L’impact des facteurs sociaux sur la santé est de plus en plus reconnu, mais leur réelle capacité à améliorer la prédiction des risques et des résultats médicaux reste un sujet de débat. Des études récentes mettent en lumière la complexité de l’intégration de ces données dans les modèles prédictifs, soulignant l’importance de la qualité et de la source des informations.
Selon les estimations, les déterminants sociaux de la santé (DTS) pourraient influencer jusqu’à 80 % des résultats en matière de santé. Ces facteurs, qui englobent des éléments tels que le revenu, l’éducation, le logement et l’accès aux services, sont de plus en plus considérés comme cruciaux pour une compréhension globale de l’état de santé d’un patient. Cependant, l’amélioration de la précision des modèles prédictifs grâce à ces données est loin d’être acquise.
Les DTS sont généralement issus de deux types de sources : des données subjectives, comme les informations déclarées par les patients ou relevées par les cliniciens (résultats rapportés par les patients, codes Z de la CIM-10-CM signalant des facteurs influençant la santé, interactions avec les professionnels de santé), et des données objectives, provenant de sources gouvernementales, publiques et privées, ainsi que de l’analyse du comportement des consommateurs. Ces dernières sont souvent plus structurées et proviennent d’ensembles de données à l’échelle nationale.
Les résultats des recherches sur la valeur des DTS dans les modèles prédictifs sont variables. Certaines études ne montrent aucune amélioration significative après l’intégration de ces données, tandis que d’autres observent une augmentation notable du pouvoir prédictif. Ces divergences dépendent en partie de la fiabilité des modèles cliniques traditionnels, mais surtout du type et de la source des données DTS utilisées.
Une équipe de la Johns Hopkins Bloomberg School of Public Health a par exemple démontré que les modèles prédictifs basés sur les DTS peuvent être limités par la conception même du modèle, ainsi que par la nature souvent non structurée et incohérente des données collectées. Ils ont également souligné les risques liés à l’utilisation de données de santé de la population dérivées des DTS, qui peuvent être des indicateurs indirects et basés sur des hypothèses plutôt que sur des preuves concrètes. D’autres recherches confirment ces difficultés, notamment en ce qui concerne la collecte et la standardisation de ces données.
Néanmoins, certaines études ont révélé des résultats positifs en utilisant des données collectées de manière objective et structurée. Une étude a ainsi montré que l’ajout de données structurées sur le revenu médian, le taux de chômage et le niveau d’éducation, issues de sources fiables autres que les DTS, améliorait la précision des prévisions de santé pour les patients les plus vulnérables. Une collaboration entre Stanford, Harvard et l’Imperial College de Londres a également constaté que l’intégration de données DTS structurées provenant du recensement américain, combinée à des techniques d’apprentissage automatique, augmentait la précision des modèles prédisant les risques d’hospitalisation, de décès et de coûts de santé. De même, des chercheurs de l’Ohio State University College of Medicine ont observé une amélioration de l’étude et de l’impact sur la prévention de l’obésité en intégrant des données sur le comportement des consommateurs et au niveau communautaire, non disponibles dans les données standard des DTS.
À la Mayo Clinic, l’équipe de Juhn et al. a développé un indice de statut socio-économique (HOUSES) en exploitant des données d’enquête téléphonique et des informations sur les caractéristiques du logement et des quartiers provenant de sources gouvernementales locales. Ils ont démontré que cet indice était bien corrélé aux résultats cliniques et pouvait même servir à prédire l’échec des greffes chez les patients.
En somme, l’intégration des facteurs sociaux et des données cliniques semble être une voie prometteuse pour améliorer la prédiction des risques et des résultats en matière de santé. Change Healthcare, par exemple, a mis en place une base de données nationale reliant des milliards de données de réclamations médicales anonymisées aux DTS, aux facteurs physiques et comportementaux des patients. Leurs recherches indiquent que la stabilité économique est un facteur prédictif majeur de l’expérience des soins de santé.
À mesure que les chercheurs approfondissent leur compréhension des types et des sources de données DTS les plus pertinents, et qu’ils développent des modèles mieux adaptés à ces données, on peut s’attendre à des progrès significatifs dans la prédiction des risques, des résultats et des disparités en matière de santé. La combinaison de données de qualité et de modèles appropriés permet de faire des DTS un atout puissant pour l’amélioration des soins.