Chronique Dans une étude novatrice publiée dans la prestigieuse revue Nature Aging, des chercheurs ont exploité la puissance de l'apprentissage automatique pour identifier des marqueurs essentiels du vieillissement en bonne santé, distincts des facteurs de risque de maladies chroniques. Cette approche innovante promet de révolutionner notre compréhension du vieillissement et d'ouvrir la voie à des modèles plus complets du vieillissement en bonne santé et des maladies courantes.
Percer les secrets du vieillissement en bonne santé
L’hypothèse de la géroscience suggère depuis longtemps que cibler les processus universels du vieillissement pourrait conduire à un vieillissement en meilleure santé, à une espérance de vie prolongée et à une réduction des maladies liées à l’âge telles que le diabète de type 2, les maladies cardiovasculaires, l’insuffisance rénale chronique, les maladies hépatiques et la bronchopneumopathie chronique obstructive. Cependant, l’interaction complexe entre le vieillissement et ces maladies représente un défi pour les chercheurs qui s’efforcent d’établir des liens de causalité.
Pour relever ce défi, les scientifiques se sont tournés vers les dossiers médicauxtron(DME), une source de données précieuse permettant de retracer l'évolution de la santé de millions d'individus au fil du temps. Cet immense ensemble de données, couvrant 4,57 millions de personnes âgées de 30 à 85 ans, a été obtenu à partir de la base de données Clalit Healthcare Services, offrant ainsi une perspective globale et à long terme sur la santé.
L'apprentissage automatique déchaîné
L'équipe de recherche a mis au point un modèle d'apprentissage automatique performant afin d'dentdes marqueurs cliniques prédictifs d'un vieillissement en bonne santé. Dans un premier temps, elle s'est concentrée sur des patients âgés de plus de 80 ans et a analysé des tests de laboratoire corrélés à la longévité. Cette approche lui a permis de repérer des indicateurs précoces cruciaux d'un vieillissement en bonne santé, tels que le nombre de neutrophiles et le taux de phosphatase alcaline, chez des individus d'Israël, du Royaume-Uni et des États-Unis.
De façon surprenante, les capacités prédictives du modèle s'étendaient au-delà de 85 ans, ce qui en faisait un outil précieux pour évaluer les probabilités de survie dès l'âge de 30 ans.
Marqueurs distinctifs du vieillissement en bonne santé
L'étude a révélé que certains marqueurs cliniques présentaient une importance variable selon les étapes de la vie. Par exemple, la phosphatase alcaline avait un impact plus important chez les jeunes adultes, tandis que la glycémie et le cholestérol étaient influents à l'âge adulte moyen. En revanche, l'albumine et l'indice de distribution des globules rouges (IDR) devenaient plus significatifs avec l'âge.
De plus, des facteurs clés comme l'indice de masse corporelle, le taux de créatinine et les enzymes hépatiques se sont révélés déterminants pour prédire le risque de maladies chroniques tout au long de la vie. Fait remarquable, les individus en très bonne santé présentaient systématiquement de faibles marqueurs de risque de maladies chroniques.
Des résultats robustes et globaux
La robustesse du modèle d'apprentissage automatique a été confirmée auprès de différentes populations, notamment israélienne, américaine et britannique. Il a démontré un pouvoir prédictif important en matière de longévité, même chez les individus sans prédispositions connues aux maladies.
De plus, l'étude a révélé un lien significatif entre les scores de longévité et l'espérance de vie familiale. Les parents d'individus ayant des scores de longévité plus élevés enjbénéficié d'une année supplémentaire en moyenne, ce qui suggère une composante génétique à la longévité.
Implications et orientations futures
Cette recherche novatrice offre une perspective inédite sur la relation complexe entre le vieillissement et les maladies chroniques. Endentdes marqueurs spécifiques du vieillissement en bonne santé, cette étude ouvre la voie à l'élaboration de modèles longitudinaux complets qui dépassent les représentations statiques du vieillissement et de la maladie.
Toutefois, des recherches supplémentaires sont nécessaires pour defiprécisément ce qu'est un « état de santé optimal » et approfondir les processus physiologiques sous-jacents aux résultats relatifs à la maladie mis en évidence dans cette étude. Les chercheurs recommandent également l'utilisation de modèles multivariés d'évaluation des risques de maladie afin d'améliorer notre compréhension des études d'association pangénomiques.
Cette étude représente une avancée significative dans la compréhension des mécanismes du vieillissement en bonne santé et des maladies liées à l'âge. Grâce à la puissance de l'apprentissage automatique et à l'analyse de vastes données de santé, les chercheurs sont désormais mieux armés pour cibler les processus fondamentaux du vieillissement et promouvoir une vie plus saine et sans maladie pour tous. L'avenir de la recherche sur le vieillissement s'annonce prometteur, les scientifiques continuant de percer les secrets d'une vie plus longue et plus saine.
