Développement et validation d'un modèle de machine learning pour la détection précoce du sepsis en milieu hospitalier.

Abstract

Introduction

Avec 11 millions de décès liés au sepsis dans le monde, le développement d'outils permettant de détecter précocement l'apparition du sepsis chez les patients hospitalisés est une priorité de santé publique. En effet, une détermination anticipée du sepsis chez un patient permet une prise en charge appropriée plus rapide et augmente ainsi ses chances de survie. Nous avons donc développé un algorithme basé sur de l'apprentissage machine (« machine learning »), le SEPSI Score, capable de détecter de manière précoce l'apparition d'un sepsis chez les patients hospitalisés, tous services confondus.

Matériels et méthodes

Les données prédictives du sepsis de 45 127 patients hospitalisés (tous services confondus) ont été collectées rétrospectivement pour la phase d'entraînement du modèle. Le classifieur binaire SEPSI Score pour la prédiction du sepsis a été construit à l'aide d'une approche d'arbres à gradient renforcé (« gradient boosted trees ») et évalué sur l'ensemble de données de l'étude de 5 270 séjours de patients, dont 121 cas de sepsis (2,3 %). Enfin, les performances du modèle et sa capacité à détecter l'apparition précoce du sepsis ont été évaluées et comparées à celles des systèmes de score du sepsis habituellement utilisés en milieu hospitalier.

Résultats

La valeur prédictive positive moyenne du SEPSI Score était de 0,610 contre 0,174 pour le score SOFA (Sepsis-Related Organ Failure Assessment). L'aire moyenne sous la courbe Précision-Rappel était de 0,738 pour le SEPSI Score contre 0,174 pour le score considéré comme étant le plus efficace (SOFA). Une sensibilité (0,845) ainsi qu'une spécificité (0,987) élevées ont également été rapportées pour le SEPSI Score. Le modèle était aussi plus précis que tous les autres scores testés, jusqu'à 3 heures avant le début du sepsis. La moitié des cas de sepsis a été détectée par le modèle au moins 48 heures avant leur apparition estimée après analyse des dossiers par un expert clinique.

Conclusion

Le modèle SEPSI Score a permis de déterminer avec précision l'apparition précoce du sepsis, affichant des performances qui dépassent celles des systèmes de score habituellement utilisés en clinique. Il pourrait ainsi constituer un outil prédictif précieux au sein de tous les services hospitaliers, afin de permettre une prise en charge précoce des patients atteints de sepsis. Les bénéfices cliniques de l'outil et son impact sur la morbidité-mortalité associée seront évalués au cours d'une étude prospective multicentrique.