The Analysis of Sepsis Vascular Response Index Based on Machine Learning

Résumé technique : Analyse de l'indice de réponse vasculaire du sepsis basée sur l'apprentissage automatique

Énoncé du problème
Le sepsis et le choc septique représentent des réponses corporelles déréglées critiques face à l'infection, menant souvent à une défaillance multi-organique et à des taux de mortalité élevés. Un phénomène spécifique et complexe du choc septique est la « paralysie vasculaire », où les patients présentent une faible réactivité vasculaire aux médicaments vasopresseurs, entraînant une hypotension persistante malgré une réanimation liquidienne adéquate. Actuellement, il n'existe aucune définition clinique unifiée du degré de paralysie vasculaire, et les outils existants pour identifier sa sévérité et son pronostic sont limités. Par conséquent, la paralysie vasculaire est souvent détectée seulement aux stades terminaux, ce qui conduit à des résultats cliniques médiocres. Bien que l'indice de réactivité vasculaire (VRI), défini comme l'indice de résistance vasculaire périphérique divisé par le score de force musculaire vasculaire (SVRI/VIS), ait montré des résultats prometteurs dans les populations pédiatriques, son utilité chez les patients adultes en choc septique reste peu explorée. Cette étude répond au besoin de nouveaux outils pour surveiller la sévérité de la paralysie vasculaire et améliorer l'évaluation pronostique précoce chez les adultes.

Méthodologie
Cette étude rétrospective a analysé les données cliniques de 126 patients adultes en choc septique admis en unité de soins intensifs (USI) au deuxième hôpital affilié de l'université médicale de Guilin entre décembre 2017 et décembre 2022. Tous les patients répondaient aux critères de diagnostic du Sepsis 3.0, ont subi une surveillance par débit cardiaque continu par indicateur de pouls (PICCO) et ont reçu une thérapie vasopresseuse ou inotrope positive.

• Prétraitement des données : Les variables cliniques comprenaient les données démographiques, les signes vitaux, les résultats de laboratoire (ex. : lactate, WBC, CRP) et les paramètres hémodynamiques (ex. : MAP, SVV, ELWI, GEDI, SVRI). Les valeurs manquantes ont été imputées par la méthode d'imputation par la moyenne, les valeurs aberrantes ont été traitées et les données ont été standardisées.
• Modèles d'apprentissage automatique : L'outil analytique principal était le classificateur XGBoost (eXtreme Gradient Boosting). L'optimisation des hyperparamètres a été réalisée à l'aide de la bibliothèque Optuna pour ajuster la profondeur de l'arbre, le taux d'apprentissage, les paramètres de régularisation et les ratios de sous-échantillonnage. La performance du modèle a été validée par une validation croisée à cinq plis.
• Analyse comparative : Le modèle XGBoost a été comparé aux machines à vecteurs de support (SVM) et à la régression logistique (LR). De plus, un modèle d'ensemble de type "stacking" guidé par le VRI a été proposé, intégrant des apprenants de base (LR, SVM, Random Forest, XGBoost, LightGBM, CatBoost) avec un méta-classificateur pour combiner les forces des modèles hétérogènes.
• Interprétabilité : Les valeurs SHAP (SHapley Additive exPlanations) ont été employées pour interpréter les prédictions du modèle, identifiant l'importance des caractéristiques et la direction d'influence pour des indicateurs cliniques spécifiques.
• Comparaison avec les cliniciens : Les prédictions de 11 cliniciens en USI ont été collectées et comparées aux performances du modèle d'apprentissage automatique afin d'évaluer la précision pronostique de l'humain par rapport à l'algorithme.

Contributions clés

1. Application de XGBoost au VRI : L'étude applique des techniques avancées de gradient boosting pour analyser l'indice de réactivité vasculaire dans le choc septique adulte, dépassant l'analyse linéaire traditionnelle.
2. Identification des prédicteurs clés : Grâce à l'analyse SHAP, l'étude identifie la pression artérielle moyenne (MAP), la variation du volume d'éjection systolique (SVV), l'indice visuel (VIS) et l'indice d'eau pulmonaire extravasculaire (ELWI) comme les indicateurs physiologiques les plus critiques influençant la prédiction de la réponse vasculaire.
3. Seuils pronostiques : La recherche établit un seuil de VRI spécifique (< 28,2) associé à un mauvais pronostic. Les patients présentant un VRI inférieur à ce seuil présentaient un taux de mortalité à 28 jours 3,857 fois plus élevé que ceux ayant un VRI ≥ 28,2.
4. Supériorité du modèle : L'étude démontre que le modèle XGBoost surpasse significativement les modèles SVM et LR en termes de précision de classification et d'aire sous la courbe (AUC) pour la prédiction de la réponse vasculaire et de la mortalité.
5. Comparaison Humain vs Algorithme : L'article fournit une analyse comparative montrant que le modèle d'apprentissage automatique offre des évaluations pronostiques plus stables et cohérentes que les prédictions variables et hétérogènes des cliniciens individuels.

Résultats

• Caractéristiques de la cohorte : L'étude a inclus 126 patients (89 hommes, 37 femmes) avec un âge moyen de 60,61 ans. Le taux de survie à 28 jours était de 34,92 % (44 survivants, 82 décès).
• Performance du modèle : Le modèle XGBoost a atteint une AUC de 0,90, indiquant une haute capacité de discrimination pour distinguer les statuts de réponse vasculaire. En revanche, le modèle SVM a produit une AUC de 0,55, et le modèle LR a montré des signes de sous-apprentissage avec une tendance de prédiction plate.
• Importance des caractéristiques : Le classement des caractéristiques par XGBoost et les graphiques SHAP ont confirmé que la MAP, la SVV, le VIS et l'ELWI étaient les principaux moteurs des prédictions du modèle. Des scores APACHE II et SOFA plus élevés, ainsi que des valeurs de SVV et de VIS plus élevées, étaient corrélés à une mortalité plus élevée, tout comme des taux de clairance du lactate à 72 heures plus faibles.
• Corrélation clinique : La combinaison du VRI avec les scores APACHE II et SOFA a démontré une valeur clinique et une sensibilité plus élevées dans la prédiction du pronostic par rapport à l'utilisation de ces scores seuls.
• Variabilité des cliniciens : Les prédictions des cliniciens ont montré une variabilité inter-évaluateurs significative (médiane du risque prédit allant de 0,005 à 0,750), tandis que le modèle d'apprentissage automatique a fourni des résultats reproductibles.

Signification
L'article affirme que l'indice de réactivité vasculaire (VRI) est un outil clinique important pour prédire le pronostic des patients adultes en choc septique. En utilisant l'apprentissage automatique, spécifiquement XGBoost, l'étude suggère que le VRI peut servir d'indicateur quantitatif pour évaluer la sévérité de la paralysie vasculaire plus tôt dans le cours de la maladie. Les conclusions indiquent qu'un niveau de VRI plus bas est associé à un taux de mortalité plus élevé, et que l'intégration du VRI aux systèmes de notation standards (APACHE II, SOFA) améliore la précision pronostique. L'étude conclut que le renforcement de la surveillance des indicateurs hémodynamiques via de tels cadres d'apprentissage automatique peut réduire la mortalité des patients et améliorer l'orientation thérapeutique, notamment en identifiant les patients à haut risque qui pourraient nécessiter une intervention plus agressive avant d'atteindre les stades terminaux de la paralysie vasculaire.