Prédire l'absence d'amélioration clinique après l'ablation des varices grâce à l'apprentissage automatique

Objectif

L'ablation des varices est généralement indiquée chez les patients présentant des ulcères veineux actifs/cicatrisés. Cependant, la sélection des patients pour une intervention chez les personnes sans ulcères veineux est moins claire. Les outils qui prédisent l'absence d'amélioration clinique (AAC) après l'ablation des veines peuvent aider à guider la prise de décision clinique, mais restent limités. Nous avons développé des algorithmes d'apprentissage automatique (ML) qui prédisent l'AAC à 1 an après l'ablation des varices.

Méthodes

La base de données de la Vascular Quality Initiative a été utilisée pour identifier les patients ayant subi un traitement endoveineux ou chirurgical des varices pour une maladie clinico-étiologique-anatomique-physiologique (CEAP) C2 à C4 entre 2014 et 2024. Nous avons identifié 226 caractéristiques prédictives (111 préopératoires [démographiques/cliniques], 100 peropératoires [procédurales] et 15 postopératoires [évolution postopératoire immédiate/complications]).

Le critère d'évaluation principal était l'ICL à 1 an, défini comme un score de gravité clinique veineuse (VCSS) préopératoire moins le VCSS postopératoire ≤ 0, indiquant l'absence d'amélioration clinique après l'ablation veineuse. Les données ont été divisées en ensembles d'entraînement (70 %) et de test (30 %). Six modèles ML ont été formés à l'aide de caractéristiques préopératoires avec une validation croisée 10 fois (Extreme Gradient Boosting [XGBoost], forêt aléatoire, classificateur Naïve Bayes, machine à vecteurs de support, réseau neuronal artificiel et régression logistique). La principale mesure d'évaluation du modèle était l'aire sous la courbe caractéristique de fonctionnement du récepteur (AUROC). L'algorithme avec les meilleures performances a été formé davantage à l'aide de caractéristiques peropératoires et postopératoires. L'accent a été mis sur les caractéristiques préopératoires, tandis que les caractéristiques peropératoires et postopératoires étaient d'une importance secondaire, car les prédictions préopératoires offrent le plus grand potentiel pour atténuer le risque, comme décider de procéder ou non à l'intervention. L'étalonnage du modèle a été évalué à l'aide de tracés d'étalonnage, et la précision des prédictions probabilistes a été évaluée avec les scores de Brier. Les performances ont été évaluées dans des sous-groupes en fonction de l'âge, du sexe, de la race, de l'origine ethnique, de la ruralité, de l'indice médian de privation de zone, de l'ablation antérieure des varices ipsilatérales, de l'emplacement de la veine primaire traitée et du type de traitement.

Résultats

Au total, 33 924 patients ont subi un traitement des varices (30 602 endoveineux [90,2 %] et 3 322 chirurgicaux [9,8 %]) au cours de la période d'étude et 5 619 (16,6 %) ont subi une LCI à 1 an. Les patients qui ont développé le critère d'évaluation principal étaient plus âgés, plus susceptibles d'être défavorisés sur le plan socio-économique et moins susceptibles d'utiliser systématiquement la thérapie par compression. Ils présentaient également une maladie moins grave caractérisée par des scores VCSS préopératoires inférieurs, des scores du questionnaire sur les symptômes des varices et des classifications CEAP. Le meilleur modèle de prédiction préopératoire était XGBoost, atteignant un AUROC de 0,94 (intervalle de confiance [IC] à 95 %, 0,93-0,95). En comparaison, la régression logistique avait un AUROC de 0,71 (IC à 95 %, 0,70-0,73). Le modèle XGBoost a légèrement amélioré ses performances aux stades peropératoire et postopératoire, atteignant tous deux un AUROC de 0,97 (IC à 95 %, 0,96-0,98). Les courbes d'étalonnage ont montré une bonne concordance entre les probabilités d'événements prédites et observées avec des scores de Brier de 0,12 (préopératoire), 0,11 (peropératoire) et 0,10 (postopératoire). Parmi les 10 principaux prédicteurs, 7 étaient des caractéristiques préopératoires, notamment le score VCSS, le score du questionnaire sur les symptômes des varices, la classification CEAP, l'ablation antérieure des varices, la présence de thrombus dans la grande veine saphène et le reflux dans les veines profondes.

Les performances du modèle sont restées solides dans tous les sous-groupes.

Courbe caractéristique de fonctionnement du récepteur pour prédire l’absence d’amélioration clinique sur 1 an après l’ablation des varices à l’aide de modèles XGBoost (Extreme Gradient Boosting) aux stades préopératoire, peropératoire et postopératoire. Indicateurs de performance secondaires : Préopératoire : AUROC 0,94 (0,93-0,95), précision 0,85 (IC à 95 %, 0,84-0,86), sensibilité 0,87, spécificité 0,84, valeur prédictive positive (PPV) 0,83, valeur prédictive négative (NPV) 0,87. Peropératoire : AUROC 0,97 (0,96-0,98), précision 0,91 (IC à 95 %, 0,90-0,92), sensibilité 0,92, spécificité 0,89, VPP 0,89, VAN 0,92. Postopératoire : AUROC 0,97 (0,96-0,98), précision 0,91 (IC à 95 %, 0,90-0,92), sensibilité 0,93, spécificité 0,90, VPP 0,90, VAN 0,93. AUROC, aire sous la courbe caractéristique de fonctionnement du récepteur ; IC, intervalle de confiance.

 Scores d’importance variable (gain) pour les 10 principaux prédicteurs de l’absence d’amélioration clinique (ICL) sur 1 an après l’ablation des varices dans le modèle Extreme Gradient Boosting (XGBoost) au stade postopératoire. CEAP, Clinique-Etiologique-Anatomique-Physiopathologique ; GSV, grande veine saphène ; VCSS, score de gravité clinique veineuse ; VVSymQ, Questionnaire sur les symptômes des varices.


* Les patients qui ne connaissent pas d'amélioration clinique après l'ablation des varices présentent des caractéristiques prédictives aux stades préopératoire, peropératoire et postopératoire. La modélisation basée sur ML nous a permis d'évaluer l'impact combiné de ces facteurs sur le risque d'ICL.

* Deuxièmement, nous avons évalué six modèles ML sur notre ensemble de données et XGBoost a obtenu les meilleures performances. L'algorithme XGBoost a démontré une excellente discrimination et un excellent étalonnage aux stades préopératoire, peropératoire et postopératoire. De plus, les performances prédictives sont restées robustes dans toutes les sous-populations démographiques et cliniques.

* Troisièmement, bien que les facteurs peropératoires et postopératoires aient contribué au risque à long terme, la plupart des 10 principaux prédicteurs de l'ICL à 1 an étaient des caractéristiques préopératoires.

Cette découverte met en évidence une opportunité importante pour notre outil de prédiction des risques de guider la sélection des patients et les soins préopératoires. Ces modèles ont le potentiel de soutenir la prise de décision clinique tout au long du parcours périopératoire d'un patient, facilitant ainsi l'évaluation, le conseil et la gestion individualisés des risque

Conclusions

Nous avons utilisé un vaste registre clinique spécifique vasculaire (VQI) pour développer des modèles ML robustes qui prédisent l’ICL à 1 an après l’ablation des varices pour la maladie CEAP de classe C2 à C4 avec d’excellentes performances (AUROCs de >0,90).

Nos modèles peuvent être appliqués aux stades préopératoire, peropératoire et postopératoire pour guider le conseil aux patients et la prise de décision clinique concernant les stratégies visant à atténuer le risque de LCI. Notamment, nos modèles sont restés robustes dans les sous-populations démographiques et cliniques et ont surpassé les outils de prédiction et de régression logistique existants, et ont donc un potentiel d’utilité important dans les soins aux patients atteints de maladie veineuse chronique. La validation prospective de nos algorithmes de ML est justifiée

 Commentaire

La médecine prédictive fait une entrée dans le monde médicale en force.

Programer l'évolution d'une affection avant de débuter le traitement .

Cela existe déjà pour la chirurgie métabolique (ex bariatrique ) avec l'application SOPHIA (https://bariatric-weight-trajectory-prediction.univ-lille.fr/=).

Prédire la pette de poids à  1 an et dans les 5 ans qui suivent, c'est une réalité

Demain grâce à l'IA on pourra prédire les résultats d'un traitement, ce qui en consultation sera un plus énorme, mais on pourra aussi prédire l'échec.

Le médecin devra rester maître de la situation.