Electronic Health Record-Based Machine Learning Models for Predicting Revascularization, Amputation, and Cardiovascular Mortality in At-Risk Patients

Chaque année, des milliers de personnes sont confrontées à un choix terrifiant : la perte d'un membre ou la perte de la vie. Ce combat commence souvent par une affection silencieuse et rampante où les vaisseaux sanguins des jambes se rétrécissent et durcissent, privant les muscles et la peau d'oxygène. Lorsque ce blocage devient sévère, il peut entraîner des plaies ouvertes qui refusent de cicatriser ou un état où le membre est en danger de mort imminente. Les médecins appellent cela l'artériopathie oblitérante des membres inférieurs, et dans sa forme la plus critique, l'ischémie critique des membres. Pour les patients souffrant de ces conditions, ou d'ulcères du pied diabétique, le chemin à suivre est semé d'incertitudes. Un médecin doit décider s'il faut pratiquer une chirurgie complexe pour restaurer le flux sanguin, amputer le membre endommagé pour sauver la vie du patient, ou se concentrer sur les soins de confort. Ces décisions sont incroyablement difficiles car chaque patient est différent, portant un mélange unique d'autres problèmes de santé, du diabète à la maladie cardiaque, ainsi que des facteurs sociaux qui influencent leur réponse au traitement.

Pendant des décennies, les médecins se sont appuyés sur des systèmes de notation et des calculateurs de risque pour guider ces choix, mais ces outils ont souvent échoué à gagner une confiance généralisée. Ils sont trop rigides pour une maladie aussi complexe et personnelle, ou reposent sur des données difficiles à recueillir de manière cohérente. Aujourd'hui, une équipe de chercheurs de l'Université de Caroline du Nord s'est tournée vers un autre type de guide : les dossiers numériques massifs des soins prodigués aux patients eux-mêmes. En utilisant une nouvelle façon d'organiser des millions de dossiers de santé électroniques, ils ont construit un ensemble de modèles informatiques conçus pour prédire ce qui arrivera ensuite à un patient. Leur objectif n'était pas de remplacer le médecin, mais de lui donner une vision plus claire de l'avenir, l'aidant à décider qui a besoin de chirurgie, qui risque de perdre un membre et qui est à risque de mourir de causes cardiovasculaires.

Les chercheurs ont commencé avec un vaste réservoir de près de 179 000 patients adultes ayant reçu des soins au sein du système de santé de l'UNC entre 2014 et 2024. Il s'agissait de personnes déjà connues pour être à risque de perte de membre, notamment celles souffrant d'artériopathie oblitérante des membres inférieurs, d'ischémie critique des membres ou d'ulcères du pied diabétique. Pour donner un sens à cette quantité énorme d'informations, l'équipe a utilisé un système standardisé appelé modèle de données commun OMOP, qui agit comme un traducteur universel pour les données médicales, permettant à différents hôpitaux de parler le même langage. Ils ont ajouté une extension spéciale à ce système, la remplissant de 127 variables spécifiques liées aux maladies des vaisseaux sanguins qui manquent habituellement des dossiers standards. Cela leur a permis de considérer les patients non pas comme une simple collection de symptômes, mais comme des personnes entières avec des milliers de points de données, allant de leur tension artérielle et de leurs résultats de laboratoire à leurs antécédents de tabagisme, leur mobilité et même leur état cognitif.

En utilisant cet ensemble de données riches et harmonisées, l'équipe a entraîné des algorithmes informatiques pour chercher des schémas que les médecins humains pourraient manquer. Ils ont construit trois modèles de prédiction distincts. Le premier tentait de deviner si un patient recevrait une procédure de revascularisation, une chirurgie destinée à ouvrir les artères obstruées. Le deuxième tentait de prédire si un patient aurait finalement besoin d'une amputation. Le troisième tentait de prévoir si un patient décéderait d'un événement cardiovasculaire, tel qu'un infarctus ou un accident vasculaire cérébral. L'ordinateur ne s'est pas contenté de regarder les signes évidents de maladie des jambes ; il a scanné des milliers de facteurs potentiels, de la présence d'infections spécifiques au type de médicaments pris par le patient, pour voir lesquels importaient réellement pour le résultat.

Les résultats ont révélé une histoire d'une clarté surprenante pour certains résultats et d'une complexité tenace pour d'autres. Le modèle conçu pour prédire qui subirait une chirurgie de revascularisation était exceptionnellement précis. Il identifiait correctement les patients qui subiraient la procédure avec un niveau de précision qui approchait la perfection. Les facteurs déterminants pour cette prédiction étaient exactement ce qu'un chirurgien vasculaire attendrait : le modèle a trouvé que les signaux les plus forts étaient les maladies spécifiques des artères elles-mêmes, telles que les obstructions dans les membres inférieurs et les caillots sanguins. L'ordinateur a appris que lorsque ces problèmes artériels spécifiques sont présents, le système médical répond systématiquement par une chirurgie. C'était une confirmation que la décision d'opérer est dictée par des signes clairs et objectifs de défaillance artérielle.

La prédiction pour l'amputation était également forte, bien que l'histoire derrière celle-ci soit plus nuancée. Le modèle a montré que la perte d'un membre dépend fortement de la manière dont le corps et l'esprit du patient gèrent le stress du traitement. Les prédicteurs les plus puissants n'étaient pas seulement la gravité de la plaie à la jambe, mais la façon dont le traitement interagissait avec la fragilité globale du patient. Par exemple, si un patient atteint de démence ou de faiblesse physique sévère subissait une revascularisation, le modèle prédisait une probabilité plus élevée d'amputation éventuelle. Inversement, pour les patients trop fragiles pour subir une chirurgie, le modèle suggérait qu'ils étaient moins susceptibles de subir une amputation, probablement parce que leur équipe de soins les orientait vers des options de soins palliatifs. Cette découverte souligne une réalité difficile : le chemin vers la perte d'un membre est souvent déterminé non seulement par la maladie de la jambe, mais par la capacité du patient à survivre au parcours du traitement.

Cependant, le modèle de prédiction de la mort cardiovasculaire racontait une histoire différente. Bien que l'ordinateur puisse identifier les suspects habituels — des conditions comme l'insuffisance cardiaque, les complications du diabète et l'hyperglycémie — il ne pouvait pas prédire la mort avec la même confiance qu'il montrait pour les autres résultats. La précision de ce modèle était modeste, suggérant que si les facteurs de risque sont connus, le moment réel du décès est influencé par trop de variables imprévisibles pour être capturé par une seule formule. Les chercheurs ont noté que la chirurgie de revascularisation, qui règle le problème local dans la jambe, ne semblait pas modifier le risque de décès par un événement cardiaque. Cela implique que sauver un membre et sauver une vie de la maladie cardiaque sont deux batailles distinctes, et que réparer l'une ne garantit pas la victoire dans l'autre.

L'étude a également abordé un espoir courant dans la recherche médicale : que l'intelligence artificielle puisse découvrir de nouveaux facteurs de risque cachés que les médecins n'ont jamais considérés. Dans ce cas, l'ordinateur n'a pas trouvé de codes secrets. Les variables les plus importantes qu'il a identifiées étaient celles que les cliniciens savaient déjà critiques. L'approche par apprentissage automatique n'a pas inventé de nouvelles connaissances ; au contraire, elle a confirmé que la compréhension existante de la maladie vasculaire est robuste. Elle a prouvé que si vous rassemblez suffisamment de données de manière propre et organisée, les schémas de la maladie deviennent clairs. Le fait que le modèle puisse prédire l'amputation si bien suggère qu'avec les bonnes données, nous pouvons prévoir ces issues, mais cela montre aussi que prédire la mort reste un défi beaucoup plus difficile car le corps humain peut faillir de tellement de manières différentes.

Ce travail représente une étape significative dans la façon dont nous utilisons les données pour soigner les patients souffrant de conditions menaçant leurs membres. En organisant les dossiers de santé électroniques dans un format standard et en ajoutant des détails spécifiques sur les maladies des vaisseaux sanguins, les chercheurs ont créé un outil capable d'apprendre de l'expérience de près de 180 000 personnes. Les modèles qu'ils ont construits ne sont pas parfaits, et ils ont été testés sur des patients d'un seul système de santé, ce qui signifie qu'ils doivent être vérifiés par rapport aux données d'autres hôpitaux pour garantir qu'ils fonctionnent partout. Pourtant, les résultats offrent un aperçu prometteur d'un avenir où les médecins pourront utiliser la sagesse collective de millions de dossiers de patients pour prendre des décisions meilleures et plus personnalisées. Pour le patient confronté à la perte d'un membre, ce genre de clarté pourrait signifier la différence entre un plan de traitement qui fonctionne et un qui ne fonctionne pas, transformant une incertitude terrifiante en un cheminement gérable.