Actualités de l'Urgence - APM

Si les symptômes initiaux du Covid-19 sont peu spécifiques et difficiles à distinguer de ceux d’autres pathologies respiratoires, le test RT-PCR sur écouvillon nasopharyngé -largement adopté pour dépister cette maladie- connaît plusieurs limites: notamment un temps d’exécution long et des besoins en infrastructures et en personnels de laboratoire spécialisés.

Afin d’optimiser le flux des patients se présentant aux urgences et d'améliorer la sécurité sanitaire, des outils pour trier efficacement et rapidement les patients selon leur statut Covid-19 sont nécessaires, expliquent Andrew Soltan de l’University hospital NHS Foundation Trust à Oxford (Royaume-Uni) et ses collègues.

Dans l’étude CURIAL, ils ont employé les méthodes de l’intelligence artificielle pour développer un modèle de tri rapide et facilement déployable capable d’identifier les patients atteints ou non de Covid-19.

Dans un premier temps, ils ont entraîné leur outil d’IA à distinguer les patients atteints de Covid-19 (confirmés par tests PCR) des sujets contrôles "pré-pandémiques" s’étant présentés au service des urgences avant le 1er décembre 2019, en utilisant les données de routine collectées dans la première heure suivant l’arrivée à l’hôpital (tests sanguins, signes vitaux, tests PCR des virus respiratoires) et disponibles dans les registres de santé électroniques.

Au total, les données de 115.394 patients s’étant présentés au service des urgences de 4 hôpitaux universitaires d’Oxford, dont 72.310 hospitalisés subséquemment, ont été utilisées pour entraîner l’outil.

Parmi eux, 114.957 s’étaient rendus à l’hôpital entre le 1er décembre 2017 et le 1er décembre 2019 et constituaient la cohorte contrôle (négative au Covid-19). Un sous-groupe de 71.927 patients avait ensuite été hospitalisé.

La seconde cohorte était constituée de 437 patients venus à l’hôpital entre le 1er décembre 2019 et le 20 avril 2020, incluant un sous-groupe de 383 patients hospitalisés subséquemment. Ils présentaient tous un Covid-19 confirmé par test PCR et constituaient "la cohorte Covid-19-positive".

L’outil d’IA a atteint une sensibilité de 77,4% et une spécificité de 95,7% pour détecter le Covid-19 chez les patients s’étant présentés à l’hôpital (aire sous la courbe Auroc 0,939). Pour les patients hospitalisés, la sensibilité était identique (77,4%) et la spécificité de 94,8% (Auroc 0,940).

Quand la prévalence du Covid-19 était inférieure à 5%, les deux modèles ont atteint des valeurs prédictives négatives élevées (plus de 98,5%), suggérant une exclusion sûre de la maladie.

Les valeurs prédictives négatives étaient toutefois moins bonnes quand la prévalence augmentait, mais restaient tout de même de 92% au moins, dans les 2 modèles.

Un modèle efficace pour exclure rapidement un diagnostic de Covid-19

Dans un second temps, les auteurs ont validé prospectivement leur modèle sur une cohorte de 3.326 patients s’étant présentés à l’hôpital (dont 1.715 hospitalisés) entre le 20 avril et le 6 mai. La prévalence du Covid-19 était de 3,2% sur l’ensemble des patients, et de 5,3% chez ceux hospitalisés.

En comparaison des résultats des tests PCR, les modèles ont prédit correctement le statut Covid-19 de 92,3% des patients se présentant aux urgences et 92,5% des hospitalisés, en excluant correctement 97,7% et 97,6% des cas respectivement.

Des analyses de sensibilité permettant de tenir compte de l'incertitude des résultats négatifs des tests PCR ont permis d’améliorer la précision: 95,1% des patients étaient ainsi bien classés, et 94,1% des patients hospitalisés, avec des valeurs prédictives négatives de 99% et 98,5% respectivement.

Ces bonnes performances ont été maintenues pour les patients sévèrement atteints admis en soins intensifs ainsi que chez ceux qui sont décédés.

"Ce test d’IA offre aux équipes cliniques la possibilité d'exclure rapidement et en toute confiance un diagnostic de Covid-19 pour une grande majorité des patients qui ne sont pas infectés, tout en identifiant les patients présentant un risque plus élevé de test positif. Les patients à haut risque peuvent ensuite être pris en charge dans des zones spécifiques avec des précautions sanitaires supplémentaires en attendant les résultats des tests sur écouvillon", a expliqué Andrew Soltan dans un communiqué de la revue.

Des essais cliniques prospectifs devront encore évaluer si le modèle peut être généralisé et mesurer ses performances en vie réelle.

L'équipe travaille actuellement sur une version du test qui utilise des tests sanguins effectués en 10 minutes, réduisant ainsi le temps dont l'IA a besoin pour exclure l'infection au Sars-CoV-2 d'une heure à quelques minutes seulement.

(The Lancet Digital Health, publication en ligne du 11 décembre)

vcd/vib/ab/APMnews