Development and internal validation of a pre-operative machine-learning model for prolonged postoperative stay in older adults undergoing colorectal cancer surgery
Cette étude a développé et validé en interne un modèle d'apprentissage automatique préopératoire utilisant des données cliniques de routine pour prédire modérément les séjours hospitaliers prolongés chez les personnes âgées subissant une chirurgie du cancer colorectal, identifiant la fragilité et les comorbidités comme des prédicteurs clés tout en soulignant la nécessité d'une validation externe avant son implantation clinique.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Les hôpitaux sont des lieux de guérison, mais pour les personnes âgées, un séjour prolongé peut devenir une source de nouveaux préjudices. Lorsqu'une personne âgée est admise pour une chirurgie majeure, l'environnement hospitalier lui-même peut déclencher un déclin de ses capacités physiques et mentales. Ce phénomène, connu sous le nom de handicap associé à l'hospitalisation, comprend une perte de force musculaire, de la confusion et une capacité réduite à prendre soin de soi, autant de choses qui peuvent survenir simplement parce qu'un patient est confiné au lit ou dans une chambre pendant trop longtemps. Pour les patients faisant face à une chirurgie du cancer colorectal, le défi est accentué par le fait qu'ils arrivent souvent avec un mélange d'autres problèmes de santé, une réserve physique réduite et des besoins sociaux complexes qui rendent le retour à domicile difficile. Les médecins savent depuis longtemps que la fragilité — un état de vulnérabilité accrue au stress — est un meilleur prédicteur de mauvais résultats que l'âge seul, pourtant, prédire exactement qui aura besoin d'un long séjour à l'hôpital reste difficile. Les outils traditionnels se concentrent souvent sur le risque de décès ou de complications majeures, manquant le risque plus subtil mais tout aussi dommageable d'une admission prolongée qui laisse le patient plus faible qu'à son arrivée.
Dans une étude récente, des chercheurs de l'hôpital universitaire de Southend et de l'hôpital de Southmead ont entrepris de construire un outil numérique pour résoudre ce problème spécifique. Ils voulaient savoir s'ils pouvaient utiliser un programme informatique pour examiner les données de santé d'un patient avant la chirurgie et prédire si ce patient resterait à l'hôpital plus de dix jours. L'équipe s'est concentrée sur 197 adultes plus âgés, tous âgés de 65 ans ou plus, qui étaient en cours d'évaluation pour une chirurgie du cancer colorectal. À partir de ce groupe, ils ont analysé les dossiers de 149 patients ayant réellement subi l'opération. Les chercheurs ont recueilli un large éventail d'informations disponibles avant le début de la chirurgie, notamment l'âge du patient, une mesure de sa fragilité appelée l'Échelle de fragilité clinique (Clinical Frailty Scale), le nombre d'autres conditions médicales dont il souffrait, le nombre de médicaments qu'il prenait et sa situation sociale, telle que son lieu de résidence et l'aide dont il disposait à domicile. Ils ont également inclus des scores de risque chirurgical standard qui estiment la difficulté de l'opération.
Pour donner du sens à ce mélange complexe de données, l'équipe a utilisé une méthode d'apprentissage automatique appelée classificateur à gradient boosté (gradient-boosted classifier). Vous pouvez y voir comme un programme informatique qui apprend en construisant une série d'arbres de décision, où chaque nouvel arbre corrige les erreurs du précédent, créant ainsi un modèle hautement précis pour repérer les schémas. Les chercheurs ont entraîné ce modèle pour distinguer les patients qui auraient un séjour court ou modéré de ceux qui auraient un séjour prolongé de plus de dix jours. Ils ont testé le modèle rigoureusement en divisant de manière répétée les données en différents groupes pour s'assurer que les résultats n'étaient pas seulement le fruit d'un coup de chance. Le modèle s'est avéré modérément efficace dans sa tâche. Il a correctement identifié les patients à risque de séjour prolongé environ 75 % du temps, avec une sensibilité de 66 %, ce qui signifie qu'il a capturé les deux tiers des personnes qui ont réellement fini par rester trop longtemps. Il était également raisonnablement bon pour exclure ceux qui auraient eu un séjour plus court, avec une spécificité de 75 %.
L'étude a révélé que les indices les plus puissants pour prédire un long séjour n'étaient pas simplement l'âge du patient ou le type de chirurgie, mais plutôt son niveau de fragilité et son score de risque chirurgical global. Le nombre d'autres problèmes de santé et la mobilité du patient jouaient également des rôles significatifs. Curieusement, les chercheurs ont constaté que si le modèle était correct pour prédire un résultat binaire — si un séjour serait long ou non — il était beaucoup moins fiable pour prédire le nombre exact de jours qu'un patient passerait à l'hôpital. Lorsqu'ils ont essayé d'utiliser l'ordinateur pour prévoir des durées spécifiques, les prédictions étaient souvent décalées de plusieurs jours, suggérant que la durée exacte d'un séjour hospitalier est influencée par trop de facteurs imprévisibles pour être calculée précisément à l'avance. Cette distinction est cruciale : l'outil est meilleur pour signaler un patient à haut risque qui nécessite une planification supplémentaire que pour dire à un médecin exactement quand ce patient sera autorisé à sortir.
Les implications de la capacité à identifier ces patients à haut risque sont significatives. Les chercheurs ont estimé que si ce modèle était appliqué aux quelque 21 000 chirurgies majeures du côlon et du rectum effectuées annuellement en Angleterre et au pays de Galles, il pourrait aider à identifier des milliers de patients susceptibles de faire face à un séjour prolongé. Une admission prolongée n'est pas seulement une question de disponibilité des lits d'hôpital ; c'est une menace directe pour l'indépendance du patient. L'étude a souligné que les patients qui restent plus longtemps sont exposés à des taux plus élevés de déclin fonctionnel, de délire et d'autres complications acquises à l'hôpital. En identifiant ces patients tôt, les équipes médicales pourraient potentiellement intervenir avec une préparation préopératoire plus intensive ou un soutien postopératoire pour raccourcir leur séjour. L'argument économique est également convaincant ; les chercheurs ont calculé que réduire la durée du séjour de seulement un jour pour 10 % de ces cas nationaux permettrait d'économiser près de 2 millions de livres sterling en coûts de lits à elle seule, un chiffre qui passerait à plus de 5 millions de livres sterling si cette réduction était réalisée dans 20 % des cas.
Malgré ces résultats prometteurs, les auteurs notent prudemment que cet outil n'est pas encore prêt pour une utilisation immédiate dans chaque hôpital. L'étude a été menée dans un centre unique et reposait sur des données rétrospectives, ce qui signifie que le modèle a été testé sur des dossiers passés plutôt que sur de futurs patients. La performance du modèle variait selon la manière dont les données étaient testées, et les chercheurs ont souligné qu'il doit être validé auprès d'un groupe de patients plus large et plus diversifié avant de pouvoir être utilisé pour guider les décisions cliniques. L'étude conclut que, bien que l'apprentissage automatique soit très prometteur pour aider les médecins à planifier les soins des adultes âgés subissant une chirurgie du cancer colorectal, la prochaine étape consiste à tester le modèle dans des essais prospectifs en temps réel pour voir si agir sur ses prédictions conduit réellement à des séjours hospitaliers plus courts et plus sûrs. D'ici là, l'outil reste une aide sophistiquée pour la stratification des risques, offrant une vision plus claire de ceux qui sont les plus vulnérables aux dangers cachés d'une longue admission hospitalière.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.