Prédire les résultats des patients ayant subi un AVC à la sortie

Chaque année, environ 15 millions de personnes dans le monde subissent un AVC. Cette condition sérieuse entraîne environ cinq millions de décès et cinq millions d'autres personnes vivant avec des handicaps liés aux AVC. Les services de Réhabilitation sont super importants pour aider les patients à récupérer et à devenir indépendants.

Avant de quitter l'hôpital, les patients victimes d'AVC doivent passer une évaluation formelle pour vérifier leurs activités quotidiennes, leurs compétences en communication, et leur capacité à se déplacer. Les résultats de ces évaluations doivent être utilisés pour aider à planifier leur soin et leur sortie. Quand ils décident où le patient ira après son séjour, les médecins prennent en compte sa capacité de récupération comme un facteur clé. Ça veut dire que prédire l'état d'un patient au moment de la sortie basé sur sa première évaluation peut vraiment aider à créer des plans de réhabilitation personnalisés.

#Outils de Prédiction

Des revues récentes ont montré que divers outils ont été créés pour prédire différents résultats pour les patients victimes d'AVC, y compris leur indépendance, leur capacité à utiliser leurs bras, marcher, et avaler. Cependant, beaucoup d'études passées se sont concentrées sur la prédiction d'un seul résultat à la fois. En milieu clinique, il est essentiel de prédire l'état général d'un patient, qui devrait inclure plusieurs résultats à la sortie plutôt qu'un seul. Par exemple, un patient pourrait être capable de marcher indépendamment mais avoir besoin d'aide pour la communication ou les compétences cognitives. Malheureusement, les études précédentes n'ont pas proposé de modèle complet pour prédire ces caractéristiques globales des patients. Donc, il y a un besoin pour un nouveau modèle de prédiction qui puisse évaluer la situation globale des patients victimes d'AVC lorsqu'ils quittent l'hôpital.

#Utilisation de l'Analyse de Classe Latente

Pour aborder ces problèmes, nous avons utilisé une méthode appelée analyse de classe latente (ACL). Cette méthode aide à trier les patients en différents groupes basés sur des caractéristiques qui ne sont pas faciles à mesurer directement. L'ACL est utile quand les différences entre les patients sont influencées par divers facteurs sous-jacents. Avec cette analyse, nous pouvons identifier des classes de caractéristiques générales des patients, comme où ils iront après leur sortie, comment ils peuvent se déplacer, et combien de temps ils sont restés à l'hôpital. Nous pouvons ensuite créer un modèle pour prédire à quelle classe un patient appartient basé sur sa première évaluation.

#Contexte de l'Étude

Notre étude a examiné des données de la Japan Association of Rehabilitation Database. Nous avons obtenu des informations sur des patients admis à l'hôpital entre janvier 2005 et mars 2016. Comme toutes les données étaient anonymisées, nous n'avons pas eu besoin de demander le consentement individuel. La recherche a été approuvée par le comité d'éthique de l'Université de Kanagawa des Services Humains.

Nous avons collecté des informations sur les patients victimes d'AVC, y compris leur âge, type d'AVC, gravité de leur état, et le type et la durée de la réhabilitation qu'ils ont reçue durant leur séjour. Au total, 33 657 données de patients ont été rassemblées en 2016, impliquant 80 hôpitaux. Plus précisément, nous nous sommes concentrés sur les données de 10 270 patients victimes d'AVC admis dans des hôpitaux de soins aigus.

#Critères d'Inclusion et d'Exclusion

Pour être inclus dans cette étude, les patients devaient répondre à certains critères :

1. Ils devaient avoir subi un AVC aigu et été admis dans l'un des hôpitaux de la base de données entre 2005 et 2015.
2. Ils devaient avoir au moins 18 ans.
3. Ils devaient avoir reçu une forme de réhabilitation durant leur séjour à l'hôpital.

Les patients avec les conditions suivantes ont été exclus :

1. Ceux sans données d'âge à l'admission.
2. Ceux sans informations sur leur destination de sortie.
3. Ceux de moins de 18 ans.
4. Les patients qui n'ont pas reçu de réhabilitation durant leur séjour.
5. Les individus admis plus de sept jours après leur AVC.
6. Les patients ayant reçu plus de neuf unités (ou 180 minutes) de réhabilitation par jour.
7. Les individus restés à l'hôpital moins d'un jour ou plus de 179 jours.
8. Les patients manquant des données sur des évaluations spécifiques à l'admission ou à la sortie.
9. Les patients manquant des données sur tous les items FIM à l'admission et à la sortie.

#Variables de Résultat à la Sortie

Après avoir examiné des études passées, nous avons sélectionné des variables de résultat spécifiques à évaluer à la sortie en utilisant l'ACL. Celles-ci incluaient :

• Capacités fonctionnelles (activités quotidiennes)
• Fonctions cognitives (pensée et compréhension)
• Fonction de l'extrémité supérieure (capacité à utiliser les bras)
• Durée du séjour à l'hôpital
• Destination de sortie (où le patient va après avoir quitté l'hôpital)

La Mesure d'Indépendance Fonctionnelle (FIM) a été utilisée pour évaluer les capacités fonctionnelles à la sortie, qui inclut 18 items montrant combien d'aide une personne nécessite pour réaliser des activités quotidiennes.

Les fonctions cognitives ont également été évaluées en utilisant la sous-échelle cognitive de la FIM, se concentrant sur la compréhension, l'expression, et l'interaction sociale. Ces facteurs sont cruciaux, car des difficultés pour comprendre ou communiquer peuvent affecter significativement la récupération d'un patient.

La fonction de l'extrémité supérieure a été mesurée à l'aide des scores de l'Échelle d'AVC des National Institutes of Health (NIHSS), qui évalue la gravité de l'état d'un patient. La durée du séjour variait selon la gravité de l'AVC et les besoins du patient. Les destinations de sortie étaient définies comme le domicile, d'autres hôpitaux, des établissements de réhabilitation, le décès, ou d'autres résultats.

#Variables Prédictives

L'étude a également pris en compte certaines variables prédictives qui pourraient influencer les résultats des patients à la sortie. Celles-ci incluaient :

• Âge
• Capacités fonctionnelles
• Compétences en compréhension
• Fonction de l'extrémité supérieure
• Type d'AVC
• Montant de réhabilitation reçu durant l'hospitalisation

Des études précédentes ont suggéré que de meilleures capacités fonctionnelles initiales et un âge plus bas augmentaient les chances d'être réadmis chez soi. Nous avons considéré plusieurs facteurs de recherches passées pour rendre notre modèle de prédiction aussi précis que possible.

#Analyses Statistiques

Pour développer le modèle de prédiction en utilisant l'ACL, nous avons suivi une méthode en deux étapes. Dans la première étape, nous avons réalisé une ACL avec nos variables de résultat sélectionnées pour identifier les conditions des patients à la sortie. Le meilleur modèle a été choisi en fonction de critères spécifiques pour s'assurer qu'il était le plus efficace.

Dans la seconde étape, nous avons prédit l'appartenance à une classe de patient à la sortie en utilisant les prédicteurs sélectionnés dans la première étape. Nous avons également pris en compte les données manquantes durant l'analyse.

#Caractéristiques des Patients

Après avoir appliqué nos critères, nous avons inclus 6 881 patients dans l'étude. L'âge moyen des patients à l'admission était de 73,7 ans, et la durée moyenne de séjour était de 29,5 jours. Dans l'ensemble, il y avait des améliorations dans les scores fonctionnels de l'admission à la sortie.

#Classes Latentes des Caractéristiques des Patients à la Sortie

En utilisant l'ACL, nous avons classé les 6 881 patients en différentes classes basées sur leurs résultats à la sortie. Nous avons examiné des modèles avec 1 à 12 classes pour trouver le meilleur ajustement. L'étude a révélé que le modèle à neuf classes était le plus interprétable et cliniquement pertinent.

Chaque classe reflétait les différentes conditions des patients à la sortie, la Classe 1 représentant ceux avec les conditions les plus légères et la Classe 2 indiquant les conditions les plus graves.

#Prédicteurs d'Appartenance à une Classe

Tous les prédicteurs étaient significatifs dans la prédiction des résultats à la sortie. Les plus fortes chances d'appartenir à des classes spécifiques étaient liées aux scores de fonction de l'extrémité supérieure mesurés à l'admission. Le montant de réhabilitation quotidienne avait des effets variés selon l'état du patient.

#Application du Modèle

Notre modèle de prédiction a réussi à identifier les caractéristiques générales des patients victimes d'AVC à la sortie. Il peut guider les professionnels de la santé à offrir les interventions les plus adaptées à chaque individu.

Par exemple, si un patient a 85 ans avec un handicap sévère d'un côté de son corps et reçoit un certain montant de réhabilitation, le modèle peut prédire que ce patient aura probablement besoin d'aide pour les activités quotidiennes et la communication à la sortie.

#Conclusion

En conclusion, notre étude a développé un modèle pour prédire les conditions globales des patients à la sortie, en mettant l'accent sur l'intensité de réhabilitation appropriée chez les patients victimes d'AVC. Cependant, une validation supplémentaire de ce modèle de prédiction est essentielle avant qu'il puisse être utilisé dans des milieux cliniques. Des recherches futures pourraient améliorer la compréhension de l'influence de différents facteurs sur les résultats de réhabilitation basés sur les caractéristiques individuelles des patients.