Développement d'un modèle de «Machine Learning» d'aide à la prescription de posologies individualisées destinées aux patients traités par amoxicilline en perfusion continue

International audience

français. IntroductionDans les situations infectieuses impliquant une hospitalisation, l'obtention d'une concentration sanguine efficace d'antibiotique constitue un enjeu qui passe par le choix d'une posologie adaptée. Si un pharmacologue peut être sollicité afin de tenir compte des caractéristiques individuelles, sa démarche d'adaptation posologique repose encore sur des principes très généraux. L'objectif de notre étude était de construire un modèle de Machine Learning de prédiction de la concentration d'amoxicilline à partir de la dose administrée et des caractéristiques du patient impliqué.MéthodesEtude rétrospective sur données qui porte sur les patients hospitalisés au sein du Groupe hospitalier Paris Saint-Joseph entre 2018 et 2023, traités par amoxicilline en perfusion continue et pour lesquels un dosage de la concentration sérique de cet antibiotique a été réalisé. Les caractéristiques démographiques (âge, sexe, IMC) et biologiques (fonctions rénale, hépatique, cardiaque) ont été extraites du dossier médical informatisé. Plusieurs modèles de prédiction de la concentration sanguine ont été construits. Le plus simple s'est fondé sur une régression linéaire utilisant la seule dose administrée. Trois modèles plus avancés - régression linéaire multivariée, forêt aléatoire, XGBoost – se sont appuyés sur un sous-ensemble de caractéristiques patient déterminé par la méthode de sélection de variables LASSO. La prédiction a été considérée comme performante lorsqu'elle correspondait à la concentration observée avec une marge d'erreur de 20 %.RésultatsL'entrainement des modèles a porté sur 237 dosages sériques, l’évaluation de leur performance sur 57 dosages; 19 % des prédictions de la concentration sanguine à partir de la seule dose administrée étaient adaptées. Les modèles prenant aussi en compte les caractéristiques liées au poids et à la fonction rénale du patient amélioraient les performances. La régression linéaire multivariée, la forêt aléatoire et le XGBoost atteignaient respectivement 47 % [35 %-60 %] (IC95%), 47 % [35 %-61 %] et 51 % [37 %-63 %] de bonnes prédictions.ConclusionLes résultats suggèrent qu'un ajustement des posologies en fonction de caractéristiques individuelles est bénéfique. Une évaluation de la performance de ces modèles en prospectif est en cours afin de déterminer leur plus-value par rapport aux pratiques actuelles des pharmacologues.