Dans une étude récente publiée dans l’American Journal of Roentgenology, les chercheurs ont développé un modèle d’apprentissage en profondeur (DL) pour estimer le risque de mortalité à 30,0 jours chez les patients atteints de pneumonie communautaire (PAC) en utilisant des radiographies pulmonaires obtenues pour le diagnostic comme entrées. Ils ont également ont validé les performances du modèle auprès de patients d’établissements et d’époques différentes.
Étude: Un modèle d’apprentissage en profondeur utilisant des radiographies thoraciques pour la prédiction de la mortalité à 30 jours chez les patients atteints de pneumonie communautaire : développement et validation externe. Crédit d’image : Andreï Suslov/Shutterstock.com
Sommaire
Arrière-plan
La PAC, une cause fréquente de pneumonie, est associée à une mortalité considérable et à l’utilisation des ressources médicales. La radiographie thoracique est un outil essentiel pour diagnostiquer la PAC et stratifier le risque.
Cependant, l’intégration des résultats des radiographies thoraciques dans les outils de prédiction des risques a été limitée en raison de la variabilité inter-lecteurs et de la difficulté à extraire des biomarqueurs objectifs. Le score CURB-65 et l’indice de gravité de la pneumonie sont actuellement des outils disponibles pour prédire les effets indésirables chez les patients atteints de PAC.
À propos de l’étude
Dans la présente étude rétrospective, les chercheurs ont développé et validé en externe un modèle prédictif de décès basé sur la DL dans les 30,0 jours chez les patients atteints de CAP à l’aide de radiographies pulmonaires initiales.
Le modèle a été développé pour prédire les risques de mortalité toutes causes confondues à 30,0 jours pour les patients atteints de CAP à l’aide de leurs radiographies pulmonaires initiales.
L’étude impliquait de rechercher dans les dossiers médicaux électroniques (DME) d’un seul établissement de référence tertiaire les personnes ayant reçu un diagnostic de CAP lors de tout contact avec les soins de santé entre mars 2013 et décembre 2019.
L’équipe a évalué le modèle d’apprentissage en profondeur chez les personnes diagnostiquées avec une pneumonie communautaire dans les services d’urgence de l’établissement où le groupe de développement a été diagnostiqué entre janvier et décembre 2020 (le groupe de test temporel, 947 personnes).
Ils ont également évalué le modèle dans deux autres institutions, à savoir le Seoul Metropolitan Government-Seoul National University Boramae Medical Center (groupe de test externe A, 467 personnes) entre janvier et mars 2020, et l’hôpital universitaire de Chung-Ang (groupe de test externe B, 381 personnes) entre mars 2019 et octobre 2021.
La cohorte de développement comprenait des patients diagnostiqués avec une PAC lors de n’importe quelle rencontre, tandis que les cohortes de test suivantes ne comprenaient que des patients diagnostiqués avec une PAC lors de rencontres au service des urgences. L’équipe a comparé les valeurs de l’aire sous la courbe (AUC) entre le modèle d’apprentissage en profondeur et l’outil CURB-65, et les résultats de l’approche combinée ont été évalués par un modèle de régression logistique.
Le critère de jugement principal était la mortalité toutes causes confondues dans les 30,0 jours suivant le diagnostic de PAC. Un réseau neuronal convolutif (CNN) a été développé pour prédire la mortalité à 30,0 jours après le diagnostic de CAP sur la base des radiographies thoraciques des patients de la cohorte de développement.
Les sorties du modèle représentaient les probabilités de survie conditionnelle à différents intervalles de temps, et un radiologue thoracique expérimenté a effectué une analyse post hoc des cartes d’activation de classe.
Le modèle d’apprentissage en profondeur a été conçu avec une répartition des participants de 3,0 : 1,0 : 1,0 dans le groupe de formation, le groupe de validation et le groupe de test interne pour estimer le risque de décès toutes causes confondues sur 30,0 jours chez les patients atteints de CAP avec leurs radiographies thoraciques analysées à l’époque. de diagnostic comme entrées.
Les données sur la mortalité ont été confirmées à l’aide des DME ou des données du registre des décès du ministère de l’Intérieur et de la Sécurité de la République de Corée.
Résultats
L’étude a analysé le taux de mortalité à 30 jours de 1 421 patients dans la cohorte de développement, dont 1 421 patients dans l’ensemble de tests internes.
Les valeurs de l’ASC pour les risques de mortalité estimés à 30,0 jours étaient plus élevées pour le modèle d’apprentissage en profondeur par rapport à CURB-65 parmi les participants du groupe de test temporel (0,80 contre 0,70), mais pas statistiquement significatives parmi ceux appartenant aux groupes de test externes A (0,8 contre 0,7) et B (0,8 contre 0,7).
Comparé à CURB-65, le modèle DL avait une sensibilité similaire mais une spécificité plus élevée, avec une valeur prédictive positive (VPP) de 35 % contre 18 % et une valeur prédictive négative (VPN) de 95 % contre 94 %. Le modèle DL présentait un étalonnage acceptable dans le groupe de test temporel mais surestimait significativement le risque de mortalité à 30 jours dans les cohortes de test externes A et B.
Le modèle DL était un prédicteur significatif de la mortalité à 30 jours, avec un rapport de cotes de 1,08 pour une augmentation de 1,0 % du risque prédit après ajustement pour les scores CURB-65.
Dans les groupes de test externes A et B, le modèle DL, les scores CURB-65 et le modèle combiné ont montré des courbes de décision qualitativement similaires, avec de modestes améliorations du bénéfice positif net pour le modèle d’apprentissage en profondeur et le modèle combiné par rapport aux scores CURB-65. .
Les images de pneumonie ont influencé les prédictions du modèle DL chez les patients à haut risque prédit, tandis que celles avec des patients à faible risque prédit ont été influencées par d’autres zones de l’image.
Le modèle n’a pas été influencé par des caractéristiques non pertinentes telles que des marqueurs radiographiques ou des matériaux extrinsèques. L’évaluation post hoc des cartes d’activation de classe a montré que les prédictions du modèle DL étaient largement exactes.
conclusion
Dans l’ensemble, les résultats de l’étude ont montré que le modèle d’apprentissage en profondeur pouvait estimer la mortalité dans les 30,0 jours suivant le diagnostic de CAP à l’aide de radiographies pulmonaires obtenues pour le diagnostic avec des performances supérieures à celles de l’outil CURB-65.
Le modèle a donné une ASC de 0,77 à 0,80, avec une spécificité plus élevée (comprise entre 61 % et 69 %) par rapport à CURB-65 (comprise entre 44 % et 58 %) à une sensibilité similaire.
Le modèle peut guider la prise de décision et améliorer les résultats du CAP en identifiant les patients à haut risque (ceux nécessitant une hospitalisation et un traitement intensif, y compris une antibiothérapie intraveineuse ou une assistance respiratoire).
En revanche, un congé précoce à domicile et un traitement conservateur pour les patients à faible risque peuvent réduire l’utilisation inutile des ressources médicales.
