Prédire les infections urinaires liées aux cathéters

Les infections urinaires associées aux Cathéters (IAUC) sont un gros souci dans les hôpitaux. Elles représentent environ 12 % des infections liées aux soins de santé, avec environ 70 % d'entre elles étant des IAUC. Ces infections surviennent quand des bactéries remontent le canal urinaire. Quand un cathéter est utilisé, les bactéries peuvent former une fine couche appelée biofilm dessus, ce qui rend les antibiotiques moins efficaces. Les IAUC augmentent les coûts d'hospitalisation car elles peuvent prolonger le séjour et nécessiter des tests et traitements supplémentaires. La surutilisation d'antibiotiques pour ces infections peut aussi contribuer à la résistance aux antibiotiques. Des Complications graves, comme la septicémie et même la mort, peuvent survenir à cause des IAUC, surtout chez les groupes vulnérables comme les personnes âgées ou celles avec d'autres problèmes de santé.

Prévenir les IAUC est super important. On peut y parvenir en réduisant l'utilisation de cathéters, en utilisant les bonnes techniques pour les insérer et en s'en débarrassant quand ils ne sont plus nécessaires. Former le personnel médical à la gestion des cathéters est crucial.

La plupart des IAUC surviennent chez des patients en dehors des unités de soins intensifs (USI). Néanmoins, elles peuvent toujours prolonger le séjour et augmenter le risque de décès en USI. Donc, prévenir les IAUC dans toutes les zones de l'hôpital est essentiel. Des recherches continues sont nécessaires pour mieux comprendre les IAUC et trouver de nouvelles manières de les prévenir et de les traiter. Certaines études passées ont utilisé différentes méthodes, comme des approches en équipe, des revues quotidiennes de l'utilisation des cathéters et des rappels pour les soins des cathéters pour aider à prévenir les IAUC. Cependant, ces méthodes ne sont souvent pas personnalisées aux patients individuels. Identifier les patients à haut risque d'IAUC est crucial pour des efforts de prévention ciblés.

#Modèles de Prédiction pour les IAUC

Bien que certains modèles de prédiction pour les IAUC existent, ils se concentrent principalement sur des conditions spécifiques en USI. Deux modèles ont été développés pour des patients avec des conditions neurologiques et ont montré une bonne précision. Malheureusement, aucun modèle n'a été conçu pour tous les patients hospitalisés.

Cette recherche vise à créer et valider un modèle capable de prédire les IAUC pour toutes les personnes hospitalisées utilisant des cathéters urinaires. Le modèle vise à aider les Fournisseurs de soins de santé dans leur prise de décision pour prévenir ces infections.

#Conception de l'étude

Pour collecter des données pour cette étude, on a utilisé des dossiers d'une base de données de recherche clinique à Taïwan, qui contient des informations de trois hôpitaux sur 23 ans. La base de données inclut des informations provenant de plus de quatre millions de patients. L'approbation éthique a été obtenue pour l'étude.

Les participants à cette étude avaient entre 20 et 75 ans, et tous avaient reçu un cathéter urinaire. On a pris toutes les données depuis le moment où le cathéter a été placé jusqu'à 48 heures après son retrait. Si un patient avait un autre cathéter placé dans un délai d'un jour après le retrait du premier, on a combiné ces épisodes en un seul. Chaque jour pendant un épisode de cathéter était traité comme un cas séparé. On a identifié une IAUC s'il y avait un diagnostic d'une infection urinaire ou une demande de culture bactérienne durant la période de cathétérisme, sans diagnostic de pneumonie en même temps.

L'objectif de notre Modèle de prédiction était d'aider les fournisseurs de soins à prendre des décisions bien éclairées pour prévenir les IAUC. Pour cela, on devait trouver le meilleur seuil de risque pour la prédiction. On voulait minimiser les faux positifs, car cela pourrait mener à des traitements inutiles. On espérait que ce seuil offrirait un bon niveau de certitude et d'utilité pour les fournisseurs de soins.

#Modélisation Prédictive

Au début, on a identifié 20 prédicteurs potentiels qui pourraient influencer l'issue des IAUC. Ceux-ci incluaient des facteurs comme l'âge, la durée des séjours en USI, la durée de cathétérisme, les séjours à l'hôpital, le sexe, le diabète, et d'autres conditions médicales. Après avoir vérifié les données, on a réduit le nombre de prédicteurs en fonction de leur disponibilité et de leur pertinence.

On a divisé les données en un ensemble de développement provenant de deux hôpitaux pour créer le modèle et un ensemble de test provenant du troisième hôpital pour des fins de validation. On a ensuite séparé l'ensemble de développement en ensembles d'entraînement et de validation.

Avant de sélectionner les prédicteurs, on a éliminé ceux avec des données manquantes ou qui pouvaient mener à des conclusions incorrectes selon la manière dont les données étaient enregistrées. On a aussi remplacé certains prédicteurs par des indicateurs plus clairs si nécessaire.

Ensuite, on a évalué les prédicteurs restants en utilisant des méthodes statistiques. On a commencé par des analyses univariées pour voir comment chaque prédicteur était lié aux IAUC, suivies d'analyses multivariées qui prenaient en compte les relations entre les prédicteurs sélectionnés.

On a examiné différentes combinaisons de périodes d'issue (les délais pour évaluer les IAUC) et de plages, tout en gardant à l'esprit que plus d'échantillons de chaque groupe mèneraient à des prédictions plus robustes. Pour trouver le meilleur modèle de prédiction, on a utilisé différentes techniques d'apprentissage automatique, telles que la régression ridge, les arbres de décision, les forêts aléatoires et d'autres.

#Analyse Statistique

Pour évaluer les modèles, on a mesuré leur précision, leur utilité clinique et leur capacité à prédire les résultats. On voulait trouver le meilleur modèle qui pourrait fournir des prédictions fiables et des informations utiles pour les fournisseurs de soins.

Pour comprendre comment le modèle fonctionnait, on a utilisé des explications additives de Shapley (valeurs SHAP), qui aident à interpréter comment chaque prédicteur affecte la sortie du modèle. On a regardé à la fois la population générale et des cas individuels pour voir ce qui influençait les prédictions.

#Résultats

On a identifié un groupe de patients âgés de 20 à 75 ans qui étaient inclus dans nos analyses. De ce groupe, on a trouvé que les individus plus âgés ou ayant des séjours à l'hôpital plus longs étaient plus susceptibles de développer des IAUC. Les prédicteurs qu'on a finalement inclus dans notre modèle final étaient liés à l'âge, aux séjours en USI, au sexe, au diabète et à d'autres conditions de santé.

Notre modèle de forêt aléatoire s'est révélé être le meilleur prédicteur des IAUC en fonction de sa calibration, de son utilité clinique et de sa capacité de discrimination. Le modèle était capable de détecter les IAUC avec une haute sensibilité mais avait une spécificité plus faible. Cela signifie que le modèle était bon pour identifier ceux qui avaient probablement des IAUC mais pas aussi efficace pour confirmer quand quelqu'un n'avait pas l'infection.

Avec ce modèle, on pouvait aider les fournisseurs de soins à identifier les patients à risque d'IAUC, leur permettant de prendre des actions préventives.

#Implications Cliniques

Les IAUC posent un défi important dans le domaine de la santé, affectant de nombreux patients et contribuant à des coûts de santé accrus. Des stratégies efficaces pour prévenir et gérer les IAUC sont nécessaires.

Bien que certaines approches existent, comme l'utilisation de cathéters antimicrobiens, il n'y a pas assez de preuves pour soutenir leur efficacité pour tous les patients. Notre modèle de prédiction peut aider à identifier ceux qui pourraient bénéficier de telles interventions.

Le modèle peut être intégré dans les flux de travail cliniques, aidant les fournisseurs de soins à évaluer les risques individuels d'IAUC. Cela peut améliorer la prise de décision et promouvoir des pratiques plus sûres concernant l'utilisation des cathéters.

#Forces et Limites

Une grande force de notre étude est la taille d'échantillon importante. Le modèle de prédiction que nous avons développé fournit une bonne base pour prévenir les IAUC chez les patients hospitalisés. Cependant, il y a des limites. Les données peuvent inclure des biais qui pourraient affecter la performance du modèle. De plus, le modèle prédit les IAUC uniquement dans un délai court après l'utilisation du cathéter.

Nos participants à l'étude provenaient principalement d'une démographie spécifique à Taïwan, ce qui signifie que les résultats doivent être validés dans des contextes différents pour garantir une applicabilité plus large. De plus, le respect des meilleures pratiques en matière de gestion des cathéters est crucial pour réduire les IAUC, et les données concernant la conformité n'étaient pas disponibles pour notre analyse.

#Conclusion

En résumé, nous avons développé un modèle de prédiction pour les IAUC chez les individus hospitalisés recevant un cathéter urinaire. Ce modèle peut identifier les patients à risque de ces infections, soutenant les fournisseurs de soins dans leur prise de décision. Des études futures seront essentielles pour valider davantage le modèle et évaluer son efficacité à améliorer les résultats des patients grâce à des stratégies de prévention ciblées.