CTS et machine learning : un dépistage fragile — analyse 2DMP
Un modèle XGBoost promet 99,97 % de sensibilité pour le CTS professionnel. Analyse critique 2DMP : score 11,5/25, biais de circularité majeur.
CTS et machine learning : un dépistage fragile — analyse 2DMP
Chaque année, des milliers de travailleurs déclarent des symptômes évocateurs du syndrome du canal carpien (CTS), sans que les outils de dépistage précoce ne soient réellement validés en pratique. Une équipe du Centre chinois de contrôle des maladies a publié en 2026 une étude ambitieuse : utiliser le machine learning pour identifier les travailleurs à risque à partir de données multidimensionnelles collectées sur cinq ans. La question posée est légitime et d'intérêt direct pour les médecins du travail, préventeurs et ergonomes. Mais la solidité de la réponse mérite un examen attentif avant toute décision de terrain.
Ce que l'étude a réellement mesuré
Hu et al. ont analysé 88 609 questionnaires valides issus d'une enquête nationale chinoise menée entre 2018 et 2023, couvrant 9 secteurs industriels et 29 types d'emplois. Le critère de jugement principal est le CTS auto-déclaré — une variable binaire tirée du questionnaire, sans confirmation par électromyographie ni étude de conduction nerveuse. À partir de ces données, cinq algorithmes de machine learning ont été comparés (régression logistique, arbre de décision, random forest, gradient boosting, XGBoost), en intégrant des facteurs personnels, biomécaniques et psychosociaux. La prévalence du CTS auto-déclaré dans la cohorte est de 11,78 %, soit 10 438 cas. L'étude est transversale : il s'agit d'une photographie instantanée, sans suivi dans le temps.
Ce qu'elle prouve, ce qu'elle ne prouve pas
Ce qu'elle prouve — ou du moins suggère : Le modèle XGBoost atteint une sensibilité de 99,97 % (3 130/3 131), une précision de 84,43 % (3 130/3 707) et une AUC-ROC de 0,992. Ces métriques, si elles étaient fiables, indiqueraient un outil de dépistage quasi-parfait. L'analyse SHAP révèle que les prédicteurs les plus influents sont la fréquence et la durée de la douleur de main, suivis de la fatigue perçue, de la charge de levage cumulée, des mouvements répétitifs et des postures non neutres du poignet. Cette hiérarchie est cohérente avec la physiopathologie compressive du nerf médian décrite dans la littérature établie. Les tests d'ablation confirment que chaque domaine de facteurs — biomécanique, psychosocial, personnel — contribue indépendamment à la performance du modèle.
Ce qu'elle ne prouve pas : La fiabilité réelle des performances annoncées. Le problème central est un biais de circularité : les deux principaux prédicteurs (fréquence et durée de la douleur de main) chevauchent directement la définition symptomatique de l'outcome auto-déclaré. Prédire un symptôme à partir du même symptôme exprimé différemment gonfle mécaniquement toutes les métriques. Par ailleurs, aucun intervalle de confiance à 95 % n'est fourni pour aucune des métriques rapportées, rendant impossible l'évaluation de leur précision statistique. La validation est purement interne — aucune cohorte indépendante n'a été testée. Enfin, le design transversal interdit toute inférence causale : on ne sait pas si ces facteurs précèdent le CTS ou l'accompagnent simplement.
Le verdict DrDLM en clair
L'analyse critique complète par l'Institut 2DMP attribue à cet article un score de 11,5/25, verdict Fragile. Consulter l'analyse critique complète pour le détail pilier par pilier.
« Fragile » ne signifie pas sans intérêt. Cela signifie que les conclusions ne résistent pas à un examen rigoureux et ne peuvent pas fonder une décision clinique ou préventive sans précautions importantes. Les déductions sont les suivantes : la méthodologie ML est techniquement honnête (séparation stricte train/test à 70/30, SMOTE appliqué uniquement sur l'entraînement, SHAP pour l'interprétabilité), mais le niveau de preuve global est faible au sens GRADE, en raison du biais de circularité sur le standard de référence, de l'absence d'intervalles de confiance, de l'absence de validation externe et de calibration, et du design transversal qui ne permet aucune inférence causale. Les performances quasi-parfaites annoncées sont très probablement surestimées.
Ce que cela change en pratique
- Ne pas utiliser ce modèle ML comme outil diagnostique individuel — les auteurs eux-mêmes le précisent, et le biais de circularité rend les métriques de performance non interprétables en l'état. (Donnée de l'article)
- Maintenir l'électroneuromyographie comme référence diagnostique de certitude pour confirmer un CTS cliniquement suspecté. L'auto-déclaration peut orienter, elle ne suffit pas à conclure. (Donnée de l'article — gold standard reconnu par les auteurs eux-mêmes)
- Utiliser la hiérarchie des facteurs identifiés par SHAP pour structurer l'anamnèse lors des visites de santé au travail : fréquence et durée des douleurs de main, fatigue perçue, charge de levage cumulée, répétitivité gestuelle, posture du poignet. Cette hiérarchie est cohérente avec la littérature établie sur le CTS occupationnel, notamment les travaux de Lund et al. (2019) et de van Rijn et al. (2009). (Cohérence physiopathologique et littérature complémentaire)
- Intégrer la fatigue perçue comme signal d'alerte précoce dans le suivi des salariés exposés à des gestes répétitifs des membres supérieurs. L'analyse SHAP place ce facteur psychosocial au deuxième rang des prédicteurs, derrière les symptômes douloureux, ce qui est cohérent avec les modèles de charge cumulée. (Donnée de l'article, cohérence physiopathologique)
- En ergonomie de poste, ne pas attendre la plainte douloureuse établie pour initier une analyse des contraintes biomécaniques. La charge de levage cumulée, les mouvements répétitifs et les postures non neutres du poignet restent des cibles d'intervention prioritaires, indépendamment de cet article. (Littérature complémentaire — Trillos-Chacón et al. 2021, van Rijn et al. 2009)
Références
TMS & santé au travail — Institut 2DMP
Carte de méthode
Analysez les articles cités dans cet article avec la méthode DrDLM™ — Score /25-/30, 6 piliers, 9 outils de biais. Résultat par email.
Ouvrir le Cockpit LCA →Les concepts développés dans cet article font l'objet de formations professionnelles pour professionnels de santé, du sport et du management.