MultiDiseasePred: An Interpretable Multi-Disease Risk Prediction Framework and Its Application for Early Risk Stratification in the Emergency Department

Dans l'environnement chaotique et à enjeux élevés d'un service d'urgence hospitalier, les premières minutes sont souvent les plus critiques. Lorsqu'un patient arrive, il ne représente pas seulement un problème unique ; il est un mélange complexe de symptômes qui pourraient signaler n'importe quoi, d'un infarctus du myocarde à une infection grave ou une embolie pulmonaire. Traditionnellement, les médecins se sont appuyés sur des listes de contrôle et des systèmes de notation distincts pour évaluer chacune de ces possibilités une par une. Une infirmière peut utiliser un outil pour vérifier la septicémie, un autre pour les problèmes cardiaques, et un troisième pour les troubles respiratoires. Bien que ces outils soient utiles, ils sont conçus pour n'examiner qu'une seule maladie à la fois. Cela crée une image fragmentée, forçant les cliniciens à recoudre mentalement différents scores de risque tout en luttant contre la montre, souvent sans le bénéfice des résultats de laboratoire ou des examens d'imagerie qui arrivent plus tard. Le défi est de voir le patient dans sa globalité immédiatement, en comprenant comment les différents risques se chevauchent et se disputent l'attention avant que l'histoire médicale complète ne soit connue.

Pour répondre à cela, une équipe de chercheurs de l'Université du Minnesota et d'autres institutions a développé une nouvelle approche appelée MultiDiseasePred. Au lieu de construire des modèles séparés pour chaque maladie, ils ont créé un système unique et unifié conçu pour observer un patient et estimer simultanément le risque de sept conditions aiguës différentes ainsi que deux issues critiques, comme le fait que le patient devra être admis à l'hôpital. Le système se concentre sur les sept conditions qui présentent souvent des symptômes précoces confondants de manière similaire : la septicémie, le syndrome de détresse respiratoire aiguë, les exacerbations de maladies pulmonaires chroniques comme l'asthme ou la BPCO, le syndrome coronarien aigu (problèmes cardiaques), la pneumonie virale, l'embolie pulmonaire (un caillot dans le poumon) et l'insuffisance rénale aiguë. Il prédit également la probabilité d'hospitalisation et une « issue critique » composite impliquant l'admission en soins intensifs ou le décès. L'objectif n'était pas seulement de prédire ces risques, mais de le faire en utilisant uniquement les informations disponibles au moment où le patient franchit la porte, telles que les signes vitaux, l'âge et le motif de consultation, sans attendre les analyses de sang ou les radiographies.

Les chercheurs ont entraîné ce système sur un ensemble massif de données comprenant près de 1,7 million de visites aux urgences provenant d'un grand système de santé du Minnesota, couvrant les années 2019 à 2025. Ils ont ensuite testé l'efficacité du système sur des groupes de patients totalement différents provenant de deux autres grands centres médicaux : un à Boston et un en Californie. Ce test externe était crucial pour s'assurer que le système ne se contentait pas de mémoriser les données locales, mais comprenait réellement les signes universels de la maladie. Le système a appris à identifier des schémas à travers ces millions de visites, découvrant que bien que chaque maladie soit unique, elles partagent souvent des signaux physiologiques sous-jacents. Par exemple, une chute de la pression artérielle ou un changement du rythme respiratoire peut être un signe d'alerte pour plusieurs conditions différentes à la fois. En analysant ces signaux partagés aux côtés d'indices spécifiques, le modèle a appris à pondérer les preuves pour chaque condition séparément tout en percevant les connexions entre elles.

Une caractéristique clé de ce nouveau cadre est sa capacité à rester simple et pratique pour une utilisation en conditions réelles. Les chercheurs ont constaté qu'ils n'avaient pas besoin d'une longue liste de dizaines de variables pour faire des prédictions précises. Grâce à un processus de sélection minutieux, ils ont réduit les entrées à seulement douze variables qui sont systématiquement enregistrées par les infirmières de triage, telles que la fréquence cardiaque, la pression artérielle, les niveaux d'oxygène, l'âge et certains antécédents médicaux spécifiques. Cet ensemble d'entrées « parcimonieux » signifie que le système peut être utilisé immédiatement sans nécessiter une saisie de données complexe ou l'attente de résultats de laboratoire. Le modèle inclut également un système d'explication intégré. Lorsqu'il signale un patient comme étant à haut risque pour une condition spécifique, il ne donne pas seulement un chiffre ; il met en évidence précisément quels facteurs ont contribué à cette décision. Par exemple, si le système prédit un risque élevé d'embolie pulmonaire, il peut montrer que l'antécédent d'hypertension pulmonaire du patient a été le principal moteur de cette prédiction, permettant au clinicien de comprendre la logique derrière l'alerte.

Les résultats de l'étude ont été prometteurs. Lors des tests internes, le système a atteint un haut niveau de précision pour distinguer les patients qui développeraient ces conditions de ceux qui ne les développeraient pas, performent aussi bien ou mieux que les modèles existants d'apprentissage automatique à maladie unique. Plus important encore, lorsqu'il a été testé sur les données externes de Boston et de Californie, le système a maintenu de solides performances sans avoir besoin d'être réentraîné ou ajusté pour ces nouveaux lieux. Cela suggère que les schémas appris par le modèle sont robustes et peuvent voyager à travers différents contextes hospitaliers. Pour les sept conditions aiguës, le système a correctement identifié les risques avec un haut degré de fiabilité, et pour les deux points de terminaison de disposition, il a également bien performé. Les chercheurs ont noté que, bien que le système soit excellent pour classer les patients par risque, sa capacité à prédire des événements très rares avec une précision parfaite était légèrement inférieure, ce qui est un défi courant dans la prédiction médicale. Cependant, le système a réussi à fournir un profil de risque coordonné et multi-conditions que les cliniciens peuvent interpréter immédiatement.

L'étude a également examiné la manière dont le système gère la réalité des soins d'urgence, où les données sont souvent incomplètes ou manquantes. Les chercheurs ont conçu le système pour gérer les informations manquantes en utilisant des valeurs standard et prédéfinies basées sur les données d'entraînement, garantissant que le modèle se comporte de manière cohérente quel que soit le signe vital enregistré. Ils ont également veillé à ce que le système ne dépende pas de l'indice de gravité de l'urgence (ESI), un score souvent attribué par les infirmières, afin d'éviter un raisonnement circulaire où le modèle ne ferait que répéter l'évaluation initiale de l'infirmière. Au lieu de cela, il construit sa propre évaluation indépendante à partir des données cliniques brutes. Les chercheurs ont souligné que cet outil est destiné à être une aide à la décision, et non un remplacement du jugement clinique. Il est conçu pour aider les cliniciens à organiser leurs pensations et à prioriser les conditions qu'ils doivent investiguer en premier, ce qui pourrait accélérer le temps nécessaire aux traitements critiques comme les antibiotiques pour la septicémie ou les anticoagulants pour les caillots.

Malgré la force de ces résultats, les auteurs précisent avec prudence qu'il s'agit d'une étude rétrospective, ce qui signifie qu'elle a examiné des données passées plutôt que de tester le système dans un environnement réel et en direct. Ils reconnaissent qu'avant qu'un tel outil ne puisse être largement adopté, il doit être testé de manière prospective pour voir comment il affecte réellement les résultats des patients, l'efficacité du flux de travail, et s'il aide ou entrave le processus de prise de décision dans un service d'urgence chargé. Il existe également des limites concernant les sources de données spécifiques utilisées ; par exemple, le système repose sur des données structurées et n'intègre pas encore les notes non structurées ou les résultats d'imagerie. De plus, l'étude n'a pas inclus d'analyse détaillée de la performance du système selon les groupes raciaux ou ethniques, car ces données n'étaient pas disponibles de manière constante dans tous les hôpitaux étudiés. Ce sont des domaines importants pour des recherches futures afin de garantir que l'outil soit sûr et efficace pour tous.

En fin de compte, ce travail représente un changement dans la manière dont l'évaluation du risque en urgence pourrait être abordée. En passant d'une collection d'outils isolés pour une maladie unique vers un cadre unifié et interprétable, les chercheurs ont démontré qu'il est possible de percevoir tout le spectre des risques potentiels d'un patient dès le début de ses soins. Le système fournit un profil de risque clair et calibré pour plusieurs conditions à la fois, accompagné d'une explication de la raison pour laquelle ces risques ont été signalés. Cette approche respecte la complexité du service d'urgence, où les patients présentent souvent des symptômes qui se chevauchent et des diagnostics potentiels multiples. Bien que le système ne soit pas encore un produit fini prêt pour un déploiement immédiat dans chaque hôpital, il offre une preuve de concept convaincante qu'un cadre intelligent unique peut aider les cliniciens à naviguer dans l'incertitude des premières minutes d'une rencontre d'urgence, sauvant potentiellement un temps précieux et améliorant les soins des patients souffrant de conditions potentiellement mortelles.