PhysioFusion: A Multi-Modal Ensemble using Static Preoperative Variables and Time Series Intraoperative Data to Predict Adverse Events Following Cardiothoracic Surgery

Lorsqu'un patient subit une chirurgie majeure du cœur ou des poumons, les heures qui suivent constituent une fenêtre critique où la récupération de l'organisme peut soit se stabiliser, soit prendre un tournant dangereux. Dans l'unité de soins intensifs, les équipes médicales surveillent constamment un flux d'informations : le rythme régulier d'un cœur, la pression du sang circulant dans les veines et l'équilibre chimique du sang lui-même. Depuis des décennies, les médecins s'appuient sur des instantanés statiques de la santé d'un patient — tels que son âge, ses pathologies existantes ou les résultats d'analyses sanguines effectués avant l'opération — pour deviner qui pourrait éprouver des difficultés. Cependant, les changements instantanés qui se produisent pendant que le patient est sous anesthésie et durant la chirurgie elle-même offrent un récit différent, qui se déroule en temps réel. La question centrale pour les chercheurs a été de savoir si la combinaison de ces deux types d'informations — le contexte fixe de la santé d'un patient et les signaux dynamiques et changeants de la salle d'opération — crée une image plus claire de qui est à risque, ou si l'une de ces sources d'information est simplement suffisante par elle-même.

Une équipe de chercheurs s'est donné pour mission de répondre à cette question en construisant un nouveau type de système informatique conçu pour surveiller les patients après une chirurgie cardiothoracique. Ils ont nommé leur création PhysioFusion, un outil qui agit comme un observateur hautement attentif, capable de lire à la fois l'historique médical permanent d'un patient et les données vivantes et fluides de sa chirurgie. Le système a été entraîné sur une vaste collection de dossiers provenant de la Society of Thoracic Surgeons, qui comprenait des détails sur des milliers de patients. Les chercheurs ont injecté dans l'ordinateur deux flux de données distincts : une liste de faits statiques sur chaque patient, comme le fait qu'il ait un antécédent d'insuffisance cardiaque ou son nombre de globules blancs, et un flux continu de chiffres provenant de la salle d'opération, suivant des éléments tels que la pression artérielle et la fonction cardiaque chaque seconde au fur et à mesure que la chirurgie progressait. Pour donner un sens à cette complexité, l'équipe ne s'est pas appuyée sur une méthode unique. Au lieu de cela, elle a construit un ensemble, un groupe de différents modèles mathématiques travaillant ensemble. Certaines parties du système étaient conçues pour trouver des motifs dans les listes statiques, tandis que d'autres étaient spécialisées pour comprendre le rythme et le flux des signaux temporels, tout comme un musicien pourrait lire une partition par opposition à la façon dont il pourrait improviser sur un rythme.

L'objectif était de prédire les événements indésirables, qui sont des complications graves pouvant survenir dans l'unité de soins intensifs après une chirurgie. Lorsque les chercheurs ont testé leur système, ils ont constaté qu'il pouvait distinguer avec un haut degré de précision les patients qui resteraient stables de ceux qui feraient face à des complications. Le modèle a obtenu un score de 0,87 dans sa capacité à séparer les deux groupes, un niveau de performance qui suggère qu'il s'agit d'un outil de dépistage fiable. Il était particulièrement efficace pour identifier les patients qui n'auraient pas de mauvais résultats, excluant correctement les complications pour la quasi-totalité d'entre eux. C'est une caractéristique vitale pour un outil de dépistage, car cela donne aux médecins la confiance qu'un patient signalé comme étant à faible risque est réellement en sécurité, leur permettant de concentrer leurs ressources les plus intenses sur les rares cas qui en ont besoin. Le système a également identifié les facteurs spécifiques qui ont été les plus influents dans ses prédictions, notamment si un patient souffrait d'insuffisance cardiaque avant la chirurgie, si un dispositif a été nécessaire pour aider à pomper le sang pendant l'opération, combien de temps la machine cœur-poumon a été utilisée et le taux de globules blancs.

Cependant, la découverte la plus surprenante est survenue lorsque les chercheurs ont testé les deux types de données séparément. Ils s'attendaient à ce que la combinaison de l'historique statique avec les signaux en direct de la salle d'opération crée une prédiction surpuissante, supérieure à l'une ou l'autre des sources prises isolément. Au lieu de cela, ils ont découvert que les données statiques issues de l'historique médical du patient, lorsqu'elles étaient analysées seules, étaient aussi performantes que le système combiné, atteignant le même score de 0,87. Les signaux en direct de la salle d'opération, analysés seuls, étaient légèrement moins efficaces avec un score de 0,83. Cette découverte suggère que pour ce groupe spécifique de patients, les deux types d'informations agissent comme des substituts plutôt que comme des partenaires. Les données détaillées, moment par moment, de la chirurgie n'ont pas apporté de nouvelles informations que l'historique statique ne contenait pas déjà. Au lieu de cela, la combinaison des deux a simplement déplacé l'équilibre entre la détection de chaque risque possible et l'évitement des fausses alertes, modifiant le compromis entre sensibilité et précision sans augmenter la quantité totale de signal utile.

Une enquête plus approfondie sur les données en direct a révélé qu'aucun canal de surveillance unique n'était le héros solitaire de l'histoire. Le système ne reposait pas sur un seul chiffre, comme la fréquence cardiaque ou les niveaux d'oxygène, pour prendre ses décisions. Bien que la pression artérielle moyenne et la pression dans les veines centrales soient les éléments d'information les moins remplaçables, le système a montré qu'il pouvait fonctionner sans qu'un signal spécifique particulier ne soit absolument critique. Cette robustesse signifie que l'outil n'est pas fragile ; il ne s'effondre pas si un moniteur tombe en panne. L'étude conclut que, bien que les systèmes avancés puissent intégrer des flux de données complexes, les hôpitaux qui n'ont accès qu'aux dossiers standards des patients et aux données de registres peuvent toujours atteindre le même niveau de précision de prédiction que ceux disposant d'une surveillance complète en temps réel. Ce travail démontre que pour prédire les complications post-chirurgicales dans ce contexte, une compréhension approfondie de l'état préexistant d'un patient est souvent tout aussi puissante que l'observation du tic-tac de l'horloge tout au long de la chirurgie.