| Modèles de prédiction de la réponse à l’héparinothérapie continue en réanimation (Prediction models of unfractionated heparin response in critically ill patients) Delange, Boris - (2022-10-26) / Universite de Rennes 1 - Modèles de prédiction de la réponse à l’héparinothérapie continue en réanimation
| |||
Langue : Anglais Directeur(s) de thèse: Maamar, Adel Discipline : Médecine intensive réanimation Classification : Médecine et santé Mots-clés : Héparine non fractionnée, Réanimation, Machine learning, Modèles de prédiction, Anti- Xa
| |||
Résumé : Importance : L'héparine non fractionnée (HNF) est un traitement largement utilisé en réanimation, avec un risque d'événements indésirables graves ou de décès si l'intervalle thérapeutique n'est pas atteint rapidement. Ajuster le dosage d'HNF pour atteindre l'intervalle thérapeutique est difficile. A notre connaissance, il n'existe pas d'algorithme fiable pour prédire les résultats d'anti-Xa durant un traitement par HNF, en réanimation. Objectifs : Développer un algorithme de prédiction des résultats d'anti-Xa durant un traitement par HNF en réanimation, en utilisant des méthodes de machine learning. Design et participants : Cette étude monocentrique a été conduite en utilisant l'entrepôt de données de santé du CHU de Rennes, du 21 décembre 2019 au 22 novembre 2021, en incluant les patients âgés d'au moins 18 ans, ayant reçu un traitement par HNF durant un séjour en réanimation, sans traitement anticoagulant associé et en l'absence de données manquantes. Outcomes principaux et paramètres : Un résultat d'anti-Xa inférieur à 0.3 était classé en infra- thérapeutique, normal s'il était entre 0.3 et 0.7 et supra-thérapeutique si supérieur à 0.7. Les modèles de prédiction de machine learning ont été créés en utilisant le débit d'HNF, les bolus d'HNF, le dernier résultat d'anti-Xa, l'évaluation de la fonction rénale par la créatininémie, la diurèse et la dialyse, de l'inflammation par le fibrinogène, de l'état volémique par l'hémoglobine et l'hématocrite, la présence ou non d'un traitement par extra-corporeal membrane oxygenation et la bilirubinémie. Une cross-validation stratifiée a été utilisée. Les capacités prédictives des modèles ont été évaluées par l'area under the receiver operating characteristic curve (AUROC), l'area under the precision recall curve (AUPRC), la sensibilité, la spécificité. Résultats : Au total, 3790 intervalles d'anti-Xa, correspondant à 211 patients, ont été inclus dans l'étude. Parmi les modèles de machine learning, le modèle de random forest a obtenu les meilleurs résultats, avec un AUROC à 0.80 [0.77 ; 0.83], un AUPRC à 0.61 [0.58 ; 0.65], une sensibilité à 0.56 [0.53 ; 0.59] et une spécificité à 0.82 [0.82 ; 0.82]. Conclusion : Dans cette cohorte, les modèles de prédiction de machine learning ont obtenu de bons résultats pour prédire l'anti-Xa durant un traitement par héparinothérapie continue en réanimation. Une validation avec des données multicentriques prospectives est nécessaire. Abstract : Importance: Unfractionated heparin (UFH) is a widely used therapy in intensive care unit (ICU), with an increased risk of serious adverse events or death if the therapeutic target is not reached quickly. Adjusting UFH dosage to reach this therapeutic range is difficult. To our knowledge, there are no reliable algorithms for predicting anti-Xa results in the ICU setting. Objectives: To develop an algorithm to predict anti-Xa results during a UFH therapy, by using several machine learning techniques and to evaluate the predictive accuracy of these techniques. Design and participants: This single-center retrospective cohort study was conducted using Rennes University Hospital's clinical data warehouse, from December 21, 2019 to November 22, 2021, including all critically ill patients ≥ 18 years, who have received UFH during their ICU stay, without concomitant anticoagulant therapy and without missing data. Main outcomes and measures: Anti-Xa result lower than 0.3 was classified as infra-therapeutic, normal between 0.3 and 0.7 and supra-therapeutic if greater than 0.7. Machine learning-based prediction models were constructed using UFH rate, bolus, previous anti-Xa result, kidney function with creatininemia, diuresis and renal replacement therapy, inflammation state with fibrinogenemia, volemic state with haemoglobinemia and hematocrit, extra-corporeal membrane oxygenation and bilirubinemia. A stratified cross-validation was used. The predictive accuracy of the models was evaluated with the area under the receiver operating characteristic curve (AUROC), the area under the precision recall curve (AUPRC), the sensitivity and the specificity. Results: A total of 3790 anti-Xa intervals, corresponding to 211 patients, were included in this study. Among several machine learning algorithms, random forest achieved best results with 0.80 [0.77 ; 0.83] AUROC, 0.61 [0.58 ; 0.65] AUPRC, 0.56 [0.53 ; 0.59] sensitivity and 0.82 [0.82 ; 0.82] specificity. Conclusion: In this cohort study, machine learning-based prediction models achieved good results to predict anti-Xa results during a UFH therapy, in the ICU setting. Further validation with prospective multicenter data is needed. | |||