Development and Validation of a Predictive Model of Major Adverse Kidney Events within 30 Days in Patients with Sepsis-Associated Acute Kidney Injury： Retrospective Cohort Study

Dans l'unité de soins intensifs, le corps combat souvent une guerre sur deux fronts. Un ennemi est le sepsis, une réaction potentiellement mortelle à une infection qui pousse le système immunitaire en surrégime, endommageant les organes et les tissus. L'autre est l'insuffisance rénale aiguë, une défaillance soudaine des reins à filtrer les déchets du sang. Lorsque ces deux conditions frappent ensemble, la situation devient particulièrement dangereuse. Les reins sont parmi les premiers organes à souffrir lorsque le corps est submergé par le sepsis, et lorsqu'ils échouent, le risque de décès ou de handicap à long terme augmente de façon marquée. Depuis des décennies, les médecins s'appuient sur des directives générales pour diagnostiquer et gérer ces conditions, mais ces règles sont conçues pour des populations larges, et non pour la réalité unique et complexe d'un patient individuel allongé dans un lit d'hôpital. Le défi a été de passer de règles générales à des prédictions précises : savoir, tôt, quels patients spécifiques sont les plus susceptibles de subir des issues rénales graves dans un délai d'un mois, afin que les soins puissent être adaptés pour les sauver.

Une équipe de chercheurs s'est donné pour mission de construire un outil capable de faire cette prédiction avec une plus grande précision. Ils se sont tournés vers une vaste collection de dossiers médicaux numériques provenant de milliers de patients ayant été admis dans des unités de soins intensifs aux États-Unis. Plus précisément, ils se sont concentrés sur un groupe de 10 906 adultes ayant développé une insuffisance rénale aiguë dans les deux jours suivant le diagnostic de sepsis. Les chercheurs voulaient voir s'ils pouvaient identifier un motif dans les données qui signalerait un risque élevé d'« événements rénaux indésirables majeurs » dans les 30 jours. Cet événement est une combinaison sérieuse de trois choses : le décès à l'hôpital, la nécessité d'une machine pour filtrer le sang (dialyse), ou une fonction rénale qui reste durablement endommagée après la sortie. Pour trouver la réponse, l'équipe ne s'est pas appuyée sur une formule unique ou une simple liste de contrôle. Au lieu de cela, elle a utilisé un type sophistiqué d'apprentissage informatique, souvent appelé apprentissage automatique (machine learning), qui permet à un ordinateur de trouver des relations complexes et cachées dans de vastes quantités de données que l'œil humain pourrait manquer.

Les chercheurs ont nourri l'ordinateur avec un large éventail d'informations sur chaque patient, collectées durant les premières 24 heures de leur séjour en soins intensifs. Cela comprenait des détails de base comme l'âge et le sexe, des antécédents d'autres maladies telles que des maladies cardiaques ou le diabète, ainsi qu'un instantané de leur état physique actuel. L'ordinateur a examiné les signes vitaux comme la fréquence cardiaque et la vitesse de respiration, ainsi que des résultats détaillés d'analyses sanguines mesurant le bon fonctionnement du foie et des reins, la quantité d'oxygène dans le sang, et la manière dont le corps gérait l'infection. Ils ont également noté si les patients avaient reçu des médicaments pouvant être éprouvants pour les reins ou des médicaments pour soutenir la pression artérielle. L'équipe a testé huit types différents d'algorithmes d'apprentissage automatique, chacun utilisant une approche mathématique légèrement différente pour apprendre des données. Ils ont entraîné ces modèles sur un grand groupe de patients, puis les ont testés sur un groupe distinct pour voir si les modèles pouvaient prédire correctement l'issue pour des personnes qu'ils n'avaient jamais vues auparavant.

Après avoir effectué les tests, un modèle s'est distingué comme étant le plus fiable. Il s'agissait d'un système connu sous le nom de CatBoost, qui s'est avéré meilleur pour distinguer les patients qui auraient une bonne issue de ceux qui feraient face à un événement rénal majeur que les sept autres modèles auxquels il a été comparé. Lorsque les chercheurs ont appliqué ce modèle le plus performant à un ensemble de patients complètement différent provenant d'une autre base de données, il a maintenu sa précision, suggérant que les motifs appris étaient réels et n'étaient pas seulement un hasard lié au premier groupe de données. Le modèle a atteint un niveau de précision considéré comme solide dans la prédiction médicale, identifiant correctement le risque pour la grande majorité des patients. Cela signifie que pour un nouveau patient atteint de sepsis et d'insuffisance rénale, le modèle pourrait examiner ses données initiales et fournir une estimation claire de son risque de subir un événement rénal majeur dans le mois à venir.

Pour s'assurer que les médecins puissent faire confiance au modèle et comprendre ses décisions, les chercheurs n'ont pas traité l'outil comme une « boîte noire » qui donne simplement une réponse sans explication. Ils ont utilisé une méthode pour décomposer la prédiction et montrer exactement quels facteurs poussaient le risque à la hausse ou à la baisse pour chaque individu. L'analyse a révélé que le prédicteur le plus puissant d'une mauvaise issue était simplement la gravité de l'atteinte rénale elle-même au moment de l'admission. Les patients présentant des stades plus avancés de dommages rénaux étaient beaucoup plus susceptibles d'avoir une mauvaise issue. Au-delà des reins, le modèle a souligné l'importance de l'historique de santé globale du patient, de la gravité de sa défaillance organique et de sa fréquence respiratoire. Il a également montré que l'exposition à certains médicaments pouvant nuire aux reins augmentait le risque. En montrant comment ces facteurs se combinent pour créer un profil de risque spécifique pour une seule personne, le modèle dépasse la statistique générique pour offrir une vision personnalisée de la situation du patient.

L'étude confirme qu'il est possible d'utiliser les données du premier jour d'un séjour en soins intensifs pour prévoir de graves complications rénales chez les patients atteints de sepsis. Les résultats suggèrent qu'en combinant les signes vitaux immédiats d'un patient, ses analyses sanguines et ses antécédents médicaux, un modèle informatique peut fournir une évaluation transparente et précise de son risque futur. Cette approche ne remplace pas le jugement d'un médecin, mais offre un outil puissant pour le soutenir. Elle permet aux équipes médicales d'identifier les patients les plus vulnérables très tôt, permettant potentiellement d'intervenir plus rapidement ou de surveiller plus étroitement. Bien que le modèle ait été testé sur des données d'hôpitaux américains et puisse nécessiter une validation supplémentaire dans d'autres parties du monde, la découverte fondamentale est que les signaux d'une mauvaise issue rénale sont présents et mesurables dès le début d'une maladie critique. Ce travail représente une étape vers un avenir où les soins en unité de soins intensifs sont guidés par des prédictions précises et individualisées plutôt que par des moyennes générales, aidant à garantir que les patients les plus à risque reçoivent l'attention dont ils ont besoin.