Prédiction du risque de DMLA : comparaison de deux approches de machine learning semi-paramétrique et non paramétrique
La dégénérescence maculaire liée à l'âge (DMLA) est due à un vieillissement pathologique de la rétine. Plusieurs facteurs, génétiques et non génétiques, jouent un rôle important dans l'évolution vers des stades avancés de la DMLA. Deux approches de machine learning ont été comparées dans le cadre de la survie. Une approche semi-paramétrique basée sur la vraisemblance partielle pénalisée appelée Bootstrap lasso (Bolasso) et une approche non paramétrique (Random Forest). L'objectif étant de prédire le risque d'évolution vers les stades avancés de la DMLA à 5 ans. Les modèles ont été entrainés sur un échantillon d'apprentissage contenant 3843 observations et validés sur un échantillon de validation externe contenant 362 observations. Les capacités prédictives des deux méthodes ont été évaluées par l'aire sous la courbe Roc (AUC). Dans notre étude, la méthode Bolasso a atteint de meilleures capacités prédictives que Random Forest en validation croisée (AUC=0.95 à 5 ans) ainsi qu'en validation externe (AUC=0.92 à 5 ans). La méthode Bolasso nous a permis d'atteindre de meilleures capacités prédictives que les modèles de prédiction de DMLA déjà existant. Notre modèle pourrait servir à identifier les sujets à haut risque de DMLA, permettant ainsi une meilleure prise en charge médicale.
