Indicateurs d'économie de la santé

Sujet 87 sur 91· Applications et dispositifs de santé grand public

Validation des Objets Connectés

Les métriques de validation quantifient à quel point les mesures d'un objet connecté concordent avec un étalon-or clinique (ECG pour la fréquence cardiaque, polysomnographie pour le sommeil) : MAPE, corrélation de concordance, accord de Bland-Altman — plus les métriques opérationnelles qui conditionnent la qualité des données en conditions réelles : conformité au temps de port et complétude des données.

Pourquoi c'est important

La validation est la précondition pour tout ce qui suit : un appareil qui ne peut prouver la concordance avec la mesure de référence ne peut pas ancrer des critères d'évaluation numériques, soutenir la facturation TSP, ou porter des allégations cliniques. Les seuils acceptés du domaine pour la fréquence cardiaque : MAPE ≤5 % (strict) ou ≤10 % (indulgent) face à l'ECG. Points de référence issus de la littérature : MAPE de fréquence cardiaque au repos Oura Gen 3 1,67 % (CCC 0,97) ; MAPE Fitbit Charge 6 ~5,5 % — les appareils grand public s'étendent maintenant à travers la frontière de niveau clinique, ce qui est exactement pourquoi la mesure compte par appareil et par condition.

Le calcul

MAPE = (1/n) Σ |mesuré_i − référence_i| / référence_i × 100

CCC (corrélation de concordance) = accord incluant à la fois la corrélation
      et le biais systématique (Pearson r pénalisé par le décalage de position/échelle)

Bland-Altman : biais moyen ± 1,96 ÉT limites d'accord — montre si
      l'erreur dépend de l'ampleur de la valeur

Portes opérationnelles :
Conformité au temps de port = temps porté / temps de protocole × 100
Complétude des données    = points de données observés / attendus × 100

La validation doit être rapportée par condition d'activité (repos, mouvement, sommeil) et par population — la détection optique PPG se dégrade avec les artefacts de mouvement, le contact médiocre, et les tons de peau plus foncés, un mode de défaillance documenté et pertinent pour l'équité.

Exemple résolu

Un programme d'unité virtuelle sélectionne un objet connecté de surveillance. Candidat A : MAPE repos 2,1 %, MAPE exercice 11,4 %. Candidat B : repos 3,8 %, exercice 6,9 %.

Cas d'usage : détection de patient en détérioration à domicile — les alertes se
déclenchent sur une fréquence cardiaque élevée soutenue, souvent pendant l'activité.
Le titre du Candidat A (2,1 %) gagne la brochure ; le candidat B gagne le
cas d'usage : à la condition pertinente pour l'alerte (mouvement), l'erreur de
11,4 % de A à FC 100 = ±11 bpm — s'étendant sur toute la bande de seuil
d'alerte, générant de fausses escalades (chacune un appel infirmier, ~40 £)
ou des cas manqués.

Économie de fausses alertes : 500 patients × 2 fausses alertes supplémentaires/semaine × 40 £
= 2,08 M£/an de coût d'erreur pour avoir choisi le mauvais chiffre de validation.

Lien avec l'ingénierie logicielle

Pour les ingénieurs qui développent ou achètent des objets connectés : livrez la matrice de confusion à la prévalence de déploiement, pas seulement la courbe ROC seule ; laissez le seuil être une décision économique — le compromis sens/spéc devrait minimiser le coût attendu (cas manqués × coût du manqué contre fausses alarmes × coût de bilan), pas maximiser une statistique de référence ; et reconnaissez la même mathématique dans vos propres outils — capteurs, détecteurs d'anomalies et scanners de sécurité sont des tests diagnostiques sur des flux d'événements à faible prévalence, avec la fatigue d'alerte comme le NNN. Les mises à jour de modèle qui déplacent le point de fonctionnement rouvrent l'économie (et l'homologation réglementaire — voir évaluation réglementaire de l'IA).

Pièges

  • MAPE agrégé masquant un échec spécifique à une condition — le piège de l'exemple résolu.
  • Population de validation ≠ population de déploiement : l'âge, le ton de peau, le tremblement, l'obésité changent tous l'erreur du capteur optique ; vérifiez la démographie de l'étude.
  • Corrélation rapportée là où l'accord est nécessaire : un r de Pearson élevé avec un biais systématique classe toujours mal face aux seuils absolus — insistez sur CCC/Bland-Altman.
  • Complétude gonflée par imputation : lacunes comblées rapportées comme données observées.

Sources