A prognostic model and simplified risk score for predicting poor treatment response in children aged 2–59 months hospitalized with severe community-acquired pneumonia: Development and validation study in Hakim Gizaw Hospital, Ethiopia

Résumé technique : Modèle pronostique et score de risque simplifié pour la pneumonie sévère chez les enfants en Éthiopie

Énoncé du problème
La pneumonie demeure une cause majeure de mortalité chez les enfants, particulièrement dans les pays à revenu faible et intermédiaire. Bien que la pneumonie sévère soit une préoccupation clinique majeure, elle est cliniquement hétérogène ; les enfants répondant aux mêmes critères diagnostiques font souvent face à des risques de l'échec du traitement radicalement différents. Les outils de prédiction de la pneumonie pédiatrique existants (par exemple, RISC, RISC-Malawi) ont démontré des performances variables lorsqu'ils sont appliqués en dehors de leurs contextes de dérivation, en raison des différences de profil de cas, de prévalence des issues et de gestion clinique. Il existe un besoin critique de modèles pronostiques localement pertinents et validés en interne, capables d'identifier précocement les enfants présentant un risque élevé de mauvaise réponse au traitement durant leur hospitalisation, afin de faciliter une surveillance et des soins de soutien prioritaires.

Méthodologie
Cette étude a réalisé un développement de modèle pronostique et une analyse de validation interne à partir des données de 630 enfants (âgés de 2 à 59 mois) hospitalisés pour une pneumonie communautaire sévère à l'hôpital de l'enseignement Hakim Gizaw en Éthiopie.

• Définition de l'issue : L'issue primaire était une « mauvaise réponse au traitement » dans les 72 heures suivant l'admission, opérationnalisée comme un composite de : hospitalisation prolongée (> 72 heures), décès pendant l'hospitalisation, et/ou changement d'antibiotiques après 72 heures.
• Prédicteurs : Les prédicteurs candidats ont été limités aux variables disponibles à l'admission ou lors de l'évaluation clinique initiale afin de garantir l'utilité pronostique. Ceux-ci comprenaient la démographie, le statut vaccinal, les signes vitaux, la saturation en oxygène, les mesures de laboratoire et les schémas antibiotiques initiaux.
• Gestion des données : Quatre variables de laboratoire (globules blancs [WBC], neutrophiles, lymphocytes, hémoglobine) présentaient des données manquantes substantielles (environ 18 %). L'étude a utilisé l'imputation multiple par équations enchaînées (MICE) avec une correspondance de la moyenne prédictive pour générer cinq jeux de données imputés, préservant ainsi l'information qui aurait été perdue lors d'une analyse sur cas complets.
• Développement du modèle :
  • Sélection préliminaire : Des analyses univariées exploratoires ont servi à filtrer les candidats (seuil de p < 0,25).
  • Sélection : Des modèles de régression logistique multivariée ont été comparés en utilisant le critère d'information d'Akaike (AIC). Le modèle final a conservé 16 paramètres prédicteurs.
  • Validation : La validation interne a été réalisée à l'aide de 1000 rééchantillonnages par bootstrap pour estimer et corriger l'optimisme (surapprentissage).
• Métriques de performance :
  • Discrimination : Évaluée via l'aire sous la courbe ROC (AUC) et le Somers' Dxy.
  • Calibration : Évaluée à l'aide de courbes de calibration, de l'ordonnée à l'origine, de la pente, de l'erreur absolue maximale (Emax) et du score de Brier.
  • Score simplifié : Un score de risque entier à 11 composantes a été dérivé du modèle complet pour faciliter l'utilisation au chevet du patient.
  • Utilité clinique : Une analyse de courbe de décision (DCA) a été menée pour évaluer le bénéfice net du score à travers diverses probabilités de seuil par rapport aux stratégies « traiter tout le monde » et « ne traiter personne ».

Principales contributions

1. Développement d'un modèle local : L'étude fournit un modèle de régression logistique multivariée spécifiquement adapté au contexte éthiopien, répondant aux limites du transfert d'outils mondiaux vers des contextes locaux.
2. Approche statistique rigoureuse : L'étude respecte les directives de reporting contemporaines (par exemple, TRIPOD), utilisant l'imputation multiple pour les données manquantes, le rééchantillonnage par bootstrap pour la validation interne et l'analyse de courbe de décision pour l'évaluation de l'utilité.
3. Double résultat : L'étude délivre à la fois un modèle de régression complet pour une estimation de risque de haute précision et un score de risque simplifié à 11 composantes pour une application clinique pratique.
4. Transparence du rapport : Les auteurs fournissent les coefficients de régression complets, les rapports des cotes (odds ratios) et des métriques de performance détaillées, incluant les valeurs corrigées de l'optimisme, afin de soutenir une future validation externe.

Résultats

• Prévalence de l'issue : Une mauvaise réponse au traitement est survenue chez 267 enfants (42,4 %).
• Performance du modèle complet :
  • Discrimination : L'AUC apparente était de 0,875 (IC 95 % 0,849–0,902). Après correction par bootstrap, l'AUC corrigée de l'optimisme était d'environ 0,857 (Dxy 0,713).
  • Calibration : Le modèle présentait une calibration raisonnable avec une pente corrigée de 0,927 et une ordonnée à l'origine de 0,021. Le score de Brier était de 0,153.
  • Prédicteurs clés : Les prédicteurs significatifs d'une mauvaise réponse incluaient la vaccination incomplète (AOR 3,79), une saturation en oxygène très basse (AOR 2,23), l'âge de 12 à 23 mois (AOR 3,29), le traitement ampicilline-gentamicine (vs vancomycine), le stridor, la cyanose, l'incapacité de s'alimenter, les changements de l'état mental, les vomissements, la diarrhée et l'augmentation des globules blancs (WBC).
• Performance du score simplifié :
  • Le score variait de 0 à 19.
  • Discrimination : Le score a obtenu une AUC de 0,823, ce qui est statistiquement significativement inférieur au modèle complet (p < 0,001) mais conserve un pouvoir discriminant utile.
  • Stratification du risque : À un seuil de ≥ 8 points, le score a identifié un groupe à haut risque avec un taux de mauvaise réponse observé de 70,3 %, contre 7,7 % dans le groupe à faible risque (0–3 points).
  • Métriques de classification : Au seuil de ≥ 8, la sensibilité était de 76,4 % et la spécificité de 76,3 %.
  • Utilité : L'analyse de la courbe de décision a indiqué un bénéfice net positif par rapport à la stratégie « ne traiter personne » sur une large gamme de probabilités de seuil.

Signification et affirmations
Les auteurs affirment que le modèle développé démontre une bonne discrimination et une calibration interne acceptable pour prédire la mauvaise réponse au traitement dans cette cohorte spécifique. Le score simplifié, bien que moins précis que l'équation de régression complète, offre un outil pragmatique de stratification du risque qui sépare les enfants en groupes ayant des issues nettement différentes.

Cependant, l'article maintient une position modeste concernant l'implémentation clinique. Les auteurs déclarent explicitement que :

• Les résultats sont basés sur une validation interne et nécessitent une validation externe dans des cohortes indépendantes avant que les modèles ne puissent être considérés pour un usage clinique de routine.
• L'étude n'a pas réalisé d'évaluation d'impact prospective ; par conséquent, l'analyse de la courbe de décision représente une utilité potentielle plutôt qu'une efficacité clinique prouvée.
• L'issue est une mesure opérationnelle composite de la réponse au traitement, et non un critère de mortalité.
• La transportabilité du modèle vers d'autres hôpitaux ou populations reste non prouvée en raison de la conception monocentrique et de la sélection des prédicteurs basée sur les données.

En conclusion, l'étude fournit une base reproductible et statistiquement robuste pour des recherches futures, soulignant que la validation externe et l'évaluation de l'impact prospectif sont des prérequis nécessaires avant que ces instruments ne puissent guider la prise de décision clinique.