Analyse des patients hospitalisés pour COVID-19 lors du premier confinement de 2020 à l'aide de méthodes d'explicabilité

INTRODUCTION: La pandémie de COVID-19 a rapidement mis une forte pression sur les centres hospitaliers et en particulier sur les services de réanimation [1]. Il y eut lors du premier confinement un besoin urgent d'outils permettant d'identifier les patients hospitalisés les plus à risque de subir une aggravation de leur état, ainsi qu'une meilleure compréhension de la typologie des patients COVID-19. MÉTHODES: Les données contiennent des informations sur des patients hospitalisés au Centre Hospitalier Intercommunal de Créteil à cause de la COVID-19 lors de la première vague de l'épidémie (printemps 2020). Les variables explicatives disponibles sur les patients étaient l'âge, le sexe, plusieurs comorbidités et les résultats des examens radiologiques et biologiques. Un modèle d'ensemble d'arbres stimulé (« Boosted Tree Ensemble » [2, 3]) a été appliqué pour détecter si l'état du patient allait s'aggraver pendant l'hospitalisation. L'analyse des effets de chaque variable explicative ainsi que des effets d'interaction entre deux variables ont été effectuées en utilisant des méthodes d'explicabilité, domaine aussi appelée intelligence artificielle explicable [4]. Une stratification de la typologie des patients [5] a été réalisée en utilisant techniques de regroupement (clustering) et de sélection d'instances. RÉSULTATS: Il y avait 409 patients, dont 176 (43 %) avaient subi une aggravation pendant leur séjour hospitalier. La précision globale (« accuracy ») du modèle prédictif était de 75 % pour le modèle de risque tandis que le score ROC AUC était de 81 %. Les variables explicatives les plus importantes étaient l'âge, la gravité du scanner thoracique et les variables biologiques telles que la CRP, la saturation en oxygène et les éosinophiles. Plusieurs variables ont montré de forts effets non linéaires, en particulier pour la sévérité du scanner, comme indiqué dans la Figure 1. Des effets d'interaction ont également été détectés entre l'âge et le sexe ainsi qu'entre l'âge et les éosinophiles. Trois principaux sous-groupes de patients ont été identifiés. Le patient le plus représentatif de chaque groupe est indiqué dans la Figure 2. Le premier groupe présentait un risque très faible d'aggravation de l'état de santé (pas de facteur de risque), le deuxième groupe présentait un risque plus élevé d'aggravation, mais toujours inférieur à 50 % (leur seul facteur de risque était un âge avancé), tandis que le troisième groupe avait le pronostic le plus défavorable (plusieurs facteurs de risque comprenant un âge avancé, plusieurs comorbidités, une sévérité CT élevée et des valeurs biologiques anormales). DISCUSSION: Les méthodes d'explicabilité ainsi que les techniques de regroupement et de sélection d'instances ont permis de mieux comprendre les effets des variables explicatives. Cela a aussi permis de déterminer les principales typologies des patients hospitalisés, facilitant ainsi la définition et l'amélioration des protocoles médicaux pour fournir les soins les plus appropriés à chaque profil [6]. MOTS CLÉS: COVID19; Intelligence artificielle; Explicabilité; Clustering DÉCLARATION DE LIENS D'INTÉRÊTS: Les auteurs n'ont pas précisé leurs éventuels liens d'intérêts.