Prédire la mortalité après une fracture de la hanche avec l’IA

Une nouvelle étude publiée dans le Journal of Orthopaedic Research indique qu’un modèle basé sur l’IA, formé avec des analyses sanguines de base et des données de laboratoire, ainsi que des données démographiques de base, peut prédire le risque de décès d’un patient dans 1, 5 et 10 ans. souffrant d’une fracture de la hanche.

Dans l’analyse de 3 751 dossiers de patients atteints d’une fracture de la hanche provenant de deux systèmes de bases de données hospitalières du centre médical Beth Israel Deaconess à Boston, le taux de mortalité sur un an pour tous les patients était de 21 % et pour ceux âgés de 80 ans ou plus de 29 %. Après avoir évalué 10 modèles différents de classification d’apprentissage automatique, les chercheurs ont découvert que le modèle LightGBM présentait les performances de prédiction de mortalité sur un an les plus précises.

L’âge, le taux de sucre dans le sang, certaines caractéristiques des globules rouges, les taux de globules blancs, les taux d’azote uréique, la numération plaquettaire, les taux de calcium et le temps de coagulation sanguine étaient les facteurs les plus puissants. prédictif. La plupart d’entre eux figuraient également parmi les 10 principales caractéristiques des modèles de prévision de la mortalité sur 5 et 10 ans de LightGBM.

"Nos modèles montrent que certains biomarqueurs peuvent être particulièrement utiles pour caractériser le risque de mauvais résultats après une fracture de la hanche", a déclaré l’auteur correspondant George Asrian de l’Université de Pennsylvanie.

La fracture de la hanche est une affection courante associée à un degré élevé de morbidité et de mortalité. Plus de 300 000 fractures de la hanche surviennent chaque année aux États-Unis, ce qui représente plus de 40 % des admissions dans les maisons de retraite liées à des fractures et 70 % (12 milliards de dollars) des coûts directs liés aux soins des fractures. Dans l’année suivant la blessure, 20 %. 30 % des patients meurent et 50 % perdent la capacité de marcher.

La probabilité de fracture, qui survient le plus souvent après une chute, augmente de façon exponentielle avec l’âge, ce qui en fait un problème particulièrement important à aborder dans une population vieillissante. Les facteurs de risque comprennent l’âge, l’ostéoporose, l’augmentation de la masse corporelle, la diminution de la perception visuelle, l’inactivité physique, la faiblesse musculaire, les maladies chroniques qui augmentent le risque de déséquilibre, comme l’arthrite et la maladie de Parkinson, et les troubles cognitifs.

Résumé

Le but de cette étude rétrospective était d’évaluer si la mortalité après fracture de la hanche peut être prédite par un modèle d’apprentissage automatique entraîné avec des analyses sanguines de base et des données de laboratoire, ainsi que des données démographiques de base. En outre, l’objectif était d’identifier les variables clés les plus associées à la mortalité à 1, 5 et 10 ans et d’étudier leur signification clinique.

Les données d’entrée comprenaient 3 751 dossiers de patients atteints d’une fracture de la hanche obtenus à partir de la base de données Medical Information Mart for Intensive Care IV , qui fournissait des enregistrements provenant des systèmes de bases de données hospitalières du centre médical Beth Israel Deaconess. Le taux de mortalité à un an pour tous les patients étudiés était de 21 % et pour ceux de plus de 80 ans, de 29 %.

Nous avons évalué 10 modèles de classification d’apprentissage automatique différents et avons constaté que LightGBM présentait les performances de prédiction de mortalité à 1 an les plus élevées, avec une précision de 81 %, une ASC de 0,79, une sensibilité de 0,34 et une spécificité de 0,98 sur l’ensemble de tests.

Les fonctionnalités les mieux notées du modèle d’un an comprenaient :

• Âge
• Glucose sanguin
• Distribution des globules rouges
• Concentration corpusculaire moyenne en hémoglobine
• globules blancs
• Azote uréique
• temps de prothrombine
• La numération plaquettaire
• Niveaux de calcium
• temps de céphaline

La plupart d’entre eux figuraient également dans les 10 principales caractéristiques des modèles de prédiction LightGBM formés sur 5 et 10 ans. Tester ces biomarqueurs de haut rang chez de nouveaux patients ayant subi une fracture de la hanche pourrait aider les cliniciens à évaluer la probabilité de mauvais résultats pour les patients ayant subi une fracture de la hanche, et des recherches plus approfondies pourraient utiliser ces biomarqueurs pour développer un score de risque de fracture de la hanche. mortalité.

Figure : Graphique à barres montrant les valeurs d’importance des caractéristiques pour les 10 principales caractéristiques à l’aide du modèle de prédiction de mortalité sur 1 an LightGBM formé sur les 156 caractéristiques. Sous le graphique, différences en pourcentage des valeurs moyennes de chaque variable pour la cohorte décédée dans l’année par rapport à la cohorte qui a survécu 1 an, calculée comme ([1]/[0] − 1 × 100 %) . MCHC, concentration moyenne en hémoglobine corpusculaire ; PT : temps de prothrombine ; PTT : temps de céphaline partielle ; RDW : largeur de distribution des globules rouges.

Discussion

Dans l’ensemble, nous avons montré qu’il est possible de développer un modèle d’apprentissage automatique très précis capable d’estimer la mortalité à un an chez les patients ayant subi une fracture de la hanche dans cet ensemble de données. Il est possible d’isoler la plupart des biomarqueurs et attributs démographiques et de recycler un modèle de prédiction uniquement sur les 10 principales caractéristiques pour produire un modèle d’une précision comparable (à 1 % près).

De nombreux modèles ont été testés pour identifier l’algorithme de classification le plus approprié pour prédire la mortalité par fracture de la hanche. Le modèle de prédiction LightGBM a obtenu de meilleurs résultats avec une précision équilibrée et des valeurs d’AUC plus fortes. LightGBM est un algorithme de boosting qui implique la formation de plusieurs modèles en séquence, chacun montrant une amélioration par rapport à son prédécesseur.

Comme l’ont indiqué de nombreuses sources de la littérature antérieure, l’âge est un prédicteur important de mortalité chez les individus en raison de l’altération des mécanismes de réparation, de la réponse immunitaire (critique pour se défendre contre les infections bactériennes) et de la mobilité.

La deuxième variable la plus importante, la glycémie , s’est également révélée importante. Bien qu’il n’y ait pas de différence moyenne entre les patients présentant une mortalité à un an et ceux ayant survécu à plus d’un an, la glycémie peut fournir une mesure supplémentaire de la charge de morbidité chez les personnes âgées. Les personnes ayant trop de glucose peuvent souffrir de séquelles du diabète, notamment une mauvaise cicatrisation et une mauvaise mobilité. Les personnes ayant trop peu de glucose peuvent subir des chutes supplémentaires en raison de leur état d’hypoglycémie et peuvent être considérées comme présentant un risque de chute (limitant davantage la mobilité). Les marqueurs de santé hématologique se sont également révélés utiles.

D’autres marqueurs notables inclus dans les 10 principales variables étaient l’azote uréique (un marqueur de la fonction rénale globale qui peut être utilisé pour déterminer si les individus sont en perte de volume, probablement en raison d’une septicémie), le PT/PTT et le nombre de cellules. les plaquettes, qui peuvent déterminer si les individus maintiennent leur capacité de coagulation, et le calcium sérique, qui a été identifié comme un prédicteur de mortalité chez les patients souffrant d’ostéoporose.