Les complications postopératoires sont réputées être plus fréquentes durant les premiers âges de la vie. Ceci est dû à l’extrême fragilité de ces patients (tout particulièrement en période néonatale), à la plus grande vulnérabilité de ces patients aux événements hémodynamiques et respiratoire périopératoire et aux difficultés chirurgicales liées aux pathologies malformatives ou au petit poids [1 Lancet 2010 ;  376 : 773-783

Cliccare qui per andare alla sezione Riferimenti]. Toutefois, il serait intéressant de pouvoir prédire les patients à risques de complications afin d’adapter la prise en charge périopératoire.

Après accord du comité d’éthique, nous avons recueilli prospectivement les données périopératoires de patients âgés de moins de 6 mois et opérés dans notre établissement sur une période de 6 mois. Les données étaient l’âge des patients, l’âge gestationnel, l’âge corrigé, les données démographiques, les données biologiques préopératoires (taux d’hémoglobine et de fibrinogène), le type de chirurgie et les complications postopératoires (complications nécessitant la prise en charge en réanimation ou une reprise chirurgicale). Ces dernières étaient classées en hémodynamiques, respiratoires, infectieuses, neurologiques, hémorragiques ou échec précoce de la chirurgie. Plusieurs modèles était testé par le logiciel SPSS modeler : régression logistique, arbre de segmentation et réseau de neurones.

Quatre-vingt-quinze patients ont été inclus dans cette analyse. L’âge était de 42±44jours, l’âge corrigé de 42±7 semaines, le pourcentage de prématurés était de 29,4 % et celui des patients ASA III de 18 %. Les chirurgies pratiquées étaient : digestives (60 %), thoraciques (13,7 %), urologiques (9,5 %), ORL (9,5 %), orthopédiques (4,2 %) et ophtalmologiques (3,2 %). Des complications postopératoires sont survenues dans 20 % des cas et se répartissaient comme indiqué en Tableau 1. Le modèle le plus prédictif de la survenue de ces complications était le réseau de neurones avec les facteurs suivants : le type d’intervention, le score ASA III, les taux d’hémoglobines et de fibrinogènes préopératoires et l’âge corrigé. Ce modèle expliquait 100 % de la variabilité (aire soue la courbe ROC 1 [IC95 % : 1–1]). La cross-validation a donné les même résultats. Les deux autres modèles testés donnaient des variabilités expliquées de respectivement 24 et 36 % pour la régression logistique et l’arbre de segmentation.

Le modèle statistique par réseau de neurones, peu utilisé dans le domaine médical, permet de traiter des informations complexes. Dans le cas présent il a pu donner un modèle prédictif à 100 % et reproductible (cross-validation) de la survenue de complications postopératoires. Bien qu’il reste à valider à plus grande échelle, ce modèle pourrait permettre d’anticiper des optimisations de prise en charge de patients et tout particulièrement concernant le taux d’hémoglobine préopératoire ou l’âge ou les patients doivent être opérés dans le cas de chirurgies non urgentes.