Le français suit

Background

Diabetes is a growing global health problem, affecting approximately 830 million individuals world-wide in 2022 (1), with type 2 diabetes accounting for >90% of all cases (2). Diabetes is a major cardiovascular risk factor, with diabetic adults having a two- to four-fold higher cardiovascular risk compared to those without diabetes. Despite advances in care, existing risk prediction models based on demographic and clinical variables remain limited in their ability to accurately identify patients at highest cardiovascular risk.

Routine clinical care generates extensive data, including laboratory tests, diagnostic codes, medication records, and electrocardiographic (ECG) variables. However, these data sources are rarely integrated for disease characterization or risk stratification in type 2 diabetes. A recently developed risk score in these patients based on a traditional Cox model to predict a composite outcome of non-fatal acute myocardial infarction, non-fatal stroke, and all-cause mortality achieved modest performance, with a C-index of 0.74.(3)
This model used 30 routinely collected variables from claims data, inclusive of demographics, cardiovascular risk factors, prior events, and medications.

Clustering, an unsupervised machine learning technique, can uncover hidden structure within complex datasets and has shown promise in identifying phenotypic subgroups across cardiovascular and metabolic disorders. Such approaches may reveal clinically meaningful distinctions that traditional modeling methods overlook.

Few studies have applied clustering specifically to patients with type 2 diabetes, and have typically relied on relatively small cohorts, limited variable sets, or inclusion of advanced biomarkers not routinely available in clinical care. (4–6) Combining routinely captured electronic health record (EHR) data with standard 12-lead ECG variables offers a unique opportunity to identify novel patient subgroups that differ in cardiovascular risk and long-term outcomes. Insights from such analyses could enhance patient stratification, guide personalized management, and inform future prediction models for major adverse cardiovascular events (MACE).
 
**********************

Contexte

Le diabète est un problème de santé mondial croissant qui touchera environ 830 millions de personnes dans le monde en 2022 (1), le diabète de type 2 représentant plus de 90 % de tous les cas (2). Le diabète est un facteur de risque cardiovasculaire majeur, les adultes diabétiques présentant un risque cardiovasculaire deux à quatre fois plus élevé que les personnes non diabétiques. Malgré les progrès réalisés en matière de soins, les modèles de prédiction des risques existants, basés sur des variables démographiques et cliniques, restent limités dans leur capacité à identifier avec précision les patients présentant le risque cardiovasculaire le plus élevé.

Les soins cliniques de routine génèrent de nombreuses données, notamment des tests de laboratoire, des codes de diagnostic, des dossiers médicaux et des variables électrocardiographiques (ECG). Cependant, ces sources de données sont rarement intégrées pour la caractérisation de la maladie ou la stratification des risques dans le diabète de type 2. Un score de risque récemment développé chez ces patients, basé sur un modèle Cox traditionnel pour prédire un résultat composite d’infarctus aigu du myocarde non mortel, d’accident vasculaire cérébral non mortel et de mortalité toutes causes confondues, a obtenu des performances modestes, avec un indice C de 0,74 (3).
Ce modèle utilisait 30 variables collectées régulièrement à partir des données de remboursement, incluant notamment données démographiques, facteurs de risque cardiovasculaire, événements antérieurs et médicaments.

Le clustering, une technique d’apprentissage automatique non supervisée, permet de mettre au jour des structures cachées dans des ensembles de données complexes et s’est révélé prometteur pour identifier des sous-groupes phénotypiques parmi les troubles cardiovasculaires et métaboliques. De telles approches peuvent révéler des distinctions cliniquement significatives que les méthodes de modélisation traditionnelles négligent.

Peu d’études ont appliqué le clustering spécifiquement aux patients atteints de diabète de type 2, et se sont généralement appuyées sur des cohortes relativement petites, des ensembles de variables limités ou l’inclusion de biomarqueurs avancés qui ne sont pas couramment disponibles dans les soins cliniques. (4-6) La combinaison des données issues des dossiers médicaux électroniques (DME) collectées de manière systématique avec les variables standard de l’ECG à 12 dérivations offre une occasion unique d’identifier de nouveaux sous-groupes de patients qui diffèrent en termes de risque cardiovasculaire et de résultats à long terme. Les informations tirées de ces analyses pourraient améliorer la stratification des patients, orienter la prise en charge personnalisée et éclairer les futurs modèles de prédiction des événements cardiovasculaires majeurs (ECM).