Étant donné la variabilité du pronostic, depuis des décennies,
ont été mis au point des scores de gravité mesurés dès le début de
la PA, qu’il s’agisse des critères de Ranson ou des scores APACHE
II, BISAP (Bedside Index for Severity in Acute Pancreatitis)
ou HAPS (Harmless Acute Pancreatitis Score) mais aussi des
scores radiologiques sur le scanner.
Mais tous ces outils, même le simple dosage de la C-Reactive
Protein réclament un délai ou au contraire sont trop précoces (la
nécrose n’apparaît pas tout de suite sur le scanner). Aussi
des auteurs texans proposent-ils de se tourner vers l’intelligence
artificielle (IA) pour tenter de prévoir quelles PA vont « mal
tourner ».
Ils ont extrait, à partir d’un registre national, des dossiers de PA chez des adultes, traitées entre 2007 et 2020. Ils ont utilisé les données cliniques, biologiques et radiologiques des premières 12h et aussi les antécédents des patients pour l’apprentissage d’une machine d’intelligence artificielle. Trois modèles ont été développés : régression logistique (RL), réseaux neuronaux (RN) et XGBoots.
Trois modèles testés
Un entraînement a été fait avec 90 % des dossiers puis un test en grandeur nature avec 10 % des dossiers. Seules les 30 meilleures caractéristiques ont été retenues pour développer le modèle final dont la pression artérielle, la température, la calcémie, la lipasémie, la leucocytose, mais aussi les antécédents de bronchopneumopathie obstructive, l’obésité. Les mêmes opérations ont été répétées avec les trois modèles.
Sur les 618 494 dossiers utilisés, 371 885 se sont révélés
pertinents ; le groupe « entraînement » était composé de 334 696
cas, dont 6 784 (2 %) étaient classés comme menacés de formes
graves. Dans le groupe test, ce sont 751 sujets sur 37 189 (2 %)
qui ont été classés positifs. XGBoots s’est montré supérieure à RL
et RN pour identifier les patients avec des formes graves.
Dr Jean-Fred Warlin
