Cette étude visait à développer de manière préliminaire des modèles d’apprentissage automatique (machine learning, ML) capables de prédire le risque d’infection associée à un dispositif et les résultats à 30 jours après des procédures invasives chez des patients en unité de soins intensifs (USI). Les données utilisées, extraites de la base de données Medical Information Mart for Intensive Care (MIMIC-IV), version 2.2, provenaient de 8574 patients en USI ayant subi des procédures invasives. Les patients ont été répartis en ensembles d’apprentissage et de validation selon un ratio de 7:3. Sept modèles de ML ont été utilisés pour prédire les infections associées à un dispositif, tandis que cinq modèles ont été employés pour prédire la survie à 30 jours. La performance des modèles a été principalement évaluée à l’aide de la courbe ROC pour la prédiction des infections, et de l’indice de concordance (C-index) pour les modèles de survie. Les modèles les plus performants ont progressivement réduit le nombre de variables en fonction de leur importance, optimisant ainsi l’utilité pratique. L’inclusion de l’ensemble des variables a montré que les modèles XGBoost (extreme gradient boosting) et EST (extra survival trees) offraient une performance discriminante supérieure. Notamment, lorsque limités aux 10 variables les plus importantes, ces deux modèles conservaient un niveau de performance comparable à celui obtenu avec l’ensemble des variables. Dans la cohorte de validation, le modèle XGBoost utilisant les 10 variables principales a atteint une aire sous la courbe (AUC) de 0,810 (IC95 [0,808-0,812]), une aire sous la courbe précision-rappel (AUPRC) de 0,226 (IC95 [0,222-0,230]), et un score de Brier (BS) de 0,053 (IC95 [0,053-0,054]). Le modèle EST, avec les 10 variables principales, a montré un indice de concordance de 0,756 (IC95 [0,754-0,757]), une AUC dépendante du temps de 0,759 (IC95 [0,763-0,775]), et un score de Brier intégré (IBS) de 0,087 (IC95 [0,087-0,087]). Les deux modèles sont accessibles via une application web. Les modèles XGBoost et EST, évalués en interne, ont démontré une précision prédictive remarquable pour les risques d’infections associées à un dispositif et pour la mortalité à 30 jours après une procédure invasive en USI. Une validation supplémentaire est nécessaire pour confirmer leur utilité clinique par de futures études.
Su X, Sun L, Sun X, Zhao Q. Machine learning for predicting device-associated infection and 30-day survival outcomes after invasive device procedure in intensive care unit patients. Sci Rep. 2024;14(1):23726. Doi : 10.1038/s41598-024-74585-0.