Impact du modèle de prédiction de la septicémie basé sur l’apprentissage profond sur la qualité des soins et la survie des patients

Contexte de l’étude

La septicémie est une réaction inflammatoire systémique causée par une infection, affectant environ 48 millions de personnes dans le monde chaque année, dont environ 11 millions meurent. En raison de l’hétérogénéité de la septicémie, son identification précoce pose souvent de grands défis. Les interventions précoces telles que la réanimation liquidienne, la gestion des antibiotiques et le contrôle des sources d’infection ont des effets significatifs aux premiers stades de la maladie. Par conséquent, améliorer le dépistage précoce de la septicémie par des analyses prédictives revêt une grande importance.

Source de l’étude

L’étude a été réalisée par Aaron Boussina, Supreeth P. Shashikumar, Atul Malhotra, Robert L. Owens, Robert El-Kareh, Christopher A. Longhurst, Kimberly Quintero, Allison Donahue, Theodore C. Chan, Shamim Nemati et Gabriel Wardi. Les auteurs sont affiliés à l’École de Médecine de l’Université de Californie à San Diego et au Département de Médecine d’Urgence. L’article de recherche a été publié dans le journal npj Digital Medicine en 2024.

Procédure de recherche

Conception de l’étude et objets

L’étude a adopté un quasi-expériment avant-après entre le 1er janvier 2021 et le 30 avril 2023 dans deux services d’urgence du système de santé de l’UC San Diego. Un total de 6217 adultes ont été inclus pour évaluer l’impact des recommandations de meilleures pratiques (BPA) pour la septicémie générées par le modèle d’apprentissage profond Composer sur les résultats des patients.

Étapes de la recherche

1. Collecte et traitement des données

   • Extraction des données disponibles des dossiers de santé électroniques (DSE), y compris les admissions aux urgences, les analyses de laboratoire, les signes vitaux, les informations démographiques des patients, les comorbidités et les médicaments concomitants.
   • Analyse des données en temps réel à l’aide de l’algorithme Composer, un modèle de réseau neuronal avant, capable de prédire la survenue de la septicémie dans les 4 heures suivantes. Le modèle utilise une méthode de “prédiction de conformité” pour marquer les données anormales ou inconnues comme “incertaines”.

2. Génération d’alertes et BPA axées sur les soins

   • En cas de risque élevé de septicémie prédit par le modèle, une alerte est envoyée aux infirmières, accompagnée des principales recommandations du modèle. Les infirmières peuvent choisir de notifier immédiatement un médecin ou de commencer le traitement/l’examen de la septicémie.

3. Évaluation des résultats

   • Les principaux indicateurs d’évaluation sont le taux de mortalité hospitalière due à la septicémie. Les indicateurs secondaires incluent le taux de conformité au protocole de traitement de la septicémie, la variation du score SOFA (Sequential Organ Failure Assessment) dans les 72 heures, le taux d’admission en soins intensifs et le nombre de jours sans maladie en soins intensifs.

Analyse des données et résultats

1. Caractéristiques de base

   • Parmi les 6217 participants à l’étude, 5065 étaient dans la période avant intervention et 1152 dans la période après intervention. Les caractéristiques de base telles que l’âge, le sexe, la race et l’indice de comorbidité n’ont pas montré de différences significatives entre les deux périodes.

2. Données d’alerte

   • En période post-intervention, une moyenne de 235 alertes par mois a été générée, dont 55 % ont été marquées par les infirmières comme “notifier immédiatement un médecin”.

3. Analyse des impacts causaux

   • Utilisation d’un modèle de séries temporelles bayésiennes structurées pour évaluer les effets causaux avant et après intervention. Les résultats montrent une diminution absolue de 1,9 % du taux de mortalité hospitalière due à la septicémie (réduction relative de 17 %), une augmentation absolue de 5,0 % de la conformité au protocole de septicémie (augmentation relative de 10 %) et une réduction de 4 % de la variation du score SOFA en 72 heures.

Résumé des résultats

Après le déploiement de l’algorithme Composer, la prédiction précoce de la septicémie a considérablement réduit le taux de mortalité hospitalière et amélioré la conformité au protocole de soins de la septicémie. Concrètement : - Taux de mortalité hospitalière : passé de 11,4 % prévu (intervalle de confiance à 95 % entre 9,8 % et 13,0 %) à 9,5 % observé, réduisant de 1,9 %. - Conformité au protocole de septicémie : améliorée de 48,4 % à 53,4 %, soit une augmentation de 5,0 %. - Atteinte à la fonction des organes : variation du score SOFA sur 72 heures réduite de 3,71 prévu à 3,56 observé, soit une réduction de 4 %.

Importance de l’étude

Cette étude est la première à valider l’efficacité d’un modèle d’apprentissage profond pour la prédiction précoce de la septicémie en environnement d’urgence, montrant une signification clinique et une valeur applicative notables. Les résultats prouvent que l’utilisation de modèles d’intelligence artificielle peut améliorer la capacité de détection précoce de la septicémie, améliorant ainsi les processus de traitement des patients et leurs résultats finaux.

Points forts

• Méthode innovante : L’étude introduit des méthodes d’apprentissage profond et de prédiction de conformité, réduisant significativement les fausses alertes et augmentant la crédibilité du modèle.
• Résultats significatifs : Première démonstration de l’efficacité clinique des modèles d’apprentissage profond, atteignant les objectifs de réduction de la mortalité et d’amélioration des processus de soins.
• Large potentiel d’application : L’étude fournit une base solide pour une application ultérieure dans des centres multiples et diverses populations de patients, avec un fort potentiel de généralisation.