Modèle d’apprentissage automatique basé sur la protéomique pour prédire les infections secondaires dans l’insuffisance hépatique liée au VHB

Pourquoi les infections nosocomiales comptent pour les patients hépatiques

Les personnes atteintes de maladies hépatiques sévères causées par le virus de l’hépatite B passent souvent de longues périodes à l’hôpital, où leur organisme affaibli peut facilement être victime de nouvelles infections. Ces « infections secondaires » n’accompagnent pas le patient à l’admission mais se manifestent plusieurs jours plus tard, et elles augmentent nettement le risque d’insuffisance d’organe et de décès. Le problème est que les médecins n’ont actuellement pas de méthode fiable, à l’admission, pour savoir quels patients sont les plus susceptibles de contracter de telles infections. Cette étude pose une question simple mais puissante : les protéines déjà présentes dans le sang d’un patient peuvent‑elles révéler qui est en danger, suffisamment tôt pour intervenir ?

Regarder dans le sang pour repérer un risque caché

Les chercheurs ont suivi 234 adultes souffrant d’insuffisance hépatique liée au VHB pris en charge dans trois grands hôpitaux en Chine. Aucun ne présentait de signes d’infection active à l’admission, mais environ un tiers a développé dans la semaine suivante des infections graves de l’abdomen, des poumons, des voies urinaires ou de la circulation sanguine. À partir d’échantillons sanguins prélevés dans les 48 heures suivant l’admission, l’équipe a utilisé des outils avancés de « protéomique » pour mesurer des milliers de protéines différentes dans le plasma des patients. En comparant les patients qui ont ensuite été infectés à ceux qui ne l’ont pas été, ils ont recherché des motifs protéiques susceptibles de servir de signaux d’alerte précoces.

Inflammation et coagulation piégées dans une boucle vicieuse

Les cartographies protéiques ont révélé des perturbations larges dans deux systèmes étroitement liés : l’inflammation et la coagulation sanguine. Chez les patients qui ont ensuite développé une infection, de nombreuses protéines impliquées dans la formation du caillot, l’activité plaquettaire et les réponses inflammatoires étaient soit augmentées soit diminuées par rapport aux patients plus « sûrs ». Des analyses de réseaux et de voies ont montré que ces protéines de la coagulation et de l’immunité n’agissaient pas isolément. Elles formaient au contraire des réseaux d’interaction denses, soutenant l’idée qu’un dérèglement de la coagulation peut attiser l’inflammation et que l’inflammation continue peut à son tour endommager le système de coagulation. Cette boucle de rétroaction néfaste pourrait réduire la capacité de l’organisme à contenir les microbes envahisseurs, préparant ainsi les patients à haut risque à des détériorations soudaines.

Apprendre à un ordinateur à lire les signaux protéiques

Pour transformer ces changements protéiques complexes en un outil utilisable au chevet, l’équipe a entraîné plusieurs modèles d’apprentissage automatique, dont la régression logistique et d’autres algorithmes courants. À partir de près de 5 000 protéines, ils ont utilisé une méthode de sélection de caractéristiques pour retenir celles les plus fortement associées à l’infection ultérieure, puis testé de façon répétée la capacité de différentes combinaisons à séparer les cas d’infection futurs des témoins. Le modèle le plus performant et le plus pragmatique, appelé Modèle 1, n’utilisait finalement que quatre protéines — la lysozyme (LYZ), la calmoduline 1 (CALM1), SERPIND1 et la dermatopontine (DPT) — associées à deux mesures de laboratoire standard de l’atteinte hépatique et de la jaunisse (AST et bilirubine totale). Lorsqu’on a soumis à ce modèle les données sanguines d’admission des patients, il a distingué correctement ceux qui allaient développer une infection de ceux qui ne le feraient pas avec une précision remarquable dans le groupe initial et une performance encore solide dans un groupe de validation indépendant.

Transformer des tests complexes en outils hospitaliers simples

Parce que les appareils de protéomique de pointe ne sont pas encore courants dans la plupart des hôpitaux, les chercheurs ont vérifié si des kits de laboratoire plus simples pouvaient mesurer leurs protéines clés. Dans un troisième groupe de patients, ils ont utilisé des tests ELISA classiques — du type que de nombreux laboratoires cliniques réalisent déjà — pour quantifier les mêmes quatre protéines. Même avec cette technologie plus basique, un modèle informatique basé sur les mesures ELISA distinguait encore très bien les futurs cas d’infection des non‑cas. Fait important, le modèle principal prédisait non seulement l’infection secondaire mieux que des marqueurs classiques tels que la protéine C‑réactive ou le nombre de globules blancs ; il prévoyait aussi de façon plus précise qui décéderait dans les 28 jours comparé aux systèmes de score d’insuffisance hépatique largement utilisés.

Ce que cela signifie pour les patients et les médecins

En termes simples, ce travail montre qu’un petit « empreinte » de protéines sanguines, interprétée par un modèle d’apprentissage automatique, peut alerter les médecins — dans les deux premiers jours d’hospitalisation — sur les patients en insuffisance hépatique liée au VHB les plus susceptibles de développer des infections dangereuses ou de décéder rapidement. Plutôt que de réagir lorsqu’une fièvre ou une hypotension apparaît, les cliniciens pourraient utiliser un tel test pour surveiller plus étroitement les patients à haut risque, ajuster les stratégies antibiotiques ou envisager une prise en charge intensive plus précoce. Bien que des validations supplémentaires et des procédures analytiques plus simples soient encore nécessaires avant que cette approche ne devienne une pratique courante, l’étude ouvre la voie à un avenir où une simple prise de sang pourrait aider à personnaliser la prévention des infections et potentiellement sauver des vies dans l’un des groupes de patients hépatiques les plus gravement malades.

Citation: Xiong, F., Zheng, J., Chen, J. et al. Proteomics-based machine learning model for predicting secondary infection in HBV-related liver failure. Nat Commun 17, 3667 (2026). https://doi.org/10.1038/s41467-026-69075-y

Mots-clés: insuffisance hépatique due au virus de l’hépatite B, risque d’infection secondaire, protéomique plasmatique, prédiction par apprentissage automatique, biomarqueurs d’infection