BJN#215 – Modèle, ô mon beau modèle, prédit moi la survie de mon greffon.

Cette BJN est rédigée en rapport avec la référence bibliographique suivante :

Raynaud M, Aubert O, Divard G, Reese PP, Kamar N, Yoo D, Chin CS, Bailly É, Buchler M, Ladrière M, Le Quintrec M, Delahousse M, Juric I, Basic-Jukic N, Crespo M, Silva HT Jr, Linhares K, Ribeiro de Castro MC, Soler Pujol G, Empana JP, Ulloa C, Akalin E, Böhmig G, Huang E, Stegall MD, Bentall AJ, Montgomery RA, Jordan SC, Oberbauer R, Segev DL, Friedewald JJ, Jouven X, Legendre C, Lefaucheur C, Loupy A. Dynamic prediction of renal survival among deeply phenotyped kidney transplant recipients using artificial intelligence: an observational, international, multicohort study. Lancet Digit Health. 2021 Oct 27:S2589-7500(21)00209-0.

Lien vers l’article : Dynamic prediction of renal survival among deeply phenotyped kidney transplant recipients using artificial intelligence: an observational, international, multicohort study

Merci à Valentin Goutaudier, néphrologue en thèse de sciences à Paris, contributeur exceptionnel, pour cette synthèse bibliographique. Vous aussi, n’hésitez pas à nous envoyer vos lectures !

Introduction

La perte du greffon est une cause commune de l’insuffisance rénale terminale. Le but de cette étude était de développer une approche dynamique pour améliorer la stratification du risque des receveurs de rein, en générant de manière continuelle des prédictions de la survie du greffon, à l’aide d’actualisation des données cliniques au cours du suivi du patient.

Patients/matériels et méthodes

Dans cette étude observationnelle, les données de receveurs de rein adultes de 18 centres de transplantation en Europe, aux États-Unis et en Amérique du Sud ont été collectée, ainsi que les données de six essais cliniques randomisés (ECR). La cohorte de développement comprenait quatre centres français. Les données cliniques, histologiques, immunologiques, et les mesures répétées de débit de filtration glomérulaire (DFG) et de protéinurie ont été collectées. Afin de développer un modèle de prédiction dynamique, des modèles joints ont été utilisés. Les performances de prédiction ont été évaluées à l’aide de la discrimination et de la calibration.

Résultats

13 608 patients ont été inclus (3774 dans la cohorte de développement et 9834 dans les cohortes de validation externes), et 416 510 mesures de DFG et de protéinurie ont été collectées. Les modèles joints ont montré que le profil immunologique, la fibrose et l’inflammation du greffon, ainsi que les mesures répétées de DFG et de protéinurie étaient des facteurs de risque indépendants de la perte du greffon. Le modèle final avait une calibration précise et une très haute discrimination dans la cohorte de développement (AUC dynamique = 0.857 [0.847-0.866]), avec une amélioration de l’AUC pour chaque nouvelle mesure répétées (de 0.780 [0.768-0.794] à 0.926 [0.917-0.932], p<0.0001). Les performances de prédiction ont été confirmées dans les cohortes de validation européennes (AUC dynamique = 0.845 [0.837-0.854]), nord-américaine (AUC dynamique = 0.820 [0.808-0.831]), sud-américaine (AUC dynamique = 0.868 [0.856-0.880]), et dans les ECR (AUC dynamique = 0.857 [0.840-0.875]).

Conclusion

En raison de son design dynamique, ce nouveau modèle de prédiction peut être continuellement actualisé, et est prometteur en pratique clinique, en tant qu’outil compagnon du clinicien qui pourrait permettre d’ajuster son jugement pronostique et améliorer les prises de décision.

Les plus du papier

• Il s’agit du modèle de prédiction de la survie du greffon le plus performant en transplantation rénale, et le plus validé au monde.

Les critiques

• Les auteurs ont fait l’hypothèse qu’intégrer les mesures répétées immunologiques pourrait augmenter les performances, mais cela requiert des approches statistiques en cours de développement.