COVID-19 - Déterminer les patients à haut risque grâce à un modèle mathématique

Note de la rédaction: le graphique dans cet article a été remplacé le 5 juin 2020. La version précédente contenait une erreur.

Face au très grand nombre de cas de COVID-19, les systèmes de santé du monde entier sont sous pression. Pouvoir évaluer rapidement et précisément la sévérité de la maladie en début d’hospitalisation permettrait donc de changer la donne. Malheureusement, il n’existe actuellement pas de biomarqueur, c.à.d. un paramètre clé permettant de distinguer les patients qui nécessitent une prise en charge en urgence.

Afin de faciliter la prise de décision et la planification dans les hôpitaux, les chercheurs du Luxembourg Centre for Systems Biomedicine et leurs collaborateurs des universités de sciences et technologie de Huazhong et Wuhan et de l’institut de recherche HUST-Wuxi ont travaillé au développement d’un outil permettant de déterminer quels patients présentent le plus grand risque. Grâce à ce modèle facile d’utilisation, ces patients pourraient bénéficier rapidement des traitements appropriés, entraînant potentiellement une baisse du taux de mortalité.

Banque d’échantillons sanguins de patients de Wuhan sert de base

Cette étude se base sur une banque d’échantillons sanguins collectés chez 485 patients de l’Hôpital Tongji qui a admis les cas les plus sévères de COVID-19 à Wuhan. Ces patients ont été suivis jusqu’au 24 février : 298 se sont rétablis tandis que 187 sont décédés.

« Nous avons analysé a posteriori les multiples échantillons de sang collectés au cours de leur séjour à l’hôpital afin d’identifier et de valider des indicateurs robustes et pertinents du risque de mortalité, » explique le professeur Jorge Goncalves, responsable du groupe de recherche Systems Control au LCSB et co-auteur de l’article.

Trois paramètres clés choisies parmi 84 mesures cliniques

Les chercheurs ont utilisé une approche de modélisation mathématique basée sur des algorithmes d’apprentissage machine de pointe. Sur 84 variables cliniques, leur modèle a sélectionné trois paramètres clés. Tout d’abord, la concentration sanguine en déshydrogénase lactique (LDH) : une augmentation de cet enzyme est considérée comme un signe commun de dommages au niveau des tissus.

Le second paramètre est un niveau élevé de protéine C réactive haute sensibilité (hs-CRP) qui reflète un état d’inflammation permanent. Un faible nombre de lymphocytes, des cellules qui ont un rôle majeur dans le système immunitaire, constitue le troisième biomarqueur. Pour chacun de ces paramètres, les chercheurs ont défini un seuil spécifique au-dessus ou en-dessous duquel le patient est à risque.

Un pronostic correct avec 90% de précision

« L’étape suivante a été de mettre au point un outil simple et utilisable par les cliniciens, » détaille Dr Laurent Mombaerts, un chercheur du LCSB qui a participé à l’étude. « Nous avons créé un diagramme en trois étapes, appelé un arbre de décision, nous l’avons validé en utilisant les données collectées à Wuhan, et nous avons montré qu’il permet d’établir de façon précise le pronostic des patients, quel que soit le diagnostic initial lors de l’admission à l’hôpital. » En moyenne, le modèle est capable d’établir un pronostic correct environ 10 jours avant le décès ou le rétablissement, et ce avec 90% de précision.

Afin de créer un modèle facile à utiliser et à interpréter, les chercheurs ont dû trouver un juste milieu entre aspect pratique et précision. Ils souhaitent donc maintenant tester leur modèle sur des jeux de données plus grands afin de l’affiner. Les biomarqueurs identifiés par cette étude permettent cependant déjà d’évaluer la sévérité de la maladie, améliorant potentiellement l’issue du traitement. Ces trois paramètres clés - LDH, hs-CRP et lymphocytes - peuvent être aisément collectés et, dans des hôpitaux surpeuplés et manquant de matériel médical, aider à classifier les patients rapidement.

Reconnaître les patients particulièrement à risque avant que des dommages irréversibles se produisent

En Chine, un site web utilisant ce modèle est déjà disponible : les médecins entrent simplement les valeurs mesurées pour les trois paramètres et obtiennent le pronostic pour le patient concerné. « Cela va plus loin que l’identification de facteurs de risque. Cette étude fournit un test clinique simple et intuitif pour reconnaître les patients particulièrement à risque avant que des dommages irréversibles se produisent, » souligne Prof. Jorge Goncalves. Ces travaux, dont les résultats ont été récemment publiés dans la revue Nature Machine Intelligence, ouvrent aussi la voie à l’utilisation de méthodes d’apprentissage machine pour aider au triage durant les épidémies de grande ampleur comme celle-ci.

Auteur: Université du Luxembourg
Editeur : Uwe Hentschel
Illustration: Université du Luxembourg

Autor: Universität Luxemburg
Editor: Uwe Hentschel & Michèle Weber (FNR)