Development and External Validation of a 72-Hour Dynamic Trajectory-Based Machine Learning Model for Mortality Prediction in ICU Patients with Sepsis and Pre-Existing Hypertension

Résumé technique : Modèle de ML basé sur une trajectoire dynamique de 72 heures pour la mortalité liée au sepsis chez les patients hypertendus en soins intensifs

Énoncé du problème
Le sepsis demeure une cause majeure de mortalité dans le monde, et sa prise en charge est complexifiée par la présence d'une hypertension préexistante. Les patients souffrant d'hypertension chronique présentent une autoregulation vasculaire altérée et une compliance vasculaire réduite, ce qui peut nécessiter des pressions de perfusion plus élevées pour maintenir le débit sanguin organique par rapport aux patients non hypertendus. Bien que les directives suggèrent une cible de pression artérielle moyenne (PAM) ≥ 65 mmHg, la cible optimale pour les patients septiques hypertendus reste incertaine, des cibles plus basses étant potentiellement liées à l'insuffisance rénale aiguë. De plus, les scores de gravité conventionnels (ex. : SOFA, SAPS II) reposent largement sur des variables de base statiques et peuvent échouer à capturer l'évolution des trajectoires physiologiques et l'hétérogénéité des réponses thérapeutiques durant la phase critique initiale de la réanimation en unité de soins intensifs (USI). Il existe un manque d'outils pronostiques spécifiquement conçus pour intégrer les données dynamiques précoces d'hémodynamique et de perfusion pour cette population spécifique à haut risque.

Méthodologie
Cette étude a utilisé une conception de cohorte rétrospective utilisant deux bases de données de soins critiques publiques : MIMIC-IV (cohorte de développement) et eICU-CRD (cohorte de validation externe).

• Sélection de la cohorte : L'étude s'est concentrée sur les patients adultes (18–89 ans) présentant un sepsis et une hypertension préexistante. Les critères d'inclusion exigeaient une première admission en USI, une durée de séjour en USI ≥ 72 heures, et l'utilisation d'agents vasoactifs au cours des premières 72 heures. Les patients présentant > 20 % de données manquantes pour les prédicteurs candidats ont été exclus.
• Ingénierie des caractéristiques (Feature Engineering) :
  • Variables statiques : Démographie, comorbidités, signes vitaux initiaux, résultats de laboratoire et scores de gravité enregistrés au cours des premières 72 heures.
  • Variables dynamiques : Les mesures continues et répétées ont été réorganisées en six fenêtres temporelles consécutives de 12 heures au cours des 72 premières heures. Pour chaque fenêtre, des caractéristiques de séries temporelles ont été extraites, incluant la première valeur, la dernière valeur, la moyenne, la pente, l'écart type et l'amplitude de variation.
  • Prétraitement : Les valeurs manquantes ont été traitées par imputation multiple par équations en chaîne (MICE). Les scores SOFA et SAPS II ont été exclus du processus de sélection des caractéristiques pour servir uniquement de comparateurs de référence.
• Sélection des caractéristiques : Une approche en deux étapes a été appliquée :
  1. Algorithme Boruta : Utilisé pour un criblage large afin d'identifier les variables associées à la mortalité intra-hospitalière.
  2. Régression LASSO : Appliquée aux variables sélectionnées par Boruta pour réduire davantage la dimensionnalité et sélectionner l'ensemble final de caractéristiques.
• Développement du modèle : Sept algorithmes d'apprentissage automatique ont été entraînés et comparés via une validation croisée à 5 plis : Régression Logistique, Machine à Vecteurs de Support (SVM), k-Plus Proches Voisins (KNN), Forêt Aléatoire (Random Forest), Réseau de Neurones à Rétropropagation (BPNN), LightGBM et XGBoost. Le modèle le plus performant a subi une calibration par sigmoïde.
• Métriques d'évaluation : La performance a été évaluée par l'aire sous la courbe ROC (AUC), l'exactitude, la sensibilité, la spécificité, la valeur prédictive positive (VPP), la valeur prédictive négative (VPN), le score de Brier, la pente de calibration et l'analyse de la courbe de décision (DCA). Les valeurs SHAP (Shapley Additive Explanations) ont été utilisées pour l'interprétabilité du modèle.

Résultats clés

• Caractéristiques de la cohorte : La cohorte de développement (MIMIC-IV) comprenait 1 215 patients (403 décès, 33,2 % de mortalité). La cohorte de validation externe (eICU-CRD) comprenait 1 747 patients (516 décès, 29,5 % de mortalité). Les non-survivants de la cohorte de développement présentaient des taux plus élevés d'IRA, de ventilation mécanique et d'utilisation d'agents vasoactifs, ainsi que des taux de lactate et de besoins en noradrénaline plus élevés.
• Performance du modèle (Validation interne) :
  • XGBoost_Sigmoid (XGBoost calibré) a obtenu la meilleure performance avec une AUC de 0,7819 ± 0,0493, une exactitude de 0,7364 et une spécificité de 0,8758.
  • L'AUC combinée hors-échantillon (out-of-fold) pour XGBoost_Sigmoid était de 0,778, surpassant le SOFA (0,540) et le SAPS II (0,638).
  • L'analyse de calibration a montré une pente de 1,0490 et un score de Brier de 0,1783.
• Validation externe :
  • Dans la cohorte eICU-CRD, le modèle a atteint une AUC de 0,713 avec un score de Brier de 0,1854 et une pente de calibration de 0,7440.
  • L'analyse de la courbe de décision a indiqué un bénéfice net par rapport aux stratégies de "non-traitement" sur des probabilités de seuil de 0,05 à 0,30.
  • La stratification du risque a démontré une augmentation par étapes de la mortalité observée : 13,7 % (risque faible), 27,5 % (risque moyen) et 47,3 % (risque élevé).
• Importance des caractéristiques (Analyse SHAP) : Les prédicteurs les plus influents identifiés étaient le score de Glasgow (GCS), la diurèse moyenne, la fréquence cardiaque moyenne, le dernier besoin en noradrénaline, l'âge, l'indice de Charlson, la dernière diurèse, le nombre de plaquettes, le lactate moyen et la pente de l'excès de base. Un GCS plus bas, une diurèse plus faible, des besoins en noradrénaline plus élevés, un âge plus avancé et un lactate plus élevé étaient associés à un risque de mortalité accru.

Signification et affirmations
Les auteurs affirment que cette étude a réussi à développer et à valider de manière externe un modèle de machine learning de type "landmark" de 72 heures spécifiquement pour les patients en USI présentant un sepsis et une hypertension préexistante. La principale signification de ce travail réside dans :

1. Intégration des trajectoires dynamiques : Contra�*qu'aux scores conventionnels qui reposent sur des instantanés statiques, ce modèle intègre les tendances dynamiques précoces de l'hémodynamique et de la perfusion (sur 72 heures), capturant ainsi la réponse du patient à la réanimation.
2. Discrimination supérieure : Le modèle XGBoost_Sigmoid a démontré une meilleure discrimination que les scores de gravité traditionnels (SOFA et SAPS II) dans la cohorte de validation interne.
3. Utilité clinique pour la réévaluation : Les auteurs postulent que le modèle n'est pas destiné à être un outil d'admission unique, mais plutôt un mécanisme de réévaluation précoce du risque après la phase de réanimation initiale. Il permet aux cliniciens de stratifier les patients en groupes à risque faible, moyen et élevé en fonction de leur trajectoire physiologique, aidant potentiellement à identifier les patients qui pourraient nécessiter une gestion plus agressive ou une surveillance plus étroite.
4. Interprétabilité : Grâce à l'analyse SHAP, le modèle fournit des informations transparentes sur les principaux moteurs de la mortalité (ex. : état neurologique, perfusion rénale, dépendance aux vasopresseurs), s'alignant sur le raisonnement clinique concernant la physiopathologie du sepsis chez les patients hypertendus.

L'étude conclut que bien que le modèle conserve une performance modérée lors de la validation externe, une validation prospective supplémentaire et un recalibrage local sont nécessaires avant qu'il ne puisse être implémenté comme un outil standard d'aide à la décision clinique au chevet du patient.