Nouveau modèle évalue le risque de COVID-19 dans les services d'urgence

Le COVID-19 est causé par un virus connu sous le nom de SARS-CoV-2, qui a perturbé plein d'aspects de la société, notamment les systèmes de santé comme les hôpitaux. Au début de l’épidémie, on ne savait pas grand-chose sur le virus, comment il se propageait, ou comment le tester et le traiter. Ce manque d'infos, combiné à la méconnaissance du public, a permis au virus de se répandre rapidement, infectant beaucoup de gens.

Pour contrer ça, des mesures de santé publique comme la distanciation sociale et le port de masques ont été mises en place, ce qui a aidé à réduire le nombre de cas. Mais après une période de basse transmission pendant l'été, le virus est revenu à l'automne, entraînant une deuxième vague d'infections. Beaucoup d'experts s'attendent à une troisième vague à cause de nouvelles mutations du virus.

Les Services d'urgence dans les hôpitaux ont rencontré divers défis pour diagnostiquer le COVID-19 à différentes étapes de la pandémie. Au début, la capacité de test était limitée et le temps pour obtenir des résultats était long, ce qui retardait les soins aux patients. Plus tard, des tests rapides ont été disponibles, pouvant fournir des résultats en moins d'une heure, ce qui a raccourci le processus de diagnostic.

Avec l'essor des modèles prédictifs, il y a un désir d'identifier les patients aux urgences qui pourraient avoir besoin d'un test pour le COVID-19 ou qui n'ont peut-être pas la maladie. Si un modèle pouvait seulement utiliser des résultats de laboratoire standards, ça pourrait baisser les coûts de test et aider à prioriser les soins aux patients. Beaucoup de modèles ont été créés pour identifier les patients atteints de COVID-19 et évaluer la gravité de leur maladie. Cependant, seuls quelques-uns de ces modèles ont été utilisés régulièrement dans les hôpitaux.

Les premiers modèles avaient souvent de petites tailles d'échantillons ou incluaient des biais, ce qui limitait leur application pratique. Certains modèles nécessitaient des données qui ne pouvaient pas être collectées facilement automatiquement, rendant leur utilisation difficile en temps réel. Les modèles basés uniquement sur des patients ayant subi un test PCR n'aidaient pas non plus les médecins à décider qui devait être testé, car ils ne prenaient pas en compte comment les décisions sont prises concernant les tests.

De plus, les modèles impliquant d'autres outils de diagnostic, comme les scanners CT ou les rayons X, ne sont pas pratiques dans les situations quotidiennes où des décisions rapides sont nécessaires.

#Développement d'un Nouveau Modèle Prédictif

Cet article parle de la création et du test d'un nouveau modèle prédictif conçu pour estimer la probabilité qu'un patient qui se rend aux urgences teste positif au COVID-19, basé sur des tests de laboratoire de routine. Ce modèle peut être utilisé peu importe si le nombre de cas de COVID-19 est élevé ou bas. Il a été validé, ce qui signifie qu'il a été testé avec succès dans différents contextes, et peut aider à réduire les Tests PCR inutiles tout en identifiant précisément les patients à plus haut risque pour le COVID-19.

#Conception de l'Étude

Pour développer ce modèle, des résultats de tests de laboratoire de routine, ainsi que l'âge et le sexe des patients, ont été collectés auprès de tous les patients qui se sont rendus aux urgences d'un hôpital à Eindhoven, aux Pays-Bas, entre juillet 2019 et juillet 2020. Ces résultats ont été comparés aux résultats des tests PCR pour le COVID-19. Les chercheurs ont évalué la performance du modèle en le validant en interne avec le bootstrapping, en vérifiant dans le temps avec des données de l'hôpital, et en le validant en externe en utilisant les données de trois autres hôpitaux.

L'étude a été approuvée par un comité d'éthique, confirmant qu'elle ne violait pas les réglementations concernant les sujets de recherche humaine.

#Données et Tests de Laboratoire

Les urgences incluaient toutes les présentations des patients où des tests de laboratoire de routine étaient demandés. Ce panel de laboratoire se composait de 28 tests, bien que tous les tests n'aient pas été réalisés dans chaque cas. Les présentations où les résultats de laboratoire étaient manquants ou où les valeurs étaient extrêmes ont été exclues. Après le premier cas de COVID-19 aux Pays-Bas, les patients montrant des symptômes ont été testés pour le virus.

Les panels de laboratoire de routine incluaient divers tests sanguins, comme les niveaux d'hémoglobine, les tests de fonction hépatique et la protéine C-réactive, entre autres. Ces résultats de laboratoire ont été combinés avec des infos démographiques sur les patients pour aider à prédire l'état COVID-19.

#Création du Modèle

Pour assurer précision et éviter le surajustement (qui se produit lorsqu'un modèle est trop complexe et ne performe pas bien sur de nouvelles données), une régression lasso adaptative a été utilisée. Le modèle a été ajusté en utilisant diverses résultats de laboratoire et a calculé un score prédictif linéaire pour chaque patient. Ce score pouvait ensuite être converti en une simple catégorie de risque allant de faible à élevé pour le COVID-19.

#Système de Notation

Le système de notation, nommé CoLab-score, va de 0 à 5. Un score de 0 signifie un risque faible pour le COVID-19, tandis qu'un score de 5 indique un risque élevé. Ce score aide les médecins à évaluer rapidement qui devrait être testé pour le virus en fonction des données les plus récentes concernant la prévalence du virus à ce moment-là.

Le CoLab-score est conçu pour s'ajuster aux variations du nombre de cas de COVID-19 aux urgences. Par exemple, si le nombre de cas positifs de COVID-19 est bas, seules les catégories de score de risque le plus élevé seraient recommandées pour le test. Ce système vise à équilibrer le besoin de tests avec l'efficacité des ressources de santé.

#Validation du Modèle

#Validation Interne

Pour voir comment le modèle fonctionnait, une validation interne a été effectuée en utilisant une méthode appelée bootstrapping. Des échantillons ont été prélevés à partir des données originales pour comprendre la performance potentielle dans des situations réelles, en prenant en compte divers facteurs comme la sensibilité et la spécificité. Les résultats ont montré que le CoLab-score pouvait prédire avec précision les infections au COVID-19 et aider à décider qui devrait être testé.

#Validation Temporelle

Pendant la deuxième vague de COVID-19, des données ont été récoltées dans le même hôpital pour voir si le modèle fonctionnait toujours sous des conditions plus difficiles. Les résultats ont montré que bien que certaines mesures de performance étaient légèrement inférieures par rapport à la première vague, le modèle a quand même réussi à identifier les patients atteints de COVID-19.

#Validation Externe

Le modèle a aussi été validé dans trois autres hôpitaux aux Pays-Bas. Les résultats ont montré que le CoLab-score performait de manière cohérente dans différents contextes. Il y avait de petites variations en termes de sensibilité et de spécificité, mais l'efficacité globale du modèle était maintenue.

#Avantages du CoLab-Score

Le CoLab-score offre plusieurs avantages clés :

1. Rapidité de Diagnostic : Le modèle peut fournir des évaluations rapides, permettant des décisions médicales en temps opportun.
2. Efficacité des Ressources : Il aide à prioriser qui a vraiment besoin d'être testé, ce qui peut économiser des coûts et réduire la pression sur les installations de test.
3. Large Applicabilité : Le modèle peut être utilisé dans divers contextes hospitaliers, le rendant polyvalent pour différents systèmes de santé.

#Limitations de l'Étude

Bien que le CoLab-score montre du potentiel, il y a quelques limitations à noter. Environ 13% à 18% des présentations des patients n'ont pas pu être utilisées pour l'analyse à cause de résultats de laboratoire manquants. C'est un problème courant dans beaucoup d'études et cela ne signifie pas nécessairement un biais majeur dans les résultats.

Le modèle dépend des résultats de laboratoire qui peuvent changer en fonction de la population et des méthodes de test utilisées dans chaque hôpital. Bien que le CoLab-score soit un outil prometteur pour évaluer le risque de COVID-19, il est essentiel de le réévaluer et de l'ajuster constamment à mesure que de nouvelles variantes du virus émergent.

#Directions de Recherche Future

Alors que le COVID-19 continue d'évoluer, des recherches supplémentaires sont nécessaires pour garantir que le CoLab-score reste efficace contre les nouvelles variantes du virus. Le modèle pourrait également être adapté pour une utilisation dans d'autres contextes de maladies infectieuses au-delà du COVID-19.

#Conclusion

Le CoLab-score fournit un outil précieux pour les hôpitaux afin d'aider à déterminer rapidement et avec précision quels patients aux urgences devraient être testés pour le COVID-19. En utilisant des tests de laboratoire de routine, le modèle peut équilibrer efficacement le besoin de tests avec les réalités des ressources de santé, surtout en période de forte demande.

Au fur et à mesure que plus d'hôpitaux commencent à mettre en œuvre ce système de notation, cela pourrait améliorer les soins aux patients pendant la pandémie en cours. L'espoir est que des outils comme le CoLab-score continueront d'évoluer et de s'adapter, aidant les systèmes de santé à gérer non seulement le COVID-19, mais aussi d'autres défis de santé publique à l'avenir.