Predictors of COVID-19 hospital outcomes: a machine learning analysis of the National COVID Cohort Collaborative

Cette étude rétrospective utilisant les données du N3C montre que les modèles d'apprentissage automatique basés sur des données EHR structurées offrent une discrimination modérée pour prédire la mortalité des patients hospitalisés pour COVID-19, mais échouent à prédire avec précision la durée de séjour, tout en soulignant les compromis critiques entre discrimination et calibration lors de l'utilisation de techniques de rééchantillonnage comme SMOTE.

L'essentiel

🕵️‍♂️ L'Enquête : Prévoir le futur des patients COVID

Imaginez que vous êtes le capitaine d'un immense navire (l'hôpital) qui traverse une tempête (la pandémie de COVID-19). Votre plus grande peur ? Savoir qui survivra au voyage et combien de temps chaque passager restera à bord.

Des chercheurs américains ont utilisé une énorme base de données (comme une bibliothèque géante de dossiers médicaux) contenant l'histoire de 263 619 adultes hospitalisés pour le COVID. Leur objectif ? Entraîner des intelligences artificielles (IA) à devenir des "boules de cristal" pour prédire deux choses :

1. La mortalité : Le patient va-t-il décéder à l'hôpital ou dans les 60 jours ?
2. La durée du séjour : Combien de jours le patient restera-t-il hospitalisé ?

🔮 Les Boules de Cristal (Les Modèles)

Les chercheurs ont créé quatre types de "détectives numériques" différents pour faire ces prédictions :

• Un mathématicien rigoureux (Régression élastique).
• Une foule de sages qui votent (Random Forest).
• Un expert en arbres de décision (XGBoost).
• Un cerveau électronique (Réseau de neurones/MLP).

Ils les ont nourris avec des informations simples : l'âge, le poids, les maladies passées (diabète, cœur, etc.), le nombre de visites chez le médecin avant le COVID, et même le nom de l'hôpital.

📉 Ce qu'ils ont découvert (Les Résultats)

1. Pour prédire la mort : "Pas mal, mais pas parfait" 🎯

Les IA ont été assez bonnes pour dire qui était plus à risque de mourir que qui.

• L'analogie : Imaginez que vous devez trier des pommes. L'IA arrive à dire : "Cette pomme a plus de chances d'être pourrie que celle-ci". Elle a réussi environ 72 à 73 fois sur 100 à bien classer les patients.
• Le problème : C'est comme si l'IA disait "Attention, cette pomme est un peu risquée", mais qu'elle n'osait jamais crier "STOP ! Cette pomme est pourrie !" parce qu'il y avait trop de pommes saines et pas assez de pommes pourries dans le tas. Pour corriger cela, ils ont utilisé une astuce appelée SMOTE (comme si on fabriquait de fausses pommes pourries pour entraîner l'IA).
  • Résultat de l'astuce : L'IA a commencé à crier "STOP !" plus souvent (elle a trouvé plus de vrais cas), mais elle a aussi fait plus d'erreurs en criant "STOP !" pour des pommes saines. C'est un compromis difficile : trouver plus de dangers, mais avec moins de précision.

2. Pour prédire la durée du séjour : "Un échec total" 🚫

Là, les IA ont été très mauvaises.

• L'analogie : C'est comme essayer de prédire combien de temps un passager restera sur un navire en regardant seulement son passeport et sa valise. Impossible !
• Pourquoi ? La durée du séjour ne dépend pas seulement du patient, mais de l'hôpital lui-même : les règles de sortie, le nombre de lits disponibles, le personnel, la région... Ces facteurs sont comme des "vents invisibles" que les données médicales classiques ne voient pas. Les IA ont donc échoué à prédire si quelqu'un resterait 3 jours ou 10 jours.

🏥 Le cas du médicament (Remdesivir)

L'étude a aussi regardé qui recevait un médicament appelé Remdesivir.

• Ce qu'ils ont vu : Les patients qui recevaient le médicament étaient plus âgés, plus malades et avaient plus de risques de mourir que ceux qui ne le recevaient pas.
• L'explication : Ce n'est pas que le médicament était mauvais ! C'est que les médecins l'ont donné aux patients les plus graves (c'est ce qu'on appelle le "biais de indication"). C'est comme si vous donniez un parachute uniquement aux gens qui sautent du 10ème étage, et que vous constatiez qu'ils tombent plus souvent que ceux qui sautent du 1er étage. Il faut être très prudent pour ne pas confondre la gravité de la chute avec l'efficacité du parachute.

🎓 La Leçon pour le futur

Cette étude nous apprend trois choses importantes, écrites en langage simple :

1. Les données ne racontent pas toute l'histoire : On peut prédire un peu le risque de mort avec des données simples, mais prédire la durée d'hospitalisation est presque impossible sans connaître les règles internes de chaque hôpital.
2. Attention aux chiffres trompeurs : Une IA peut avoir un "bon score" global (comme un élève qui a 18/20 en moyenne) mais échouer complètement à détecter les cas urgents (comme l'élève qui ne sait pas faire les exercices de mathématiques difficiles). Il faut regarder plus que les moyennes.
3. Les personnes âgées sont un cas spécial : Les IA fonctionnaient encore moins bien pour les plus de 65 ans. C'est comme si tous les passagers âgés avaient des profils si similaires (âge, maladies) qu'il était difficile de dire qui était le plus en danger. Il faudrait des outils plus pointus pour eux.

En résumé : Cette étude est un excellent travail de "réalité". Elle dit aux médecins : "Nos outils d'IA sont utiles pour donner un ordre de grandeur du risque, mais ne les utilisez pas comme des oracles infaillibles pour prendre des décisions de vie ou de mort, surtout pour les personnes âgées ou pour prévoir la durée du séjour."

Résumé technique

Résumé Technique : Prédicteurs des résultats hospitaliers du COVID-19

1. Problématique et Contexte

La pandémie de COVID-19 a mis en lumière la nécessité critique d'outils capables de prédire les résultats hospitaliers (décès et durée de séjour) pour la stratification des risques et la planification des ressources. Cependant, l'utilisation de l'apprentissage automatique (Machine Learning - ML) sur des données de dossiers médicaux électroniques (DME/EHR) se heurte à plusieurs défis méthodologiques majeurs :

• Hétérogénéité des données : Variations entre les sites hospitaliers et formats de données disparates.
• Déséquilibre des classes : La mortalité est un événement rare par rapport aux survivants, ce qui fausse l'entraînement des modèles.
• Limites des données structurées : La difficulté à prédire la durée de séjour (LOS) en raison de facteurs institutionnels non capturés.
• Biais de sélection : Les traitements antiviraux (comme le remdesivir) sont souvent administrés de manière non randomisée, créant des biais de confusion par indication.

L'objectif de cette étude était de développer et de comparer plusieurs architectures de ML pour prédire la mortalité (intra-hospitalière et à 60 jours) et la durée de séjour chez les adultes hospitalisés, en utilisant une grande cohorte harmonisée multi-sites aux États-Unis.

2. Méthodologie

Données et Cohorte :

• Source : National COVID Cohort Collaborative (N3C), utilisant le modèle de données commun OMOP.
• Période : Mai 2020 à Juin 2025.
• Population : 263 619 adultes (>18 ans) hospitalisés avec une infection confirmée au SARS-CoV-2, provenant de 51 sites différents.
• Exclusions : Femmes enceintes, patients uniquement en ambulatoire, durées de séjour nulles ou négatives.
• Exposition : Réception de remdesivir pendant l'hospitalisation.
• Variables prédictives : Démographie, comorbidités (hypertension, diabète, etc.), utilisation antérieure des soins de santé, statut vaccinal, et identifiant du site hospitalier.

Prétraitement des données :

• Imputation : Utilisation de l'équation chaînée multivariée (MICE) pour les données manquantes (principalement le nombre de visites antérieures).
• Encodage : Standardisation des variables continues (z-score) et encodage one-hot pour les variables catégorielles.
• Transformation : La durée de séjour (LOS) a été transformée logarithmiquement pour réduire l'asymétrie.
• Gestion du déséquilibre : Application de la technique SMOTE (Synthetic Minority Over-sampling Technique) uniquement lors de l'entraînement pour les tâches de classification, afin de comparer son impact sur la discrimination et l'étalonnage.

Modélisation :
Quatre architectures de modèles ont été développées et comparées :

1. Régression linéaire/logistique pénalisée (Elastic Net).
2. Forêts aléatoires (Random Forest).
3. XGBoost.
4. Perceptron multicouche (MLP).

Évaluation :

• Métriques de classification : AUROC (AUC), précision, rappel (recall), score F1, score de Brier et courbes de décision.
• Métriques de régression : Coefficient de détermination ($R^2$), erreur quadratique moyenne (RMSE), erreur absolue moyenne (MAE).
• Interprétabilité : Analyse de l'importance des caractéristiques via les valeurs SHAP (SHapley Additive exPlanations).
• Validation : Séparation aléatoire 80/20 (entraînement/test) avec validation croisée. Une analyse de sous-groupe a été effectuée pour les patients âgés de $\ge$ 65 ans.

3. Résultats Clés

A. Caractéristiques de la cohorte et biais de traitement :

• Les patients traités par remdesivir (39,3 %) étaient significativement plus âgés, avaient un IMC plus élevé et un fardeau de comorbidités plus important que les patients non traités.
• La mortalité non ajustée était plus élevée dans le groupe traité (9,6 % vs 6,6 %), confirmant un biais de confusion par indication (les patients les plus graves recevaient le traitement).

B. Prédiction de la Durée de Séjour (LOS) :

• Performance globale : Très faible. Les modèles structurés n'ont pas réussi à expliquer la variabilité de la durée de séjour.
• Meilleur modèle : XGBoost avec un $R^2$ de 0,059 (sur l'échelle log-transformée).
• Conclusion : Les données structurées des patients sont insuffisantes pour prédire la LOS, probablement en raison de facteurs institutionnels non mesurés (protocoles de sortie, disponibilité des lits). Le "site hospitalier" s'est révélé être un prédicteur majeur, soulignant l'importance des facteurs contextuels.

C. Prédiction de la Mortalité :

• Discrimination : Modérée. Les modèles sans SMOTE ont atteint les meilleurs AUROC :
  • Mortalité intra-hospitalière : 0,71 - 0,73 (XGBoost : 0,721).
  • Mortalité à 60 jours : 0,72 - 0,73 (XGBoost : 0,731).
• Impact de SMOTE :
  • L'utilisation de SMOTE a considérablement amélioré le rappel (recall) et le score F1 (ex: rappel passant de ~0 à ~0,6 pour la régression logistique), permettant d'identifier davantage de cas positifs.
  • Cependant, cela s'est fait au détriment de l'AUROC (qui a diminué) et de la précision.
  • Les modèles sans SMOTE, bien qu'ayant un bon AUROC, n'ont classé aucun patient comme "à risque" à la seuil par défaut de 0,5 (rappel $\approx$ 0), rendant le modèle inactionnable pour le dépistage clinique sans ajustement de seuil.
• Sous-groupe $\ge$ 65 ans : La performance a chuté significativement (AUROC $\approx$ 0,65), suggérant une homogénéité des profils de risque chez les personnes âgées qui réduit la capacité discriminative des variables cliniques standards.

D. Étalonnage et Interprétabilité :

• Les modèles avec SMOTE ont tendance à surestimer les risques aux probabilités modérées à élevées (mauvais étalonnage).
• Les prédicteurs dominants (via SHAP) étaient cohérents entre les modèles : l'âge, le site hospitalier, le diabète compliqué, l'utilisation antérieure des soins et les maladies rénales/hépatiques.

4. Contributions et Signification

Contributions Méthodologiques :

• Comparaison exhaustive : Étude multi-sites à grande échelle comparant systématiquement des modèles linéaires et non linéaires (ML) sur des données harmonisées OMOP.
• Analyse du compromis SMOTE : Démontre clairement le compromis entre la discrimination (AUROC) et la capacité de classification pratique (rappel/précision) dans les cas de déséquilibre de classes. L'article plaide pour la nécessité de rapporter des métriques dépendantes du seuil en plus de l'AUC.
• Limites des données structurées : Confirme que les données EHR structurées seules ne suffisent pas pour prédire la durée de séjour, soulignant la nécessité d'intégrer des facteurs organisationnels.

Implications Cliniques et Futures :

• Outils de triage : Les scores de risque de mortalité basés sur ces modèles pourraient être utiles pour le triage populationnel, mais leur déploiement clinique nécessite une optimisation des seuils et une validation prospective.
• Conception d'études causales : La caractérisation détaillée des différences entre les groupes traités et non traités par remdesivir fournit une base solide pour des futures études d'inférence causale (ex: émulation d'essai cible, score de propension).
• Populations âgées : La baisse de performance chez les patients $\ge$ 65 ans indique que des données supplémentaires (frailty, statut fonctionnel, trajectoires biologiques) sont nécessaires pour une stratification efficace dans cette population vulnérable.

Limites notables :

• Absence de validation temporelle (les modèles couvrent plusieurs vagues pandémiques avec des variants différents).
• Données manquantes pour les marqueurs de sévérité clinique aiguë (saturation en oxygène, fréquence respiratoire).
• Pas de validation externe en dehors du consortium N3C.
• Absence d'analyse d'équité (fairness) par race/ethnicité.

Conclusion :
Cette étude démontre que si les modèles de ML peuvent atteindre une discrimination modérée pour la mortalité du COVID-19 à partir de données EHR structurées, leur utilité clinique réelle est limitée par des problèmes d'étalonnage, de seuils de décision et de manque de données contextuelles. L'approche SMOTE, bien qu'améliorant le rappel, dégrade l'étalonnage, soulignant la complexité du déploiement de l'IA en milieu clinique pour des événements rares.