Construction of a machine learning-based prediction model for intraoperative acquired pressure injury in children undergoing neurosurgery

Résumé Technique : Construction d'un modèle de prédiction basé sur l'apprentissage automatique pour les escarres peropératoires acquises chez les enfants subissant une neurochirurgie

Énoncé du problème
L'escarre peropératoire acquise (EPA) est une complication fréquente et grave chez les enfants subissant une neurochirurgie. En raison de la nature délicate de ces interventions, de la nécessité d'un positionnement forcé, de l'utilisation d'instruments provoquant une compression tissulaire locale et d'un repos postopératoire prolongé au lit, les patients pédiatriques sont exposés à des risques élevés. Bien que des études antérieures aient identifié un taux d'incidence d'environ 11,5 % chez les enfants neurochirurgicaux, les facteurs de risque spécifiques pour cette population restent incomplètement compris. De plus, les outils de prédiction existants, tels qu'un nomogramme développé précédemment, n'ont démontré qu'une efficacité prédictive modérée (c-index = 0,79). À ce jour, aucune étude n'a rapporté l'utilisation de techniques d'apprentissage automatique (ML) pour construire un modèle de prédiction de l'EPA chez les enfants neurochirurgicaux.

Méthodologie
Cette étude rétrospective a utilisé les données cliniques de 776 enfants (âgés de ≤18 ans) ayant subi une neurochirurgie dans un hôpital pédiatrique tertiaire à Chongqing entre janvier et juin 2023. L'étude a respecté le principe de 10 événements par variable (EPV) pour le calcul de la taille de l'échantillon, incluant finalement 14 facteurs de risque potentiels.

• Collecte et prétraitement des données : Les données comprenaient des informations démographiques, des valeurs de laboratoire préopératoires (hémoglobine, hématocrite, IMC, score Braden Q) et des variables peropératoires (classification ASA, position chirurgicale, durée de l'opération/anesthésie, perte de sang, utilisation d'outils électriques et hypothermie). Le diagnostic d'EPA a été établi selon les normes NPUAP de 2019.
• Sélection des caractéristiques : La régression LASSO (Least Absolute Shrinkage and Selection Operator) a été employée pour filtrer les variables et réduire la dimensionnalité, sélectionnant 13 caractéristiques avec des coefficients non nuls.
• Construction du modèle : L'ensemble de données a été divisé en un groupe d'entraînement (70 %) et un groupe de validation (30 %). Neuf algorithmes d'apprentissage automatique ont été mis en œuvre : régression logistique (LR), forêt aléatoire (RF), réseau de neurones (NNET), Extreme Gradient Boosting (XGBoost), Gradient Boosting Machine (GBM), machine à vecteurs de support (SVM), Naive Bayes (NB), K-plus proches voisins (KNN) et arbre de décision (DT).
• Optimisation et validation : Les modèles ont été ajustés à l'aide d'une validation croisée à dix plis (ten-fold cross-validation) et d'une recherche par grille (grid search) sur l'ensemble d'entraînement. La performance a été évaluée par l'aire sous la courbe ROC (AUC), la sensibilité, la spécificité, la précision, le score F1 et l'analyse de la courbe de décision (DCA).
• Interprétabilité : Le modèle optimal a été analysé via SHAP (SHapley Additive exPlanations) pour visualiser l'importance des caractéristiques et expliquer le processus de décision.

Résultats clés

• Incidence : L'incidence observée d'EPA dans la cohorte était de 7,9 % (62/776). La majorité des lésions étaient de stade I (95,16 %), les sites les plus fréquents étant la joue, le front et la tempe.
• Sélection des caractéristiques : La régression LASSO a identifié 13 prédicteurs clés, notamment l'âge, le sexe, le score Braden Q, l'hématocrite préopératoire, la perte de sang peropératoire, la durée de l'opération, la durée de l'anesthésie, la position chirurgicale, l'utilisation d'outils électriques, la classification ASA, le type de chirurgie et l'IMC.
• Performance du modèle : Parmi les neuf algorithmes, le modèle XGBoost a démontré la performance la plus stable et optimale.
  • Métriques du groupe de validation : XGBoost a atteint une AUC de 0,7325, avec une sensibilité de 0,8889, une spécificité de 0,4813, une précision de 0,126 et un score F1 de 0,2207.
  • Comparaison : Bien que le modèle XGBoost présente une AUC légèrement inférieure au modèle de nomogramme précédent des auteurs (0,79), il démontre une sensibilité plus élevée. L'analyse de la courbe de décision indique que l'XGBoost offre le plus grand bénéfice clinique net dans le groupe de validation.
• Analyse des facteurs de risque : La visualisation SHAP a identifié les six principaux facteurs de risque pilotant les prédictions du modèle : la perte de sang peropératoire, la position chirurgicale, l'âge du patient, la durée de l'opération, la durée de l'anesthésie et l'utilisation de forces externes (ex: forets/fraises de forage).

Contributions clés

1. Nouvelle application du ML : Cette étude construit un modèle de prédiction basé sur l'apprentissage automatique pour l'EPA chez les enfants subissant une neurochirurgie, comblant une lacune où aucun modèle de ce type n'avait été rapporté auparavant.
2. Comparaison algorithmique : Elle compare systématiquement neuf algorithmes d'apprentissage automatique distincts, identifiant l'XGBoost comme le modèle supérieur pour ce contexte clinique spécifique.
3. Interprétabilité : En intégrant l'analyse SHAP, l'étude dépasse les prédictions de type « boîte noire », offrant une visualisation transparente de la manière dont des indicateurs cliniques spécifiques (tels que la perte de sang et la position chirurgicale) influencent le risque de lésion.
4. Affinement des facteurs de risque : L'étude réévalue les facteurs de risque, confirmant l'importance de la perte de sang peropératoire et de l'utilisation d'outils électriques, qui n'étaient pas aussi mis en évidence dans les précédents modèles non basés sur le ML.

Signification et affirmations
Les auteurs affirment que le modèle de prédiction basé sur l'XGBoost possède une « certaine efficacité prédictive ». La principale importance de ce travail réside dans son potentiel à aider les infirmiers cliniciens dans l'identification précoce des patients pédiatriques neurochirurgicaux à haut risque. En exploitant ce modèle, les prestataires de soins peuvent prendre des mesures préventives personnalisées plus tôt dans le continuum de soins. L'étude souligne que, bien que le modèle ne soit pas un remplacement parfait du jugement clinique, il offre une base scientifique pour le dépistage et aide à rationaliser le processus d'évaluation en mettant en évidence les facteurs de risque les plus critiques, réduisant ainsi potentiellement le temps d'évaluation et améliorant la précision des stratégies de prévention de l'EPA. Les auteurs restent modestes quant à la généralisabilité du modèle, notant des limites telles que la nature rétrospective des données, l'absence de validation externe et la nécessité d'explorer les interactions entre les facteurs de risque dans des études futures.