Système prédictif individualisé du risque de mortalité des patients atteints de défaillance hépatique aiguë sur chronique basé sur un modèle de forêt de survie aléatoire

Introduction
La défaillance hépatique aiguë sur chronique (ACLF), caractérisée par une détérioration rapide de la fonction hépatique chez des patients atteints de maladies chroniques du foie, présente un taux de mortalité à court terme élevé (60 %–70 % dans les trois mois). Les modèles pronostiques actuels (Model for End-Stage Liver Disease [MELD], International Normalized Ratio and Creatinine Score [ABIC], Integrated MELD [iMELD]) fournissent des prédictions de mortalité au niveau populationnel mais échouent à offrir une évaluation individualisée du risque pour la décision clinique. L’algorithme de forêt de survie aléatoire (RSF), méthode non paramétrique d’apprentissage automatique, surmonte ces limites en gérant les relations non linéaires, les interactions variables et les données manquantes. Cette étude visait à développer un outil prédictif en ligne du risque de mortalité individualisé pour les patients ACLF en utilisant la RSF, permettant des courbes de risque dynamiques et des prédictions de survie personnalisées.

Conception de l’étude et méthodes
Cohortes et collecte de données
Une analyse rétrospective a inclus 391 patients ACLF de trois hôpitaux chinois (hôpital de Shunde, hôpital central de Jiangmen, premier hôpital du peuple de Foshan). Après exclusion des patients avec données incomplètes, comorbidités (cancer du foie, maladies auto-immunes) ou suivi insuffisant, 276 patients ont formé la cohorte modèle. Une cohorte de validation (n=276) a été générée par rééchantillonnage bootstrap pour évaluer la généralisation du modèle.

Critères diagnostiques et variables
Le diagnostic d’ACLF suivait les recommandations de l’Asian Pacific Association for the Study of the Liver, avec des complications (encéphalopathie hépatique [EH], insuffisance rénale aiguë [IRA], syndrome hépatorénal [SHR]) définies par des critères standardisés. Les variables cliniques incluaient des paramètres démographiques, biologiques (sodium sérique, INR, RDW) et des scores spécifiques (MELD, ABIC, iMELD).

Développement et validation du modèle

Modèle de risques proportionnels de Cox : Identification des prédicteurs indépendants par régression multivariée pas à pas.
Modèle RSF : Construit avec les variables de l’analyse de Cox (EH, âge, sodium sérique, IRA, RDW, INR). Les arbres de survie de l’ensemble RSF ont estimé les probabilités de survie, avec hiérarchisation de l’importance des variables par permutation.
Métriques de performance :
- Courbes ROC tempodépendantes : Calculées pour les mortalités à 3, 6 et 12 mois.
- Scores de Brier : Évaluation de la calibration (scores bas indiquent une meilleure performance).
- Analyse des courbes de décision : Comparaison de l’utilité clinique entre modèles.

Outil prédictif en ligne
Un outil web (https://zhangzhiqiao13.shinyapps.io/Individual_mortality_risk_predictive_tool_for_liver_failure/) génère des courbes de mortalité individualisées, des pourcentages de survie prédits et des intervalles de confiance à 95 % pour des délais personnalisés.

Résultats clés
Importance des variables et facteurs de risque
La RSF a classé l’IRA, le SHR, l’EH, l’âge, le RDW et l’INR comme prédicteurs majeurs (Figure 1). La régression de Cox multivariée a confirmé ces facteurs indépendants (Tableau 2) :

EH : HR=2,408 (IC95% :1,624–3,571, P<0,001).
Âge : HR=1,035 par année (IC95% :1,021–1,050, P<0,001).
IRA : HR=3,289 (IC95% :2,170–4,985, P<0,001).
INR : HR=1,897 (IC95% :1,530–2,350, P<0,001).
Sodium sérique : Effet protecteur (HR=0,978 par mmol/L, IC95% :0,959–0,998, P=0,027).
RDW : Effet protecteur (HR=0,974 par fL, IC95% :0,963–0,986, P<0,001).

Performance des modèles

RSF vs modèle de Cox :
- AUROC (cohorte modèle) : RSF supérieure pour 3 mois (0,916 vs 0,872), 6 mois (0,916 vs 0,866) et 12 mois (0,905 vs 0,848).
- AUROC (cohorte validation) : Supériorité maintenue (0,912 ; 0,910 ; 0,880).
- Scores de Brier : Meilleure calibration pour RSF (3 mois : 0,119 vs 0,138 ; 12 mois : 0,128 vs 0,156).
Comparaison aux scores traditionnels :
La RSF a surpassé MELD, ABIC et iMELD sur toutes les métriques (ex. : AUROC à 3 mois pour MELD=0,683 vs 0,916 pour RSF).

Stratification de la survie
Les patients stratifiés en groupes à haut et faible risque par RSF présentaient des différences significatives de survie (P<0,001) : médiane de survie à 2,3 mois (haut risque) vs 34,6 mois (faible risque).

Sorties de l’outil en ligne
L’outil fournit deux courbes de survie (RSF et Cox) et des prédictions numériques (ex. : survie à 12 mois=58 % [IC95% :52–64 %] pour un patient de 45 ans avec EH, IRA, sodium=135 mmol/L, INR=2,0, RDW=45 fL).

Discussion
Avantages du modèle RSF

Prédictions individualisées : Courbes de survie dynamiques contrairement aux scores traditionnels.
Gestion des interactions complexes : Prise en compte des relations non linéaires (âge et sodium) et interdépendances (IRA et EH).
Validation robuste : Performance stable confirmée par rééchantillonnage bootstrap.

Implications cliniques

Intervention précoce : Priorisation de la transplantation hépatique pour les patients à haut risque.
Allocation des ressources : Optimisation des lits et surveillance basée sur le risque individuel.

Limitations

Design rétrospectif : Risque de biais de sélection malgré des critères d’exclusion stricts.
Absence de validation externe : Nécessité d’études dans des populations diversifiées.
Variables manquantes : Exclusion de paramètres (fonction thyroïdienne, volumétrie hépatique) par manque de données.

Perspectives futures

Études prospectives multicentriques : Validation dans des cohortes internationales.
Intégration de données omiques : Amélioration via biomarqueurs génomiques/métabolomiques.

Conclusion
Cette étude a développé un outil en ligne basé sur la RSF, fournissant des courbes de risque de mortalité individualisées et des probabilités de survie tempospécifiques pour les patients ACLF. Surpassant les modèles pronostiques traditionnels, cet outil améliore la prise de décision clinique, marquant un tournant vers l’évaluation personnalisée du risque.

doi.org/10.1097/CM9.0000000000001539