L'utilisation de l'apprentissage profond avec les radiographies thoraciques pour prédire la mortalité à 30 jours chez les patients atteints de pneumonie communautaire : développement et validation externe

Dans une récente étude publiée dans le Journal américain de radiologie, des chercheurs ont développé un modèle d'apprentissage profond (DL) pour estimer le risque de mortalité à 30 jours chez les patients atteints de pneumonie communautaire (CAP) en utilisant des radiographies thoraciques obtenues pour le diagnostic comme entrées. Ils ont également validé les performances du modèle chez des patients de différentes institutions et périodes. La pneumonie communautaire, une cause courante de pneumonie, est associée à une mortalité considérable et à une utilisation importante des ressources médicales. La radiographie thoracique est un outil essentiel pour diagnostiquer la pneumonie communautaire et stratifier les risques. Cependant, l'incorporation des résultats de la radiographie thoracique dans les outils de prédiction des risques a été limitée en raison de la variabilité entre les lecteurs et de la difficulté à extraire des biomarqueurs objectifs. Le score CURB-65 et l'indice de gravité de la pneumonie sont des outils disponibles actuellement pour prédire les résultats indésirables chez les patients atteints de pneumonie communautaire. Dans la présente étude rétrospective, les chercheurs ont développé et validé de manière externe un modèle de DL pour prédire le décès dans les 30 jours chez les patients atteints de pneumonie communautaire en utilisant des radiographies thoraciques initiales. Le modèle a été développé pour prédire les risques de mortalité toutes causes confondues à 30 jours pour les patients atteints de pneumonie communautaire en utilisant leurs radiographies thoraciques initiales. L'étude a consisté en la recherche dans les dossiers médicaux électroniques (DME) d'une seule institution de référence tertiaire pour les individus ayant reçu un diagnostic de pneumonie communautaire lors de toute consultation médicale entre mars 2013 et décembre 2019. L'équipe a évalué le modèle d'apprentissage profond chez des individus diagnostiqués avec une pneumonie communautaire dans les services d'urgence de l'institution où le groupe de développement a été diagnostiqué entre janvier et décembre 2020 (groupe de test temporel, 947 individus). Elle a également évalué le modèle dans deux autres institutions, à savoir le Centre médical de l'administration métropolitaine de Séoul-Université nationale de Séoul Boramae (groupe de test externe A, 467 individus) entre janvier et mars 2020, et l'Hôpital universitaire Chung-Ang (groupe de test externe B, 381 individus) entre mars 2019 et octobre 2021. La cohorte de développement comprenait des patients diagnostiqués avec une pneumonie communautaire lors de toute consultation, tandis que les cohortes de test ultérieures comprenaient uniquement des patients diagnostiqués avec une pneumonie communautaire lors de consultations aux urgences. L'équipe a comparé les valeurs de l'aire sous la courbe (AUC) entre le modèle d'apprentissage profond et l'outil CURB-65, et les résultats de l'approche combinée ont été évalués par modélisation de régression logistique. La mesure de résultat principale était la mortalité toutes causes confondues dans les 30 jours suivant le diagnostic de pneumonie communautaire. Un réseau de neurones convolutifs (CNN) a été développé pour prédire la mortalité à 30 jours après le diagnostic de pneumonie communautaire en se basant sur des scans de radiographie thoracique des patients de la cohorte de développement. Les résultats du modèle représentaient les probabilités de survie conditionnelles à différents intervalles de temps, et un radiologue thoracique expérimenté a réalisé une analyse post hoc des cartes d'activation de classe. Le modèle d'apprentissage profond a été conçu avec une répartition de participants de 3,0: 1,0: 1,0.