Pneumonie non iatrogène : un modèle de deep learning pour prédire le risque de décès
LUNDI 19 JUIN 2023
Soyez le premier à réagirSelon un article publié dans l'American Journal of Roentgenology (AJR), un modèle basé sur le Deep learning à partir de radiographies pulmonaires initiales peut prédire la mortalité à 30 jours chez les patients atteints de pneumonie non iatrogène. Ces algorithmes sont sensés améliorer les performances du score CURB-65, qui est l’outil de prévision des risques communément utilisé dans ce cadre.
Parmi les maladies infectieuses, la pneumonie était la première cause de décès en 2019 et la deuxième cause de décès après le COVID-19 en 2020. En 2019, environ 1,8 million de personnes aux États-Unis se sont rendues aux urgences en raison d'une pneumonie. Le type de pneumonie le plus courant est la pneumonie communautaire (Community-Acquired Pneumonia – CAP)), causée par une infection survenant en dehors du système de santé.
Des facteurs de risque de pneumonie communément identifiés grâce au score CURB-65
L'identification des patients à haut risque qui justifient une hospitalisation et un traitement intensif, nécessitant souvent une antibiothérapie IV ou une assistance respiratoire, peut aider à améliorer les résultats chez ces patients. Les outils actuellement disponibles pour prédire les effets indésirables chez les patients atteints de CAP en fonction des facteurs de risque cliniques comprennent le score CURB-65 et l'indice de gravité de la pneumonie.
La radiographie thoracique est un outil essentiel pour le diagnostic de la CAP, qui est réalisé sur tous les patients suspects ainsi que pour en déterminer le niveau de gravité. Cependant, l’utilisation des images thoraciques dans un outil de prédiction des risques a été limitée car l'interprétation ce ces examens est sujette à la variabilité inter-lecteurs, et car l’identification de biomarqueurs quantitatifs à partir des radiographies thoraciques pour la prédiction des risques est difficile. C’et la raison pour laquelle le Deep learning (DL) est largement appliqué pour l'évaluation radiographies thoraciques dans ce cadre. En plus d'être appliqués pour la détection de résultats anormaux ou le diagnostic de maladies spécifiques, les algorithmes sont appliqués pour la prédiction d'événements futurs, tels que les effets indésirables pour les patients.
Le Deep learning pour améliorer la prevention à partir d’une simple radiographie pulmonaire
Une équipe de chercheurs coréenne a initié une étude sur ce thème, publiée dans l’American Journal of Roentgenology. Elle se propose de développer un modèle de DL pour prédire la mortalité à 30 jours chez les patients atteints de CAP à l'aide de radiographies thoraciques et de valider les performances du modèle chez les patients de différentes périodes ou institutions. « Le modèle de DL peut guider la prise de décision clinique dans la prise en charge des patients atteints de PAC en identifiant les patients à haut risque qui justifient une hospitalisation et un traitement intensif », remarque le premier auteur de cette étude, le Pr Eui Jin Hwang, du département de radiologie du Seoul National University College of Medicine à Seoul (Corée).
Cet article décrit un modèle de DL développé chez 7 105 patients au sein d’un seul centre, de mars 2013 à décembre 2019 pour prédire le risque de mortalité, toutes causes confondues, dans les 30 jours après le diagnostic de CAP, à l'aide de la radiographie pulmonaire initiale des patients. Les chercheurs ont ensuite évalué leur modèle de DL chez des patients diagnostiqués avec CAP lors de visites aux urgences dans le même établissement, de janvier 2020 à décembre 2020, et de deux autres établissements différents de janvier 2020 à décembre 2020 pour l’une et de mars 2019 à octobre 2021 pour l’autre.
Les AUC ont été comparés entre le modèle de DL et un score de risque basé notamment sur le taux d'urée sanguine, la fréquence respiratoire, la pression artérielle et l'âge ≥ 65 ans. Ce travail montre qu’un modèle de DL utilisant des radiographies pulmonaires initiales peut prédire la mortalité, toutes causes confondues, à 30 jours chez les patients atteints de CAP avec une AUC allant de 0,77 à 0,80 dans des cohortes de test de différentes institutions. De plus, le modèle a montré une spécificité plus élevée que le score CURB-65 (44 à 58 %) à la même sensibilité.
Bruno Benque avec AJR