La péricardite récurrente (RP) est une maladie complexe avec une morbidité élevée

Des études antérieures ont évalué quelles variables sont associées à la rémission clinique

Cependant, il n’existe actuellement aucun modèle de stratification du risque établi pour prédire les résultats chez ces patients.

Développement d'un modèle de stratification des risques qui prédit les résultats à long terme chez les patients atteints de RP et est capable d'identifier les patients présentant des caractéristiques prédictives d'issues indésirables.

Au total, 365 patients consécutifs atteints de RP entre 2012 et 2019 ont été étudiés rétrospectivement.

Le critère de jugement principal était la réponse clinique (RC), définie comme l'arrêt de tous les traitements anti-inflammatoires et la résolution complète des symptômes.

Cinq modèles de survie par apprentissage automatique ont été utilisés pour calculer la probabilité de RC dans un délai de 5 ans et classer les patients en groupes à risque élevé, à risque intermédiaire et à faible risque.

Dans cette cohorte, l’âge moyen était de 46 ± 15 ans et 205 (56 %) étaient des femmes. 118 patients (32 %) ont obtenu une RC

Le modèle final incluait la dépendance aux stéroïdes, le nombre total de rechutes, le rehaussement péricardique tardif du gadolinium, l'âge, l'étiologie, le sexe, la fraction d'éjection et la fréquence cardiaque comme paramètres les plus importants.

Le modèle a prédit le résultat avec un indice C de 0,800 sur l'ensemble de tests et a montré une capacité significative à stratifier les patients en groupes à risque faible, intermédiaire et élevé (test du log-rank ; P < 0,0001).

Un nouveau modèle de stratification des risques a été développé pour prédire la RC dans la RP.

Notre modèle peut également aider à stratifier les patients ayant un pouvoir discriminatoire élevé

L’utilisation de modèles d’apprentissage automatique interprétables peut aider les médecins à prendre des décisions de traitement personnalisées pour les patients atteints de RP

Caractéristiques de base de la cohorte globale et des groupes de résultats

Comparez les performances prédictives de différents modèles

Organigramme de recherche décrivant le flux de travail de recherche

Interprétation globale et importance des fonctionnalités du modèle Xgb

Interprétabilité globale des modèles XGB et les 20 fonctionnalités les plus influentes

Dessiner un graphique de dépendance des fonctionnalités SHAP

L'impact de certaines variables continues sur les résultats du modèle prédictif est illustré dans un diagramme de dépendance SHAP.

Modèles de risque et évaluation des modèles

Stratégie de segmentation des données

Courbes de Kaplan-Meier pour des paramètres spécifiques

Évaluer la capacité du modèle à stratifier indépendamment les risques au sein des sous-groupes de cohortes grâce à des analyses de sous-groupes basées sur chaque variable

Le modèle démontre des performances robustes dans la stratification du risque des sous-groupes de cohorte, montrant que les taux de réponse clinique diminuent proportionnellement à l'augmentation du score de risque.

Courbes de Kaplan-Meier des groupes de scores des ensembles d'entraînement et des ensembles de tests

Le modèle démontre des performances robustes dans la stratification du risque des sous-groupes de cohortes

Tracé d'étalonnage du modèle final dans la cohorte de test

Caractéristiques de base de l'ensemble de formation et de l'ensemble de test

L'espace hyperparamétrique du modèle

Scores exportés à partir du modèle final à risques proportionnels de Cox

Caractéristiques de base des groupes à risque

Incidence cumulée annuelle de rémission clinique par stratification du risque sur 5 ans