Construction et validation de modèles d’apprentissage automatique pour prédire la perforation appendiculaire lors d’un traitement conservateur de l’appendicite associée à un fécalithe : une analyse rétrospective multicentrique à 20 algorithmes

Pourquoi cela compte pour les personnes souffrant de douleurs abdominales

L’appendicite est l’une des indications les plus fréquentes de chirurgie en urgence, mais de nombreux patients reçoivent aujourd’hui d’abord un traitement antibiotique plutôt qu’une opération immédiate. Pour les appendices contenant un bouchon dur ressemblant à une pierre de selles, appelé fécalithe, ce choix peut être risqué parce que l’appendice est plus susceptible de se rompre. Cette étude pose une question qui importe à chaque patient et à chaque médecin confrontés à cette décision : peut-on, précocement et en toute sécurité, distinguer ceux qui peuvent rester sous médicamentation de ceux qui courent un réel risque de perforation dangereuse ?

Le défi d’un appendice obstrué

Les médecins savent depuis des années que l’appendicite se comporte différemment lorsqu’un fécalithe bouche le tube étroit de l’appendice. L’obstruction augmente la pression, réduit l’apport sanguin et favorise l’infection, autant de facteurs qui élèvent la probabilité que l’organe se rompe même si les antibiotiques sont commencés rapidement. Pourtant, les scores cliniques courants pour l’appendicite ont été élaborés pour l’ensemble des patients, pas spécifiquement pour ceux porteurs de fécalithes, et ils prédisent mal la perforation dans ce groupe à plus haut risque. Cette incertitude place les cliniciens devant un dilemme : opérer trop souvent, avec ses risques et ses coûts, ou attendre trop longtemps et risquer une rupture d’appendice.

Exploiter les motifs présents dans les données hospitalières

Les chercheurs ont rassemblé les dossiers de 1 247 adultes traités sans chirurgie immédiate pour une appendicite associée à un fécalithe dans quatre grands hôpitaux entre 2018 et 2023. Environ un sur sept a subi une perforation dans les trois jours. Pour chaque patient, l’équipe a collecté des informations simples déjà présentes dans les soins de routine : l’âge, les constantes vitales, des tests sanguins révélant l’inflammation, et des mesures au scanner de l’appendice et du fécalithe. Ils ont ensuite entraîné 20 algorithmes informatiques différents pour repérer les liens entre ces caractéristiques et l’évolution vers une perforation, en réservant une partie des données pour tester équitablement les modèles.

L’outil de prédiction de risque gagnant

Parmi toutes les approches, une famille de méthodes combinant de nombreux arbres de décision, connue sous le nom de gradient boosting, a donné les meilleurs résultats. Après une étape de sélection des variables, l’outil final s’appuyait sur huit éléments facilement disponibles, dont la taille du fécalithe, les taux sanguins de protéine C‑réactive et de globules blancs, ainsi que l’épaisseur et le diamètre de l’appendice au scanner. Dans le groupe de test principal, le modèle a correctement distingué les patients à haut et faible risque avec une excellente mesure de performance (AUC d’environ 0,89). Fait le plus marquant : lorsque le modèle jugeait qu’un patient était à faible risque, il avait plus de 96 % de chances d’avoir raison sur le fait qu’il ne perforerait pas, offrant une forte assurance en faveur d’un traitement conservateur poursuivi.

Transformer des probabilités en groupes de risque clairs

Pour rendre l’outil pratique au chevet, l’équipe a converti les scores de probabilité bruts en trois paliers simples. Les patients dont le risque prédit était inférieur à 30 % étaient classés à faible risque et affichaient un taux réel de perforation de seulement 3,8 %. Ceux entre 30 et 60 % étaient à risque modéré, avec environ un patient sur quatre qui perforait. Au‑dessus de 60 % figuraient les patients à haut risque, dont plus de sept sur dix ont finalement perforé. Des actions suggérées suivent cette échelle : surveillance routinière pour le groupe à faible risque, observation plus étroite et répétition des tests pour le groupe intermédiaire, et chirurgie précoce ou urgente pour les patients à risque le plus élevé. Un ensemble séparé de 225 patients provenant d’un cinquième hôpital, non utilisé pour construire le modèle, a montré des performances très similaires, suggérant que l’approche peut fonctionner au‑delà des centres initiaux.

Ce que cela signifie pour les patients et les médecins

Concrètement, cette étude montre qu’un ordinateur entraîné sur des tests de laboratoire ordinaires et des constatations au scanner peut fournir aux médecins un avertissement précoce beaucoup plus net sur les patients porteurs d’un appendice obstrué qui seraient en réel danger s’ils continuaient uniquement les antibiotiques. Bien que l’outil ne soit pas parfait, il est particulièrement fiable pour identifier les personnes qu’il est sûr de surveiller et traiter sans précipiter une intervention chirurgicale. Après des validations supplémentaires dans d’autres hôpitaux et une utilisation en temps réel, de tels modèles pourraient soutenir des décisions plus personnalisées, aidant de nombreux patients à éviter des chirurgies inutiles tout en s’assurant que ceux à risque élevé reçoivent des opérations en temps utile avant la rupture de l’appendice.

Citation: Zhu, Y., Feng, J., Liu, R. et al. Building and validating machine learning models to predict appendiceal perforation during conservative treatment of fecalith-associated appendicitis: a 20-algorithm multicenter retrospective analysis. Sci Rep 16, 11728 (2026). https://doi.org/10.1038/s41598-026-47372-2

Mots-clés: appendicite, apprentissage automatique, prévision du risque, traitement conservateur, gradient boosting