Predicting outcomes following open revascularization for aortoiliac occlusive disease using machine learning. You don’t need a doctor, you need a (time) machine !

Contexte : l’artériopathie périphérique affecte plus de 200 millions d’individus à travers le monde et la prévalence de la maladie aorto-iliaque occlusive est de 14 % dans la population générale. Les traitements chirurgicaux bien connus sont le pontage à partir de l’aorte, la revascularisation extra-anatomique et l’endartériectomie aorto-iliaque. Ces interventions comportent un risque considérable de complications majeures. Actuellement, il n’y a pas d’outils de routine qui permettent d’évaluer précisément le risque chirurgical d’un patient avant ce type d’intervention. De ce point de vue, la technologie du machine learning (ML) est très prometteuse pour la mise au point d’algorithmes automatisés, support à la décision clinique. Ici, l’attention est portée sur une population spécifique, celle des patients ayant eu une revascularisation chirurgicale aorto-iliaque ouverte. En utilisant la base NSQIP (National Surgical Quality Improvement Program, 700 hôpitaux, 15 pays), l’objectif est de tester la capacité du ML à prédire à 30 jours le taux d’événements adverses du membre (Major Adverse Limb Event) et de décès. Méthodes : étude rétrospective multicentrique. La base NSQIP contient des données démographiques, cliniques et de suivi à 30 jours. L’étude a porté sur la période allant de 2011 à 2021. Trente-huit variables préopératoires étaient utilisées et intégrées aux modèles de ML. Six modèles étaient entraînés à prédire le devenir à 30J. Au critère primaire s’est ajouté l’analyse de critères secondaires (MACE, réinterventions, etc.). La machine teste une cohorte d’entraînement (70 % de la population) et valide les résultats sur une cohorte de test (30 %). Le procédé est répété 10 fois et toutes les variables sont testées. L’analyse se présente sous forme de courbes ROC. Une comparaison est faite avec l’analyse standard par régression logistique. Résultats : 9 649 patients ont été inclus dans l’étude. Le critère primaire (MALE ou décès à 30 jours) était constaté chez 1 021 patients soit 10,6 %. L’analyse met en évidence que les patients qui développaient le critère primaire étaient statistiquement plus âgés, avaient un statut physiologique dégradé, un traitement médicamenteux non optimal. Le facteur prédominant était la présence d’une ischémie critique (vs claudication). D’autres facteurs étaient identifiés et détaillés dans le manuscrit (antécédent d’intervention chirurgicale, etc.). Le modèle de ML le plus performant est le XGBoost avec une aire sous la courbe ROC de 0,95. À titre de comparaison, la régression logistique a obtenu un résultat de 0,79. Les autres résultats de XGBoost étaient très performants : sensibilité de 0,86 ; spécificité de 0,91 ; valeur prédictive négative de 0,86 ; valeur prédictive positive de 0,92. Les performances sont également excellentes sur les critères secondaires et les auteurs rapportent une liste de 10 facteurs prédictifs de MALE ou décès à 30J. Discussion : les résultats ne surprendront pas les lecteurs avertis (moins bons résultats si âgé, diabétique et en ischémie critique, etc.), mais l’intérêt de ce travail va bien au-delà et réside dans l'utilisation concrète du ML. Ces nouvelles technologies doivent être appréhendées et intégrées par les interventionnels que nous sommes dans la mesure où elles vont, à n’en pas douter, transformer en profondeur notre profession et notre pratique. La clé réside dans la puissance de calcul par rapport aux méthodes statistiques classiques qui permet la mise au point d’algorithmes. Dans ce travail, on aperçoit que l’on peut mieux cibler les patients ayant besoin d’un meilleur traitement médical en préopératoire, ceux à qui le traitement endovasculaire ou hybride sera plus adapté et ceux chez qui on devra prévoir une surveillance en soins intensifs. La limite de ces modèles qui requiert d’être prudent et rigoureux tient à la qualité des données qu’on y met. J Vasc Surg 2023 ; 78 : 1449-60.