Physiologie respiratoire après la remise en décubitus dorsal suite à une ventilation en décubitus ventral pour prédire la mortalité à 28 jours chez des patients ventilés mécaniquement : une analyse par apprentissage automatique

Pourquoi il est important de retourner les patients

Pendant la crise COVID-19, les médecins prenant en charge les patients les plus graves sous assistance respiratoire les plaçaient souvent sur le ventre, une manœuvre appelée décubitus ventral. Ce simple changement de position peut améliorer la répartition de l’air et du sang dans des poumons abîmés. Mais il mobilise beaucoup le personnel et comporte des risques. Cette étude pose une question pratique aux conséquences vitales : après qu’un patient a été remis sur le dos, la façon dont ses poumons se comportent peut-elle aider les médecins à prévoir qui est susceptible de survivre le mois suivant — et orienter la décision de poursuivre cette manœuvre ou de recourir à d’autres traitements ?

Comment les médecins évaluent aujourd’hui une séance de retournement

En réanimation, le succès du placement d’un patient sur le ventre est généralement jugé à partir d’un seul chiffre qui reflète l’efficacité du transfert d’oxygène de l’air vers le sang. Si ce chiffre augmente rapidement, la séance est souvent considérée comme réussie ; sinon, certaines équipes peuvent renoncer à d’autres séances. Pourtant, cette focalisation sur l’oxygène peut faire passer à côté d’autres signes importants de stress pulmonaire ou de lésions cachées. Les auteurs de cette étude ont supposé que ce qui se produit quelques heures après le retour du patient sur le dos pourrait révéler davantage si les poumons se sont réellement rétablis ou s’il ne s’agit que d’une amélioration transitoire.

Analyse de données réelles issues des unités de soins intensifs

Pour explorer cette hypothèse, les chercheurs se sont appuyés sur une vaste base de données néerlandaise d’adultes atteints de formes sévères de COVID-19 nécessitant une ventilation mécanique en réanimation. Ils ont sélectionné 522 patients ayant suivi une séquence claire : dos, puis ventre, puis à nouveau dos, le tout pendant la première période de ventilation et avec la période en décubitus ventral limitée à moins de 24 heures. Pour chaque patient, ils ont recueilli des mesures des gaz du sang et de la raideur ou de l’élasticité pulmonaire pendant les quatre heures précédant le passage sur le ventre et pendant les quatre heures suivant le retour sur le dos. Ils ont ensuite utilisé des techniques informatiques modernes, dont une méthode appelée apprentissage automatique, pour vérifier si des motifs dans ces chiffres pouvaient prédire le décès dans les 28 jours suivant le début de la ventilation.

Ce que les chiffres ont révélé sur les poumons

En comparant les survivants et les non-survivants, les chercheurs ont constaté que les mesures traditionnelles prises avant le passage sur le ventre étaient assez semblables entre les groupes. Les différences sont apparues après le retour sur le dos. Les patients décédés dans les 28 jours avaient tendance à nécessiter des réglages d’oxygène plus élevés sur le ventilateur, présentaient un transfert d’oxygène air-sang plus faible et montraient des signes qu’une plus grande partie de leur volume respiratoire ne participait pas aux échanges gazeux — indice de régions pulmonaires malades ou insuffisamment remplies. Leurs poumons semblaient aussi plus rigides, obligeant le ventilateur à pousser plus fort à chaque inspiration. En revanche, les survivants montraient plus souvent des améliorations soutenues du transfert d’oxygène et pouvaient être soutenus avec moins d’oxygène, laissant entendre un recrutement plus efficace des zones pulmonaires auparavant effondrées.

Laisser les ordinateurs repérer des schémas de survie

Parce que nombre de ces mesures pulmonaires sont liées entre elles de façon complexe, l’équipe a eu recours à des modèles d’apprentissage automatique pour les combiner. Ils ont d’abord réduit la liste aux mesures les plus informatives, puis entraîné plusieurs types de modèles sur une partie des patients et les ont testés sur le reste. Aucun modèle n’était parfait, mais tous pouvaient distinguer mieux que le hasard les survivants des non-survivants. Un modèle connu sous le nom d’XGBoost a offert la meilleure performance globale, trouvant un équilibre entre détecter la plupart des patients qui allaient décéder et ne pas déclencher trop de fausses alertes. Certaines variables — en particulier le rapport entre l’oxygène sanguin et l’oxygène administré, la fraction du souffle inutile n’échangeant pas de gaz, l’élasticité pulmonaire et la quantité d’oxygène que le ventilateur devait encore délivrer — pesaient le plus dans les prédictions.

Quelles conséquences pour les décisions au chevet

Pour les patients et leurs familles, le message essentiel est que le comportement des poumons après une séance de retournement peut renseigner davantage les médecins sur les probabilités de survie que la hausse immédiate et souvent célébrée de l’oxygénation observée pendant que le patient est sur le ventre. Cette étude suggère qu’un jeu restreint de mesures routinières — prises quelques heures après le retour sur le dos — peut aider à classer les patients en groupes de risque plus élevé ou plus faible, même si la prédiction reste imparfaite. Alors que ces modèles informatiques nécessitent des données plus nombreuses et plus variées pour devenir vraiment fiables et faciles d’emploi, ils ouvrent la voie vers un avenir où la décision de poursuivre le proning, d’essayer d’autres thérapies de sauvetage ou d’ajuster les réglages du ventilateur serait guidée par une vision plus complète de la fonction pulmonaire plutôt que par un seul chiffre d’oxygénation.

Citation: Lijović, L., Dam, T.A., Baek, M.S. et al. Respiratory physiology after resupination following prone ventilation to predict 28-day mortality in mechanically ventilated patients: a machine learning analysis. Sci Rep 16, 8188 (2026). https://doi.org/10.1038/s41598-026-39336-3

Mots-clés: syndrome de détresse respiratoire aiguë, ventilation en décubitus ventral, ventilation mécanique, USI COVID-19, prédiction par apprentissage automatique