Comparaison et évaluation de modèles dans la prédiction du type de grossesse chez les patientes présentant une grossesse de localisation indéterminée

Rationnel

Le suivi des grossesses de localisation indéterminée (GLI) impose de nombreuses consultations aux urgences gynécologiques à intervalle réguliers (48 h). Ce protocole de suivi est laborieux pour la patiente et rarement respecté notamment chez les populations vulnérables. Il existe actuellement peu de modèles de prédiction du type de grossesse en cas de (GLI). De plus, les modèles actuellement validés nécessitent un prélèvement de la progestéronémie (actuellement non remboursé par la sécurité sociale et non disponible en routine dans tous les centres) et un suivi strict de 48 heures. Il apparaît donc nécessaire d’établir un modèle de prédiction pouvant s’affranchir de la progestéronémie et du délai strict entre deux prélèvements.

Objectif

Établir le meilleur modèle de prédiction du type de grossesse (grossesse intra-utérine (GIU), fausse couche spontanée (FCS) et grossesse extra-utérine (GEU)) à partir de deux prélèvements de béta-HCG sanguins.

Méthodes

Étude rétrospective, monocentrique dans le service de gynécologie du CHI André Grégoire (Montreuil), entre mai 2021 et novembre 2023, 1031 patientes (3304 consultations) présentant une GLI ont été incluses (182 GEU, 532 FCS, 317 GIU). Les variables incluses dans les modèles était le logarithme du taux d’HCG, le logarithme de la moyenne du taux d’HCG entre les deux prélèvements, le ratio des HCG entre les deux prélèvements, le coefficient directeur du taux d’HCG entre les deux prélèvements et le délai en jour entre les deux prélèvements. Six modèles de machine learning (Support vector classifier (SVC), régression logistique (RL), réseau de neuronne (RN), random forest (RF) et extreme gradient boosting (XGboost) ont été entraînés sur 80 % des données et validés sur 20 % des données après sélection aléatoire. La moyenne des aires sous la courbe (mAUC) des trois classes à prédire a été utilisée pour comparer les modèles, ainsi que l’AUC pour la prédiction des GEU.

Résultats

L’ensemble des modèles testés ont présenté une mAUC satisfaisante dans la prédiction tu type de grossesse (mAUC = 0,97, 95 %CI[0,97–98] pour SVC, mAUC = 0. 98, 95 %CI[0,97–0,99] pour RL, mAUC = 0,98, 95 %CI[0,97–0,98] pour RN, mAUC = 0,98, 95 %CI[0,98–0,99] pour RF et mAUC = 0,98, 95 %CI[0,97–0,98] pour XGboost). Les performances des différents modèles pour la détection des GEU étaient également similaires.

Conclusions

Ces résultats suggèrent ces différents modèles permettent de prédire avec une forte précision le type de grossesse en cas de GLI et de s’affranchir de la progestéronémie et du délai strict de 48 h entre deux consultations. De futures études prospectives devraient évaluer les performances de méta-modèles combinant ces différentes approches.