La circulation extra-corporelle par membranes d'oxygénation de type veino-artérielle (ECMO-VA) est la technique d'assistance pour la prise en charge des chocs cardiogéniques. Cette technique est invasive et de disponibilité limitée. Une meilleure connaissance des facteurs prédictifs de mortalité post-ECMO-VA permettrait de mieux sélectionner les patients pouvant utilement bénéficier de cette thérapeutique. Notre objectif était de comparer les prédictions de mortalité à 90 jours obtenues à l'aide des méthodes d'intelligence artificielle à celles obtenues en utilisant des scores classiques.

Les données de soins de 1356 patients adultes ayant bénéficié d'une ECMO-VA entre août 2017 et novembre 2021 ont été extraites de l'Entrepôt de données de santé (EDS) de l'Assistance publique–Hôpitaux de Paris. Age, sexe, poids, taille, antécédents, ainsi que diagnostics, actes médicaux, données de biologie pendant le séjour et statuts vitaux à J90 ont été recueillis soit à partir des tables structurées, soit à l'aide d'Expressions régulières (Regex). Les scores classiques SAVE, ENCOURAGE et REMEMBER et autres scores de morbidité utilisés en pratique courante par les cliniciens, ont été reconstruits sur la base des informations contenues dans les dossiers médicaux. Les variables présentant plus de 25 % de données manquantes ont été exclues. Trois modèles prédictifs ont été élaborés après split 80/20 sur un fichier initial contenant 33 variables explicatives potentielles, retenues par les cliniciens: régression logistique avec sélection de variables (RL), « eXtreme Gradient Boosting » (XGBoost) et « Deep Neural Network » (DNN). Une imputation simple par la médiane a été utilisée pour les données manquantes. L'apprentissage a été renforcée par cross-validation. Les performances des modèles et celles des scores classiques ont été comparées grâce à l'aire sous la courbe ROC (AUC) et test de Delong. La validité des Regex a été évaluée sur un jeu de données restreint.

Les méthodes Regex utilisées dans l'extraction des données renvoyaient un taux moyen de bon classement à 82 %. RL, XGBoost et DNN montrent des performances statistiquement équivalentes pour la prédiction du décès à 90 jours, AUC respectifs avec IC à 95% : 0,83[0,78-0,88] ; 0,81[0,76-0,86] et 0,82[0,77-0,87] sur le jeu de données test tandis que les scores classiques affichent des performances plus modestes, le meilleur étant 0,7[0,67-0,73] pour le SAVE score, p-value<0,001, test de Delong. Les analyses de sensibilité introduisant de nouvelles méthodes d'imputation (GAIN imputation, MICE imputation) ainsi que d'autres méthodes de réduction de dimension (ACP, sélection sur Chi2) n'ont pas amélioré les résultats.

Dans notre étude, les modèles proposés se sont révélés plus performants que les scores classiques utilisés pour la prédiction du risque de mortalité au sein d'une cohorte de 1356 patients. Ces résultats encourageants méritent d’être reproduits sur des jeux de données plus vastes et encore plus complets car quelques variables ont été exclues de notre étude en raison d'un grand nombre de données manquantes.

Intelligence artificielle , ECMO-VA , Régression logistique , eXtreme Gradient Boosting , Deep Neural Network

Les auteurs n'ont pas précisé leurs éventuels liens d'intérêts.