Prévision de la durée du séjour en USI des personnes souffrant d’une lésion traumatique aiguë de la moelle épinière
Data Source:
Organizer:
Contexte
Recevoir des soins dans une unité de soins intensifs (USI) est coûteux (environ trois fois plus cher qu’un lit d’hôpital normal) et comporte des risques (les taux de mortalité en USI sont d’environ 9 % au Canada). (1) Il existe de nombreux modèles de prédiction de la survie et de la durée du séjour en USI. L’un des outils les plus couramment utilisés est le score APACHE-IV (2), mais il en existe de nombreux autres. Les auteurs ne s’accordent pas tous sur l’utilité de ces algorithmes pour prédire l’évolution attendue d’un patient au sein d’une USI (3).
En 2017, une revue systématique menée par Verburg et al. a révélé que le coefficient de détermination des prédictions de durée de séjour en USI pour les 31 modèles examinés était faible (R^2 = 0,05-0,28). (3) Dans un éditorial associé à cette revue systématique, Kramer note :
Lorsque l’on examine les valeurs de référence de la durée d’hospitalisation dans les USI, il faut reconnaître que les variations sont influencées par une pléthore de facteurs. Ceux-ci incluent non seulement des facteurs mesurés relatifs au patient (diagnostic, gravité de la maladie, etc.) et des facteurs non mesurés (survie du patient, réponse au traitement et complications), mais aussi une série de facteurs institutionnels. (4)
Research Question:
Défis de l’étude
Le défi est donc le suivant. Votre équipe peut-elle créer un modèle qui prédit mieux la durée du séjour en USI pour chaque patient ? Comme point de comparaison, vous pouvez utiliser le score APACHE-IV. Votre équipe peut-elle faire mieux que le score APACHE ?
Remarques :
1. Pour réduire la variabilité des facteurs liés aux patients, le modèle de prédiction ne doit prédire que les durées de séjour en USI des personnes ayant subi une lésion de la moelle épinière au niveau du cou (codes de diagnostic CIM 806.0 et 806.00 à 806.09). (5) Pour réduire la variabilité institutionnelle, votre modèle ne doit prendre en compte que les données des ensembles de données MIMIC-III et IV. (6) Ces données sont des données réelles et anonymes de l’USI pour les patients admis à l’hôpital Beth Israel Deaconess de Boston (Massachusetts) entre 2001 et 2012. Cet ensemble de données contient les mêmes informations que celles dont disposent les médecins au chevet des patients (médicaments, résultats de laboratoire, signes vitaux, diagnostics, traitements, etc.)
2. Votre équipe est libre d’utiliser l’approche statistique de son choix. Elle est également libre de définir ce que signifie « meilleur ». Cela peut signifier que votre modèle a un coefficient de détermination impressionnant. Cela peut aussi signifier que votre modèle ne nécessite qu’une quantité limitée d’informations pour produire des prédictions significatives. Il se peut aussi que le terme « meilleur » ait une signification tout à fait autre pour votre équipe.
Variables:
Source de données et accès
Chaque participant doit accéder au Medical Information Mart for Intensive Care (MIMIC, https://mimic.mit.edu/) par le canal habituel. Veuillez lire les instructions et remplir les conditions requises pour accéder aux fichiers. Il se peut que le temps d’attente pour obtenir les identifiants de connexion soit plus long lorsque tous les participants accèdent en même temps.
• MIMIC-III (https://physionet.org/content/mimiciii/1.4/)
• MIMIC-IV (https://physionet.org/content/mimiciv/2.2/)
Ressources pour démarrer
Quelques références susceptibles de vous intéresser :
1. https://secure.cihi.ca/free_products/ICU_Report_FR.pdf
2. https://intensivecarenetwork.com/Calculators/Files/Apache4.html
3. Verburg IWM, Atashi A, Eslami S, et al : Which Models Can I Use to Predict Adult ICU Length of Stay? A Systematic Review. Crit Care Med 2017 ; 45:e222e231
4. Kramer, Andrew A. PhD. Are ICU Length of Stay Predictions Worthwhile? Critical Care Medicine 45(2):p 379-380, février 2017. | DOI : 10.1097/CCM.0000000000002111
5. http://icd9.chrisendres.com/index.php?action=child&recordid=8528
6. https://www.physionet.org/content/mimiciii/1.4/
Data Access:
Évaluation et points de notation
Votre rapport d’étude de cas et votre poster doivent inclure :
1. la ou les questions de recherche auxquelles vous avez tenté de répondre par votre analyse,
2. une discussion sur l’impact de vos hypothèses et paramètres et sur les limites de ces types de modèles,
3. au moins une visualisation,
4. un résumé des principaux points à retenir de votre analyse.
Le concours d’études de cas sera évalué comme suit :
1. Visualisations créatives des données (25 %)
2. Pertinence, créativité et compréhension des forces et des limites du modèle proposé (50 %)
3. Qualité et clarté de la présentation (25 %)
Prix
Nous avons le plaisir d’annoncer que l’équipe gagnante recevra un prix de 1 500 dollars. En plus de la récompense financière, les membres de l’équipe gagnante pourraient bénéficier d’opportunités de recherche/collaboration.
Coordonnées de l’organisateur
Cette étude de cas a été préparée par Christopher Grant et Chel Hee Lee avec l’aide et les conseils des autres membres du comité des études de cas de la Société statistique du Canada. Nous remercions tout particulièrement Alistair Johnson et l’équipe de PhysioNet pour la rapidité avec laquelle ils ont pu accéder aux bases de données MIMIC. Si vous avez des des questions, veuillez les adresser à chelhee.lee@ucalgary.ca.