Améliorer les soins intensifs pédiatriques dans des milieux avec peu de ressources
Une étude montre que de nouvelles méthodes peuvent améliorer les soins pour les enfants gravement malades.
― 7 min lire
Table des matières
Prendre soin des enfants gravement malades dans des endroits avec des ressources limitées, c’est pas évident. Beaucoup pensent que fournir ce genre de soins, c'est trop difficile ou trop cher dans ces milieux. Cependant, des études ont montré que des méthodes simples et peu coûteuses peuvent vraiment améliorer les résultats de santé. Ça a entraîné un besoin croissant de Soins intensifs pédiatriques dans divers endroits à ressources limitées.
Malgré la demande qui augmente, il y a encore plein de cas où le besoin de soins intensifs est bien plus élevé que ce qui est dispo. C’est super important de trouver des moyens de profiter au max des ressources limitées pour offrir des soins équitables et durables. Ce problème est particulièrement visible dans les zones rurales des pays à revenus faibles ou moyens, où le manque de Travailleurs de la santé et de ressources crée d’énormes lacunes dans l’accès aux soins intensifs pédiatriques.
Des outils d'évaluation des risques peuvent aider à répartir les ressources limitées plus efficacement. Mais souvent, les outils conçus pour les régions riches sont compliqués et nécessitent des tests qui ne sont pas facilement accessibles dans les zones plus pauvres. C’est crucial d’avoir des outils spécifiquement pensés pour le contexte des zones à ressources limitées, car plusieurs facteurs peuvent influencer les résultats pour les patients.
Contexte de l'étude
Pour relever ces défis, une étude a été menée à l'Hôpital Angkor pour Enfants à Siem Reap, au Cambodge, pour évaluer les Scores de gravité pédiatriques existants et développer un nouveau modèle de prédiction adapté pour les zones à faibles ressources. L'étude portait sur les enfants admis dans l'unité de soins intensifs pédiatriques (USIPC) entre janvier 2018 et janvier 2020.
Cet hôpital, qui fonctionne sans soutien gouvernemental, offre une large gamme de services et traite des patients de tout le Cambodge. L'USIPC a 14 lits et s'occupe d'environ 1 000 enfants chaque année. C’est la seule structure fournissant des soins intensifs pour enfants dans le nord du Cambodge, c'est donc une ressource essentielle.
L'étude a rassemblé des informations à partir des dossiers médicaux des enfants admis à l'USIPC et a vérifié contre les journaux d'admission de l'hôpital pour assurer l'exactitude. Les chercheurs ont utilisé des formulaires structurés pour collecter les données, et tout a été vérifié pour maintenir la qualité.
Évaluation des scores de gravité
En révisant les scores de gravité existants, 49 modèles ont été envisagés au départ, mais beaucoup ont été exclus parce qu'ils nécessitaient des tests non disponibles dans les milieux à faibles ressources ou contenaient des variables non pertinentes. Au final, neuf scores de gravité ont été retenus pour une analyse plus approfondie.
Le but principal était d’évaluer ces scores pour voir à quel point ils pouvaient prédire quels enfants étaient à risque de décès. Ces scores existants ont ensuite été comparés avec un nouveau modèle de prédiction spécialement conçu pour les contextes à ressources limitées.
Processus de collecte de données
La collecte de données a inclus toutes les admissions d'urgence des enfants âgés de 28 jours à 16 ans. L'équipe de recherche a obtenu l'approbation des comités d'éthique concernés, s'assurant que l'étude respectait les directives éthiques.
L'hôpital est équipé de toutes les installations nécessaires aux soins, mais l’électricité peut parfois être interrompue. Un générateur de secours maintient l'alimentation pendant ces périodes.
Résultats sur les admissions d'enfants
Entre janvier 2018 et janvier 2020, il y a eu plus de deux mille admissions à l'USIPC. La plupart de ces enfants souffraient d'infections, beaucoup ayant consulté plusieurs sources avant d'arriver à l'hôpital. L'âge moyen des enfants admis était d'environ 14 mois, et un bon nombre d'entre eux faisaient face à de graves problèmes de santé.
Les principaux facteurs influençant la survie comprenaient des problèmes de santé antérieurs, la présence de comorbidités et la gravité de la maladie à l'admission. Les enfants montrant des signes de détresse respiratoire ou cardiovasculaire étaient plus susceptibles de ne pas survivre.
Évaluation des scores existants
Les neuf scores de gravité existants inclus dans l'étude ont montré des performances similaires en matière de prédiction des résultats, à part un score qui n'a pas fourni d'infos utiles. Chaque score a montré que des scores plus élevés étaient liés à une probabilité plus élevée de décès. Cependant, seuls quelques scores étaient efficaces pour changer significativement la probabilité qu'un enfant meure en fonction de son score d'admission.
Développement d'un nouveau modèle de prédiction
Un nouveau modèle a été créé pour estimer la chance qu'un enfant admis à l'USIPC ne survive pas. Ce modèle a pris en compte divers facteurs tels que le parcours de l'enfant, son histoire et des indicateurs de santé clés à l'admission.
Lors des tests, le nouveau modèle a montré de bien meilleures performances pour prédire les résultats par rapport aux scores existants. Il a évalué avec précision le risque de décès d'un enfant, permettant une allocation stratégique des ressources.
Applications pratiques du modèle
Le nouveau modèle permet de regrouper les enfants en catégories à haut risque et à faible risque selon un pourcentage de chance de survie. Par exemple, il peut aider à s'assurer que les enfants les plus à risque soient prioritaires pour les soins dans les zones avec plus de ressources. Cette approche peut aider les hôpitaux à mieux gérer leurs ressources limitées.
En utilisant ce modèle, les travailleurs de la santé peuvent prendre des décisions éclairées basées sur des données claires plutôt que de se fier uniquement à l’expérience ou à l’intuition.
Importance des facteurs contextuels
L'étude a mis en évidence la complexité des soins intensifs pédiatriques dans les milieux à faibles ressources. Des facteurs comme les expériences de santé antérieures de l'enfant et le temps pris pour atteindre l'hôpital jouent un rôle clé dans la détermination de leurs résultats de santé. Le modèle prend en compte ces facteurs contextuels, offrant une évaluation complète de la maladie grave.
Limitations et futures directions
Bien que le nouveau modèle ait montré des perspectives prometteuses, il doit être testé davantage pour s'assurer qu'il fonctionne bien dans différents contextes. Les chercheurs reconnaissent que le modèle a besoin d'une validation externe pour être accepté et utilisé largement.
Il est aussi important de noter que les données collectées proviennent de dossiers médicaux routiniers, qui ne reflètent pas toujours la situation exacte de chaque patient. Cependant, l'approche structurée de la collecte de données a aidé à minimiser les informations manquantes.
Conclusion
Cette étude représente un pas essentiel vers l'amélioration des soins intensifs pédiatriques dans les milieux à ressources limitées. En validant les scores existants et en créant un nouveau modèle de prédiction spécialement conçu pour ces contextes, on peut mieux identifier les enfants à risque et améliorer les résultats.
La mise en œuvre de ce modèle pourrait faciliter une utilisation plus efficace des ressources sanitaires limitées et finalement sauver plus de vies. Cela renforce le besoin de recherches et de validations supplémentaires pour garantir que tous les enfants, quelles que soient leurs circonstances, aient accès aux meilleurs soins possibles dans des situations critiques.
Titre: Derivation of a prognostic model for critically ill children in locations with limited resources
Résumé: BackgroundCapacity and demand for paediatric critical care are growing in many resource-constrained contexts. However, tools to support resource stewardship and promote sustainability of critical care services are lacking. MethodsThis study assessed the ability of nine severity scores to risk stratify children admitted to a paediatric intensive care unit (PICU) in Siem Reap, northern Cambodia. It then developed a bespoke clinical prediction model to enable risk stratification in resource-constrained PICU contexts. The primary outcome was death during PICU admission. Results1,550 consecutive PICU admissions were included, of which 97 (6.3%) died. Most existing severity scores achieved comparable discrimination (area under the receiver operating characteristic curves [AUCs] 0.71-0.76) but only three scores demonstrated moderate diagnostic utility for triaging admissions into high- and low-risk groups (positive likelihood ratios 2.65-2.97 and negative likelihood ratios 0.40-0.46). The newly derived model outperformed all existing severity scores (AUC 0.84, 95% CI 0.80-0.88; p < 0.001). Using one particular threshold, the model classified 13.0% of admissions as high-risk, amongst which probability of mortality was almost ten-fold greater than admissions triaged as low-risk (PLR 5.75; 95% CI 4.57-7.23 and NLR 0.47; 95% CI 0.37-0.59). Decision curve analyses indicated that the model would be superior to all existing severity scores and could provide utility across the range of clinically plausible decision thresholds. ConclusionsExisting paediatric severity scores have limited potential as risk stratification tools in resource-constrained PICUs. If validated, the prediction model developed herein would provide a readily implementable mechanism to support triage of critically ill children on admission to PICU and could be tailored to suit a variety of contexts where resource prioritisation is important.
Auteurs: Arjun Chandna, S. Keang, M. Vorlark, B. Sambou, C. Chhingsrean, H. Sina, P. Vichet, K. Patel, E. Habsreng, A. Riedel, L. Mwandigha, C. Koshiaris, R. Perera-Salazar, P. Turner, N. Chanpheaktra, C. Turner
Dernière mise à jour: 2023-05-26 00:00:00
Langue: English
Source URL: https://www.medrxiv.org/content/10.1101/2023.05.19.23290233
Source PDF: https://www.medrxiv.org/content/10.1101/2023.05.19.23290233.full.pdf
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à medrxiv pour l'utilisation de son interopérabilité en libre accès.