Development and Validation of a Machine Learning Model for Predicting Pulmonary Embolism Using Routine Clinical Features

L'embolie pulmonaire est une obstruction soudaine et potentiellement mortelle dans les poumons, généralement causée par un caillot sanguin ayant voyagé depuis les jambes. C'est un tueur silencieux car ses symptômes, tels que l'essoufflement ou la douleur thoracique, ressemblent exactement à de nombreuses autres conditions courantes et moins dangereuses. Cette ambiguïté crée un dilemme difficile pour les médecins dans les services d'urgence. Pour être prudents, ils prescrivent souvent un scanner spécialisé qui utilise des radiations et un produit de contraste pour regarder directement à l'intérieur des artères pulmonaires. Bien que ce scanner soit la référence pour trouver un caillot, il expose les patients aux radiations, peut fatiguer les reins et est coûteux. Si les médecins prescrivent trop de ces scanners, le système de santé est submergé et les patients font face à des risques inutiles. S'ils en prescrivent trop peu, ils pourraient manquer un caillot fatal. Pendant des décennies, les médecins ont tenté de résoudre ce problème en utilisant des listes de contrôle simples qui pèsent des facteurs tels que l'âge, une chirurgie récente ou un gonflement de la jambe pour deviner qui a besoin d'un scanner. Cependant, ces listes sont rigides et manquent souvent les interactions complexes entre les différents facteurs de risque.

Dans une étude récente menée à l'hôpital Sir Run Run Shaw en Chine, des chercheurs ont cherché à construire une méthode plus intelligente pour trier les patients. Ils se sont tournés vers l'apprentissage automatique, un type de programme informatique qui apprend à reconnaître des modèles en étudiant de vastes quantités de dossiers médicaux passés, plutôt qu'en suivant un ensemble de règles fixes. L'équipe voulait créer un outil qui soit non seulement précis, mais aussi assez simple pour être utilisé dans un service d'urgence chargé, en s'appuyant uniquement sur des informations couramment disponibles lorsque le patient franchit la porte. Ils ont recueilli les données de 519 adultes suspectés d'avoir une embolie pulmonaire. Pour chaque personne, ils ont enregistré des détails de base comme l'âge, les signes vitaux et si la personne avait des antécédents de cancer ou de cholestérol élevé, ainsi qu'une mesure de la circonférence de la jambe pour vérifier un éventuel gonflement. Ils ont ensuite utilisé un algorithme informatique pour passer au crible ces informations et identifier quelle combinaison spécifique de facteurs était la plus révélatrice.

Les chercheurs ont testé trois méthodes différentes d'apprentissage informatique pour voir laquelle pouvait le mieux prédire la présence d'un caillot. Une méthode était une technique statistique qui simplifie les données en supprimant les facteurs les moins importants, tandis que les deux autres étaient des systèmes plus avancés capables de trouver des connexions subtiles et non linéaires entre les variables. Après avoir entraîné ces systèmes sur 7-0 % de leurs données de patients, ils les ont testés sur les 30 % restants, que les ordinateurs n'avaient jamais vus auparavant. Les résultats ont montré que la méthode la plus avancée, connue sous le nom d'XGBoost, a performé aussi bien que la méthode statistique plus simple, identifiant correctement la présence ou l'absence d'un caillot environ 76 % du temps. À un réglage spécifique choisi pour équilibrer la détection du plus grand nombre de cas réels tout en évitant les fausses alertes, le modèle a correctement identifié 74 % des patients qui avaient réellement une embolie pulmonaire. Il a également exclu correctement la condition chez les deux tiers des patients qui ne l'avaient pas. Ce niveau de précision suggère que l'outil pourrait aider les médecins à décider quels patients ont réellement besoin d'un scanner CT et lesquels peuvent être observés en toute sécurité sans exposition aux radiations.

Pour s'assurer que l'ordinateur ne faisait pas que deviner, les chercheurs ont utilisé une technique appelée SHAP pour ouvrir la « boîte noire » de l'algorithme et voir exactement comment il prenait ses décisions. Cette analyse a révélé que l'ordinateur prêtait attention aux indices les plus logiques. Le facteur le plus important utilisé par le modèle était la circonférence de la jambe du patient ; une jambe gonflée, indiquant un possible caillot sanguin dans le membre, était le signal le plus fort qu'un caillot aurait pu voyager vers les poumons. Le deuxième facteur le plus important était le taux d'une substance dans le sang appelée D-dimère, qui augmente lorsque le corps tente de décomposer un caillot. Le troisième indice significatif était un antécédent de cancer. Curieusement, le modèle a également noté que les patients qui étaient immobiles ou qui avaient un cholestérol élevé étaient à risque, bien que la relation avec l'immobilité soit complexe et nécessite une interprétation prudente. En se concentrant sur ces huit caractéristiques de routine, le modèle a démontré qu'une prédiction sophistiquée pouvait être faite sans avoir besoin de tests médicaux rares ou difficiles à obtenir.

Les auteurs précisent avec prudence que leur travail est un point de départ, et non une solution finale. L'étude a été menée dans un seul grand hôpital qui reçoit de nombreux patients à haut risque, ce qui signifie que le groupe étudié présentait un taux d'embolie pulmonaire bien plus élevé que la population générale. En conséquence, le modèle pourrait se comporter différemment dans une petite clinique communautaire où moins de personnes souffrent réellement de la maladie. Les chercheurs soulignent que leur outil est conçu pour soutenir le jugement d'un médecin, et non pour le remplacer. Il est destiné à aider le triage des patients, permettant potentiellement d'épargner à beaucoup d'entre eux des scanners inutiles tout en garantissant que les cas les plus dangereux soient détectés rapidement. Avant que ce système puisse être utilisé dans les hôpitaux du monde entier, il doit être testé sur un groupe de personnes beaucoup plus large et diversifié pour prouver qu'il fonctionne de manière fiable partout. Pour l'instant, l'étude offre un aperçu prometteur de la façon dont des observations cliniques simples et quotidiennes, lorsqu'elles sont analysées par des ordinateurs modernes, pourraient un jour rendre les soins d'urgence plus sûrs et plus efficaces pour tous.