Dynamic Trajectories of Sepsis-Induced Coagulopathy and Machine Learning-Based Early Prediction of High-Risk Phenotypes: A Multicenter Cohort Study

Résumé Technique : Trajectoires Dynamiques de la Coagulopathie Induite par le Sepsis et Prédiction Précoce Basée sur l'Apprentissage Automatique

Énoncé du Problème

La coagulopathie induite par le sepsis (CIS) est un processus dynamique impliquant l'inflammation, des lésions endothéliales et une altération de la fibrinolyse, mais elle est actuellement évaluée à l'aide de mesures statiques à un instant T (le score SIC). Cette approche ne parvient pas à capturer l'évolution rapide de la coagulation et du dysfonctionnement organique lors d'une maladie critique. Des patients présentant des scores SIC initiaux similaires peuvent suivre des trajectoires cliniques divergentes — amélioration rapide, anomalie persistante ou résolution progressive — qui sont impossibles à distinguer à l'aide de données transversales seules. L'étude répond au besoin d'identifier des trajectoires de score SIC longitudinales reproductibles et de déterminer leur pertinence pronostique à travers des populations hétérogènes en soins critiques.

Méthodologie

Cette étude de cohorte rétrospective multicentrique a utilisé quatre bases de données distinctes de soins critiques :

• Cohorte de développement : MIMIC-IV (6 416 patients).
• Cohortes de validation : MIMIC-III CareVue (1 157 patients), eICU-CRD (2 077 patients) et NWICU (641 patients).

Traitement des données et modélisation :

1. Sélection de la cohorte : Adultes (≥18 ans) avec des séjours en soins intensifs >24 heures répondant aux critères Sepsis-3 et diagnostiqués avec une CIS (score SIC ≥4 dans les 24 heures suivant le diagnostic de sepsis) ont été inclus. Les patients nécessitaient au moins trois scores SIC calculables au cours des 7 premiers jours d'admission en soins intensifs.
2. Modélisation des trajectoires : La modélisation de trajectoire basée sur des groupes (GBTM) a été appliquée aux scores SIC sériels (calculés à des intervalles de 6 heures) au cours des 7 premiers jours. Des modèles quadratiques avec 1 à 6 classes latentes ont été évalués à l'aide du critère d'information bayésien (BIC), de l'entropie, de la probabilité postérieure moyenne (AvePP) et des chances de classification correcte (OCC).
3. Analyse statistique :
   • Analyse de survie : Les associations avec la mortalité toutes causes à 28 jours ont été évaluées à l'aide de modèles de Cox à risques proportionnels multivariés (ajustés selon la démographie, les comorbidités, les signes vitaux et les analyses biologiques).
   • Atténuation des biais : Les analyses comprenaient l'imputation multiple pour les données manquantes, le pondage par l'inverse de la probabilité de traitement (IPTW) calibré pour équilibrer les covariables, et une analyse de jalon au jour 7 pour traiter le biais de temps immortel (en restreignant l'analyse aux patients vivants au jour 7).
   • Analyse de sous-groupes : Des termes d'interaction ont été testés à travers les strates (ex: âge, score SOFA, comorbidités) avec correction du taux de fausses découvertes (FDR).
4. Prédiction par apprentissage automatique (ML) : Un pipeline de ML imbriqué a été développé pour prédire le phénotype de trajectoire « Élevé Persistant » en utilisant les variables de base disponibles dans les premières 24 heures.
   • Sélection de caractéristiques : Les méthodes Boruta et LASSO ont été utilisées dans un cadre de validation croisée imbriquée à 10 plis.
   • Algorithmes : L'Elastic Net, Random Forest, XGBoost, SVM et k-plus proches voisins ont été comparés.
   • Validation : Le modèle final (XGBoost) a subi une validation temporelle (MIMIC-IV 2020–2022) et une validation externe (MIMIC-III, eICU, NWICU). Les performances ont été évaluées via l'AUROC, l'AUPRC, les courbes de calibration, l'analyse de la courbe de décision et SHAP (Shapley Additive Explanations).

Résultats Clés

1. Identification de trois trajectoires :
La GBTM a identifié trois trajectoires de score SIC distinctes et reproductibles à travers les quatre bases de données :

• Baisse Rapide - Faible (19,25 %) : Démarre avec un SIC médian de 4,0, décline rapidement et se stabilise.
• Élevé Persistant (32,00 %) : Démarre avec un SIC médian de 6,0 et reste élevé avec une amélioration minimale.
• Déclin Modéré (48,75 %) : Démarre à un SIC médian de 5,0 et décline progressivement.
  Le modèle à trois classes a démontré une haute qualité de classification (Entropie = 0,947 ; AvePP > 0,97).

2. Associations Pronostiques :

• Risque de mortalité : La trajectoire « Élevé Persistant » a été systématiquement associée au risque de mortalité à 28 jours le plus élevé dans toutes les cohortes. Dans les modèles entièrement ajustés, le rapport de risque (HR) pour la Classe 2 vs la Classe 1 variait de 2,45 (eICU) à 3,93 (NWICU).
• Robustesse : Ces associations sont restées significatives après calibration par IPTW et dans l'analyse de jalon au jour 7 (ex: HR 3,09 dans MIMIC-IV pour la Classe 2).
• Valeur incrémentale : L'ajout de la classe de trajectoire au score SOFA de base a amélioré modestement la discrimination pour la mortalité à 28 jours (ex: ΔAUC = 0,028 dans MIMIC-IV), tandis que l'ajout d'un score SIC de base unique n'a apporté qu'une amélioration négligeable.

3. Performance de l'apprentissage automatique :

• Prédicteurs : Le modèle XGBoost a identifié 10 variables de base, le score SOFA de base et la composante plaquettaire du SIC étant les prédicteurs les plus influents.
• Discrimination : Le modèle a obtenu des AUROC compris entre 0,830 et 0,862 à travers les cohortes de validation temporelle et externe.
• Calibration et Utilité : Le modèle a montré une calibration acceptable (scores de Brier 0,141–0,154) et un bénéfice net positif dans l'analyse de la courbe de décision à travers des seuils cliniquement pertinents. L'analyse SHAP a confirmé la cohérence du classement de l'importance des caractéristiques entre les cohortes.

Signification et Revendications

L'article affirme que les mesures longitudinales du SIC au cours de la première semaine d'admission en soins intensifs révèlent des sous-phénotypes pronostiques reproductibles que les évaluations statiques ne détectent pas. Plus précisément :

• Sous-phénotypes pronostiques : La trajectoire « Élevé Persistant » identifie un groupe distinct de patients présentant un risque de mortalité excédentaire soutenu, tandis que la trajectoire « Baisse Rapide - Faible » marque un cours favorable.
• Dimension Temporelle : L'information de trajectoire ajoute une dimension temporelle modeste mais significative aux évaluations de sévérité standard (SOFA), distinguant les patients dont le dysfonctionnement de la coagulation se résout de ceux dont les anomalies persistent.
• Prédiction Précoce : L'étude démontre que le phénotype « Élevé Persistant » peut être prédit tôt (dans les 24 heures) à l'aide de données cliniques couramment disponibles via l'apprentissage automatique, avec une haute généralisabilité à travers différentes institutions et périodes de temps.

Limites et Mises en Garde :
Les auteurs précisent explicitement que ce sont des observations observationnelles et qu'elles n'établissent pas de causalité et ne définissent pas de protocoles de traitement spécifiques. L'étude ne prétend pas que les interventions basées sur la trajectoire améliorent les résultats ; elle propose plutôt ces trajectoires comme cibles pour une validation prospective future. Les auteurs avertissent que la conception rétrospective laisse place à des facteurs de confusion résiduels et que les critères d'inclusion (nécessitant plusieurs scores SIC) peuvent introduire un biais de sélection vers des séjours plus longs en soins intensifs. Les résultats nécessitent une validation prospective avant toute mise en œuvre clinique.