Editor's Choice – Prognostic Factors and Models to Predict Mortality Outcomes in Patients with Peripheral Arterial Disease: A Systematic Review
Choix de l'éditeur – Facteurs pronostiques et modèles permettant de prédire les résultats en matière de mortalité chez les patients atteints de maladie artérielle périphérique : une revue systématique
Porras, Cindy P. et al.
European Journal of Vascular and Endovascular Surgery, Volume 68, Issue 3, 361 - 377,2024
https://www.ejves.com/article/S1078-5884(24)00456-8/fulltext
https://www.ejves.com/article/S1078-5884(24)00456-8/fulltext
Article libre d'accés
Objectif
Prédire les effets indésirables chez les patients atteints d'artériopathie oblitérante des membres inférieurs (AOMI) est une tâche complexe en raison de l'hétérogénéité des caractéristiques des patients et de la maladie. Cette revue systématique visait à identifier les facteurs pronostiques et les modèles pronostiques permettant de prédire les effets de la mortalité chez les patients atteints d'AOMI de stade Fontaine I à III ou de catégorie Rutherford 0 à 4.
Sources de données
Des recherches ont été menées dans PubMed, Embase et la base de données Cochrane des revues systématiques afin d'identifier les études examinant les facteurs pronostiques individuels ou les études visant à développer ou à valider un modèle pronostique pour les résultats de mortalité chez les patients atteints d'APD.
Méthodes d'évaluation
Des informations sur la conception de l’étude, la population de patients, les facteurs pronostiques et les caractéristiques du modèle pronostique ont été extraites et le risque de biais a été évalué.
Les facteurs prédictifs ont été classés en six groupes :
* données démographiques (âge, sexe et race)
* antécédents médicaux (comorbidités),
* caractéristiques cliniques (indice de masse corporelle [IMC], pression artérielle, indice cheville-bras [ICB]),
* médicaments (antiplaquettaires, antihypertenseurs et hypolipémiants),
* biomarqueurs et mesures de laboratoire (protéine C réactive [CRP], débit de filtration glomérulaire estimé [DFGe])
* autres facteurs (scores, rigidité artérielle évaluée par analyse de l'onde de pouls systolique et dilatation médiée par le flux évaluée par échographie), ces derniers ils sont du domaine du dépistage
APORT de l'IA
L'utilisation de techniques d'apprentissage automatique dans la recherche médicale est devenue de plus en plus populaire, en particulier dans le développement et la validation de modèles. Pour prédire les risques de mortalité chez les patients atteints d'AOMI, l'apprentissage automatique s'est avéré efficace. Deux études illustrent l'application de l'apprentissage automatique dans la prédiction des résultats de mortalité chez les patients atteints d'AOMI
Ces études ont montré que l'intégration de nouveaux prédicteurs en dehors des facteurs pronostiques traditionnels tels que l'âge peut améliorer la capacité prédictive d'un modèle. Par exemple, Zhang et al. ont constaté que le nombre total de diagnostics ICD-10-CM et le nombre total de procédures ICD-10-CM étaient les principaux prédicteurs de décès à l'hôpital. De même, Cox et al. ont identifié le risque physiologique élevé comme le facteur prédictif le plus important de décès à 30 jours.
Il est intéressant de noter qu'aucune des études identifiées qui ont examiné des facteurs pronostiques uniques n'a évalué les capacités prédictives des facteurs susmentionnés. Ces résultats démontrent l'importance de l'apprentissage automatique dans la recherche pronostique. L'apprentissage automatique a le potentiel d'extraire des informations précieuses qui peuvent ne pas être perceptibles par les méthodes statistiques traditionnelles. De plus, l’intégration de nouveaux paramètres ainsi que de caractéristiques démographiques et cliniques peut améliorer considérablement les modèles pronostiques.
Les facteurs prédictifs ont été classés en six groupes :
* données démographiques (âge, sexe et race)
* antécédents médicaux (comorbidités),
* caractéristiques cliniques (indice de masse corporelle [IMC], pression artérielle, indice cheville-bras [ICB]),
* médicaments (antiplaquettaires, antihypertenseurs et hypolipémiants),
* biomarqueurs et mesures de laboratoire (protéine C réactive [CRP], débit de filtration glomérulaire estimé [DFGe])
* autres facteurs (scores, rigidité artérielle évaluée par analyse de l'onde de pouls systolique et dilatation médiée par le flux évaluée par échographie), ces derniers ils sont du domaine du dépistage
APORT de l'IA
L'utilisation de techniques d'apprentissage automatique dans la recherche médicale est devenue de plus en plus populaire, en particulier dans le développement et la validation de modèles. Pour prédire les risques de mortalité chez les patients atteints d'AOMI, l'apprentissage automatique s'est avéré efficace. Deux études illustrent l'application de l'apprentissage automatique dans la prédiction des résultats de mortalité chez les patients atteints d'AOMI
Ces études ont montré que l'intégration de nouveaux prédicteurs en dehors des facteurs pronostiques traditionnels tels que l'âge peut améliorer la capacité prédictive d'un modèle. Par exemple, Zhang et al. ont constaté que le nombre total de diagnostics ICD-10-CM et le nombre total de procédures ICD-10-CM étaient les principaux prédicteurs de décès à l'hôpital. De même, Cox et al. ont identifié le risque physiologique élevé comme le facteur prédictif le plus important de décès à 30 jours.
Il est intéressant de noter qu'aucune des études identifiées qui ont examiné des facteurs pronostiques uniques n'a évalué les capacités prédictives des facteurs susmentionnés. Ces résultats démontrent l'importance de l'apprentissage automatique dans la recherche pronostique. L'apprentissage automatique a le potentiel d'extraire des informations précieuses qui peuvent ne pas être perceptibles par les méthodes statistiques traditionnelles. De plus, l’intégration de nouveaux paramètres ainsi que de caractéristiques démographiques et cliniques peut améliorer considérablement les modèles pronostiques.
Résultats
Soixante-neuf études ont examiné les facteurs pronostiques des résultats de mortalité dans l'AOMI. Plus de 80 facteurs pronostiques simples ont été identifiés, l'âge étant un prédicteur de décès dans la plupart des études. Les autres facteurs communs comprenaient le sexe, le diabète et le statut tabagique. Six études présentaient un faible risque de biais dans tous les domaines, et les autres présentaient un risque de biais incertain ou élevé dans au moins un domaine. Huit études ont développé ou validé un modèle pronostique. Tous les modèles incluaient l'âge dans leur modèle principal, mais pas le sexe. Toutes les études présentaient des niveaux de discrimination similaires de > 70 %. Cinq des études sur les modèles pronostiques présentaient un risque global élevé de biais, tandis que deux études présentaient un risque global incertain de biais.
Les lignes directrices actuelles ne recommandent aucun modèle pronostique à utiliser dans la pratique clinique chez les patients atteints d’AOMI.
De même, dans la dernière ligne directrice mondiale sur la prise en charge des infections chroniques de la moelle épinière, la liste des facteurs prédictifs de décès les plus importants est incluse dans l’estimation du risque pour le patient.
Comme dans les présents résultats, aucun outil ou modèle spécifique n’est recommandé en raison du manque d’études testant de manière prospective leurs modèles sur l’ensemble du spectre des infections chroniques de la moelle épinière.
Cette revue systématique est un point de départ pour les professionnels de la santé afin d’identifier l’état actuel des outils de prédiction du risque dans la pratique clinique et de poursuivre les efforts de recherche pour affiner et valider ces outils, améliorant ainsi leur utilité et leur effet dans l’orientation de la prise de décision clinique pour les patients atteints d’AOMI et d’infection chronique de la moelle épinière.
Les lignes directrices actuelles ne recommandent aucun modèle pronostique à utiliser dans la pratique clinique chez les patients atteints d’AOMI.
De même, dans la dernière ligne directrice mondiale sur la prise en charge des infections chroniques de la moelle épinière, la liste des facteurs prédictifs de décès les plus importants est incluse dans l’estimation du risque pour le patient.
Comme dans les présents résultats, aucun outil ou modèle spécifique n’est recommandé en raison du manque d’études testant de manière prospective leurs modèles sur l’ensemble du spectre des infections chroniques de la moelle épinière.
Cette revue systématique est un point de départ pour les professionnels de la santé afin d’identifier l’état actuel des outils de prédiction du risque dans la pratique clinique et de poursuivre les efforts de recherche pour affiner et valider ces outils, améliorant ainsi leur utilité et leur effet dans l’orientation de la prise de décision clinique pour les patients atteints d’AOMI et d’infection chronique de la moelle épinière.
Conclusion
Cette revue systématique montre qu'un grand nombre d'études pronostiques ont été publiées, avec une hétérogénéité dans les populations de patients, les résultats et le risque de biais. Des facteurs tels que le sexe, l'âge, le diabète, l'hypertension et le tabagisme sont importants pour prédire le risque de mortalité chez les patients atteints d'AOMI.
Commentaire
Cette étude est intéressante et il est évident que l'IA a un rôle majeur à jouer dans ce type d'étude
- La classification utilisée est ancienne, l'ischémie d'effort et celle de repos sont à utiliser
- Les FDR principaux de mortalité en cas d'AOMI sont bien ceux cités principalement : âge, sexe, diabète, HTA, tabac
- Mais il faut rajouter les autres cités aussi dans l'article ou non cités : l'insuffisance rénale chronique, la pollution, la présence de déterminants sociaux péjoratifs, la fragilité, le caractère polyvasculaire de l'AOMI, une Lp(a) augmentée, l'ethnicité, le BMI, la génétique, les antécédents familiaux vasculaires avant 60 ans etc.
Dans la VRAIE VIE on sait que l'AOMI au Stde de claudication est une affection grave, sous évaluée, sous diagnostiquée et sous traitées.
Ces 3 entités résument à elle seule toute la gravité de cette affection.
Et si en plus si le diabète et insuffisance rénale et ou la dialyse sont associés, nous sommes dans un contexte de gravité , gravissime
Copyright : Dr Laroche Jean Pierre / 2024