Cette étude a entraîné et évalué un modèle d’apprentissage automatique peu coûteux pour repérer les patients à risque de maladie rénale chronique, définie par un DFGe inférieur à 60 mL/min/1.73m² (CKD-EPI 2021), dans une base multicentrique de 203,067 dossiers latino-américains anonymisés. Le modèle utilise huit variables courantes et non invasives : âge, sexe, pression artérielle systolique et diastolique, indice de masse corporelle, hypertension, diabète de type 2 et ancienneté du diabète. Après un suréchantillonnage pour équilibrer les cas, les données ont été réparties à 70/12/18 entre entraînement, validation et test, et la plateforme Arkangel AutoML a généré 424 modèles candidats, classés d’abord selon une sensibilité supérieure à 90 %.
Le modèle retenu est un arbre de décision entraîné avec l’augmentation SMOTE, qui atteint une sensibilité de 90.2 %, une spécificité de 92.7 %, une précision de 89 % et une AUC de 0.914 sur l’ensemble de test. L’analyse SHAP désigne l’âge et l’ancienneté du diabète comme les variables les plus influentes. Les auteurs le présentent comme un outil de dépistage qui ne nécessite aucun examen de laboratoire spécialisé et peut s’intégrer au dossier de santé électronique pour prioriser les tests de confirmation. Il s’agit d’une prépublication qui n’a pas encore été évaluée par les pairs.
