Écart anion corrigé par albumine et mortalité chez les patients en soins intensifs septiques : une analyse utilisant Medical Information Mart pour les soins intensifs IV

Résumé

Cette étude rétrospective portant sur 8 286 patients atteints d’une septicémie en soins intensifs (USI) issue de la base de données Medical Information Mart for Intensive Care IV (MIMIC-IV) a révélé qu’un écart anion corrigé par albumine (ACAG) plus élevé était significativement associé à une augmentation de la mortalité hospitalière et en réanimation à 30 jours, montrant une relation non linéaire avec un point d’inflexion à 23 ans.

Résumé

Une évaluation pronostique précoce est cruciale pour les patients atteints de septicémie en soins intensifs (USI). Cette étude a examiné la relation entre l’écart anion corrigé par albumine (ACAG) et les résultats cliniques chez les patients en soins intensifs atteints de septicémie. Cette étude de cohorte rétrospective a analysé 8 286 patients atteints de septicémie à partir de la base de données MIMIC-IV (version 2.2). Les critères principaux étaient la mortalité hospitalière à 30 jours et la mortalité en soins intensifs à 30 jours. Les auteurs ont utilisé l’analyse de Kaplan-Meier, les tests log-rank, la régression de Cox multivariée et la régression à spline cubique restreinte (RCS) pour évaluer les associations entre ACAG et le résultat. Les analyses de sous-groupes ont évalué la cohérence entre différents facteurs. Des niveaux plus élevés d’ACAG étaient significativement associés à des risques de mortalité accrus. En tant que variable continue, l’ACAG a prédit de manière indépendante une mortalité hospitalière plus élevée dans des modèles entièrement ajustés (HR 1,01, IC 95 % 1,01–1,02, p < 0,001). L’analyse en quartile a révélé que les patients au quatrième trimestre (ACAG > 26,62) présentaient un risque de mortalité hospitalière supérieur de 41 % à celui du premier trimestre dans les modèles entièrement ajustés (HR 1,41, IC à 95 % 1,24–1,49, p < 0,001). Pour la mortalité en réanimation, le quatrième trimestre a montré un risque 54 % plus élevé que le premier trimestre (HR 1,54, IC 95 % 1,41–1,75, p < 0,001), bien que l’ACAG continue n’ait pas été significative dans le modèle entièrement ajusté (p = 0,099), suggérant un effet seuil. L’analyse RCS a identifié une association non linéaire avec un point d’inflexion en ACAG = 23. Les analyses de sous-groupes ont confirmé des effets constants, avec des interactions significatives pour l’indice de masse corporelle, l’insuffisance rénale aiguë, la thérapie de remplacement rénal continu et la ventilation mécanique. Des niveaux plus élevés d’ACAG sont significativement associés à une mortalité accrue à 30 jours chez les patients atteints de septicémie en réanimation, montrant un schéma non linéaire avec un point d’inflexion à 23. La surveillance de l’ACAG peut aider à évaluer les risques chez les patients atteints de septicémie critique, en particulier lorsque les valeurs dépassent ce seuil. Des recherches supplémentaires sont nécessaires pour élucider les mécanismes et valider leur utilité clinique.

Introduction

La septicémie est un syndrome hétérogène résultant d’une réponse corporelle inappropriée à l’infection. Ses taux d’incidence et de mortalité restent élevés dans diverses populations et groupes d’âge, ce qui impose un fardeau important au système de santé mondial¹. La septicémie et le choc septique sont des conditions critiques caractérisées par une perfusion tissulaire insuffisante et une hypoxie, entraînant des dysfonctions multiorganiques et présentant des risques potentiellement^{mortels 2,3}. Malgré les avancées dans le diagnostic et le traitement de la septicémie, elle reste une cause majeure de mortalité élevée des patients, juste après les affections cardiaques^{sévères 4}. En appliquant un minimum de données cliniques à l’arrivée du patient pour le diagnostic, les professionnels de santé peuvent évaluer rapidement et efficacement le pronostic, identifier les cas potentiellement critiques et administrer un traitement ciblé précoce. Cette approche peut réduire la mortalité chez les patients atteints de septicémie. Un objectif clé est d’identifier des biomarqueurs pour prédire la mortalité par septicémie.

En pratique clinique, plusieurs paramètres sont utilisés pour prédire la septicémie, notamment la protéine C-réactive (CRP), la procalcitonine (PCT), l’interleukine-6 (IL-6), le nombre de globules blancs (GBB) et le ratio neutrophiles/lymphocytes (NLR), entre^{autres 5}. Cependant, certains de ces indicateurs ou systèmes de notation présentent certaines limitations, telles qu’un manque de spécificité ou une faible^{sensibilité 6}. De plus, certains paramètres sont trop complexes pour être facilement appliqués en milieu clinique. Comparé à ces biomarqueurs traditionnels, le gap anion corrigé par l’albumine (ACAG) offre l’avantage potentiel d’intégrer à la fois le statut acido-basique (via le gap anionique) et le statut nutritionnel/inflammatoire (via l’albumine), tout en étant facilement calculable à partir de tests de laboratoire de routine. Par conséquent, il reste nécessaire de disposer de paramètres sensibles, spécifiques et facilement accessibles pour prédire la gravité et le pronostic de la septicémie. Cela est crucial pour que les cliniciens développent des plans de diagnostic et de traitement efficaces, allouent efficacement les ressources médicales et allégent le fardeau financier pesant sur les patients et leurs familles.

L’acidose métabolique est fréquemment observée chez les patients en état critique pour diverses^{causes 7}. Des études ont indiqué que le type d’acidose métabolique à l’admission en réanimation est corrélé à la mortalité des^{patients 8,9}. Cliniquement, le gap anionique sérique (AG) est généralement utilisé pour évaluer le type d’acidose métabolique et le degré de déséquilibre^{acido-basique 10,11}. Des recherches actuelles ont montré que la MG est un prédicteur prometteur pour diverses maladies, notamment l’insuffisance cardiaque¹², l’infarctus^{du myocarde 13}, l’insuffisance rénale^{aiguë 14} et l’infarctus^{cérébral 15}. Inversement, une étude¹⁶ a rapporté que la capacité prédictive de la MG pour la mortalité par sepsis est limitée. Cependant, d’autres chercheurs¹⁷ ont suggéré que cela pourrait être dû à l’influence de la charge de l’albumine, provoquant un comportement « pseudo-normal » de l’AG 18,19,20. Le gap anion corrigé par albumine (ACAG) pourrait mieux refléter l’équilibre acido-basique chez les patients atteints de maladies^{hépatiques 20} et^{rénales 21}, orientant ainsi le traitement clinique.

Des études^{récentes 14,15} ont exploré l’ACAG dans des sous-groupes spécifiques de sepsis, tels que ceux atteints d’insuffisance rénale^{aiguë 22} ou de cirrhose²³, et chez les personnes^{âgées 24}, mais une évaluation complète de l’ACAG dans une grande population non sélectionnée de sepsis en soins intensifs — en particulier l’identification d’une relation non linéaire et d’un seuil cliniquement exploitable — n’a pas été réalisée. Par conséquent, cette étude vise à étudier l’association indépendante entre l’ACAG et la mortalité à 30 jours (tant en hospitalisation qu’en réanimation) dans une large cohorte de patients en réanimation atteints de sepsis en utilisant la base de données MIMIC-IV, à explorer la relation non linéaire potentielle entre l’ACAG et la mortalité à l’aide de la régression à spline cubique restreinte (RCS), en testant spécifiquement la présence d’un point d’inflexion ; et évaluer la cohérence de cette association à travers des sous-groupes cliniquement pertinents définis par les données démographiques, les comorbidités et les thérapies de soutien organique. On suppose que des niveaux élevés de gap anion corrigés par albumine sont indépendamment associés à une mortalité accrue à 30 jours, avec une relation non linéaire au-dessus d’un seuil spécifique, au-delà duquel le risque de mortalité augmente fortement.

Protocole

Source de données et conception de l’étude

Une étude de cohorte rétrospective a été réalisée à partir de données issues de la version 2.2 de la base de données Medical Information Mart for Intensive Care IV. Cette base de données comprend deux systèmes internes : un dossier médical électronique (DME) complet à l’échelle de l’hôpital et un système d’information clinique spécifique aux soins intensifs, couvrant les données de 2008 à 2024¹⁸. Cette étude a été réalisée conformément aux directives institutionnelles. La base de données MIMIC-IV a reçu l’approbation du Massachusetts Institute of Technology et du Beth Israel Deaconess Medical Center. Cette étude a été examinée et approuvée par le Comité d’éthique de la recherche humaine de l’hôpital Ningbo n° 2 (numéro d’approbation : YJ-NBEY-KY-2022-107-01, daté du 7 septembre 2022). En raison de la conception rétrospective et de la nature anonymisée des informations de santé des patients, le même comité d’éthique a levé l’exigence de consentement éclairé sous la même approbation (YJ-NBEY-KY-2022-107-01). L’accès à la base de données a été obtenu par l’un des auteurs (JQ L), qui a reçu l’authentification nécessaire et a passé l’examen de l’Initiative collaborative de formation institutionnelle (numéro d’authentification 60691748).

Compte tenu de la nature rétrospective de cette étude, les calculs traditionnels de taille de l’échantillon ou les analyses de puissance n’ont pas été réalisés. Cependant, le volume des dossiers disponibles dans la base de données a été jugé suffisant pour atteindre les objectifs de l’étude. Cette évaluation repose sur l’étude de la relation entre l’écart anionique corrigé par albumine (ACAG) et les résultats de mortalité au sein d’une population de patients large et diversifiée. Les échantillons de commodité prélevés dans la base de données représentent efficacement la population de soins intensifs, soutenant ainsi les analyses statistiques utilisées dans cette étude.

Participants

L’étude a englobé tous les patients atteints de septicémie issus de la base de données MIMIC-IV v2.2. La septicémie a été définie selon les critères Sepsis-3.0, mise en œuvre à l’aide de requêtes en langage de requête structuré (SQL) pour identifier les patients suspectés d’infection et d’un changement de score d’évaluation séquentielle de l’insuffisance organique (SOFA) de ≥2 en^24h19. Tous les patients de cette cohorte ont été admis en réanimation comme premier point d’entrée à l’hôpital ; les patients admis dans les services généraux puis transférés en réanimation ont été exclus afin d’assurer une population homogène avec une admission précoce en réanimation. L’extraction des données a été réalisée en SQL via un outil^{de gestion de base de données 20}, avec tous les logiciels, bases de données et outils analytiques utilisés listés dans une table des matériaux triée par ordre alphabétique. Les critères d’inclusion précisaient les patients atteints de septicémie âgés de plus de 18 ans admis en réanimation pour la première fois. Les critères d’exclusion comprenaient : (1) des patients de moins de 18 ans ; (2) séjours en soins intensifs de moins de 48 heures ; (3) plusieurs admissions en réanimation dues à une septicémie ; et (4) données insuffisantes, telles que des enregistrements manquants pour l’albumine ou le gap anion (Figure 1).

Procédures de recherche et définitions

L’extraction des données de MIMIC-IV était réalisée à l’aide de requêtes SQL. Les données extraites couvraient la démographie des patients (âge, taille, poids, sexe, statut d’assurance, race et état civil), les antécédents médicaux (y compris hypertension, diabète de type 2, insuffisance cardiaque, infarctus du myocarde, tumeurs malignes, maladie rénale chronique, cirrhose, hépatite, pneumonie, pneumopathie obstructive chronique et hyperlipidémie), ainsi que les résultats initiaux des analyses de laboratoire. Ces résultats comprenaient les numérations de globules blancs et rouges, le sodium, le potassium, le calcium, le chlorure, le glucose, le gap anionique, le pH sanguin, le temps de thrombine, le fibrinogène, le temps partiel de la thromboplastine, le rapport international normalisé, le cholestérol total, l’aspartate aminotransférase et l’alane aminotransférase. De plus, des informations sur des traitements spécifiques (tels que la thérapie de remplacement rénal continu et la ventilation mécanique), les scores cliniques (SOFA, évaluation de physiologie aiguë et de santé chronique III [APACHE III], le score simplifié de physiologie aiguë II [SAPS II], le score de gravité aiguë de la maladie d’Oxford [Oasis], l’indice de comorbidité de Charlson [Charlson] et les scores de l’échelle du coma de Glasgow [GCS]), ainsi que les résultats cliniques (durée du séjour à l’hôpital, la mortalité à l’hôpital, le séjour en réanimation et la mortalité en réanimation) ont été collectés. Lors du nettoyage des données, les prédicteurs avec >30 % de données manquantes ont été exclus.

Le gap anion corrigé par albumine (ACAG) a été calculé à partir des premières mesures disponibles du gap anion sérique et de l’albumine sérique obtenues dans les 24 heures suivant l’admission en réanimation. Si plusieurs mesures étaient disponibles dans les premières 24 heures, les valeurs les plus proches de l’heure d’admission étaient utilisées. La formule de l’ACAG est la suivante :

Albumine - écart anion corrigé = Écart anion + [40 - Albumine sérique (g/dL)] × 0,25²¹ (1)

Résultats et mesures

Les principaux résultats de cette étude étaient la mortalité hospitalière à 30 jours et la mortalité en soins intensifs à 30 jours. La date d’indice pour l’analyse de survie était le moment de l’admission en réanimation. Les patients ont été suivis pendant 30 jours à partir de cette date d’indice, quel que soit leur statut de sortie hospitalière. Les événements de mortalité survenus après la sortie ont été capturés à l’aide des registres de l’indice de décès de la sécurité sociale (SSDI) intégrés dans la base de données MIMIC-IV, garantissant une vérification précise des décès hors hôpital.

Analyse statistique

Les variables continues étaient exprimées en moyenne (écart-type) ou médiane (plage interquartile), tandis que les variables catégorielles étaient présentées en fréquence et en pourcentage. Pour les données respectant une distribution normale, des tests t ou une analyse de variance (ANOVA) ont été utilisés. Les données ne suivant pas une distribution normale ont été analysées à l’aide du test Mann-Whitney U ou du test Kruskal-Wallis. L’analyse de survie de Kaplan-Meier a été utilisée pour évaluer l’incidence des événements de point final à différents niveaux de l’ACAG, avec des différences évaluées à l’aide du test log-rang (Figure 2).

Le modèle des alancères proportionnels de Cox a été utilisé pour calculer les rapports de risque (HR) et les intervalles de confiance (IC) à 95 % pour l’association entre ACAG et mortalité. L’ACAG a été analysée à la fois comme une variable continue et par quartiles. Les ajustements du modèle ont été effectués comme suit : le modèle 1 impliquait une analyse univariée ; Le modèle 2 ajusté selon l’âge, le sexe, la taille, le poids et la race ; et le modèle 3 ajusté en outre pour le statut d’assurance, l’état civil, les taux de globules blancs et de globules rouges, la RDW, l’albumine, le chlorure, l’ALT, L’AST, LE SCORE SOFA, LE SCORE APACHE III, LE SCORE SAPS II, LE SCORE Oasis, le score de Charlson, ainsi qu’une gamme de comorbidités incluant l’hypertension, le diabète de type 2, l’insuffisance cardiaque, l’infarctus du myocarde, les tumeurs malignes, la maladie rénale chronique, l’insuffisance rénale aiguë, la cirrhose, l’hépatite, pneumonie, AVC, hyperlipidémie, insuffisance rénale aiguë et pneumopathie obstructive chronique. La colinéarité entre covariables dans le modèle 3 a été évaluée à l’aide du facteur d’inflation de variance (VIF), le VIF > 5 indiquant une collinéarité significative. Aucune collinéarité significative n’a été détectée (tous les VIF < 3).

Un modèle de régression à spline cubique restreinte (RCS) avec quatre nœuds a été appliqué pour examiner la relation non linéaire entre l’ACAG de base et la mortalité tant en milieu hospitalier qu’en réanimation. L’analyse RCS a spécifiquement testé un point d’inflexion où la pente de la courbe de risque de mortalité change. Des analyses de sous-groupes ont été réalisées pour explorer les différences potentielles entre les strates selon l’âge (≤70 ans vs. >70 ans), le sexe, l’indice de masse corporelle (IMC ; <21,4, 21,4–31,2, ≥31,2 kg^/m2), la présence d’hypertension, le diabète de type 2, l’infarctus du myocarde, la maladie rénale chronique, l’AVC, l’insuffisance rénale aiguë, ainsi que l’utilisation de la thérapie de remplacement rénal continu (CRRT) et de la ventilation mécanique. Ces analyses ont évalué la cohérence de la valeur pronostique de l’ACAG pour les résultats principaux. Les modèles de Cox ont également été utilisés dans les analyses de sous-groupes pour ajuster toutes les variables de base. Les valeurs p d’interaction ont été calculées pour évaluer la modification des effets. Le traitement et l’analyse des données ont été effectués à l’aide de la version 4.3.0 de R (RRID : SCR_001905), avec une signification statistique fixée à p < 0,05 à deux volets. Pour traiter les valeurs manquantes, l’imputation multiple par équations enchaînées (MICE) a été appliquée à l’aide du package R « souris » sous l’hypothèse manquante au hasard. Les variables dont les valeurs manquantes dépassant 30 % étaient exclues avant l’imputation.

Résultats

Parmi les patients adultes de la base de données MIMIC-IV, 22 517 sujets remplissaient les critères d’éligibilité. Initialement, 152 facteurs pronostiques ont été extraits de la base de données. Après le nettoyage des données, 105 prédicteurs avec plus de 30 % de données manquantes ont été exclus. Au final, 47 facteurs pronostiques ont été inclus dans le modèle d’analyse.

Caractéristiques des patients inclus

Un tota...

Discussion

Cette étude démontre qu’un écart anion corrigé par l’albumine (ACAG) plus élevé est significativement associé à une mortalité accrue à 30 jours chez les patients atteints de septicémie sévère. Une découverte majeure et novatrice est la relation non linéaire entre l’ACAG et la mortalité, avec un point d’inflexion à une valeur de 23, au-delà duquel le risque augmente de manière disproportionnée. Les analyses de sous-groupes ont révélé une modification significative des effets par l’indice ...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Outil de gestion de bases de données	Navicat Premium (version 16)	https://www.navicat.com	Utilisé pour exécuter des requêtes SQL et extraire des données de la base de données MIMIC-IV.
Base de données MIMIC-IV (version 2.2)	Laboratoire de physiologie computationnelle du MIT	https://mimic.mit.edu	Source des dossiers médicaux électroniques désidentifiés pour les patients en état critique ; l’accès nécessite la réussite d’une formation CITI.
PostgreSQL	Groupe de développement mondial PostgreSQL	https://www.postgresql.org	Système de gestion de base de données relationnelle utilisé pour interroger la base de données MIMIC-IV.
R package : ggplot2	Fondation R pour l’informatique statistique	https://cran.r-project.org/package=ggplot2	Utilisé pour générer des chiffres de qualité de publication, incluant les courbes de Kaplan-Meier et les graphiques RCS.
Package R : souris	Fondation R pour l’informatique statistique	https://cran.r-project.org/package=mice	Utilisé pour l’imputation multiple de données manquantes sous l’hypothèse manquante au hasard.
Package R : rms	Fondation R pour l’informatique statistique	https://cran.r-project.org/package=rms	Utilisé pour la régression à spline cubique restreinte (RCS) afin de modéliser des relations non linéaires.
Forfait R : survie	Fondation R pour l’informatique statistique	https://cran.r-project.org/package=survival	Fournit des fonctions pour l’analyse de survie de Kaplan-Meier et la régression des risques proportionnels de Cox.
Logiciel R (version 4.3.0)	Fondation R pour l’informatique statistique	RRID : SCR_001905	Environnement de calcul statistique pour toutes les analyses de données, y compris la régression de Cox, le RCS et les analyses de sous-groupes.