Les unités de soins intensifs (USI) assurent une continuité des soins et une surveillance continue aux patients atteints de maladies graves. Une équipe de chercheurs de la Chiba University Graduate School of Medicine a mené une recherche visant à étudier la précision prédictive de la mortalité et de la durée du séjour des patients admis en USI à l’aide du machine learning. Leur étude intitulée « Prediction algorithm for ICU mortality and length of stay using machine learning » a été publiée dans Nature le 28 juillet dernier.
Shinya Iwase, Taka-aki Nakada, Tadanaga Shimada, Takehiko Oami, Takashi Shimazui, Nozomi Takahashi, Jun Yamabe, Yasuo Yamao, Eiryo Kawakami de l’université japonaise Chiba University Graduate School of Medicine, sont les auteurs de cette étude. L’objectif était d’étudier la précision prédictive de la mortalité et de la durée du séjour des patients admis en USI mais également d’identifier les variables contribuant à la prédiction ou à la classification précises des patients. La plupart des études existantes ne portaient que sur la mortalité.
Les données de l’étude
Les chercheurs ont mené cette étude de cohorte rétrospective à l’aide des données des dossiers de santé électroniques établis à l’admission de 12 747 patients à l’unité de soins intensifs de l’hôpital universitaire de Chiba, au Japon, de novembre 2010 à mars 2019.
Pour développer les algorithmes de prédiction, les données de 91 variables d’entrée ont été collectées, le plus tôt possible après l’admission et au plus tard, dans les 24 heures, à partir du système de données de l’USI.
Ces variables comprenaient :
- Les caractéristiques du patient (âge, sexe, taille, poids, groupe sanguin, catégories de services cliniques, diagnostic à l’admission, voie d’admission : de la salle d’urgence, du service général, de la salle d’opération, autres hôpitaux) et les comorbidités (syndrome d’immunodéficience acquise, leucémie myéloïde aiguë/myélome multiple, insuffisance cardiaque, lymphome, insuffisance respiratoire, métastases cancéreuses, insuffisance hépatique/cirrhose, état immunodéprimé et dialyse);
- Les tests sanguins (formule sanguine complète, biochimie, coagulation et analyse des gaz du sang);
- Les mesures physiologiques (HR, pression artérielle, fréquence respiratoire, saturation périphérique en oxygène ainsi que la température corporelle.
Les données numériques avec un taux d’entrée inférieur à 50 % n’ont pas été utilisées pour les prédictions.
Grâce aux variables d’admission de la cohorte de formation, l’aire sous la courbe (ASC) a été analysée dans la cohorte de test pour évaluer la précision prédictive des classificateurs d’apprentissage automatique supervisés, y compris la forêt aléatoire (RF) pour les résultats (le critère de jugement principal étant la mortalité, le critère de jugement secondaire, la durée du séjour en USI). Le classement des variables qui ont contribué à la prédiction de l’apprentissage automatique a été confirmé, et une analyse en grappes des patients présentant des facteurs de risque de mortalité a été effectuée pour identifier les variables importantes associées aux résultats pour les patients.
L’apprentissage automatique utilisant la forêt aléatoire a révélé une valeur prédictive élevée pour la mortalité, avec une ASC de 0,945 (intervalle de confiance à 95% 0,922-0,977). En outre, la RF a montré une valeur prédictive élevée pour les courts et longs séjours en USI, avec des ASC de 0,881 (IC à 95 % 0,876-0,908) et 0,889 (IC à 95 % 0,849-0,936), respectivement.
La lactate déshydrogénase (LDH) a été identifiée comme une variable contribuant à la prédiction précise dans l’apprentissage automatique pour la mortalité et la durée du séjour en USI mais aussi comme une variable contributive à la classification des patients en sous-populations en fonction de différents facteurs de risque de mortalité.
Les conclusions de l’étude
Pour les chercheurs, leur étude présente plusieurs limites. Etant donné qu’il s’agissait d’une étude rétrospective monocentrique, l’exactitude de la prédiction devrait être validée dans une future étude prospective. D’autre part, un calendrier incohérent de prélèvement d’échantillons chez les patients pourrait potentiellement affecter la précision des prédictions. De plus, la prédiction de la durée du séjour en soins intensifs était conditionnelle à la survie. Pour finir, la prédiction a été effectuée sur la base de données recueillies à un seul moment de l’admission.
La prédiction en temps réel pourrait être utile pour améliorer la précision de la prédiction de la mortalité en USI et de la durée du séjour des patients gravement malades dont l’état est sujet à des changements brusques. Des enquêtes futures utilisant des données séquentielles sont justifiées.
Néanmoins, cette étude a permis de démontrer que l’algorithme d’apprentissage automatique pourrait prédire la mortalité en USI et la courte / longue durée du séjour en USI avec une grande précision. De plus, la LDH s’est avérée être une variable clé prédisant à la fois la mortalité et la durée du séjour, et a contribué au regroupement des patients en soins intensifs en fonction du risque de mortalité.
Sources de l’article :
« Prediction algorithm for ICU mortality and length of stay using machine learning », Nature, 28/07/2022. https://www.nature.com/articles/s41598-022-17091-5
Auteurs : Shinya Iwase, Taka-aki Nakada, Tadanaga Shimada, Takehiko Oami, Takashi Shimazui, Nozomi Takahashi, Jun Yamabe, Yasuo Yamao, Eiryo Kawakami.
