Prédiction de la concentration plaquettaire à partir de mesures ROTEM par apprentissage automatique

Pourquoi des contrôles rapides des plaquettes sont importants

Lorsqu’une personne saigne pendant une intervention chirurgicale ou en réanimation, les médecins doivent décider rapidement s’il faut administrer des transfusions de plaquettes pour aider la coagulation. Les tests de laboratoire standard comptent les plaquettes avec précision, mais prennent souvent une heure ou plus, retardant les décisions urgentes. Les dispositifs au chevet qui suivent la formation du caillot en temps réel sont beaucoup plus rapides, mais n’indiquent pas directement le nombre de plaquettes dans le sang. Cette étude examine si des modèles informatiques peuvent traduire ces mesures rapides au chevet en informations fiables sur des niveaux de plaquettes dangereusement bas.

Un aperçu rapide de la coagulation en temps réel

Les tests modernes au point de soin, tels que la thromboélastométrie rotationnelle (ROTEM), observent comment un échantillon de sang coagule depuis le tout début jusqu’au stade où le caillot est ferme puis se dégrade. Ces tests fournissent des courbes et des valeurs qui reflètent la force et la stabilité du caillot, mais pas le nombre réel de plaquettes. Des recherches antérieures ont montré que certaines lectures ROTEM sont liées au taux de plaquettes, toutefois des formules simples basées sur une seule valeur ROTEM ne prédisaient pas la numération plaquettaire avec une précision suffisante pour guider le traitement. Les auteurs se sont demandé si des techniques informatiques plus avancées, prenant en compte de nombreuses caractéristiques ROTEM simultanément, pouvaient faire mieux.

Construire des modèles informatiques à partir de données hospitalières

L’équipe a rassemblé 2 333 paires d’analyses sanguines provenant de quatre hôpitaux universitaires, toutes prélevées chez des patients chirurgicaux ou de réanimation entre 2014 et 2023. Pour chaque cas, ils disposaient d’un ensemble complet de mesures ROTEM et d’une numération plaquettaire de laboratoire réalisée dans les trois heures. Après un nettoyage minutieux des données et l’imputation des valeurs manquantes, ils ont alimenté 29 variables liées au ROTEM dans plusieurs méthodes d’apprentissage automatique. Certains modèles ont tenté de prédire la concentration plaquettaire exacte, tandis que d’autres ont abordé des questions plus simples : la numération plaquettaire est-elle inférieure à 100 milliards par litre, ou inférieure à 50 milliards par litre, seuils largement utilisés comme limites de sécurité en chirurgie et en contexte d’hémorragie sévère.

Quelle précision pour compter les plaquettes

Lorsqu’il s’agissait d’estimer la numération plaquettaire exacte, tous les modèles d’apprentissage automatique ont surpassé les anciennes formules basées sur une seule valeur ROTEM. L’approche la plus performante, un modèle d’ensemble empilé combinant plusieurs méthodes, n’a toutefois montré qu’une précision modérée. Ses prédictions différaient du nombre réel de plaquettes d’environ 40 milliards par litre en moyenne, une imprécision que les auteurs jugent trop importante pour décider en toute confiance du dosage. Des graphiques comparant valeurs prédites et réelles, ainsi que des contrôles statistiques du biais et de la dispersion, ont confirmé que les modèles rataient souvent la mesure pour des patients individuels même s’ils captaient des tendances générales.

Repérer des niveaux dangereusement bas fonctionne mieux

Les modèles ont donné de bien meilleurs résultats pour une tâche plus simple et cliniquement cruciale : repérer les patients avec une numération plaquettaire clairement basse. Pour détecter des taux inférieurs à 100 milliards par litre, les modèles de type random forest et les ensembles ont atteint des valeurs élevées pour une mesure standard de la qualité diagnostique appelée aire sous la courbe. Ils étaient particulièrement bons pour écarter une thrombopénie, avec de très fortes probabilités qu’un résultat « sûr » signifie réellement que le patient est au‑dessus du seuil. Les performances étaient encore meilleures pour détecter des taux inférieurs à 50 milliards par litre, où le modèle d’ensemble se distinguait de nouveau. Ces résultats se maintenaient selon différentes méthodes d’évaluation et surpassaient nettement l’utilisation d’une seule valeur dérivée du ROTEM.

Ce que cela pourrait signifier au chevet

Les auteurs concluent que les modèles d’apprentissage automatique actuels ne sont pas encore suffisamment précis pour remplacer une numération plaquettaire de laboratoire, car leurs estimations du nombre exact varient trop pour des patients individuels. Toutefois, ces mêmes modèles sont très performants pour répondre par oui ou non à la question de savoir si les plaquettes sont tombées en dessous de seuils de sécurité clés. Dans les situations d’hémorragie urgente, une telle orientation rapide au chevet pourrait aider les médecins à différer ou éviter en toute sécurité des transfusions de plaquettes en attendant les résultats de laboratoire, réduisant ainsi à la fois les délais de prise en charge et les expositions inutiles aux produits sanguins.

Citation: Brooks, R., Noitz, M., Mahečić, T.T. et al. Machine learning based prediction of platelet concentration from ROTEM measurements. Sci Rep 16, 15854 (2026). https://doi.org/10.1038/s41598-026-45743-3

Mots-clés: numération plaquettaire, thrombopénie, ROTEM, apprentissage automatique, transfusion plaquettaire