Détection des infections du site opératoire par data mining : quelle performance ?

Résumé

Objectif. Notre étude a pour objectif d’évaluer l’apport, par rapport au système actuel, des méthodes de data mining (DM) et des données issues du programme de médicalisation des systèmes d’information, pour détecter les infections du site opératoire (ISO). Matériel et méthode. Une étude de cohorte rétrospective a été établie, incluant 3 900 patients ayant été opérés entre le 1^er janvier et le 31 août 2015 au centre hospitalier régional universitaire de Nancy. Le gold standard était le diagnostic d’ISO posé par les chirurgiens dans les 30 jours postopératoires. Les modèles de prédiction des ISO ont été construits grâce à deux méthodes de DM : les forêts aléatoires et les modèles adaptatifs (AdaBoost). Les performances des modèles ont été comparées. Résultats. L’incidence des ISO était de 4,92 %. Les sensibilités et spécificités des modèles de détection étaient respectivement de : 76 % et 93 % pour l’algorithme actuel, 81,4 % et 97,8 % pour le modèle de forêt aléatoire, 79,7 % et 97,7 % pour le modèle AdaBoost. Les deux modèles de DM sont plus performants que l’actuel tant pour l’aire sous la courbe (p < 10^-5), que pour le Net Reclassification Improvement (p < 10^-3), ainsi que pour le taux d’erreurs global (3 % versus 13 %). Conclusion. Les modèles de prédiction construits par DM ont montré chacun une meilleure performance en matière de détection des ISO. Leur utilisation en routine est possible mais nécessite au préalable leur validation sur un échantillon indépendant.