Development of a predictive model for sepsis‑induced immunosuppression using neural networks

Résumé Technique : Développement d'un modèle prédictif de l'immunosuppression induite par le sepsis à l'aide de réseaux de neurones

Énoncé du problème
Le sepsis est caractérisé par une réponse de l'hôte dérégulée face à l'infection, menant à un double état d'hyperimmunité et d'hypoimmunité. Lorsque l'état d'hypoimmunité prédomine, il entraîne une immunosuppression induite par le sepsis, une condition associée à des infections secondaires, un dysfonctionnement multi-organique et une mortalité accrue. Bien que la communauté clinique reconnaisse l'importance de l'homéostasie immunitaire, la prédiction précise de l'apparition de l'immunosuppression demeure à un stade exploratoire. Les marqueurs actuels, tels que le HLA-DR des monocytes (mHLA-DR), sont souvent trop complexes ou coûteux pour une analyse à grande échelle de bases de données. À l'inverse, les numérations de lymphocytes sont plus accessibles mais manquent d'un seuil clairement défini pour le suivi dans la littérature existante. L'étude vise à répondre au besoin d'une prédiction précoce et précise de l'immunosuppression chez les patients septiques afin de faciliter un traitement de précision et une évaluation dynamique du pronostic.

Méthodologie
L'étude a utilisé un design de cohorte rétrospective utilisant des données de la base de données MIMIC-IV.

• Source de données et cohorte : L'analyse a inclus 6 954 patients adultes (≥ 18 ans) admis en unité de soins intensifs pour la première fois avec un diagnostic Sepsis-3.0.
• Définition du résultat : L'immunosuppression a été définie par un nombre de lymphocytes < 1,0 × 10⁹/L.
• Variables prédictives : L'étude a collecté 14 variables, incluant des données démographiques (âge, sexe, ethnicité), des mesures cliniques (IMC, score SOFA, indice de comorbidité de Charlson, valeur maximale du lactate) et des facteurs de traitement (admission en urgence, utilisation/durée des médicaments vasoactifs, ventilation mécanique/durée, utilisation de corticostéroïdes, infection fongique et antécédents de malignité).
• Traitement des données : Les données manquantes ont été gérées par imputation multiple (spécifiquement pour les données de lactate, qui présentaient un taux de données manquantes de 21,16 %). La variable IMC a été exclue en raison d'un taux de données manquantes de 51,13 %. Les données ont été divisées en ensembles d'entraînement (80 %) et de validation (20 %).
• Approches de modélisation : Trois algorithmes d'apprentissage automatique ont été construits et comparés :
  1. Perceptron Multicouche (MLP) : Une approche par réseau de neurones.
  2. Régression Logistique (LR) : Une référence statistique traditionnelle.
  3. XGBoost : Un modèle d'arbre de décision de boosting de gradient.
• Métriques d'évaluation : La performance du modèle a été évaluée à l'aide de l'aire sous la courbe (AUC), de la Précision, du Rappel (Recall), du score F1, des courbes de calibration (test de Hosmer-Lemeshow) et de l'analyse de la courbe de décision (DCA).

Résultats clés

• Caractéristiques de la cohorte : L'incidence de l'immunosuppression dans la cohorte était de 28,5 % (1 983 sur 6 954 patients).
• Analyse univariée : Des associations significatives ont été trouvées entre l'immunosuppression et l'âge, le sexe, l'admission en urgence, le score SOFA, l'indice de comorbidité de Charlson, l'infection fongique, l'utilisation de médicaments vasoactifs, la durée des médicaments vasoactifs, la ventilation mécanique et les taux de lactate.
• Analyse multivariée : Le modèle final de régression logistique a identifié huit prédicteurs indépendants : l'âge, l'admission en urgence, l'indice de comorbidité de Charlson, l'infection fongique, l'utilisation de médicaments vasoactifs, la durée totale des vasoactifs, la ventilation mécanique et les taux de lactate. Notamment, le sexe, le score SOFA, la tumeur maligne et la durée de la ventilation mécanique n'étaient pas statistiquement significatifs dans le modèle de régression logistique multivariée, bien qu'ils restent pertinents dans le contexte de l'apprentissage automatique.
• Performance des modèles :
  • Modèle MLP : A démontré une performance supérieure avec une AUC de 0,82, une Précision de 0,7208, un Rappel de 0,8441 et un score F1 de 0,7776.
  • Modèle XGBoost : A performé faiblement avec une AUC de 0,602, un Rappel de 0,113 et un score F1 de 0,177.
  • Régression Logistique : A montré une performance modérée avec une AUC de 0,686.
• Importance des caractéristiques : Dans le modèle MLP, les facteurs les plus influents pour prédire l'immunosuppression étaient, par ordre d'importance : l'admission en urgence, le score SOFA, l'âge, la valeur maximale du lactate, la durée de la ventilation mécanique, la durée totale des vasoactifs, l'indice de comorbidité de Charlson, le sexe, la malignité, la race, l'utilisation de corticostéroïdes et l'infection fongique.

Signification et affirmations
Les auteurs affirment que le modèle MLP développé sert d'outil fiable pour l'identification précoce du risque d'immunosuppression induite par le sepsis. L'étude postule que la capacité du modèle à intégrer diverses variables cliniques permet :

1. Une intervention précoce : Identifier les patients à haut risque pour permettre des ajustements opportuns du traitement, tels que l'utilisation d'immunostimulants (ex: peptides de thymosine, facteurs de stimulation des granulocytes).
2. La médecine de précision : Faciliter des plans de traitement individualisés, comme éviter l'utilisation excessive d'immunosuppresseurs ou optimiser le moment de l'arrêt des hormones.
3. L'optimisation des ressources : Améliorer l'évaluation du pronostic des patients pour mieux allouer les ressources de soins intensifs.

L'article conclut que bien que le modèle présente un potentiel de valeur clinique, il nécessite une validation supplémentaire dans des ensembles de données multicentriques et à large échantillon pour améliorer l'exactitude et l'universalité avant une mise en œuvre clinique généralisée. Les auteurs reconnaissent les limites inhérentes aux études rétrospectives, notamment le biais de sélection et l'exclusion de variables comme l'IMC en raison de la perte de données, notant que les relations causales nécessitent une vérification supplémentaire.