La réalisation d’une arthroplastie totale du genou (ATG) présente des risques de troubles électrolytiques et de la fonction rénale qui sont rares mais aggravés s’ils ne sont pas correctement identifiés. Un bilan de routine est très souvent réalisé pour évaluer l’ionogramme et la fonction rénale après ATG qui nécessite rarement une intervention clinique en cas de perturbation de celui-ci. L’objectif de cette étude était d’identifier les variables périopératoires permettant la création d’un modèle de machine learning prédictif du risque de troubles de la kaliémie et/ou d’insuffisance rénale après arthroplastie totale de genou.

Un modèle prédictif pouvait être construit pour estimer le risque de trouble de la kaliémie et/ou d’insuffisance rénale après arthroplastie totale de genou.

Cette étude rétrospective monocentrique incluait 774 arthroplasties totales de genou (ATG) opérées entre janvier 2020 et mars 2023. Vingt-cinq variables préopératoires ont été intégrées dans le modèle de machine learning et filtrées par un premier algorithme, les variables les plus prédictives sélectionnées permettaient la construction d’un second algorithme pour définir le modèle global de risque de trouble de la kaliémie et/ou d’insuffisance rénale aiguë (K⁺R) postopératoire. Deux groupes ont été constitués de patients K⁺R et non-K⁺R après ATG, une analyse univariée était réalisée et la performance du modèle de machine learning était évaluée par l’aire sous la courbe représentant la sensibilité du modèle en fonction de 1 – spécificité.

Sur les 774 patients inclus ayant subi une chirurgie d’ATG, 46 patients (5,9 %) avaient présenté un trouble de la kaliémie postopératoire ayant nécessité une correction et 13 patients (1,7 %) une insuffisance rénale dont 5 patients (0,6 %) ont bénéficié d’un remplissage vasculaire. Huit variables ont été retenues dans le modèle prédictif de machine learning qui incluait l’indice de masse corporelle, l’âge, la présence d’un diabète, la durée opératoire, la pression artérielle moyenne la plus basse, le score de Charlson, le tabagisme et le débit de filtration glomérulaire préopératoire. La performance globale était bonne avec une aire sous la courbe à 0,979 [IC_95 % 0,938–1,02], la sensibilité était de 90,3 % [IC_95 % 86,2–94,4] et la spécificité de 89,7 % [IC_95 % 85,5–93,8]. L’outil développé pour l’évaluation du risque de trouble de la kaliémie et/ou d’insuffisance rénale après ATG est disponible sur le site arthrorisk.com/.

Le risque de trouble de la kaliémie et d’insuffisance rénale postopératoire après arthroplastie totale de genou pouvait être prédit par un modèle qui identifie les patients à risque faible et ceux à risque élevé en fonction de huit variables pré- et peropératoires. Cet outil de machine learning est disponible sur une plateforme web disponible à tous, simple à utiliser avec une performance prédictive élevée. L’intérêt du modèle était de mieux identifier et anticiper les complications de dyskaliémie et d’insuffisance rénale postopératoire chez les patients à risque élevé. D’autres séries prospectives multicentriques sont nécessaires pour évaluer l’intérêt d’un bilan biochimique systématique postopératoire en l’absence de risque prédit par le modèle.

IV ; étude rétrospective de séries de cas.

Total knee arthroplasty (TKA) is a procedure associated with risks of electrolyte and kidney function disorders, which are rare but can lead to serious complications if not correctly identified. A routine check-up is very often carried out to assess the seric ionogram and kidney function after TKA, that rarely requires clinical intervention in the event of a disturbance. The aim of this study was to identify perioperative variables that would lead to the creation of a machine-learning model predicting the risk of kalaemia disorders and/or acute kidney injury after total knee arthroplasty.

A predictive model could be constructed to estimate the risk of kalaemia disorders and/or acute kidney injury after total knee arthroplasty.

This single-centre retrospective study included 774 total knee arthroplasties (TKA) operated on between January 2020 and March 2023. Twenty-five preoperative variables were incorporated into the machine-learning model and filtered by a first algorithm. The most predictive variables selected were used to construct a second algorithm to define the overall risk model for postoperative kalaemia and/or acute kidney injury (K⁺ A). Two groups were formed of K⁺ A and non-K⁺ A patients after TKA. A univariate analysis was performed and the performance of the machine-learning model was assessed by the area under the curve representing the sensitivity of the model as a function of 1 - specificity.

Of the 774 patients included who had undergone TKA surgery, 46 patients (5.9%) had a postoperative kalaemia disorder requiring correction and 13 patients (1.7%) had acute kidney injury, of whom 5 patients (0.6%) received vascular filling. Eight variables were included in the machine learning predictive model, including body mass index, age, presence of diabetes, operative time, lowest mean arterial pressure, Charlson score, smoking and preoperative glomerular filtration rate. Overall performance was good with an area under the curve of 0.979 [CI_95% 0.938–1.02], sensitivity was 90.3% [CI_95% 86.2–94.4] and specificity 89.7% [CI_95% 85.5–93.8]. The tool developed to assess the risk of impaired kalaemia and/or acute kidney injury after TKA is available on arthrorisk.com/.

The risk of kalaemia disturbance and postoperative acute kidney injury after total knee arthroplasty could be predicted by a model that identifies low-risk and high-risk patients based on eight pre- and intraoperative variables. This machine-learning tool is available on a web platform accessible for everyone, easy to use and has a high predictive performance. The aim of the model was to better identify and anticipate the complications of dyskalaemia and postoperative acute kidney injury in high-risk patients. Further prospective multicentre series are needed to assess the value of a systematic postoperative biochemical work-up in the absence of risk predicted by the model.

IV; retrospective study of case series.