : le modèle est testé sur des patients futurs, c'est-à-dire postérieurs à la période d'entraînement, plutôt que sur un échantillon tiré au hasard dans le même ensemble. C'est la bonne façon de simuler un déploiement réel, où l'on prédit toujours sur des patients qu'on n'a pas encore vus.

Plusieurs éléments décisifs ne figurent pas dans le résumé public et devront être vérifiés dans le texte intégral : quels pays exactement, combien de centres, comment l'« échec d'observance » est défini opérationnellement (mesure de renouvellement en pharmacie ? charge virale ? rendez-vous manqués ?), quelles variables nourrissent le modèle, et si le code et les données sont accessibles. Ces zones d'ombre conditionnent l'interprétation des résultats.

Les résultats

En validation temporelle, le modèle obtient une AUC de 0,772 (IC 95 % : 0,744–0,802). L'AUC (aire sous la courbe ROC) mesure la capacité à ordonner correctement deux patients tirés au hasard, l'un qui décrochera et l'autre non : 0,772 signifie qu'on les classe dans le bon ordre environ trois fois sur quatre. C'est une discrimination modérée — honnête, mais loin des AUC de 0,95 ou plus qu'on voit annoncer ailleurs, et qui s'effondrent souvent à la première validation sérieuse.

L'étude montre aussi une stabilité rassurante entre sous-groupes : l'AUC varie peu selon le sexe, l'âge, le niveau de CD4 et le stade OMS, avec un écart maximal de 0,051. Surtout, la partie « care gaps » livre des chiffres descriptifs précieux : un délai médian de 74 jours entre diagnostic et mise sous traitement, 47,3 % des patients au-delà de 90 jours, et 36,7 % se présentant avec moins de 200 CD4 par microlitre — c'est-à-dire à un stade d'immunodépression avancée. Une modélisation économique projette enfin une économie de base de 415 USD par patient, soit 2,07 millions de dollars pour une cohorte de 5 000 patients.

Traduction clinique. Une AUC de 0,772 peut servir à prioriser — par exemple décider qui rappeler en premier — mais pas à trancher individuellement : à ce niveau de discrimination, beaucoup de patients à risque seront manqués et beaucoup de patients étiquetés « à risque » ne décrocheront pas. Le résumé ne donne ni sensibilité, ni spécificité, ni valeur prédictive positive à un seuil donné ; on ne peut donc pas convertir l'AUC en nombre de faux positifs et de faux négatifs pour 1 000 patients, ce qui serait pourtant la seule manière de juger une utilité opérationnelle. Le chiffre le plus parlant n'est pas l'AUC : ce sont les 74 jours de délai et les 36,7 % de patients diagnostiqués trop tard.

Ce qui est bien

L'échelle et le caractère réellement multipays des données. 192 732 dossiers cliniques de routine, issus de plusieurs pays, c'est un ordre de grandeur rare dans la littérature ML-VIH, longtemps dominée par des cohortes monocentriques de quelques milliers de patients. Travailler sur des données de terrain, avec leur bruit et leurs manques, est plus exigeant et plus pertinent qu'un jeu de données propre et homogène.

Une validation temporelle, pas un simple tirage aléatoire. Tester sur des patients futurs est méthodologiquement la bonne discipline : c'est ce qui se rapproche le plus d'un déploiement, et c'est exactement le contrôle qui manque à beaucoup d'études aux AUC spectaculaires. Le fait que la performance tienne dans le temps (0,772, IC resserré) est plus crédible qu'un score parfait obtenu sur un découpage aléatoire. Nous faisions la même distinction à propos d'un modèle de risque thrombo-embolique dans notre décryptage SHAP-SVM.

Une honnêteté de chiffres et une analyse d'équité. Rapporter une AUC modeste de 0,772 plutôt qu'un 0,99 trop beau, vérifier la stabilité entre sous-groupes (écart maximal de 0,051 entre sexes, âges, CD4 et stades OMS), et surtout quantifier le « care gap » réel (74 jours, 47,3 %, 36,7 %) : l'étude documente un problème de système de santé au lieu de survendre un algorithme. C'est l'esprit le plus utile qu'on puisse attendre d'un tel travail.

Ce qui est moins bien

Un critère d'observance opaque — risque de métrique trompeuse. Le résumé public ne dit pas comment « l'échec d'observance » est défini ni mesuré. Or tout dépend de cette définition : si elle s'appuie sur une variable corrélée à l'issue mais enregistrée après coup, on s'expose à une fuite d'information (le modèle « triche » en utilisant un signal qui ne serait pas disponible au moment de la prédiction). Sans la définition exacte, ni calibration, ni sensibilité/spécificité, l'AUC de 0,772 ne peut pas être traduite en utilité clinique concrète.

« Multipays » sans pays nommés — biais de population non évaluable. On ignore de quels pays viennent les 192 732 dossiers, donc on ne peut pas juger la représentativité ni la transportabilité du modèle d'un système de santé à un autre. C'est le biais de population classique : un modèle entraîné sur certains contextes peut s'effondrer ailleurs, et la validation temporelle ne protège pas contre ce risque géographique. Aucune validation prospective (en conditions de soin réelles, en avant) n'est rapportée — seulement une réanalyse de données passées.

Une économie projetée fragile, un preprint non relu. Les « 415 USD par patient » et les « 2,07 millions pour 5 000 patients » reposent sur une modélisation dont les hypothèses ne sont pas détaillées dans le résumé : coût d'une rupture évitée, efficacité supposée de l'intervention déclenchée par le modèle, taux d'adoption. Un tel chiffre, séduisant pour un décideur, est à manier avec prudence tant que les hypothèses ne sont pas auditables. S'y ajoute le statut de preprint : pas encore de relecture par les pairs, et accessibilité du code et des données non établie à ce stade.

Ce que ça change

Pour la communauté de recherche. Le travail pousse dans la bonne direction : valider sur des patients futurs et à grande échelle plutôt que d'optimiser une AUC de salle blanche. La contribution la plus durable n'est sans doute pas le modèle prédictif lui-même mais la quantification du care gap sur près de 200 000 dossiers — une matière empirique pour qui veut cibler les ruptures du parcours. Reste à publier la définition de l'observance, les pays, et le code pour rendre tout cela vérifiable.

Pour les cliniciens et les programmes. Un modèle à 0,772 d'AUC peut, au mieux, aider à prioriser les rappels et le suivi rapproché là où les ressources sont rares — pas à décider du sort d'un patient donné. Mais le message le plus actionnable n'est pas algorithmique : c'est que près d'un patient sur deux attend plus de 90 jours pour démarrer son traitement, et qu'un tiers arrive déjà en immunodépression avancée. Ce sont des leviers d'organisation, pas d'IA.

Pour les patients et le public. Voici, pour une fois, l'inverse d'une annonce gonflée : une IA aux performances modestes mais honnêtes, utile surtout pour mesurer un problème de système. Le bon réflexe reste le même que face aux scores mirobolants — regarder ce que le chiffre veut dire : ici, une économie projetée de millions de dollars dépend d'hypothèses qu'on ne voit pas, et c'est sur elles qu'il faudra revenir. Nous insistions déjà sur l'écart entre données et réalité clinique dans notre décryptage sur les modèles vision-langage cliniques.

Pour aller plus loin

Le preprint : Real-World Validation of Machine Learning Models for HIV Treatment Adherence Prediction and Care Gap Quantification (medRxiv, 2026), DOI 10.64898/2026.05.15.26353325. Pour le cadre de santé publique, voir la cascade de soins du VIH décrite par l'ONUSIDA et la notion de traitement antirétroviral. Statut : preprint non relu par les pairs ; pays, définition de l'observance et disponibilité du code restent à confirmer dans le texte intégral.