La présente étude a été réalisée conformément aux principes de la Déclaration d'Helsinki. L'approbation a été accordée par le Comité d'éthique de l'Hôpital populaire du comté de Binhai (n° d'approbation : 2024-BHKYLL-055).
Méthodologie
Patients
Nous avons inclus rétrospectivement 1 999 adultes diagnostiqués avec une cholangite aiguë dans deux centres entre janvier 2020 et août 2024 : l'Hôpital populaire du comté de Binhai et le Deuxième hôpital populaire de Huai'an. Parmi ces patients, 1 561 ont été pris en charge dans des services généraux, et 438 ont été admis en unité de soins intensifs (USI). Le protocole de l'étude a été approuvé par le Comité d'éthique de l'Hôpital populaire du comté de Binhai (n° d'approbation 2024-BHKYLL-055). Un consentement éclairé écrit a été obtenu de chaque participant ou de son représentant légalement autorisé.
Les patients étaient éligibles s'ils (1) avaient un diagnostic de cholangite aiguë confirmé par un médecin, (2) étaient âgés de 18 ans ou plus, et (3) disposaient de dossiers médicaux complets et de données de suivi pour l'issue pertinente.
Les patients ont été exclus s'ils présentaient (1) une malignité concomitante susceptible d'affecter considérablement la survie, (2) une incapacité à donner leur consentement éclairé, ou (3) une perte de vue au cours du suivi.
Collecte de données cliniques et suivi
Les caractéristiques cliniques et les données de laboratoire ont été extraites rétrospectivement des dossiers médicaux de l'hôpital populaire du comté de Binhai et du deuxième hôpital populaire de Huai'an. Les variables démographiques et relatives aux antécédents médicaux comprenaient le sexe, l'âge, les maladies cardiovasculaires, le diabète, les hépatites, la cirrhose, l'hyperlipidémie et les accidents vasculaires cérébraux. Les premières mesures de laboratoire disponibles après l'admission en service ordinaire ou en réanimation comprenaient le nombre de globules blancs (WBC), le nombre de plaquettes (PLT), l'hémoglobine (Hb), l'albumine, le sodium, le potassium, le chlore, le lactate (Lac), la bilirubine totale (TBil), l'alanine aminotransférase (ALT), l'aspartate aminotransférase (AST), la créatinine (CR) et l'azote uréique sanguin (BUN). Les interventions enregistrées comprenaient la mise en place d'un stent biliaire, la cholangiopancréatographie rétrograde endoscopique (CPRE) et le drainage percutané. Les indicateurs de gravité de la maladie comprenaient le score SOFA, l'APS III et la nécessité d'une ventilation mécanique. Les prélèvements sanguins ont été traités selon des procédures automatisées standardisées en laboratoire. Les patients sortis vivants ont été suivis lors de consultations externes ou par contact téléphonique lorsque le suivi était nécessaire. Le statut de sepsie a été évalué tout au long de l'hospitalisation selon les critères de Sepsie-3 ; le groupe sepsie comprenait donc les patients présentant une sepsie à l'admission ainsi que ceux qui ont développé une sepsie ultérieurement. Étant donné que l'heure exacte de début de la sepsie n'était pas disponible et que la durée d'hospitalisation a été conservée dans le modèle final de sepsie en service ordinaire, un repère prospectif uniforme au moment de l'admission ne pouvait pas être établi pour ce modèle. Il doit donc être interprété comme un modèle rétrospectif de stratification du risque durant l'hospitalisation.
Résultat
L'étude a évalué trois tâches de prédiction connexes mais distinctes. Le critère principal était le statut de sepsie durant l'hospitalisation chez des patients de service général souffrant de cholangite aiguë, défini selon les critères de Sepsis-3. Les critères secondaires étaient la mortalité intra-hospitalière pour toutes causes dans la cohorte de service général, définie comme un décès avant la sortie, et la mortalité à 28 jours pour toutes causes dans la cohorte de réanimation, définie comme un décès survenant dans les 28 jours suivant l'admission en soins intensifs.
Analyse statistique
La distribution de chaque variable continue a été évaluée à l'aide du test de Shapiro-Wilk. Les variables normalement distribuées ont été présentées comme moyenne ± écart-type et comparées à l'aide du test t de Student pour échantillons indépendants ; le test t de Welch a été utilisé lorsque l'hypothèse d'homogénéité des variances n'était pas satisfaite. Les variables non normalement distribuées ont été présentées sous forme de médiane et d'intervalle interquartile (IIQ) et comparées à l'aide du test de Wilcoxon à somme de rangs. Les variables catégorielles ont été présentées en effectifs et pourcentages et comparées à l'aide du test du chi-deux ou du test exact de Fisher, selon le cas. Tous les tests étaient bilatéraux, et une valeur de P < 0,05 a été considérée comme statistiquement significative.
Les patients ont été stratifiés selon la présence ou l'absence de sepsie. Dans le groupe des patients hospitalisés en service général, une régression logistique multivariée a été utilisée pour identifier les facteurs associés à la sepsie ; les résultats sont exprimés sous forme de rapports de cotes (OR) avec des intervalles de confiance à 95 % (IC 95 %). Des courbes de Kaplan-Meier et des tests du log-rank ont été utilisés pour comparer la survie intra-hospitalière dans le groupe des patients en service général et la survie à 28 jours dans le groupe des patients en unité de soins intensifs (USI) entre les patients présentant ou non une sepsie. Des modèles de Cox de risques proportionnels ont été ajustés séparément pour les deux groupes, et les résultats sont exprimés sous forme de rapports de risques (HR) avec des intervalles de confiance à 95 % (IC 95 %).
Quatre modèles de Cox progressivement ajustés ont été construits. Le modèle 1 n’était pas ajusté. Le modèle 2 était ajusté sur l’âge et le sexe. Le modèle 3 était en outre ajusté sur l’hypertension, le diabète, l’insuffisance cardiaque, l’AVC et les lésions rénales. Dans la cohorte des patients hospitalisés en service général, le modèle 4 a été davantage ajusté sur les GB, l’Hb, les PLT, l’albumine, la CR, l’urée, l’AST, l’ALT, le sodium, le potassium, le chlore et le lactate. Dans la cohorte de soins intensifs, le modèle 4 incluait en outre les scores APS III et SOFA, car ces indices de gravité n’étaient disponibles que pour les patients en réanimation.
Pour chaque tâche de prédiction, une graine aléatoire fixe de 500 a été utilisée pour diviser le jeu de données complet correspondant en cohortes d'entraînement et de validation interne selon un ratio de 7:3. Toutes les procédures de sélection de caractéristiques ont été effectuées exclusivement dans la cohorte d'entraînement ; la cohorte de validation interne n'a pas été utilisée pour la sélection des prédicteurs. Au sein de la cohorte d'entraînement, une régression LASSO avec validation croisée en 10 parties et l'algorithme Boruta ont été utilisés pour identifier les prédicteurs candidats. Pour le LASSO, les prédicteurs ayant des coefficients non nuls à lambda.min ont été conservés. Boruta a été exécuté indépendamment jusqu'à 5 000 itérations. Les prédicteurs candidats obtenus ont été utilisés de manière cohérente pour développer quatre modèles pour chaque tâche : régression logistique (LR), forêts aléatoires (RF), machines à vecteurs de support (SVM) et XGBoost. Les variables cliniques binaires ont été codées comme 0 ou 1. Aucune normalisation ou transformation manuelle n'a été appliquée avant l'ajustement des modèles LR, RF ou XGBoost. La mise à l'échelle pour le LASSO et le SVM a suivi les paramètres par défaut des implémentations logicielles respectives, et les paramètres de prétraitement dérivés de la cohorte d'entraînement ont été appliqués sans modification à la cohorte de validation interne. Aucun suréchantillonnage, sous-échantillonnage, technique de suréchantillonnage synthétique pour les classes minoritaires (SMOTE) ou pondération manuelle des classes n'a été utilisée. Le modèle le plus performant a été défini comme celui présentant la meilleure performance globale sur la validation interne parmi les quatre implémentations prédéfinies, plutôt qu'une version entièrement optimisée de chaque algorithme. Les modèles ajustés sur la cohorte d'entraînement ont ensuite été évalués sur la cohorte de validation interne. Le flux de travail complet est illustré dans la Figure supplémentaire 1, et les détails d'implémentation sont fournis dans le Tableau supplémentaire 1.
Les performances du modèle ont été évaluées à l'aide de la surface sous la courbe caractéristique de fonctionnement du récepteur (AUC), de la sensibilité, de la spécificité, du rappel, du score F1 et de l'exactitude. L'AUC résume la discrimination à tous les seuils de classification possibles, où 0,5 indique une absence de discrimination et 1,0 une discrimination parfaite. Au seuil sélectionné, les vrais positifs (TP) et les vrais négatifs (TN) correspondaient aux cas correctement classés comme positifs et négatifs, tandis que les faux positifs (FP) et les faux négatifs (FN) correspondaient aux cas mal classés. La sensibilité, équivalente au rappel en classification binaire, a été calculée selon TP/(TP + FN) ; la spécificité selon TN/(TN + FP) ; la précision selon TP/(TP + FP) ; le score F1 selon 2 × précision × rappel/(précision + rappel) ; et l'exactitude selon (TP + TN)/(TP + TN + FP + FN). Les classes positives étaient le sepsis (codé comme 1) pour le modèle de prédiction du sepsis en service général, le décès à l'hôpital (codé comme 1) pour le modèle de mortalité intrahospitalière en service général, et le décès dans les 28 jours (codé comme 1) pour le modèle de mortalité à 28 jours en réanimation. Les classes négatives correspondantes étaient l'absence de sepsis, la sortie vivant de l'hôpital et la survie à 28 jours (toutes codées comme 0), respectivement.
Quatre algorithmes d'apprentissage automatique supervisés ont été sélectionnés pour représenter des stratégies complémentaires applicables aux données cliniques structurées. La régression logistique (LR) a servi de modèle de référence interprétable pour les associations linéaires additives. La forêt aléatoire (RF) représentait un modèle ensembliste fondé sur le bagging, capable de modéliser des relations non linéaires et des interactions tout en réduisant la variance. La machine à vecteurs de support (SVM) représentait un classificateur basé sur la marge, apte à prendre en compte des frontières de décision non linéaires dans des jeux de données de taille modérée. XGBoost représentait un algorithme de boosting régularisé, capable de capturer des interactions d'ordre supérieur et des motifs non linéaires. Tous les algorithmes ont utilisé le même ensemble de prédicteurs candidats et ont été évalués sur les mêmes cohortes d'apprentissage et de validation interne pour chaque tâche de prédiction.
Une analyse SHAP a été réalisée pour le modèle offrant les meilleures performances pour chaque résultat afin de quantifier l'importance globale des caractéristiques et d'expliquer les prédictions individuelles. Le développement du nomogramme a suivi des procédures spécifiques à chaque résultat. Pour le résultat concernant le sepsis en service général, les prédicteurs candidats ont été intégrés dans un modèle de régression logistique multivariée, et les variables qui sont restées statistiquement significatives avec une valeur P < 0,05 ont été incluses dans le nomogramme final. Pour les deux résultats relatifs à la mortalité, l'inclusion des prédicteurs s'est basée sur les résultats globaux de l'importance des caractéristiques selon SHAP pour les modèles correspondants les plus performants, sans élimination supplémentaire fondée sur la valeur P.
Lors de l'assemblage rétrospectif de la base de données, les dossiers manquants de données cliniques, de laboratoire ou relatives au pronostic, nécessaires à l'analyse en question, ont été exclus avant leur intégration dans le jeu de données analytique final. Un journal détaillé de criblage préalable n'a pas été conservé ; par conséquent, le nombre de dossiers exclus en raison de données manquantes et les profils initiaux de manquants par variable ne pouvaient pas être reconstitués. La cohorte finale de patients hospitalisés en service général (n = 1 561) et la cohorte de patients de réanimation (n = 438) ne présentaient aucune valeur manquante pour les variables utilisées dans les analyses correspondantes (0 % de valeurs manquantes), et aucune imputation statistique n'a été effectuée. Les 1 561 patients du service général ont tous été inclus dans les analyses concernant le sepsis et le décès en milieu hospitalier, et les 438 patients de réanimation ont tous été inclus dans l'analyse de la mortalité à 28 jours. Le taux de complétude par variable dans les jeux de données finalisés est indiqué dans le Tableau supplémentaire 2.
Les analyses par apprentissage automatique ont été réalisées à l'aide d'une plateforme d'analyse par apprentissage automatique. Les analyses statistiques classiques ont été effectuées à l'aide d'un environnement open source de calcul statistique et d'un logiciel statistique. Tous les tests statistiques étaient bilatéraux, et une valeur de P < 0,05 était considérée comme statistiquement significative.