Predicting malnutrition in colorectal cancer: a systematic review of risk prediction models

Le cancer colorectal, une maladie qui affecte le gros intestin et le rectum, demeure l'un des défis sanitaires les plus courants et les plus graves à travers le monde. Pour les patients naviguant dans cette maladie, un compagnon caché mais critique émerge souvent : la malnutrition. Cet état n'est pas simplement une question de maigreur ; c'est un état complexe où le corps manque des nutriments essentiels nécessaires pour réparer les tissus, combattre l'infection et tolérer les rigueurs du traitement. Lorsqu'un patient atteint d'un cancer colorectal devient malnutri, les conséquences sont sévères. Ils font face à des risques accrus d'infection après une chirurgie, à des séjours hospitaliers plus longs et à une capacité réduite à supporter la chimiothérapie. C'est pourquoi les équipes médicales, particulièrement les infirmiers qui sont souvent les premiers à remarquer le déclin d'un patient, ont besoin d'un moyen fiable pour repérer ceux qui sont à risque avant qu'il ne soit trop tard. L'objectif est d'identifier les vulnérables tôt, afin que l'aide puisse être apportée avant que les réserves du corps ne soient épuisées.

Pendant des années, des chercheurs ont tenté de construire des outils mathématiques pour prédire quels patients tomberont dans cet état dangereux. Ces outils, connus sous le nom de modèles de prédiction, sont comme des listes de contrôle qui pèsent divers facteurs — tels que l'âge, la taille de la tumeur, les résultats des analyses de sang et la force physique — pour calculer un score de risque. L'espoir était qu'un infirmier puisse utiliser un tel outil pour signaler instantanément un patient ayant besoin d'un soutien nutritionnel immédiat. Cependant, le paysage de ces outils a été désordonné. Certains modèles prédisaient des choses différentes, comme les taux de survie ou des marqueurs sanguins spécifiques, plutôt que l'état réel de la malnutrition. D'autres utilisaient des définitions différentes de ce qui compte comme « malnutri », rendant toute comparaison équitable impossible. Pour couper court à cette confusion, une équipe de chercheurs issus d'universités et d'hôpitaux de Chine et des États-Unis a entrepris de rassembler toutes les études disponibles sur ce sujet et de les examiner avec un œil critique.

Les chercheurs ont mené une recherche exhaustive, parcourant huit bases de données scientifiques majeures pour trouver des études publiées jusqu'au 1er mai 2026. Ils ont jeté un large filet, recherchant toute étude ayant construit un modèle pour prédire la malnutrition ou le risque nutritionnel spécifiquement chez les adultes atteints de cancer colorectal. Ils ont été stricts sur ce qu'ils incluaient : les modèles devaient se concentrer sur la réalité clinique de la malnutrition, définie par des normes médicales reconnues, plutôt que sur un simple résultat de test sanguin ou une supposition sur la durée de vie d'un patient. Après avoir passé au crible des milliers d'enregistrements et supprimé les doublons ou les articles non pertinents, ils ont trouvé treize études qui répondaient à leurs critères. Ces études impliquaient un total de milliers de patients, allant de ceux fraîchement diagnostiqués à ceux en convalescence après une chirurgie ou sous chimiothérapie.

Lorsque l'équipe a analysé ces treize modèles, elle a constaté que, sur le papier, ils semblaient très prometteurs. Les modèles étaient capables de distinguer les patients à risque de ceux qui ne le sont pas avec un haut degré de précision. Dans le langage statistique, leur capacité à séparer les deux groupes variait de bonne à excellente. Les chercheurs ont noté que certains modèles identifiaient correctement les patients à risque avec une ASC de 0,88, tandis que d'autres étaient encore plus précis lors de leurs tests initiaux. Les outils utilisaient une variété de méthodes pour faire ces prédictions, allant de simples équations à des algorithmes informatiques plus complexes. Ils s'appuyaient sur des indices communs, tels que l'âge du patient, son indice de masse corporelle, le stade de son cancer, ses taux d'hémoglobine et sa capacité à effectuer les activités quotidiennes. Certains modèles examinaient également des scores de dépistage nutritionnel spécifiques ou des facteurs tels que le revenu et l'apport protéique.

Cependant, l'histoire prend un tournant lorsque les chercheurs ont regardé de plus près comment ces modèles ont été construits et testés. Malgré les chiffres impressionnants en surface, l'équipe a découvert que chacun des treize modèles souffrait de défauts importants dans leur conception et leur rapport. Le problème principal était que les modèles n'avaient pas été testés sur de nouveaux groupes de personnes différents. La plupart étaient construits et testés sur le même groupe de patients, un peu comme un étudiant qui passe un examen blanc puis passe immédiatement le même test. Cette approche conduit souvent à une vision trop optimiste de l'efficacité de l'outil. Les chercheurs ont constaté que les études omettaient souvent d'expliquer comment elles traitaient les données manquantes, comment elles choisissaient les facteurs à inclure, ou si le modèle était sujet au surapprentissage, un terme technique signifiant mémoriser les détails spécifiques des données d'entraînement plutôt que d'apprendre les règles générales. En raison de ces problèmes, l'équipe a conclu que les modèles n'étaient pas encore prêts à être utilisés dans les hôpitaux du monde réel pour prendre des décisions concernant les soins des patients.

La revue a également mis en évidence un manque de diversité dans la recherche. Presque toutes les études ont été menées en Chine, avec une seule provenant des États-Unis. Cela signifie que les outils ont été construits à partir de données de populations spécifiques ayant des habitudes alimentaires, des systèmes de santé et des patrimoines génétiques particuliers. Un modèle qui fonctionne bien dans une région pourrait ne pas fonctionner du tout dans une autre. De plus, les définitions de la malnutrition variaient légèrement d'une étude à l'autre, certaines utilisant un ensemble de critères et d'autres un autre. Bien que les chercheurs aient réussi à restreindre l'attention à la malnutrition cliniquement définie, cette variation rendait toujours difficile la combinaison des résultats en une image unique et unifiée. L'équipe a noté que, bien que l'apprentissage automatique et l'intelligence artificielle soient utilisés dans certains des modèles plus récents, ces techniques avancées ne corrigeaient pas les problèmes fondamentaux de mauvaise conception d'étude ou de manque de tests externes.

Le message final de cette revue est un message d'optimisme prudent mêlé d'un appel à la rigueur. Les modèles existants montrent qu'il est possible de prédire le risque nutritionnel chez les patients atteints de cancer colorectal, et les résultats initiaux sont encourageants. Pourtant, le chemin vers un outil qu'un infirmier peut utiliser avec confiance au chevet d'un patient n'est pas encore achevé. Les chercheurs soulignent que ces modèles doivent être considérés comme des idées préliminaires plutôt que comme des produits finis. Avant de pouvoir être dignes de confiance pour guider les décisions cliniques, ils doivent être testés sur de grands groupes diversifiés de patients à travers différents hôpitaux et pays. Les études futures doivent être conçues avec plus de soin, en veillant à ce que les modèles soient testés sur de nouvelles personnes pour prouver qu'ils fonctionnent dans le monde réel. Jusqu'à ce que cela arrive, la meilleure approche reste pour les équipes de soins de santé d'utiliser leur jugement professionnel et les méthodes de dépistage établies, en gardant ces nouveaux outils à l'esprit comme des aides potentielles pour l'avenir plutôt que comme des solutions immédiates. Le travail est loin d'être terminé, mais cette revue systématique a fourni une carte claire de l'état actuel du domaine et des étapes qui doivent être franchies pour transformer ces calculs prometteurs en soins vitaux.