Un algorithme d'apprentissage automatique est efficace pour prédire le risque d'utilisation persistante d'opioïdes après une chirurgie de la main, rapporte une étude publiée dans le numéro d'août de Chirurgie plastique et reconstructrice®, la revue médicale officielle de l'American Society of Plastic Surgeons (ASPS). La revue est publiée dans le portfolio Lippincott de Wolters Kluwer.
« Nous avons constaté qu'un modèle d'apprentissage automatique permet d'identifier efficacement les patients ayant subi une chirurgie de la main qui sont plus susceptibles de devenir des consommateurs réguliers d'opioïdes », commente le chirurgien membre de l'ASPS Kevin C. Chung, MD, MS, de l'Université du Michigan à Ann Arbor. « Cela peut fournir une stratégie plus efficace pour identifier les patients à haut risque et mettre en œuvre des mesures visant à prévenir la dépendance aux opioïdes. De même, l'utilisation de l'intelligence artificielle peut faciliter une approche plus personnalisée dans la prescription du bon médicament contre la douleur en quantité optimale pour un patient spécifique subissant une opération particulière. »
Deux modèles d'apprentissage automatique testés pour prédire la consommation persistante d'opioïdes
L'étude a évalué deux modèles d'apprentissage automatique décrits précédemment : l'un utilisant les données rapportées par les patients de la Michigan Genomics Initiative (MGI) et l'autre basé sur les données des demandes d'indemnisation des assurances. Les modèles ont d'abord été évalués sur un large échantillon de patients en chirurgie générale, puis sur des patients subissant une chirurgie de la main, comme une chirurgie du canal carpien ou une fracture du poignet.
L'étude visait à déterminer si les modèles d'apprentissage automatique pouvaient prédire quels patients développeraient une consommation persistante d'opioïdes, en fonction des ordonnances délivrées jusqu'à six mois après l'opération. Le modèle MGI comprenait 889 patients, dont environ la moitié avaient déjà consommé des opioïdes. Le modèle de réclamations était limité à 439 patients « naïfs aux opioïdes », sans consommation récente d'opioïdes.
Dans le modèle MGI, qui incluait les anciens utilisateurs d’opioïdes, 21 % des patients ont développé une consommation persistante d’opioïdes. Dans le modèle de réclamations d’assurance, qui excluait les anciens utilisateurs d’opioïdes, 10 % des patients présentaient une consommation persistante d’opioïdes.
Lors de l'analyse de la « surface sous la courbe », le modèle MGI a très bien réussi à identifier les patients ayant une consommation persistante d'opioïdes : 84 % dans le modèle formé sur les données de chirurgie de la main et 85 % dans la population de chirurgie générale. En revanche, dans le modèle de réclamations, la capacité prédictive était de 69 % sur la base des données de chirurgie de la main et de seulement 52 % dans l'ensemble des données.
L’apprentissage automatique pourrait simplifier l’évaluation du risque postopératoire lié aux opioïdes
Dans le modèle MGI, la prescription d’opioïdes avant l’intervention chirurgicale était le meilleur prédicteur de l’utilisation d’opioïdes postopératoires. Les autres facteurs prédictifs comprenaient la douleur corporelle générale et la prescription d’hydrocodone, un opioïde relativement puissant qui est couramment prescrit pour la douleur postopératoire.
Comme dans d’autres types de chirurgie, l’utilisation persistante d’opioïdes constitue un risque pour les patients subissant une chirurgie de la main. Bien que certains facteurs de risque aient été identifiés, l’évaluation du risque postopératoire lié aux opioïdes est un processus difficile et chronophage étant donné la diversité de la population de patients et la complexité variable des procédures. La nouvelle étude suggère que l’apprentissage automatique peut fournir une approche plus intégrée et plus simple pour identifier les patients à haut risque.
Les modèles incluant des données rapportées par les patients sur des facteurs tels que la douleur et la santé mentale – comme celles collectées dans le MGI – semblent offrir la plus grande valeur prédictive. « Avec l’accès à des ensembles de données complets, l’apprentissage automatique a le potentiel de rationaliser l’identification et l’analyse des facteurs détaillés qui influencent les expériences de douleur postopératoire des patients », écrivent les chercheurs.
Les auteurs soulignent certaines limites de leur étude, qui ne reflètent peut-être pas les changements dans les habitudes de prescription en réponse à l'épidémie d'opioïdes. Le Dr Chung et ses coauteurs concluent : « En pratique, ces modèles pourraient être mis en œuvre comme outils d'aide à la décision pour aider les cliniciens à identifier efficacement les patients les plus vulnérables à la dépendance et ayant besoin d'une prise en charge de la douleur ou de conseils personnalisés. »
Chirurgie plastique et reconstructrice® est publié par Wolters Kluwer.
Cliquez ici pour lire « Prédire l'utilisation persistante d'opioïdes après une chirurgie de la main : une approche d'apprentissage automatique »
Article : « Prédire l'utilisation persistante d'opioïdes après une chirurgie de la main : une approche d'apprentissage automatique » (doi : 10.1097/PRS.0000000000011099)
