L’oxygénation personnalisée pourrait améliorer les résultats pour les patients sous ventilateurs

L'oxygène supplémentaire fait partie des thérapies les plus largement prescrites au monde, avec environ 13 à 20 millions de patients dans le monde nécessitant chaque année un apport d'oxygène par ventilation mécanique. La ventilation mécanique, une forme de survie, est une technologie qui fait entrer et sortir l'air respirable des poumons, agissant comme un soufflet. Les ventilateurs sont allés bien au-delà des machines à « poumons de fer » que certains pourraient imaginer ; Aujourd'hui, les appareils ont évolué vers des machines numériques sophistiquées et compactes qui délivrent de l'oxygène à travers un petit tube en plastique qui descend dans la gorge.

Malgré les progrès technologiques, la quantité correcte d’oxygène à administrer à chaque patient reste un jeu de devinettes. Les cliniciens prescrivent les niveaux d'oxygène à l'aide d'appareils qui enregistrent la SpO₂ saturation, qui mesure la quantité d'oxygène dans le sang d'un patient. Cependant, des recherches antérieures n'ont pas permis d'établir si une SpO plus élevée ou plus faible₂ la cible est meilleure pour les patients.

“La norme de soins consiste à maintenir la saturation en oxygène entre 88 et 100 ; dans cette plage, les médecins ont dû choisir un niveau d'oxygène pour la ventilation sans disposer de données de haute qualité pour éclairer leur prise de décision”, a déclaré Kevin Buell, MBBS, un chercheur en soins pulmonaires et intensifs à l'Université de médecine de Chicago. “Que cela nous plaise ou non, prendre cette décision pour chaque patient l'expose aux avantages ou aux inconvénients potentiels du niveau d'oxygène choisi.”

Pour éliminer les incertitudes liées à la ventilation, Buell et un groupe d'autres chercheurs ont utilisé un modèle d'apprentissage automatique pour étudier si les effets des différents niveaux d'oxygène dépendent des caractéristiques de chaque patient. Les résultats, publiés dans JAMAsuggèrent que des objectifs d'oxygénation personnalisés pourraient réduire la mortalité, ce qui pourrait avoir des impacts considérables sur les soins intensifs.

Auparavant, certains groupes de recherche avaient mené des essais randomisés pour déterminer si des niveaux d'oxygène plus élevés ou plus faibles étaient meilleurs pour les patients en général, mais la plupart n'ont produit aucune réponse claire. Buell et ses collaborateurs ont émis l'hypothèse qu'au lieu d'indiquer que les niveaux d'oxygène n'affectent pas les résultats pour les patients, les résultats neutres pourraient indiquer que les résultats du traitement pour différents niveaux d'oxygène variaient selon le patient et faisaient simplement la moyenne d'un effet nul dans les essais randomisés.

À mesure que la médecine personnalisée gagne du terrain, l’utilisation de l’apprentissage automatique pour faire des prédictions pour des patients individuels suscite un intérêt croissant. Dans le contexte de la ventilation mécanique, ces modèles pourraient potentiellement utiliser les caractéristiques spécifiques des patients pour prédire un niveau d’oxygène idéal pour chaque patient. Ces caractéristiques comprenaient l'âge, le sexe, la fréquence cardiaque, la température corporelle et la raison de l'admission dans une unité de soins intensifs (USI).

“Nous avons décidé de créer une prédiction personnalisée et fondée sur des preuves de qui bénéficierait d'un objectif d'oxygène plus faible ou plus élevé lorsqu'ils sont sous respirateur”, a déclaré Buell, co-premier auteur de l'étude.

Ces essais randomisés précédents n'ont pas été vains : Buell et ses collaborateurs ont utilisé les données de ces études pour concevoir et entraîner leur modèle d'apprentissage automatique. Après que le modèle ait été développé à l'aide de données d'essais collectées aux États-Unis, les collaborateurs l'ont appliqué aux données de patients du monde entier, en Australie et en Nouvelle-Zélande. Pour les patients ayant reçu une oxygénation comprise dans la plage cible que le modèle d’apprentissage automatique prévoyait comme étant bénéfique pour eux, la mortalité aurait pu diminuer de 6,4 % dans l’ensemble.

Il est impossible de généraliser les prédictions basées sur une seule caractéristique (par exemple, tous les patients souffrant de lésions cérébrales ne bénéficieront pas d'une saturation en oxygène plus faible, même si les données penchent dans cette direction). C'est pourquoi les cliniciens ont besoin d'un outil comme le modèle d'apprentissage automatique des chercheurs pour reconstituer la mosaïque des besoins de chaque patient. Cependant, Buell a souligné que même si l'algorithme lui-même est compliqué, les variables que les équipes de soins de santé saisiraient sont toutes des variables cliniques familières, ce qui permettra à quiconque de mettre en œuvre facilement ce type d'outil à l'avenir.

Chez UChicago Medicine, les équipes de soins de santé peuvent déjà utiliser des algorithmes directement intégrés au système de dossier de santé électronique (DSE) pour éclairer d'autres domaines de la prise de décision clinique. Buell espère que la ventilation mécanique pourra un jour fonctionner de la même manière. Pour les hôpitaux qui ne disposent peut-être pas des ressources nécessaires pour intégrer l’apprentissage automatique dans un DSE, il envisage même de créer une application Web qui permettrait aux cliniciens de saisir les caractéristiques des patients et d’obtenir ainsi une prédiction, à la manière d’une calculatrice en ligne. De nombreux tests, validations et améliorations doivent être effectués avant que la mise en œuvre clinique puisse devenir une réalité, mais l’objectif final fait que la recherche future en vaut la peine.

Dans un éditorial accompagnant la publication de l'article, l'expert en soins intensifs Derek Angus, MD, a écrit : « Si les résultats sont vrais et généralisables, alors les conséquences sont stupéfiantes. Si l'on pouvait classer instantanément chaque patient dans le groupe approprié de bénéfice ou de préjudice prévu et assigner leur objectif d'oxygène en conséquence, l'intervention produirait théoriquement la plus grande amélioration du nombre de vies sauvées d'une maladie grave dans l'histoire du domaine.