Prédiction précoce du risque d'escarres chez les patients hospitalisés à l'aide de modèles d'apprentissage supervisé basés sur les dossiers infirmiers

Pourquoi les escarres comptent encore dans les hôpitaux modernes

Les lésions de pression — souvent appelées escarres — peuvent sembler un problème d'un autre temps, mais elles restent une complication grave et coûteuse des soins hospitaliers. Elles peuvent se développer rapidement chez des personnes très malades ou incapables de bouger facilement, provoquant douleur, infection et prolongation des séjours à l'hôpital. Cette étude examine si les informations que les infirmières recueillent déjà dans les premières heures suivant l'admission peuvent être combinées avec des techniques informatiques modernes pour repérer les patients les plus susceptibles de développer ces lésions, afin que le personnel puisse intervenir avant qu'un dommage ne survienne.

Dangers cachés du fait de rester immobile

Une lésion de pression se forme lorsque la peau et les tissus profonds sont comprimés entre un lit ou une chaise et les os sous-jacents pendant trop longtemps. Plus d'un adulte hospitalisé sur dix développe ces plaies, en particulier ceux en soins intensifs ou aux urgences qui ne peuvent pas se déplacer librement. Au-delà de la douleur et du risque d'infection, ces lésions représentent un lourd fardeau financier — s'élevant à des dizaines de milliards de dollars chaque année rien qu'aux États-Unis. Les grilles d'évaluation traditionnelles, comme l'échelle de Braden largement utilisée, aident les infirmières à estimer le risque, mais elles peuvent manquer des personnes dont le danger n'est pas évident, par exemple celles souffrant d'incontinence, d'obésité ou de problèmes médicaux complexes.

Utiliser les notes infirmières de routine comme signaux d'alerte précoces

Les chercheurs se sont demandé s'il était possible de prédire les lésions de pression en n'utilisant que les informations de base que les infirmières recueillent systématiquement au cours des huit premières heures d'hospitalisation. Dans un grand hôpital public de Santiago, au Chili, ils ont collecté des données de 446 patients à travers plusieurs services, des urgences et de la chirurgie aux services de soins intensifs. Les infirmières ont noté des détails simples tels que l'âge, la taille, le poids, le service d'admission, le degré de dépendance pour les soins, la présence d'incontinence, et l'utilisation de matelas spéciaux, de changements de position ou de contentions physiques. Les plaies déjà présentes à l'arrivée ont été soigneusement distinguées de celles apparues ensuite, de sorte que l'étude se concentre uniquement sur les lésions survenues à l'hôpital.

Apprendre aux ordinateurs à repérer les patients à haut risque

À partir de ces dossiers, l'équipe a construit plusieurs modèles d'apprentissage supervisé — des programmes informatiques qui apprennent des motifs à partir d'exemples. Ils ont testé cinq approches différentes, notamment des arbres de décision, la régression logistique, les machines à vecteurs de support, l'extrême gradient boosting et une méthode populaire appelée Random Forest, qui combine de nombreux arbres de décision simples en un prédicteur plus robuste. Avant d'entraîner les modèles, ils ont nettoyé et organisé les notes infirmières brutes, imputé les valeurs manquantes à l'aide de méthodes statistiques établies, et sélectionné 13 des caractéristiques les plus informatives. Les données ont ensuite été répétitivement séparées en groupes d'entraînement et de test pour évaluer dans quelle mesure chaque modèle pouvait distinguer les patients ayant développé ou non une lésion de pression.

Qui est le plus à risque, selon les données

Environ 19 % des patients de l'étude ont développé une lésion de pression nosocomiale. L'analyse a montré que certaines observations infirmières précoces avaient un poids particulier. Des scores de risque globaux plus élevés, un poids et une taille plus importants, une forte dépendance aux soins infirmiers et une admission dans certains services, comme les unités médico-chirurgicales adultes et les soins intensifs, étaient associés à davantage de lésions. La présence d'incontinence — en particulier fécale ou mixte —, les contentions physiques et l'utilisation préalable de matelas anti-escarres spéciaux signalaient également un risque accru. Parmi les modèles testés, la méthode Random Forest a donné les meilleurs résultats : elle a correctement séparé les patients à risque élevé et faible dans plus de quatre cas sur cinq et a atteint une très grande précision, ce qui signifie que lorsqu'elle signalait un patient comme à haut risque, c'était généralement juste.

Des scores informatiques à une meilleure prise en charge au chevet

Pour rendre le système pratique dans des services occupés, les chercheurs l'ont ajusté pour privilégier la précision plutôt que de détecter tous les cas possibles. Cela réduit le nombre de fausses alertes, afin que les infirmières puissent concentrer les ressources préventives — comme des repositionnements fréquents, des examens cutanés attentifs et des matelas spéciaux — sur les patients les plus susceptibles d'en bénéficier. Bien que cela signifie que certains patients à risque ne soient pas signalés, les auteurs soutiennent que des alertes fiables sont plus susceptibles d'être reconnues et utilisées dans la pratique quotidienne. Ils insistent sur le fait que le modèle est destiné à soutenir, et non à remplacer, le jugement clinique.

Ce que cela signifie pour les patients et les hôpitaux

En termes clairs, l'étude montre que les hôpitaux pourraient utiliser les informations qu'ils collectent déjà dans les premières heures suivant l'admission pour alimenter un « système d'alerte précoce » numérique contre les escarres. Avec seulement 13 observations infirmières de base et un modèle informatique bien entraîné, le personnel peut identifier un petit groupe de patients très susceptibles de développer des lésions de pression et intervenir avant qu'un dommage sérieux ne survienne. Bien que l'outil doive encore être testé dans d'autres hôpitaux et systèmes de santé, il offre une voie prometteuse pour transformer des notes de chevet routinières en une protection plus intelligente et plus rapide pour certains des patients les plus vulnérables.

Citation: Barriga-Gallegos, F., Ríos-Vásquez, G., Tapia, G.M. et al. Early prediction of pressure injury risk in hospitalized patients using supervised machine learning models based on nursing records. Sci Rep 16, 6502 (2026). https://doi.org/10.1038/s41598-026-35709-w

Mots-clés: escarres, prévention des escarres, dossiers infirmiers, apprentissage automatique à l'hôpital, prédiction du risque patient