Dans une étude récente publiée dans npj Antimicrobiens et résistance, les chercheurs ont développé et validé des algorithmes d’apprentissage automatique (ML) interprétables qui prédisent la résistance aux antibiotiques dans les infections compliquées des voies urinaires (IVU), améliorant ainsi la prise de décision clinique et promouvant des traitements personnalisés.
Étude: Aide à la décision interprétable basée sur l’apprentissage automatique pour la prédiction de la résistance aux antibiotiques pour les infections compliquées des voies urinaires. Crédit d’image : LALAKA/Shutterstock.com
Arrière-plan
L’augmentation de la résistance aux antimicrobiens (RAM) met en danger l’efficacité des traitements antibiotiques, conduisant à de possibles échecs thérapeutiques. Même si les nouveaux antibiotiques sont essentiels, leur développement est freiné par des coûts élevés, des contraintes réglementaires et la réduction des investissements des grandes sociétés pharmaceutiques.
Cela limite la recherche sur les antibiotiques et le recours excessif à des thérapies à large spectre en raison de la RAM peut alimenter davantage de résistance.
Compte tenu de la menace croissante de la RAM et de la réduction de la recherche et du développement (R&D) sur les antibiotiques par les grandes sociétés pharmaceutiques, il est nécessaire de poursuivre les recherches sur des outils tels que le ML interprétable pour prédire la résistance et orienter des traitements efficaces pour des affections telles que les infections urinaires.
À propos de l’étude
Les modèles ont été développés à l’aide de l’ensemble de données AMR-UTI, une ressource publique contenant des informations sur plus de 80 000 patients UTI du Massachusetts General Hospital (MGH) et du Brigham & Women’s Hospital (BWH) entre 2007 et 2016.
Cet ensemble de données s’est principalement concentré sur les patients présentant des infections urinaires potentiellement compliquées, totalisant 101 096 échantillons, et incluait ceux qui ne répondaient pas aux critères d’une étude précédente axée sur les infections urinaires non compliquées.
Les échantillons de cette étude représentaient un groupe de patients diversifié présentant diverses complexités d’infection nécessitant différents traitements antibiotiques.
Par souci de cohérence avec les recherches antérieures, les chercheurs ont adopté une structure de données et une technique de filtrage similaires, et chaque point de données était constitué d’échantillons d’urine analysés pour la RAM avec des détails tels que le profil de sensibilité aux antimicrobiens, les caractéristiques des échantillons antérieurs pour la prédiction de la RAM et des informations de base sur les patients.
Les données brutes ont ensuite été classées en trois groupes en fonction de la sensibilité (S), les catégories intermédiaire (I) et résistante (R) étant traitées comme résistantes. Le DSE a fourni des détails supplémentaires sur les patients, notamment l’utilisation antérieure d’antibiotiques, les infections, les procédures et d’autres données cliniques pertinentes. Cependant, les détails sur la posologie, la durée du traitement et les rencontres avec les patients en dehors des deux hôpitaux n’ont pas été inclus.
Toutes les variables catégorielles de l’ensemble de données ont été converties dans un format adapté au traitement informatique, ce qui a donné 787 caractéristiques. Alors que la plupart des fonctionnalités étaient binaires, les données manquantes étaient représentées par un zéro.
L’ensemble de données a été divisé en fonction du temps nécessaire à la formation et aux tests du modèle : données de 2007 à 2013 pour la formation et de 2014 à 2016 pour les tests. De plus, l’ensemble de données utilisait une classification binaire de la race, « blanche » ou « non blanche », bien que cette approche ait été reconnue comme potentiellement perpétuante de biais.
L’ensemble de données n’a pas pu déterminer si les patients présentaient des affections telles qu’une bactériurie asymptomatique (ASB), qui pourraient influencer les résultats de l’étude.
L’équipe a utilisé divers modèles ML pour prédire la résistance à des antibiotiques spécifiques, en comparant leurs performances à l’aide de mesures telles que la sensibilité, la spécificité et l’aire sous la courbe. Pour garantir des performances optimales, les modèles ont subi une optimisation des hyperparamètres et un ajustement des seuils.
Résultats de l’étude
Dans la présente étude, les cohortes de patients, y compris les ensembles de formation, de validation et de test, avaient un âge médian de 64 ans, avec environ 72,9 % d’entre eux s’identifiant comme blancs. Cela contrastait avec une cohorte d’infections urinaires sans complications, composée uniquement de femmes d’un âge médian de 32 ans.
Les données sur le sexe des patients atteints d’infections urinaires compliquées manquaient et davantage de patients du groupe de test des infections urinaires complexes se sont rendus aux urgences.
La résistance aux antibiotiques comme les fluoroquinolones correspondait aux estimations de 2012 des États-Unis, qui n’avaient pas d’antécédents récents d’infections résistantes aux médicaments. Des modèles prédictifs comme TabNet et XGBoost ont été formés sur les données de 2007 à 2013 et testés sur les diagnostics de 2014 à 2016.
Les modèles ont montré une meilleure précision prédictive pour les antibiotiques de deuxième intention que pour ceux de première intention. XGBoost excellait dans la prédiction de résistance parmi tous les modèles, mais ses performances ont été considérablement améliorées lorsque TabNet a été pré-entraîné avec des techniques auto-supervisées. L’efficacité des modèles a été en outre confirmée par des résultats cohérents issus de la validation sur une cohorte indépendante.
En raison des incertitudes entourant la documentation de la race et de l’origine ethnique, l’étude a réalisé une expérience supplémentaire, en omettant cette fonctionnalité et en utilisant le modèle XGBoost. Les résultats de cette expérience étaient cohérents avec les modèles originaux, qui incluaient la race et l’origine ethnique.
De manière encourageante, ces résultats mettent en évidence le potentiel de l’utilisation de modèles pour discerner la résistance aux antibiotiques dans les échantillons compliqués d’infection urinaire au niveau de chaque patient. Les modèles ont également fait preuve d’adaptabilité lorsqu’ils sont appliqués à des échantillons d’infection urinaire non compliqués.
En outre, les modèles pourraient fournir des informations sur les facteurs cruciaux pour déterminer la résistance. Tous les modèles ont systématiquement mis en évidence la résistance et l’exposition antérieures aux antibiotiques comme déterminants critiques. Des facteurs tels que des infections urinaires antérieures, surtout si des agents pathogènes comme E. coli ont été détectés, indiquent également une résistance.
De plus, les conditions comorbides telles que la paralysie et les problèmes rénaux étaient prédominantes dans tous les antibiotiques et modèles. La recherche a également révélé que certaines caractéristiques avaient un impact significatif sur l’exactitude prédictive, la résistance antérieure aux antibiotiques apparaissant comme la plus influente.
