L’intégration des modèles pronostiques dans le raisonnement des kinésithérapeutes (MK) pourrait améliorer les résultats cliniques en personnalisant la prise en charge [1Hingorani A.D., Windt D.A., Riley R.D., Abrams K., Moons K.G., Steyerberg E.W., y al. Prognosis research strategy (PROGRESS) 4: stratified medicine research BMJ 2013 ;  346 : e5793

Haga clic aquí para ir a la sección de Referencias]. Avant leur implantation clinique, ces modèles doivent démontrer des capacités de prédiction satisfaisantes (mesures de performance) sur un échantillon indépendant (validation externe) [2Kent P., Cancelliere C., Boyle E., Cassidy J.D., Kongsted A. A conceptual framework for prognostic research BMC Med Res Methodol 2020 ;  20 : 172

Haga clic aquí para ir a la sección de Referencias]. L’objectif de cette revue systématique était d’identifier et d’évaluer les modèles pronostiques présentant une validation externe pour prédire les résultats cliniques des personnes souffrant de troubles musculosquelettiques (MSQ).

Nous avons réalisé une revue systématique sur 8 bases de données et présenté les résultats selon la grille PRISMA 2020. Une spécialiste de l’information a élaboré une stratégie de recherche afin d’identifier toutes les études portant sur la validation externe d’un modèle pronostique pour un trouble musculosquelettique. Deux évaluateurs indépendants ont examiné le titre, le résumé et le texte intégral et ont procédé à l’extraction des données. Nous avons extrait les caractéristiques des études incluses (ex : méthode), des modèles pronostiques (ex : prédicteurs, mesures de performance) et les issues cliniques prédites (ex : incapacité). Nous avons évalué le risque de biais et l’applicabilité en utilisant le PROBAST [3Moons K.G.M., Wolff R.F., Riley R.D., Whiting P.F., Westwood M., Collins G.S., y al. PROBAST: a tool to assess risk of bias and applicability of prediction model studies: explanation and elaboration Ann Intern Med 2019 ;  170 : W1-W33

Haga clic aquí para ir a la sección de Referencias].

Nous avons identifié 4895 citations, lu 299 textes complets et inclus 45 articles (35 modèles pronostiques distincts). Les modèles ciblaient le rachis (n=17), les membres supérieurs (n=4) et inférieurs (n=15) et les blessures et douleur MSQ globales (n=9). Toutes les études présentaient un haut risque de biais. La moitié des modèles démontraient une bonne applicabilité. Seules 19 études rapportaient leurs mesures de performance (calibration et discrimination). Nous avons identifié six modèles présentant des mesures de performance adéquates pour être cliniquement utiles (AUC>0,6).

Nous avons utilisé les meilleures normes méthodologiques pour effectuer cette revue incluant une extraction détaillée des données. L’utilisation de l’outil PROBAST peut surestimer le risque de biais des études pronostiques [4Venema E., Wessler B.S., Paulus J.K., Salah R., Raman G., Leung L.Y., y al. Large-scale validation of the prediction model risk of bias assessment tool (PROBAST) using a short form: high risk of bias models show poorer discrimination J Clin Epidemiol 2021 ;  138 : 32-39 [cross-ref]

Haga clic aquí para ir a la sección de Referencias].

Nos résultats fournissent aux MK des modèles pronostiques prometteurs présentant une validation externe pour les aider à mieux prédire les résultats cliniques et faciliter un plan de traitement personnalisé. L’implantation de modèles cliniquement utiles pourrait améliorer la valeur des soins fournis par les MK [5Lentz T.A., Goode A.P., Thigpen C.A., George S.Z. Value-based care for musculoskeletal pain: are physical therapists ready to deliver? Phys Ther 2020 ;  100 : 621-632 [cross-ref]

Haga clic aquí para ir a la sección de Referencias].