Machine learning-based identification of key risk factors for deep vein thrombosis within one week after total joint arthroplasty in elderly patients

Chaque année, des millions de personnes âgées subissent une intervention chirurgicale majeure pour remplacer des articulations de la hanche ou du genou usées, une procédure qui restaure la mobilité et soulage la douleur. Cependant, le processus de récupération comporte un danger caché : la formation de caillots sanguins dans les veines profondes des jambes, une condition connue sous le nom de thrombose veineuse profonde. Pour les patients âgés, cette complication est particulièrement grave. Elle peut prolonger les séjours à l'hôpital, augmenter les coûts médicaux et, dans les cas graves, mener à des événements potentiellement mortels si un caillot voyage jusqu'aux poumons. Les médecins s'appuient depuis longtemps sur des listes de contrôle standard pour estimer qui est le plus à risque, mais ces outils traitent souvent tous les patients de remplacement articulaire de la même manière, les qualifiant tous de haut risque sans distinguer qui est réellement en danger. Ce manque de précision rend difficile la fourniture du niveau de protection approprié pour chaque individu.

Pour résoudre ce problème, les chercheurs se sont tournés vers une branche de l'informatique appelée l'apprentissage automatique (machine learning). Au lieu de suivre un ensemble de règles fixes, ces programmes informatiques apprennent à partir de vastes quantités de données passées sur les patients pour trouver des modèles complexes que les observateurs humains pourraient manquer. L'objectif est de construire un outil numérique capable d'examiner les antécédents médicaux d'un patient, les résultats d'analyses de sang et les détails de sa chirurgie pour prédire avec une grande précision si celui-ci développera un caillot sanguin au cours de la première semaine suivant l'opération. En identifiant les facteurs spécifiques qui comptent le plus, un tel outil pourrait aider les médecins à adapter les stratégies de prévention, garantissant que ceux qui ont besoin de soins supplémentaires les reçoivent, tout en évitant des traitements inutiles pour ceux qui n'en ont pas besoin.

Une équipe de chercheurs de l'Université de science et technologie de Chine s'est donné pour mission de construire et de tester un tel outil. Ils ont recueilli des informations sur 3 050 patients âgés, tous de 60 ans ou plus, ayant subi une arthroplastie totale des articulations dans un seul hôpital en 2024. L'équipe a collecté un large éventail de points de données pour chaque personne, incluant l'âge, le sexe, l'indice de masse corporelle et les antécédents médicaux de pathologies telles que le diabète ou le cancer. Ils ont également extrait des chiffres spécifiques des analyses de sang préopératoires, tels que les niveaux d'inflammation et les facteurs de coagulation sanguine, et ont enregistré des détails de la salle d'opération, notamment la durée de la chirurgie, l'utilisation ou non de ciment osseux et l'application d'un garrot pour arrêter le flux sanguin pendant la procédure. Le résultat qu'ils tentaient de prédire était simple mais critique : le patient a-t-il développé un caillot sanguin dans la jambe dans les sept jours suivant la chirurgie, comme le confirme une échographie ?

Pour entraîner leurs modèles informatiques, les chercheurs ont dû faire face à un problème courant dans les données médicales : la plupart des patients ne développent pas de caillots, tandis qu'un nombre plus restreint le fait. Ce déséquilibre peut confondre un algorithme d'apprentissage. Pour y remédier, ils ont utilisé une technique qui crée des exemples synthétiques du groupe le moins commun, équilibrant ainsi efficacement l'ensemble de données afin que l'ordinateur puisse apprendre des deux côtés de manière égale. Ils ont ensuite divisé les données, utilisant la majorité d'entre elles pour enseigner à quatre types différents d'algorithmes d'apprentissage automatique comment faire des prédictions, et en réservant le reste pour tester l'efficacité de ces prédictions sur de nouveaux patients non encore vus. Les quatre algorithmes testés comprenaient une méthode statistique traditionnelle appelée régression logistique, un arbre de décision qui pose une série de questions par oui ou par non, une forêt aléatoire (random forest) qui combine de nombreux arbres de décision, et une méthode puissante appelée XGBoost, qui construit un modèle hautement précis en apprenant de ses propres erreurs.

Lorsque l'équipe a comparé les résultats, un modèle s'est nettement distingué. L'algorithme XGBoost s'est avéré être le plus efficace, identifiant correctement la vaste majorité des patients qui développeraient ou non un caillot. Il a atteint un niveau de précision qui surpassait largement les autres méthodes, y compris l'approche statistique traditionnelle qui peinait à capturer les relations complexes entre les différents facteurs de risque. Le modèle de forêt aléatoire a bien performé mais n'était pas aussi précis, tandis que l'arbre de décision et le modèle statistique traditionnel étaient nettement en retrait. La performance supérieure du modèle XGBoost suggère que le risque de développer un caillot n'est pas dicté par un seul facteur, mais par un réseau complexe d'interactions qu'un programme informatique sophistiqué est le seul capable de démêler.

Pour comprendre pourquoi ce modèle fonctionnait si bien, les chercheurs ont utilisé une méthode permettant de lever les couches de l'algorithme et de voir quels éléments d'information spécifiques dictaient les prédictions. Ils ont découvert que les facteurs les plus influents n'étaient pas la durée de la chirurgie ou l'utilisation de ciment osseux, comme on pourrait s'y attendre, mais plutôt les analyses de sang préopératoires du patient. Plus précisément, le temps de coagulation du sang, le taux d'une protéine appelée protéine C-réactive qui signale l'inflammation, et la quantité d'une substance appelée D-dimère étaient les prédicteurs les plus forts. Le sexe du patient jouait également un rôle significatif, les femmes présentant un risque plus élevé que les hommes dans ce groupe. Ces conclusions concordent avec ce que l'on sait de l'interaction entre l'inflammation et la coagulation sanguine dans le corps, suggérant que l'état interne d'un patient avant la chirurgie est un indicateur de risque précoce plus fiable que les détails de l'opération elle-même.

L'étude conclut que cette approche d'apprentissage automatique offre une voie prometteuse pour améliorer les soins aux patients. En utilisant un modèle capable de trier avec précision des données médicales complexes, les médecins pourraient bientôt identifier les patients âgés présentant un risque élevé de caillots sanguins avec une précision bien plus grande que les méthodes actuelles. Cela permettrait des stratégies de prévention plus ciblées, concentrant les ressources sur ceux qui en ont le plus besoin. Bien que les chercheurs notent que leur travail est basé sur les données d'un seul hôpital et nécessite des tests supplémentaires sur des groupes plus larges pour confirmer sa fiabilité, les résultats fournissent une base solide pour une nouvelle ère d'évaluation personnalisée des risques en chirurgie orthopédique. La voie à suivre consiste à valider ces résultats dans différents centres médicaux pour s'assurer que l'outil fonctionne pour tout le monde, mais le potentiel de prévenir une complication dangereuse grâce à une meilleure prédiction est désormais à portée de main.