An interpretable machine learning model for early sepsis prediction in patients with heart failure and type 2 diabetes: a retrospective cohort study

Dans l'unité de soins intensifs, là où les enjeux sont les plus élevés et le temps la ressource la plus précieuse, les médecins pèsent constamment l'équilibre délicat entre les pathologies chroniques d'un patient et les nouvelles menaces aiguës. Deux des conditions chroniques les plus courantes et les plus exigeantes sont l'insuffisance cardiaque, où le cœur peine à pomper le sang efficacement, et le diabète de type 2, une pathologie où le corps ne peut plus gérer correctement les taux de sucre. Lorsque ces deux conditions coexistent, elles créent une tempête parfaite de vulnérabilité. La capacité du corps à lutter contre l'infection est déjà compromise par la fatigue imposée au cœur et le chaos métabolique du diabète, rendant ces patients beaucoup plus susceptibles de développer un sepsis. Le sepsis est une réaction potentiellement mortelle à une infection qui peut rapidement provoquer une défaillance des organes et mener au décès. Comme la fenêtre de traitement du sepsis est étroite, l'identifier tôt est critique, pourtant les outils actuels échouent souvent à repérer les signes d'alerte chez ce groupe spécifique de patients avant qu'il ne soit trop tard.

Une équipe de chercheurs s'est donné pour mission de construire un nouveau type de filet de sécurité pour ces patients, capable d'écouter les signaux subtils cachés dans les données médicales d'un patient. Ils se sont tournés vers l'apprentissage automatique, une branche de l'intelligence artificielle où les ordinateurs apprennent à reconnaître des modèles en étudiant de vastes quantités d'exemples passés, plutôt qu'en suivant un ensemble rigide de règles écrites par des humains. L'objectif était de créer un système capable d'examiner les données de routine collectées lorsqu'un patient souffrant d'insuffisance cardiaque et de diabète arrive en unité de soins intensifs et de prédire, avec une précision raisonnable, s'il est sur le point de développer un sepsis. Contrairement à de nombreux modèles informatiques complexes qui agissent comme des « boîtes noires », donnant une réponse sans expliquer pourquoi, cette équipe voulait un système qui puisse également montrer son raisonnement, en indiquant précisément quels facteurs ont fait pencher la balance vers le danger.

Les chercheurs ont commencé par rassembler des données provenant de deux bases de données massives et publiques contenant les dossiers de milliers de patients en soins intensifs aux États-Unis. Ils se sont concentrés spécifiquement sur les adultes admis avec à la fois une insuffisance cardiaque et un diabète de type 2. À partir d'un bassin de plus de 9 000 candidats potentiels, ils ont réduit leur champ d'action à 7 806 patients provenant d'une base de données pour construire leur modèle, puis ont testé ce dernier sur un groupe distinct de 633 patients provenant d'un autre ensemble d'hôpitaux pour voir s'il tiendrait bon dans le monde réel. Ils ont examiné un large éventail d'informations enregistrées au cours des premières 24 heures du séjour d'un patient, y compris les signes vitaux comme la fréquence cardiaque et la température, les résultats d'analyses de sang, et si le patient était sous assistance respiratoire.

Pour trouver les indices les plus importants, l'équipe n'a pas simplement deviné quels facteurs comptaient. Ils ont utilisé un processus rigoureux pour passer les données au crible, comparant différentes méthodes statistiques pour voir quelles variables indiquaient systématiquement un sepsis. Ce processus a permis de réduire une longue liste de possibilités à seulement sept indicateurs clés. Ceux-ci comprenaient si le patient présentait une insuffisance rénale aiguë, s'il était sous ventilateur mécanique pour l'aider à respirer, son taux de globules blancs, sa température corporelle, son niveau de conscience mesuré par une échelle standard, une mesure de l'équilibre acide de son sang, et le taux de lactate, une substance qui s'accumule lorsque les tissus ne reçoivent pas assez d'oxygène.

L'équipe a ensuite entraîné sept algorithmes différents pour qu'ils apprennent à partir de ces sept indicateurs. Ils ont testé chacun d'eux pour voir lequel pouvait le mieux distinguer les patients qui développeraient un sepsis de ceux qui n'en développeraient pas. Un algorithme, connu sous le nom d'XGBoost, est apparu comme le plus fiable. Lors de la phase de test initiale, il a identifié correctement le risque dans environ 71 % des cas. Lorsque les chercheurs ont appliqué ce même modèle au groupe distinct de patients provenant des autres hôpitaux, il a maintenu une performance respectable, identifiant correctement le risque dans environ 66 % des cas. Bien que cela ne soit pas parfait, cela représente une avancée significative pour un groupe de patients qui ne disposait auparavant d'aucun outil spécialisé pour aider les médecins à détecter le danger précocement.

Ce qui rend ce travail particulièrement précieux, c'est que les chercheurs ne se sont pas arrêtés à la prédiction. Ils ont utilisé une technique appelée SHAP pour ouvrir la « boîte noire » et voir exactement comment le modèle prenait ses décisions. Ils ont découvert que l'ordinateur ne devinait pas au hasard ; il priorisait les mêmes éléments qu'un médecin expérimenté surveillerait, mais avec une précision mathématique. Le modèle a déterminé que l'insuffisance rénale aiguë, un niveau de conscience abaissé et des taux élevés de globules blancs étaient les signaux les plus forts d'un sepsis imminent. Il a également appris que la température corporelle importait d'une manière spécifique : une forte fièvre ainsi qu'une température anormalement basse étaient des signes d'alerte, tandis qu'une température normale était rassurante. De même, il a reconnu que des taux élevés de lactate et le besoin d'un respirateur augmentaient considérablement le risque.

Les chercheurs ont pris soin de noter que, bien que leur modèle soit performant, il n'est pas encore prêt à remplacer le jugement d'un médecin ou à prendre des décisions de traitement de manière autonome. Les tests externes ont montré que, bien que le modèle soit utile, il n'est pas infaillible et doit être testé davantage dans différents hôpitaux et avec différentes populations de patients avant de pouvoir être utilisé dans la pratique clinique quotidienne. L'étude sert de preuve de concept, démontrant qu'il est possible de construire un outil interprétable qui utilise des données médicales de routine et quotidiennes pour signaler les patients à haut risque souffrant d'insuffisance cardiaque et de diabète. En mettant en lumière la combinaison spécifique de l'insuffisance rénale, des difficultés respiratoires et des changements de la chimie sanguine qui signalent un problème, ce travail offre une nouvelle façon d'aider les cliniciens à rester un coup d'avance sur une pathologie qui évolue trop vite pour être ignorée.