L’insuffisance rénale aiguë nosocomiale (HA-AKI) est une complication courante chez les patients hospitalisés qui peut conduire à une maladie rénale chronique et est associée à des séjours hospitaliers plus longs, des coûts de soins de santé plus élevés et une mortalité accrue. Compte tenu de ces conséquences négatives, la prévention de l’HA-AKI peut améliorer les résultats pour les patients hospitalisés. Cependant, il est difficile d’anticiper l’apparition de l’HA-AKI en raison du grand nombre de facteurs contributifs impliqués.
Des chercheurs du Mass General Brigham Digital ont testé un outil commercial d’apprentissage automatique, le modèle prédictif Epic Risk of HA-AKI, et ont constaté qu’il réussissait modérément à prédire le risque de HA-AKI dans les données enregistrées sur les patients. L’étude a révélé des performances inférieures à celles enregistrées par la validation interne d’Epic Systems Corporation, soulignant l’importance de valider les modèles d’IA avant la mise en œuvre clinique.
Le modèle Epic fonctionne en évaluant les rencontres avec des patients adultes hospitalisés pour le risque d’HA-AKI, marqué par des augmentations prédéfinies des taux de créatinine sérique. Après avoir entraîné le modèle à l’aide des données des hôpitaux MGB, les chercheurs l’ont testé sur les données de près de 40 000 séjours à l’hôpital pendant une période de cinq mois entre août 2022 et janvier 2023. L’ensemble de données était vaste et contenait de nombreux points collectés sur les rencontres avec les patients, y compris des informations telles que comme les données démographiques des patients, les comorbidités, les diagnostics principaux, les taux de créatinine sérique et la durée du séjour à l’hôpital. Deux analyses ont été réalisées pour examiner les performances des modèles au niveau de la rencontre et au niveau de la prédiction.
Les enquêteurs ont observé que l’outil était plus fiable lors de l’évaluation des patients présentant un risque plus faible d’HA-AKI. Bien que le modèle puisse identifier avec confiance quels patients à faible risque ne développeraient pas une HA-AKI, il a eu du mal à prédire quand les patients à risque plus élevé pourraient développer une HA-AKI. Les résultats variaient également en fonction du stade de l’HA-AKI évalué : les prédictions étaient plus efficaces pour le stade 1 HA-AKI que pour les cas plus graves.
Les auteurs ont conclu dans l’ensemble que la mise en œuvre pourrait entraîner des taux élevés de faux positifs et ont appelé à une étude plus approfondie de l’impact clinique de l’outil.
Nous avons constaté que le modèle prédictif Epic était plus efficace pour exclure les patients à faible risque que pour identifier les patients à haut risque. L’identification du risque HA-AKI avec des modèles prédictifs pourrait aider à soutenir les décisions cliniques, par exemple en avertissant les prestataires de ne pas commander de médicaments néphrotoxiques, mais des études plus approfondies sont nécessaires avant la mise en œuvre clinique.
Sayon Dutta, MD, MPH, auteur principal de l’étude de l’équipe d’informatique clinique de Mass General Brigham Digital et médecin urgentiste au Massachusetts General Hospital
