Une nouvelle étude menée par des chercheurs chinois montre qu’un ensemble simple de huit marqueurs cliniques et biologiques, combinés dans un modèle de régression logistique, peut prédire de façon fiable quels patients atteints de stéatose hépatique associée à un dysfonctionnement métabolique (MASLD) sont susceptibles de présenter également une apnée obstructive du sommeil (AOS). Cette découverte pourrait aider les cliniciens à identifier les patients atteints de MASLD à haut risque qui bénéficieraient d’un test du sommeil, sans nécessiter un dépistage coûteux ou chronophage pour tous.
Ce qu’ils ont découvert
L’étude rétrospective multicentrique, publiée dans BMC Endocrine Disorders, a inclus 510 patients dans deux hôpitaux chinois. La cohorte de développement comprenait 310 patients de l’hôpital Heping de Changzhi, tandis qu’une cohorte de validation externe de 200 patients provenait de l’hôpital populaire de Tongling. Tous les patients étaient atteints de MASLD confirmée et ont subi une polysomnographie, le test de référence pour diagnostiquer l’AOS.
Les chercheurs ont comparé sept modèles d’apprentissage automatique : régression logistique, arbre de décision, forêt aléatoire, machine à vecteurs de support, réseau neuronal artificiel, XGBoost et LightGBM. La régression logistique s’est révélée la plus performante, offrant le meilleur équilibre entre discrimination (capacité à séparer les cas d’AOS des non-AOS), interprétabilité (facilité avec laquelle les cliniciens peuvent comprendre le raisonnement du modèle), calibration (précision avec laquelle les probabilités prédites correspondent aux résultats réels) et stabilité externe (capacité du modèle à généraliser à une nouvelle population de patients).
Le modèle final utilise huit prédicteurs facilement disponibles : le sexe, l’indice de masse corporelle (IMC), les antécédents d’hypertension, le diabète de type 2 (DT2), l’alanine aminotransférase (ALT), la gamma-glutamyl transférase (GGT), le rapport neutrophiles-lymphocytes (RNL) et l’indice triglycérides-glucose (TyG). À partir de ces données, le modèle génère un score de risque individualisé. Les chercheurs ont traduit ce score en un nomogramme, un outil visuel qui permet aux cliniciens de tracer les valeurs d’un patient et de lire la probabilité prédite d’AOS, sans avoir besoin d’utiliser un logiciel.
Pourquoi c’est important
La MASLD, anciennement connue sous le nom de stéatose hépatique non alcoolique (NAFLD), touche environ un adulte sur quatre dans le monde. Elle est étroitement liée à l’obésité, à l’insulinorésistance et au syndrome métabolique. L’apnée obstructive du sommeil, caractérisée par un effondrement répété des voies aériennes supérieures pendant le sommeil, est également extrêmement courante dans cette population. Les études suggèrent que 40 à 70 % des patients atteints de MASLD souffrent d’une AOS non diagnostiquée.
Le lien entre les deux pathologies va au-delà des facteurs de risque partagés. Les deux maladies sont entraînées par des mécanismes métaboliques et inflammatoires qui se chevauchent. L’hypoxie intermittente, les chutes répétées d’oxygène dans le sang qui définissent l’AOS, déclenche un stress oxydatif et une inflammation systémique qui peuvent accélérer la fibrose hépatique chez les patients atteints de MASLD. Inversement, le milieu inflammatoire de la MASLD peut aggraver les troubles respiratoires du sommeil par ses effets sur le tonus des voies aériennes et le contrôle respiratoire central. Traiter une affection peut améliorer l’autre, mais seulement si les deux sont diagnostiquées.
Malgré cette relation bidirectionnelle, l’AOS est considérablement sous-diagnostiquée chez les patients atteints de MASLD. La polysomnographie est coûteuse, inconfortable et souvent inaccessible dans les centres du sommeil. Des outils de prédiction clinique capables d’identifier les patients nécessitant une étude du sommeil pourraient rationaliser le diagnostic, réduire les coûts de santé et améliorer les résultats pour une population de patients nombreuse et croissante.
Les résultats de l’étude mettent également en évidence une tendance notable parmi les prédicteurs. Les marqueurs inflammatoires tels que le rapport neutrophiles-lymphocytes et l’indice TyG (un proxy de l’insulinorésistance) se sont révélés être de puissants prédicteurs, renforçant le rôle central de l’inflammation métabolique dans le lien entre la MASLD et l’AOS. Cela suggère que le modèle de prédiction n’est pas seulement un ajustement statistique, mais reflète une physiopathologie réelle.
Limites
L’étude présente des limites importantes. Son caractère rétrospectif signifie que les biais de sélection et les facteurs de confusion non mesurés ne peuvent être exclus. Tous les patients provenaient de deux hôpitaux en Chine et la performance du modèle dans d’autres groupes ethniques ou contextes de soins reste inconnue. La population étudiée était majoritairement d’âge moyen et en surpoids, de sorte que la généralisabilité à des patients atteints de MASLD plus jeunes, plus minces ou plus diversifiés est incertaine.
Les chercheurs notent que les travaux futurs devraient tester le modèle de manière prospective dans des cohortes plus larges et plus diversifiées, et envisager d’ajouter des biomarqueurs tels que des cytokines inflammatoires ou des variables dérivées de la polysomnographie qui pourraient améliorer la précision. Une validation externe dans les populations occidentales, avec des habitudes alimentaires, des profils génétiques et des systèmes de santé différents, serait particulièrement précieuse.
En résumé
Pour les cliniciens qui prennent en charge des patients atteints de MASLD, cette étude offre un moyen pratique et fondé sur les données d’évaluer le risque d’AOS sans ajouter de coût ni de complexité. Les huit prédicteurs font tous partie des soins cliniques de routine. Le sexe, l’IMC et la tension artérielle sont relevés à chaque visite. L’ALT, la GGT et la glycémie à jeun (utilisée pour calculer l’indice TyG) sont des examens biologiques standard. Le rapport neutrophiles-lymphocytes provient d’une numération formule sanguine, qui est quasi universelle. Un nomogramme imprimé sur une carte ou affiché dans un dossier médical électronique pourrait donner au clinicien une estimation raisonnable de la probabilité d’AOS en moins d’une minute.
Pour les patients, le message est tout aussi direct. Si vous êtes atteint de MASLD et présentez l’un des facteurs de risque identifiés par ce modèle, en particulier l’obésité, l’hypertension ou le diabète, une évaluation du sommeil pourrait mériter d’être discutée avec votre médecin. L’AOS non traitée ne se limite pas à perturber le sommeil. Elle aggrave l’inflammation hépatique, accélère la fibrose et augmente le risque cardiovasculaire. La détecter précocement modifie la prise en charge des deux pathologies.
Pour les chercheurs, l’étude s’ajoute à un nombre croissant de données montrant que l’apprentissage automatique n’a pas besoin d’être compliqué pour être utile. Dans cette comparaison directe, le modèle le plus simple a surpassé les réseaux neuronaux et les ensembles de gradient boosting, tout en restant suffisamment transparent pour qu’un clinicien puisse le comprendre et lui faire confiance. Cette combinaison de simplicité et de performance est exactement ce que requiert l’adoption clinique.
Source
Gao Q, et al. Machine learning-assisted prediction of obstructive sleep apnea in patients with metabolic dysfunction-associated steatotic liver disease: a multicenter study with external validation. BMC Endocrine Disorders. 2026. DOI: 10.1186/s12902-026-02391-y. PMID: 42399746.
Traduit par Lydie