La pandémie de COVID-19 sévit depuis plus de six mois, causant plus de 12,8 millions de cas et plus de 568 000 décès. Causé par le syndrome respiratoire aigu sévère coronavirus 2 (SRAS-CoV-2), il a stimulé des recherches intenses pour identifier ses facteurs de risque et ses modes de propagation. Cela améliorerait considérablement la gestion des patients à toutes les étapes. Cependant, le manque de données adéquates et la vitesse de propagation de la maladie ont rendu le processus difficile.
Une nouvelle étude publiée en juillet 2020 sur le serveur de préimpression medRxiv * décrit l'utilisation de l'apprentissage automatique pour fournir une meilleure compréhension des facteurs de risque dans les grands groupes et les groupes mixtes. L'utilisation d'algorithmes peut aider à évaluer objectivement ces facteurs et peut-être à capturer les interactions qui pourraient être manquées dans une étude purement observationnelle.
Sommaire
L'étude: les performances de l'outil CMR
La présente étude présente l'outil COVID-19 Mortality Risk (CMR), qui est un nouveau modèle d'apprentissage automatique destiné à prédire le taux de mortalité chez les patients hospitalisés avec COVID-19. Cela aiderait à dispenser des soins aux patients dans un système où les ressources sont limitées en permettant une cotation individuelle des risques. Les données proviennent de nombreux centres aux États-Unis et en Europe et comprennent les données démographiques, les résultats de laboratoire et les maladies coexistantes.
Les chercheurs ont utilisé l'algorithme XGBoost, qui est une méthode d'apprentissage d'ensemble de machines qui peut être utilisée pour prédire la probabilité. Le CERN l'a reconnue comme la meilleure approche pour classer les signaux du Grand collisionneur de hadrons. La capacité de XGBoost à capturer des facteurs de risque non linéaires conduit à des performances prédictives robustes. Les chercheurs ont également constaté que les facteurs de risque généralement acceptés comme l'âge et la mauvaise oxygénation pulmonaire étaient en effet associés à un risque élevé.
L'étude a d'abord considéré une cohorte internationale admise dans trois hôpitaux en Espagne, en Italie et aux États-Unis. La cohorte a ensuite été testée pour la validité sur des patients hospitalisés dans un groupe de six hôpitaux basé en Grèce, en Espagne et aux États-Unis. Cela garantirait que les profils des patients et les taux de mortalité sont très variés.
Graphiques d'importance SHAP pour le modèle final. Les 10 principales fonctionnalités sont affichées dans le panneau a, classées par ordre décroissant de signification. Pour une entité donnée, la ligne correspondante indique les valeurs SHAP car l'entité va de sa valeur la plus basse (bleue) à la valeur la plus élevée (rouge). Le panneau b-j affiche les graphiques des caractéristiques individuelles et l'impact de chaque caractéristique sur le risque de mortalité (les couleurs indiquent ici l'âge) avec des zones grises indiquant les plages de référence
Optimiser l'efficacité du modèle
Le modèle actuel est une avancée sur un modèle antérieur proposé par Pourhomayoun et al. (2020), qui n'était pas exhaustive dans la portée des données sur les patients. Dans cette étude, la population finale était de plus de 3 000 patients, avec un pourcentage de décès observé d'environ 27%. Les victimes ont tendance à être plus âgées, à 80 contre 64 pour les survivants, et 67% sont des hommes, bien qu'ils représentent 58% de la cohorte. Les maladies comme les arythmies cardiaques, les maladies rénales chroniques et le diabète sont plus fréquentes chez les non-survivants.
Le modèle fonctionne mieux lorsque la mortalité de base n'est pas très faible lorsque la précision et la spécificité sont de 87%. L'étude a identifié les facteurs de risque de mortalité les plus importants comme une urée sanguine élevée> 20 mg / dL, une protéine C-réactive (CRP) supérieure à 160 mg / L et une saturation en oxygène inférieure à 93%, en particulier avec l'âge. Des taux sanguins de créatinine supérieurs à 1,2 mg / dL augmentent également le risque de mortalité. Une glycémie supérieure à 180 mg / dL est un facteur de risque, en particulier chez les patients âgés, ainsi que l'aspartate aminotransférase (AST) supérieure à 65 U / L.
La numération plaquettaire affecte le risque différemment selon les différents groupes d'âge. Un nombre de plaquettes inférieur à 50 x 103/ μL augmente le risque, mais moins entre 50 et 180 x 103/ μL.
Implications et conclusions
Le calculateur CMR présenté ici permet de prédire la mortalité sur la base des caractéristiques et des mesures cliniques précoces. Cela permet une séparation efficace des patients afin d'optimiser l'utilisation des ressources rares. Cela est particulièrement utile lorsque le centre n'est pas bien équipé pour les tests de diagnostic.
L'étude a révélé que l'âge est le principal facteur déterminant le risque de décès, tandis que d'autres facteurs incluent une faible saturation en oxygène. Ceci est également utile pour détecter la détresse respiratoire et l'insuffisance respiratoire. Les facteurs dans les résultats des tests de laboratoire comprennent l'urée sanguine, la créatinine, le glucose, l'AST et le nombre de plaquettes. Ceux-ci peuvent également être des biomarqueurs et aider à détecter une pneumonie grave d'origine communautaire.
Le CRP est un biomarqueur répandu de l'inflammation, mais au-delà de 50 mg / L, il a d'abord un léger effet, et au-delà de 130 mg / L, il provoque une augmentation considérable de la mortalité. Les élévations de l'urée et de la créatinine indiquent une maladie systémique sévère associée à une fonction rénale réduite, un marqueur de mauvais pronostic.
Pour appliquer le modèle à d'autres hôpitaux, le seuil doit être calibré en fonction de la gravité de ce groupe, en le comparant à un échantillon historique au même endroit. Les chercheurs ont également créé une application en ligne pour lui permettre d'être facilement utilisable par les cliniciens.
Visualisation de l'interface de la calculatrice. En utilisant le package SHAP, des interprétations personnalisées du score prédit sont fournies à l'utilisateur.
L'étude conclut: «Cette étude internationale fournit un calculateur de risque de mortalité de haute précision pour les patients hospitalisés avec COVID-19 confirmé. Le modèle CMR valide plusieurs facteurs de risque signalés et offre des informations via une interface conviviale. La validation sur des données externes montre une forte généralisation à des populations invisibles en Europe et aux États-Unis et offre une promesse d'adoption par les cliniciens comme outil de soutien. «
L'outil pourrait aider les professionnels de la santé à trier et à traiter leurs patients de manière plus rationnelle.
*Avis important
medRxiv publie des rapports scientifiques préliminaires qui ne sont pas évalués par des pairs et, par conséquent, ne doivent pas être considérés comme concluants, orienter la pratique clinique / les comportements liés à la santé, ou traités comme des informations établies.
