Les déterminants sociaux de la santé (DSSH) sont de plus en plus reconnus pour leur impact déterminant sur le parcours de santé des patients, influençant potentiellement jusqu’à 80 % des résultats. Pourtant, l’intégration de ces facteurs, souvent sous-estimés, dans les modèles prédictifs de santé soulève des débats passionnés parmi les experts. L’efficacité de cette démarche dépendra fortement de la qualité, de la source et du type de données disponibles, ainsi que de la conception même des algorithmes.
L’intégration des déterminants sociaux de la santé (DSSH) dans l’analyse prédictive des parcours de soins représente une avancée prometteuse, bien que son application soit encore à un stade relativement précoce. Les divergences observées dans les études témoignent de la complexité de la matière, où la fiabilité des résultats repose sur une compréhension fine des types de données et des méthodes d’analyse employées.
Les DSSH englobent un large éventail de facteurs, allant des données autodéclarées par les patients ou collectées par les cliniciens (résultats rapportés par les patients, codes Z de la CIM-10-CM, interactions avec les soignants, données non structurées du dossier médical électronique) aux informations objectives issues de sources gouvernementales, publiques et privées, couvrant des données comportementales et communautaires. Ces dernières sont généralement plus structurées et proviennent souvent de bases de données nationales.
La recherche sur la valeur des DSSH dans les modèles prédictifs est loin d’être homogène. Si certaines études ne montrent aucune amélioration significative lors de l’intégration de ces facteurs, d’autres font état d’avancées notables en matière de pouvoir prédictif. Ces résultats variables s’expliquent en partie par la confiance accordée aux modèles cliniques traditionnels et, surtout, par la nature et la provenance des données DSSH utilisées.
À titre d’exemple, des chercheurs de la Johns Hopkins Bloomberg School of Public Health ont souligné que les modèles prédictifs basés sur les DSSH pouvaient échouer en raison de la conception même du modèle ou de la collecte incohérente et non structurée des données issues des dossiers médicaux électroniques (DME). Ils ont également mis en garde contre la dépendance excessive aux données de santé des populations issues des DME, qui servent souvent d’indicateurs indirects des facteurs sociaux individuels, fondés sur des approximations et non sur des preuves concrètes. D’autres travaux de recherche corroborent ces défis, pointant la difficulté de collecter et de standardiser de manière exhaustive les données DSSH auprès de sources traditionnellement réticentes.
À l’inverse, de nombreuses études ont démontré la pertinence des DSSH lorsque les données sont collectées de manière objective, hautement structurée et cohérente. Une recherche, s’appuyant sur des données DSSH issues des DME, a révélé que l’ajout d’informations structurées sur le revenu médian, le taux de chômage et le niveau d’éducation, provenant de sources externes fiables aux DME, avait considérablement affiné les prévisions de santé, particulièrement pour les sous-groupes de patients les plus vulnérables. Par ailleurs, une collaboration entre Stanford, Harvard et l’Imperial College de Londres a prouvé que l’incorporation de données DSSH structurées issues du recensement américain, combinée à des techniques d’apprentissage automatique, améliorait la précision des modèles prédictifs d’hospitalisation, de décès et de coûts. Ces chercheurs ont même démontré que des modèles basés uniquement sur les DSSH ou sur les comorbidités cliniques pouvaient, séparément, prédire les résultats et les coûts de santé. De même, des chercheurs de l’Ohio State University College of Medicine ont constaté que l’ajout de données sur le comportement des consommateurs et de données communautaires, absentes des DME standards, améliorait l’étude et l’impact sur la prévention de l’obésité. À la Mayo Clinic, Juhn et ses collaborateurs ont développé un indice de statut socio-économique (HOUSES) en combinant les données d’une enquête téléphonique avec des informations sur le logement et les quartiers issues de sources gouvernementales locales. Ils ont d’abord montré que cet indice HOUSES était fortement corrélé aux mesures de résultats de santé, puis qu’il pouvait même servir d’outil prédictif de l’échec de greffe chez les patients.
L’association des données DSSH au niveau du patient avec les données cliniques est la clé d’un pouvoir prédictif accru. L’intégration des facteurs sociaux ne se contente pas de combler des lacunes au point de service, elle permet également d’affiner les prévisions de santé, à condition que ces déterminants soient analysés à l’échelle individuelle et corrélés à des données cliniques robustes.
Change Healthcare, par exemple, a développé une base de données nationale intégrée, reliant des milliards de réclamations médicales anonymisées et historiques avec les déterminants sociaux, physiques et comportementaux de la santé des patients. Cette base de données permet notamment d’évaluer le poids relatif des DSSH spécifiques à chaque patient par rapport aux facteurs cliniques seuls, pour diverses pathologies, y compris la COVID-19. Les recherches de Change Healthcare révèlent ainsi que la stabilité économique figure de manière répétée parmi les meilleurs prédicteurs de l’expérience de soins de santé. Pourtant, la plupart des utilisateurs finaux, prestataires et payeurs, manquent de cette visibilité ou s’appuient sur des moyennes géographiques peu utiles pour bâtir des modèles prédictifs précis.
Malgré les défis liés à la nouveauté relative des données DSSH dans l’analyse prédictive et au manque de standardisation à grande échelle, l’intégration de ces données dans les modèles prédictifs est très prometteuse. À mesure que les chercheurs approfondiront leur compréhension des types et des sources de données DSSH les plus pertinents, ainsi que du développement de modèles mieux adaptés, des progrès significatifs dans les modèles prédictifs de santé devraient émerger. En combinant judicieusement les données et les modèles, les DSSH s’affirment comme un atout puissant pour prédire les issues de santé, les résultats et les disparités potentielles.