Prédiction précoce de la colonisation par des entérobactéries productrices de carbapénémases à l’admission en réanimation à l’aide de l’apprentissage automatique

Pourquoi les germes cachés à l’hôpital comptent

Parmi les patients les plus gravement malades d’un hôpital, beaucoup sont pris en charge en unités de soins intensifs (USI), où l’usage d’antibiotiques puissants et de dispositifs invasifs est fréquent. Dans ce contexte, un groupe dangereux de bactéries intestinales — les entérobactéries productrices de carbapénémases (EPC, ou CPE en anglais) — peut s’installer discrètement. Les personnes qui portent ces germes peuvent ne pas être malades, mais elles peuvent les transmettre à d’autres ou développer ultérieurement des infections potentiellement mortelles et difficiles à traiter. Cette étude pose une question pratique : peut‑on prédire, au moment de l’admission en USI, qui est susceptible de porter déjà des EPC afin que le personnel puisse mieux protéger les autres patients ?

Une menace silencieuse en USI

Les EPC sont des bactéries intestinales qui ont acquis une résistance aux carbapénèmes, parmi les antibiotiques les plus puissants utilisés lorsque d’autres traitements échouent. En Corée du Sud, les infections à EPC ont augmenté ces dernières années, suivant une tendance mondiale. Les patients en USI sont particulièrement à risque car ils restent souvent plus longtemps à l’hôpital, subissent davantage d’interventions et reçoivent plus d’antibiotiques que d’autres patients. Les hôpitaux peuvent détecter les EPC par écouvillonnage rectal, mais les résultats prennent du temps, et il est irréaliste de placer systématiquement chaque nouveau patient en isolement en attendant le rendu du laboratoire. Les auteurs ont cherché à concevoir un outil qui utilise des informations déjà présentes dans le dossier médical au moment de l’admission en USI pour estimer quels patients sont probablement porteurs d’EPC.

Explorer les dossiers hospitaliers à la recherche d’indices

Les chercheurs ont examiné 4 915 admissions d’adultes en USI dans un grand hôpital sud‑coréen entre 2022 et 2023. Pour tous ces patients, des prélèvements rectaux ont été réalisés dans les 48 heures suivant l’arrivée en USI. Environ 9,2 % — 453 personnes — étaient colonisées par des EPC. À partir des dossiers médicaux électroniques, l’équipe a extrait 42 éléments d’information disponibles à l’admission, dont l’âge, des séjours hospitaliers ou en établissements de soins de longue durée récents, des interventions chirurgicales antérieures, des maladies sous‑jacentes, l’utilisation antérieure d’antibiotiques, et la présence de sondes ou de cathéters. En se fondant sur ces variables, ils ont comparé dix approches différentes d’apprentissage automatique pour déterminer laquelle séparait le mieux les porteurs d’EPC des non‑porteurs.

Un modèle simple avec un fort pouvoir d’exclusion

Plutôt que de privilégier l’algorithme le plus complexe, l’étude montre qu’une méthode relativement simple — la régression logistique — offre le meilleur compromis pour une utilisation en conditions réelles. Avec un seuil de risque choisi, le modèle a identifié correctement environ 73 % des porteurs et a classé 96 % des prévisions de non‑porteurs comme réellement négatives. En termes pratiques, lorsque l’outil indique qu’un patient est peu susceptible de porter des EPC, il a presque toujours raison. C’est crucial pour les équipes de contrôle des infections qui doivent décider qui a réellement besoin des chambres d’isolement, ressources rares. D’autres modèles plus sophistiqués étaient plus spécifiques mais ont manqué de nombreux porteurs réels, les rendant moins sûrs pour cet usage.

Qui est le plus à risque ?

Pour garder l’outil compréhensible par les cliniciens, les auteurs se sont concentrés sur 12 prédicteurs clés. La présence d’un drain biliaire — une sonde qui draine la bile du foie — était liée à la plus forte probabilité de portage d’EPC. Parmi les autres signaux importants figuraient un séjour récent en établissement de soins de longue durée, la présence d’une sonde nasogastrique d’alimentation ou d’un cathéter veineux central, un traitement récent par stéroïdes, l’utilisation antérieure de plusieurs antibiotiques, et un plus grand nombre de jours d’hospitalisation avant l’admission en USI. Des antécédents de colonisation ou d’infection par un autre germe résistant, les entérocoques résistants à la vancomycine, augmentaient également les probabilités. L’équipe a utilisé SHAP (Shapley Additive Explanations), une méthode qui montre comment chaque facteur fait monter ou baisser le risque d’un patient, de sorte que les prédictions individuelles ne restent pas une “boîte noire”.

Des chiffres aux décisions au chevet

Pour rendre la recherche utilisable au‑delà de l’ensemble de données, l’équipe a développé un calculateur web gratuit (www.cpepredictor.com). Les cliniciens peuvent répondre à 14 questions simples à l’admission en USI — par exemple si le patient a récemment pris certains antibiotiques ou présente des sondes particulières — et l’outil estime instantanément la probabilité de colonisation par des EPC. Les auteurs insistent sur le fait que le modèle est surtout utile pour exclure les patients à faible risque, et non pour étiqueter de manière définitive des personnes comme porteuses. Un résultat positif doit entraîner un isolement précoce ou des tests moléculaires rapides, sans remplacer les cultures de laboratoire standard. Bien que l’étude ait été conduite dans un seul hôpital et doive être validée ailleurs, elle illustre comment des outils d’apprentissage automatique interprétables et bien conçus peuvent aider les hôpitaux à cibler les ressources de contrôle des infections là où elles sont le plus nécessaires, réduisant la propagation de bactéries hautement résistantes sans surcharger des USI déjà tendues.

Citation: Kim, J.H., Yang, E., Lee, Y.W. et al. Early prediction of colonization by carbapenemase-producing enterobacterales at ICU admission using machine learning. Sci Rep 16, 6705 (2026). https://doi.org/10.1038/s41598-026-37927-8

Mots-clés: résistance aux antibiotiques, unité de soins intensifs, contrôle des infections, apprentissage automatique en médecine, infections nosocomiales