Apprentissage automatique pour la prédiction de l’insuffisance rénale aiguë chez les patients atteints de pancréatite aiguë admis en unité de soins intensifs
L’insuffisance rénale aiguë (IRA) est une complication grave chez les patients atteints de pancréatite aiguë admis en unité de soins intensifs (USI). Les patients développant une IRA durant leur séjour en USI présentent un taux de mortalité significativement plus élevé que ceux sans IRA. Le diagnostic d’IRA dans cette population repose généralement sur une diminution brutale du taux de filtration glomérulaire, indiquée par une augmentation de la créatinine sérique ou une oligurie survenant entre 48 heures et 7 jours. Cependant, les lésions rénales sont souvent irréversibles au moment de l’observation de ces marqueurs. Cette étude vise à développer des modèles de prédiction utilisant des algorithmes d’apprentissage automatique et des méthodes de régression logistique traditionnelle, en exploitant des variables couramment recueillies à l’admission en USI. Les performances de ces modèles dans la prédiction de l’IRA ont été comparées.
Méthodes
L’étude a utilisé une base de données rétrospective de patients atteints de pancréatite aiguë admis en USI à l’Hôpital de Chine de l’Ouest de l’Université du Sichuan, entre décembre 2015 et décembre 2019. Conformément à la Déclaration d’Helsinki, le consentement éclairé a été dispensé en raison du caractère rétrospectif. Les critères d’exclusion incluaient les patients de moins de 18 ans, ceux déjà diagnostiqués avec une IRA à l’admission, ceux avec une insuffisance rénale chronique, ou des antécédents de pathologie pancréatique (traumatisme, tumeur, pancréatite chronique).
L’IRA a été diagnostiquée selon les critères du Kidney Disease: Improving Global Outcomes (KDIGO), basés sur la créatinine sérique et la diurèse. La pancréatite aiguë était définie par la présence d’au moins deux des trois caractéristiques suivantes : douleur abdominale typique, élévation de la lipase ou amylase (≥3 fois la normale), et signes radiologiques.
Le jeu de données a été divisé en ensembles d’entraînement (70 %) et de test (30 %), avec une validation croisée à 10 plis pour équilibrer temps de calcul et variance. Les hyperparamètres ont été optimisés par recherche systématique.
Pour le modèle traditionnel, une régression logistique (RL) a été employée. Une analyse univariée a identifié huit variables significatives (p < 0,05), intégrées dans un modèle multivarié. Les paramètres avec p < 0,05 ont été retenus pour construire un nomogramme prédictif.
Les modèles d’apprentissage automatique—Gradient Boosting (GB), Random Forest (RF) et Extreme Gradient Boosting (XGB)—ont été entraînés sur l’ensemble d’apprentissage, avec optimisation progressive des paramètres.
Résultats
Parmi 488 patients inclus, 151 (30,9 %) ont développé une IRA. Dans l’ensemble d’entraînement, 108 patients avaient une IRA contre 233 sans. Les patients avec IRA présentaient des taux plus élevés de leucocytes, neutrophiles, créatinine, acide urique, cystatine C, amylase, lipase, temps de céphaline activée, D-dimères, procalcitonine, protéine C-réactive, ainsi qu’une mortalité à 28 jours et une durée de séjour en USI plus longues.
L’analyse multivariée a identifié la procalcitonine, le logarithme naturel du B-type natriuretic peptide (Ln BNP) et la créatinine comme facteurs indépendamment associés à l’IRA. Un nomogramme prédictif a été construit à partir de ces variables.
Les aires sous la courbe (AUC) pour les modèles RL, GB, RF et XGB étaient respectivement de 0,763, 0,828, 0,812 et 0,809. Bien que les modèles d’apprentissage automatique aient montré des AUC supérieures à la RL, la différence n’était pas statistiquement significative. Cependant, ces modèles ont significativement amélioré la reclassification nette (NRI) et la discrimination intégrée (IDI).
L’analyse des courbes de décision a révélé un bénéfice net supérieur pour les modèles d’apprentissage automatique lorsque la probabilité seuil était inférieure à 0,4, soulignant leur précision accrue dans l’identification des cas d’IRA.
Les caractéristiques les plus prédictives dans le modèle GB (évaluées par les valeurs SHAP) étaient la créatinine, l’acide urique, la procalcitonine, le temps de thrombine et le BNP.
Conclusion
Cette étude a développé des modèles d’apprentissage automatique et un modèle de régression logistique pour prédire l’IRA chez les patients atteints de pancréatite aiguë en USI. Les modèles d’apprentissage automatique ont démontré une performance supérieure en termes de reclassification et de bénéfice net, bien que l’amélioration de l’AUC ne soit pas significative. Ces outils pourraient soutenir les décisions cliniques après validation supplémentaire.
doi.org/10.1097/CM9.0000000000002531