Dans une étude récente publiée dans Rapports scientifiques, les chercheurs ont développé un algorithme d’apprentissage automatique (ML) pour prédire l’oligurie.
Ils ont validé son exactitude auprès d’une large cohorte de patients admis dans des unités de soins intensifs (USI) médicales ou chirurgicales de l’hôpital universitaire de Chiba au Japon entre novembre 2010 et mars 2019.
Étude: Modèle d’apprentissage automatique pour prédire l’oligurie chez les patients gravement malades. Crédit d’image : LALAKA/Shutterstock.com
Sommaire
Arrière-plan
L’oligurie, c’est-à-dire un débit urinaire <0,5 mL/kg/h, est une mesure qui peut prédire une lésion rénale aiguë (IRA) chez les patients en soins intensifs.
L’IRA, caractérisée par une augmentation rapide des taux de créatinine sérique ou une diminution du débit urinaire, est l’une des principales causes de complications lors des admissions en soins intensifs, qui, dans le pire des cas, peuvent même entraîner un dysfonctionnement d’organe et la mort.
Sa détection précoce et ses interventions rapides peuvent améliorer le pronostic des patients gravement malades en soins intensifs, démontrant ainsi les implications diagnostiques de l’oligurie dans la prise en charge de l’AKI.
Des études ont évalué les approches ML pour prédire le débit urinaire chez les patients gravement malades ; cependant, leur précision dans la prévision de l’oligurie en soins intensifs reste inconnue.
À propos de l’étude
Dans la présente étude, les chercheurs ont utilisé un algorithme ML pour prédire l’oligurie chez les patients gravement malades, survenant à 6 et 72 heures, à partir d’un moment arbitraire pendant leur séjour aux soins intensifs.
Ils ont défini l’AKI comme un taux de créatinine sérique d’au moins 0,3 mg/dL au-dessus de la ligne de base et l’oligurie comme un débit urinaire inférieur à 0,5 mL/kg/h.
Les dossiers de santé électroniques (DSE) des patients, c’est-à-dire l’ensemble de données initial de l’étude, comprenaient 1 031 variables d’entrée, telles que leurs mesures physiologiques, leurs analyses de sang, leurs médicaments, leurs dossiers d’observation et de soins généraux et les détails des transfusions sanguines.
L’équipe a calculé des tableaux chronologiques horaires des volumes d’urine et de selles des patients (mesures physiologiques) et a utilisé les valeurs de test les plus récentes utilisées pour les analyses de sang.
À l’aide de ces variables horaires et informations de base, l’équipe a développé un modèle ML pour prédire l’oligurie chez les patients en soins intensifs.
À cela, ils ont ajouté 222 variables d’informations de base, par exemple l’âge, ce qui a abouti à 1 127 variables dans l’ensemble de données final.
De plus, ils ont supprimé les valeurs de colinéarité potentielles et traité les valeurs manquantes séparément ou les ont exclues de l’analyse.
L’équipe a validé les performances de quatre classificateurs ML à l’aide d’une quintuple validation croisée, où la courbe d’étalonnage indiquait que le modèle était bien calibré.
Le modèle de prédiction LightGBM a montré la meilleure vitesse et la meilleure surface sous la courbe (AUC). Les valeurs de l’AUC variaient de zéro à un, un indiquant une prédiction parfaite.
De plus, les valeurs de l’explication additive de Shapley (SHAP) ont aidé à évaluer les variables clés, améliorant ainsi l’interprétabilité des modèles ML.
Les tracés de forces individuels SHAP ont permis de visualiser l’impact de différentes variables sur la probabilité d’apparition d’une oligurie, améliorant ainsi la compréhension de l’apparition d’une oligurie chez deux patients, l’un avec et l’autre sans oligurie, en fonction de leurs caractéristiques.
Résultats
Sur les 9 241 patients en soins intensifs inclus dans l’étude, 27,4 % et 30,2 % avaient un débit urinaire <0,5 mL/kg/h pendant six heures et un AKI, respectivement. Le modèle ML a montré une AUC de 0,964 pour prédire l'oligurie à six heures en utilisant certaines variables.
La validation croisée a abouti à une AUC légèrement inférieure de 0,920, mais proche de l’AUC d’origine, ce qui suggère la grande précision du modèle dans la prévision de l’oligurie à six heures.
Les valeurs SHAP jugées importantes pour prédire l’oligurie à six heures étaient le score d’évaluation séquentielle des défaillances organiques (SOFA), les valeurs urinaires, les taux de créatinine sérique, la créatinine kinase, la bilirubine totale, la pression partielle d’oxygène (pO2), l’interleukine (IL) -6, le fibrinogène. /produits de dégradation de la fibrine (FDP) et température périphérique. Ces variables prédisent également bien l’oligurie à 72 heures.
En comparant deux patients présentant des caractéristiques différentes, l’analyse SHAP a suggéré qu’un volume d’urine plus élevé réduisait la probabilité d’apparition d’une oligurie et qu’une augmentation des taux de lactate déshydrogénase (LDH) et de FDP augmentait cette probabilité.
Par conséquent, le modèle prédit une probabilité plus faible d’apparition d’une oligurie après six heures pour le premier patient.
Chez le deuxième patient, un score APACHE II plus élevé et un volume d’urine plus faible ont augmenté la probabilité d’oligurie, et les niveaux normaux d’acide urique (UA), de LDH et d’IL-6 l’ont réduit. Le modèle prédit donc un risque accru d’oligurie après six heures pour ce patient.
L’AUC du modèle de prédiction de l’oligurie à 72 heures était encore une fois de 0,916, ce qui suggère sa grande précision.
Dans les analyses de sous-groupes, la précision du modèle dans les groupes femelles et furosémide a diminué avec le temps par rapport aux autres groupes, avec une précision relativement élevée (AUC = 0, 86), même à 72 h.
Conclusions
Selon les auteurs, des études antérieures ont vérifié la précision d’un modèle ML pour prédire l’AKI chez les patients gravement malades, mais avec des précisions inférieures, des AUC comprises entre 0,74 et 0,93.
Le modèle d’étude actuel, au contraire, a montré une précision plus élevée (> 0,90), qu’ils ont attribuée à la grande taille de l’échantillon et au choix d’une méthode de prédiction de l’apparition de l’oligurie à partir d’un moment arbitraire, ce qui a abouti à davantage d’ensembles de données de formation.
Étant donné que l’oligurie pourrait identifier plus de patients atteints d’AKI plus tôt que le diagnostic basé sur les taux de créatinine sérique, le modèle d’étude pourrait aider à la détection précoce des patients atteints d’AKI, améliorant ainsi le pronostic de cette population grâce à une meilleure prise en charge et des interventions précoces.
Les travaux futurs pourront se concentrer sur la validation plus approfondie de l’exactitude des modèles de prédiction basés sur le ML.
