Développement et validation d’un modèle d’apprentissage automatique pour le dosage individualisé du méropénème chez les patients sous TRR

Pourquoi cela importe pour les patients en soins intensifs

Lorsque des patients développent des infections potentiellement mortelles en réanimation, les médecins s’appuient souvent sur des antibiotiques puissants et des appareils rénaux artificiels pour les maintenir en vie. Pourtant, déterminer la dose d’antibiotique adaptée à chaque patient sous traitement dialytique continu est étonnamment difficile. Cette étude montre comment un outil basé sur l’apprentissage automatique peut aider les cliniciens à choisir des doses plus sûres et plus efficaces du méropénème, un antibiotique à large spectre, pour certains des malades les plus graves de l’hôpital.

Le dilemme posologique chez des reins fragiles

Le sepsis, une infection grave qui touche l’ensemble de l’organisme, endommage fréquemment les reins au point que les patients nécessitent une thérapie de remplacement rénal continue (TRR) — une forme d’hémodialyse lente et permanente. Le méropénème est couramment utilisé pour traiter ces infections, mais son comportement dans l’organisme change de façon marquée en cas de maladie critique. Les variations hydriques, la défaillance d’organes et la TRR elle‑même modifient la vitesse d’élimination du médicament. Une dose insuffisante de méropénème expose au risque d’échec thérapeutique et d’émergence de résistances ; une dose trop élevée augmente les risques d’effets indésirables tels que la neuro‑ et la néphrotoxicité. Les formules posologiques traditionnelles, basées sur des patients moyens, ratent souvent la cible chez des individus dont la physiologie est loin d’être normale.

Construire une population virtuelle de réanimation

Parce que de larges études pharmacocinétiques de haute qualité chez ces patients instables sont rares, les chercheurs ont d’abord créé une population virtuelle de 48 000 patients simulés sous TRR en utilisant un modèle pharmacocinétique existant du méropénème. Pour chaque patient simulé, ils ont fait varier l’âge, le poids corporel, la fonction rénale, les paramètres de TRR, la dose de méropénème, l’intervalle d’administration, la durée d’infusion et la virulence des bactéries infectantes (résumée par la concentration minimale inhibitrice, ou CMI). Ils ont ensuite calculé si chaque schéma posologique maintenait les concentrations de méropénème suffisamment élevées dans le sang pendant toute la période d’administration — à la fois pour un seuil standard (100 % du temps au‑dessus de la CMI) et pour un seuil très strict (100 % au‑dessus de quatre fois la CMI), considéré comme offrant une meilleure protection contre l’échec thérapeutique et la résistance.

Apprendre aux machines à prédire le succès

En s’appuyant sur ces patients virtuels, l’équipe a entraîné plusieurs types de modèles d’apprentissage automatique pour répondre à une question simple en oui/non : un patient donné, avec une configuration TRR et un plan posologique spécifiques, atteindra‑t‑il la cible d’exposition souhaitée au médicament ? Des algorithmes tels que les forêts aléatoires, le gradient boosting et les arbres de décision ont appris des corrélations entre les caractéristiques du patient, la clairance liée à la TRR, la taille des doses, l’intervalle d’administration, la durée d’infusion et la CMI, et la probabilité de succès. Sur les données de test simulées, la plupart des modèles se sont montrés très précis, beaucoup classant correctement les résultats dans plus de 95 % des cas. Pour ouvrir la « boîte noire » de l’apprentissage automatique, les chercheurs ont utilisé SHAP (Shapley Additive Explanations) afin de hiérarchiser l’importance des entrées. La CMI bactérienne est apparue comme le facteur le plus déterminant, suivie de la fréquence et de l’ampleur des administrations de méropénème et de l’efficacité d’élimination du médicament par le patient et la machine de TRR.

Tests en conditions réelles et outil au chevet

L’étape suivante consistait à évaluer la performance de ces modèles chez de vrais patients. Les auteurs ont utilisé des données de 78 personnes gravement malades sous différentes modalités de TRR, issues de neuf études publiées. Pour chaque patient, un modèle pharmacocinétique populationnel traditionnel a reconstruit des courbes détaillées de concentration plasmatique, servant de référence pour déterminer si les schémas posologiques atteignaient les cibles d’exposition strictes sur une gamme de valeurs plausibles de CMI. Lorsqu’on a demandé aux modèles d’apprentissage automatique de prédire les mêmes résultats en n’utilisant que des caractéristiques patient, les paramètres de TRR et les informations posologiques, ils ont généralement surpassé l’approche pharmacocinétique conventionnelle. En particulier, un modèle de gradient boosting a obtenu une meilleure discrimination pour les deux cibles d’exposition que le modèle établi. Ce modèle le plus performant a ensuite été intégré dans une application web simple, appelée « MeroDose », développée avec le framework Streamlit.

Des données complexes à des choix plus clairs

Au chevet, l’outil MeroDose permet aux cliniciens de saisir les informations de base du patient, la fonction rénale, les paramètres de TRR, la dose et le calendrier de méropénème proposés, ainsi qu’une CMI supposée. Le système estime instantanément la probabilité que ce régime maintienne des concentrations suffisantes tout au long de l’intervalle d’administration, pour les cibles standard et très strictes. S’il ne remplace pas la surveillance des niveaux sanguins ni le jugement clinique, il fournit un point de départ individualisé au lieu d’une posologie unique pour tous. L’étude conclut que ce système d’aide fondé sur l’apprentissage automatique peut améliorer de façon significative la sélection des doses initiales de méropénème chez les patients sous TRR, et elle appelle à des essais prospectifs pour confirmer que de tels outils se traduisent par de meilleurs résultats et moins d’infections résistantes.

Citation: Li, D., Qiao, Z., Xiong, X. et al. Development and validation of a machine learning model for individualised meropenem dosing in CRRT patients. Sci Rep 16, 12398 (2026). https://doi.org/10.1038/s41598-026-43012-x

Mots-clés: sepsis, traitement rénal de remplacement continu, posologie du méropénème, apprentissage automatique en médecine, support décisionnel clinique