Early detection of six-week post-discharge mortality and readmission among postpartum women and newborns in Uganda: development and temporal validation of multivariable prediction models

Dans de nombreuses parties du monde, la période la plus dangereuse pour une mère et son nouveau-né n'est pas l'accouchement lui-même, mais les semaines qui suivent. Bien que les hôpitaux soient devenus plus performants pour accoucher des bébés en toute sécurité, les soins qui interviennent après que la famille a quitté le bâtiment s'effondrent souvent. Les systèmes de santé sont fréquemment débordés, et les familles quittent parfois l'hôpital avant d'avoir reçu un contrôle complet, pour revenir des jours ou des semaines plus tard lorsqu'une simple infection s'est transformée en une urgence vitale. Le défi pour les médecins est de savoir quelles familles peuvent rentrer chez elles en toute sécurité et lesquelles nécessitent une attention particulière, des visites supplémentaires ou une aide immédiate. Sans moyen de repérer ces risques précocement, les agents de santé doivent traiter chaque famille de la même manière, une stratégie qui gaspille des ressources rares pour des cas à faible risque tout en manquant ceux qui sont à haut risque et qui ont le plus besoin d'aide.

Pour résoudre ce problème, une équipe de chercheurs en Ouganda s'est donné pour mission de construire un outil pratique qui pourrait agir comme un système de triage au moment de la sortie. Ils voulaient voir s'ils pouvaient utiliser les informations de base déjà disponibles dans un dossier hospitalier — comme la fréquence cardiaque d'une mère, le type d'accouchement ou si le bébé a eu besoin d'aide pour respirer — pour prédire qui tomberait malade à nouveau dans les six semaines. En analysant les données de milliers de mères et de bébés, ils ont développé des modèles informatiques simples capables de classer les familles par catégories de risque. Le but n'était pas de remplacer les médecins, mais de leur donner un signal clair, fondé sur des preuves, pour les aider à décider qui a besoin d'une visite de suivi et qui peut rentrer chez soi l'esprit tranquille.

L'étude s'est déroulée dans deux grands hôpitaux régionaux en Ouganda, l'un dans le sud-ouest et l'autre dans l'est, desservant une population combinée de près d'un million de personnes. Sur une période de plus d'un an, l'équipe de recherche a recruté des milliers de femmes venant de donner naissance. Ils ont recueilli un large éventail d'informations, allant de la tension artérielle et de la température de la mère au poids du bébé et aux niveaux d'oxygène. Ils ont également enregistré des détails concernant la grossesse, comme si la mère avait été diagnostiquée avec le paludisme ou le VIH, et combien de temps la famille avait dû voyager pour atteindre l'hôpital. Une fois les mères et les bébés sortis de l'hôpital, l'équipe les a suivis six semaines plus tard, soit par téléphone, soit en personne. Ils ont suivi si les mères avaient été réadmises à l'hôpital pour des infections liées à l'accouchement, et si les bébés étaient décédés ou avaient été réadmis pour une maladie grave.

Les chercheurs ont constaté que, si la plupart des familles s'en sortaient bien, un nombre important faisait face à des complications sérieuses. Parmi les près de sept mille mères ayant terminé l'étude, aucune n'est décédée, mais plus de trois pour cent ont dû retourner à l'hôpital, plus de la moitié de ces retours étant causés par des infections telles que des infections du site chirurgical ou une septicémie. Pour les bébés, la situation était légèrement plus précaire ; environ 3,8 % des nouveau-nés ont été réadmis, et une petite fraction tragique est décédée au cours de cette fenêtre de six semaines. L'équipe a ensuite utilisé ces données pour entraîner leurs modèles de prédiction. Ils ont testé des milliers de combinaisons différentes de variables pour trouver l'ensemble le plus restreint de faits pouvant toujours identifier avec précision les familles à risque. Ils ont découvert qu'ils n'avaient pas besoin d'une batterie complexe de tests ; une poignée d'observations de routine suffisait pour faire une prédiction fiable.

Pour les mères, le modèle final reposait sur huit informations clés. Celles-ci comprenaient la manière dont le bébé est né, la fréquence cardiaque de la mère au moment de la sortie, si elle avait eu une infection urinaire pendant la grossesse, et si le bébé a eu besoin de réanimation à la naissance. D'autres facteurs, tels que si la mère avait souffert du VIH ou du paludisme pendant sa grossesse, et si elle quittait l'hôpital contre avis médical, jouaient également un rôle. Lorsque les chercheurs ont testé ce modèle, il s'est avéré très efficace pour repérer les femmes qui retomberaient malades. Il a obtenu une AUC de 0,8 pour identifier les femmes qui seraient finalement réadmises pour une infection, tout en atteignant une AUC de 0,7 pour identifier correctement celles qui resteraient en bonne santé. Cet équilibre signifiait que l'outil pouvait signaler les bonnes personnes pour des soins supplémentaires sans submerger le système avec de fausses alertes.

Le modèle pour les nouveau-nés était légèrement différent car il devait prédire deux choses : la mort et la réadmission. L'équipe a constaté que les meilleurs prédicteurs du risque pour un bébé incluaient le statut VIH de la mère, si la mère avait une faible production de lait, le poids du bébé et le temps de trajet de la famille jusqu'à l'hôpital. Le modèle prenait également en compte si la mère avait présenté des pathologies diagnostiquées pendant la grossesse et si des antibiotiques avaient été utilisés durant l'hospitalisation. Bien que le modèle pour les nouveau-nés soit bon pour identifier le risque, il était moins précis que le modèle maternel, atteignant une AUC de 0,8 pour identifier les bébés qui mourraient ou seraient réadmis, mais avec un taux de fausses alertes plus élevé. Cela est dû en partie au fait que le nombre de décès était très faible, ce qui rend statistiquement plus difficile la construction d'un prédicteur parfait pour ce résultat spécifique.

Pour s'assurer que leurs conclusions n'étaient pas simplement un coup de chance spécifique à un groupe de personnes, les chercheurs ont testé leur modèle maternel sur un autre ensemble de données provenant du même hôpital, collectées quelques années auparavant. Le modèle a fonctionné aussi bien sur ces données plus anciennes que sur les nouvelles, suggérant que les règles apprises étaient stables et fiables dans le temps. Cela a donné à l'équipe la confiance nécessaire pour que l'outil puisse fonctionner dans le monde réel, même si les populations de patients évoluent légèrement. L'étude a également souligné que les raisons les plus courantes de retour à l'hôpital pour les mères étaient des infections directement liées à l'accouchement, telles que des infections de la plaie chirurgicale ou de l'utérus, plutôt que des maladies non liées comme le paludisme. Cela a confirmé que se concentrer sur ces complications spécifiques et évitables était la bonne stratégie pour un outil de sortie.

Les chercheurs ont pris soin de noter les limites de leur travail. Les modèles ont été construits et testés uniquement en Ouganda, et bien que les hôpitaux desservent une population large et diversifiée, les résultats pourraient ne pas s'appliquer exactement de la même manière dans d'autres pays ou dans de plus petites cliniques rurales. Ils ont également précisé que leur outil était spécifiquement conçu pour détecter les infections obstétricales et ne tenait pas compte d'autres raisons pour lesquelles une mère pourrait tomber malade, comme les problèmes de santé mentale ou les blessures. De plus, comme le nombre de décès de nouveau-nés était très faible, le modèle de prédiction de la mortalité infantile était moins certain que celui des réadmissions. Malgré ces limites, l'étude a démontré qu'il est possible de créer un système simple, basé sur le risque, en utilisant des données qui sont déjà collectées lors des soins de routine.

La valeur ultime de ce travail réside dans son potentiel à changer la manière dont les soins postnatals sont dispensés. Au lieu d'une approche uniforme où chaque famille reçoit les mêmes conseils, les agents de santé pourraient utiliser ces modèles pour identifier les couples mère-enfant qui ont le plus besoin de soutien. Une mère signalée comme étant à haut risque pourrait être prioritaire pour une visite à domicile, recevoir des conseils plus détaillés sur les signes d'alerte, ou être orientée immédiatement vers un agent de santé communautaire. Cette approche ciblée respecte la réalité des systèmes de santé surchargés en dirigeant les ressources limitées vers les personnes qui en ont le plus besoin. En transformant les observations cliniques de routine en un signal clair pour l'action, l'étude offre une voie vers la prévention de ce qui est évitable, garantissant que la sécurité d'une mère et de son bébé s'étend bien au-delà des portes de l'hôpital.