Interruption optimale des vasopresseurs dans le choc septique : Étude de validation par apprentissage par renforcement (OVISS-2).

Objectif(s) de la recherche et intérêt pour la santé publique

Finalité de l'étude

Objectifs poursuivis

Domaines médicaux investigués

Bénéfices attendus

La septicémie est fréquente et peut être mortelle ; elle est responsable de plus de 270 000 décès chaque année. La prise en charge en urgence des patients atteints de septicémie et présentant un dysfonctionnement organique potentiellement mortel comprend l'administration vasopresseurs. Les recommandations internationales préconisent l'utilisation de la noradrénaline comme vasopresseur de première intention. Elles suggèrent d'envisager la vasopressine comme agent de deuxième intention lorsque la pression artérielle reste peu sensible à la norépinéphrine.
Cependant, aucune littérature n’étudie le sevrage de ces vasopresseurs.

L'apprentissage par renforcement est une branche de l'apprentissage automatique dans laquelle un agent virtuel apprend par essais et erreurs un ensemble optimisé de règles de traitement afin de maximiser la probabilité d'un bon résultat. Il est particulièrement adapté aux problèmes complexes et dynamiques tels que le choc septique. L'étude OVISS-2 a appliqué l'apprentissage par renforcement à plusieurs ensembles de données issues de dossiers médicaux électroniques afin d’entrainer, valider et mesurer les implications thérapeutiques d'une règle de sevrage optimal des vasopresseurs pour améliorer à la fois les résultats à court terme et les résultats hospitaliers chez les patients adultes en un choc septique.
OBJECTIF PRINCIPAL
- Valider un modèle de RL (Reinforcement Learning= apprentissage par renforcement) pour déterminer la stratégie optimale de sevrage des vasopresseurs (timing, séquence, rythme) chez les patients adultes de réanimation en choc septique au CHUGA.
L'analyse débutera par une description de la population (caractéristiques démographiques, scores de gravité SOFA, doses de vasopresseurs). Le critère de jugement principal (mortalité intra-hospitalière) sera évalué via une Évaluation Hors-Politique (Off-Policy Evaluation) utilisant le Weighted Importance Sampling (WIS) et la Fitted-Q-Evaluation (FQE) pour comparer les décisions des cliniciens grenoblois aux recommandations du modèle RL.
L'association entre la concordance (IA vs clinicien) et la mortalité sera analysée par une régression logistique poolée, ajustée par pondération de probabilité inverse (IPTW). Les tests statistiques incluront le test de Wilcoxon ou le test du Chi-carré pour les comparaisons cliniques, avec un seuil de significativité fixé à p < 0,05. Les données manquantes seront traitées par la méthode Last Observation Carried Forward (LOCF). Les analyses seront réalisées au CHUGA par l'équipe de recherche en utilisant le logiciel Python (version 3.9+) et ses bibliothèques de machine learning spécialisées.