Évaluation des résultats des patients en réanimation : une étude

L'unité de soins intensifs (USI) est un service spécial dans les hôpitaux qui s'occupe des patients très malades et qui ont besoin d'une surveillance rapprochée. Chaque patient peut générer pas mal de données chaque jour, ce qui peut aider les médecins et le personnel hospitalier à comprendre comment l'USI fonctionne et comment mieux gérer les ressources. Ces données peuvent aussi aider à planifier les soins aux patients et à décider quand les sortir de l'USI.

Un aspect important de ce processus est l'utilisation de systèmes de notation pour évaluer la gravité de l'état d'un patient lorsqu'il est admis. Ces systèmes de notation aident à prendre des décisions cliniques et prédisent aussi comment les patients vont s'en sortir à l'hôpital. Parmi les systèmes de notation courants, on trouve l'Acute Physiology and Chronic Health Evaluation II (APACHE II) et le Simplified Acute Physiology Score (SAPS II). De plus, d'autres scores comme le Multiple Organ Dysfunction Score (MODS) et le Sequential Organ Failure Assessment Score (SOFA) sont utilisés pour évaluer le fonctionnement des organes d'un patient et mesurer le risque d'insuffisance organique.

En Ontario, Canada, les hôpitaux collectent deux scores spécifiques, appelés MODS et Nine Equivalents Nursing Manpower Use Score (NEMS), à des fins de rapport. Cependant, ils n'ont pas toujours les informations nécessaires pour calculer d'autres scores comme APACHE et SAPS. Il y a eu peu d'études examinant comment ces scores sont liés aux résultats de santé des patients en USI en Ontario.

#Importance de la Prédiction de la Mortalité et de la Durée de séjour

Plusieurs études se sont penchées sur la prédiction de la mortalité des patients et de la durée de leur séjour en USI, souvent en se concentrant sur la relation entre les différents systèmes de notation. Une étude majeure a développé un modèle qui prenait en compte divers facteurs, y compris MODS et NEMS, pour prédire la probabilité que les patients meurent durant leur séjour en USI. Une autre étude a élargi ce travail en utilisant des données plus récentes et des techniques de modélisation avancées, y compris l'apprentissage automatique, pour améliorer les prédictions tant pour la mortalité que pour la durée de séjour.

Dans cette recherche, on vise à s'appuyer sur ces études en ajoutant des composants individuels de MODS et NEMS dans nos modèles prédictifs. Nos objectifs principaux sont d'évaluer comment ces scores sont liés aux résultats des patients, d'analyser l'impact des caractéristiques des patients sur la mortalité et la durée de séjour, et de développer une nouvelle catégorie de résultats qui combine la mortalité et la durée de séjour.

#Méthodes et Sources de Données

Notre recherche est rétrospective, ce qui signifie qu'elle examine des données collectées dans deux hôpitaux d'enseignement dans le sud-ouest de l'Ontario. Les données ont été rassemblées de janvier 2015 à mai 2021 et incluent divers ensembles de données couvrant différents aspects des soins aux patients en USI.

On a créé plusieurs nouvelles variables dans nos données pour mieux analyser les résultats des patients. Par exemple, on a défini la mortalité en fonction de si un patient est décédé ou a été sorti vivant après son séjour en USI. On a également examiné le temps total que les patients ont passé en USI et identifié les cas où les séjours étaient anormalement longs. De plus, on a catégorisé les patients en fonction de leurs caractéristiques générales, comme l'âge et la raison de leur admission.

Pour analyser les relations entre les systèmes de notation et les résultats des patients, on a combiné les ensembles de données séparés en un ensemble de données complet. Ce dernier contient des milliers de cas qui permettront une analyse statistique robuste.

#Analyse Statistique

Une fois nos données compilées, on les a divisées en deux parties : un ensemble d'entraînement utilisé pour construire nos modèles prédictifs et un ensemble de validation pour tester leurs performances. On a utilisé diverses techniques statistiques, y compris la régression logistique et des algorithmes d'apprentissage automatique, pour évaluer comment nos systèmes de notation étaient corrélés à la fois à la mortalité et à la durée de séjour en USI.

On s'est concentrés sur différentes métriques de performance pour évaluer nos modèles. Par exemple, on a examiné la sensibilité (qui mesure combien de cas positifs réels notre modèle peut identifier correctement) et l'exactitude (le pourcentage global de prédictions correctes). On a aussi comparé différentes approches pour voir laquelle offrait le meilleur pouvoir prédictif.

#Résultats

#Analyse Descriptive

Notre ensemble de données a révélé des aperçus significatifs sur la population de patients que nous avons étudiée. Un grand pourcentage des patients admis en USI a été sorti vivant, tandis qu'une plus petite portion, malheureusement, est décédée. La plupart des patients sont restés en USI moins de cinq jours, ce qui souligne que la majorité des cas n'est peut-être pas aussi graves qu'ils le semblent.

On a constaté que les valeurs médianes pour les scores MODS et NEMS étaient cohérentes, indiquant une représentation stable de la gravité des patients et de la charge de travail des soins infirmiers dans nos ensembles d'entraînement et de validation. De plus, on a remarqué des tendances dans la durée de séjour, avec beaucoup de patients ayant des séjours courts, mais une minorité significative restant plus longtemps que prévu.

#Prédiction de la Mortalité

En prédisant la mortalité des patients, on a découvert que la régression logistique offrait le meilleur équilibre de performance parmi les modèles que nous avons testés. Bien que les forêts aléatoires et les réseaux neuronaux aient aussi donné des résultats intéressants, la régression logistique avait la meilleure aire sous la courbe (AUC), suggérant qu'elle était la plus efficace pour prédire les résultats.

Notre analyse a indiqué que certains composants des scores MODS et NEMS étaient importants pour faire ces prédictions. Par exemple, certains scores de dysfonction organique se sont révélés être des prédicteurs significatifs de mortalité, confirmant l'importance de ces évaluations dans les milieux cliniques.

#Prédiction de la Durée de Séjour

Pour prédire combien de temps les patients resteraient en USI, on a utilisé des techniques de modélisation similaires. La performance était légèrement inférieure à celle des prédictions de mortalité, mais la régression logistique et les forêts aléatoires ont quand même bien fonctionné.

Notre analyse a révélé que divers composants des systèmes de notation MODS et NEMS étaient significatifs dans ce contexte aussi. On a noté qu'une augmentation de ces scores était associée à un séjour prévu plus long en USI, reflétant la nature détaillée de ces systèmes de notation dans l'évaluation des conditions des patients.

#Nouvelle Classe de Résultat - Prédiction LMClass

On a développé une nouvelle classification qui combinait à la fois le statut de mortalité et la durée de séjour, que l'on a appelée LMClass. Cela nous a permis d'examiner les patients de manière plus complète, fournissant des informations sur leurs résultats au-delà de simples classifications binaires.

On a constaté que notre modèle fonctionnait raisonnablement bien pour prédire ce nouvel outcome composite. Les résultats ont montré que des scores élevés en MODS et NEMS étaient corrélés à des risques accrus dans les trois catégories que nous avons définies. Ce résultat combiné pourrait finalement aider les cliniciens à prioriser les ressources et à mieux planifier les soins aux patients.

#Discussion

Nos résultats soulignent l'importance d'utiliser des systèmes de notation comme MODS et NEMS pour prédire les résultats des patients en USI. Les résultats de notre recherche suggèrent qu'intégrer ces systèmes de notation dans des modèles prédictifs peut améliorer considérablement les prédictions de mortalité et de durée de séjour.

De plus, l'introduction de LMClass comme résultat composite offre une nouvelle perspective sur les soins aux patients. En examinant la mortalité et la durée de séjour ensemble, les prestataires de soins de santé peuvent mieux comprendre les défis auxquels sont confrontés les patients en USI et mieux allouer leurs ressources.

Cependant, il y a des limites à notre recherche qui doivent être reconnues. Nos données proviennent d'hôpitaux d'enseignement spécifiques en Ontario, ce qui signifie que les résultats peuvent ne pas être applicables à tous les milieux d'USI. Les recherches futures pourraient élargir ce travail en intégrant des données provenant de lieux et de populations de patients plus divers, y compris ceux touchés par des maladies spécifiques comme la COVID-19.

#Conclusion

En conclusion, l'utilisation des systèmes de notation MODS et NEMS pour prédire les résultats des patients en USI s'est avérée précieuse. Notre étude révèle le potentiel de ces modèles pour des prédictions plus précises concernant la mortalité et la durée de séjour. En utilisant ces résultats dans la pratique clinique, les professionnels de la santé peuvent améliorer leur processus décisionnel et, finalement, améliorer les résultats des soins aux patients.

D'autres études sont nécessaires pour valider ces résultats dans des ensembles de données plus larges et explorer l'utilité de techniques de modélisation plus complexes qui pourraient offrir un pouvoir prédictif encore plus grand à l'avenir. À mesure que les méthodes de collecte et d'analyse de données continuent d'évoluer, le potentiel d'amélioration des résultats des patients en USI ne fera que croître.