Développement et validation multicentrique d’un critère diagnostique explicable par apprentissage automatique pour la pédiatrie de la septicémie abdominale

Pourquoi cela compte pour les enfants malades

Lorsqu’un enfant arrive à l’hôpital avec de fortes douleurs abdominales et une infection, les médecins doivent décider très rapidement qui est réellement en danger. Si la septicémie abdominale — une infection mettant la vie en péril dans la région abdominale — est manquée ou reconnue trop tard, l’enfant peut basculer vers une défaillance d’organes et les traitements risquent de ne plus être efficaces. Cette étude décrit un nouvel outil informatique, construit à partir de données hospitalières du monde réel, qui aide les médecins à détecter la septicémie abdominale chez l’enfant plus tôt et de manière plus fiable, en s’appuyant sur des analyses sanguines et des paramètres vitaux déjà collectés quotidiennement.

La menace cachée dans l’abdomen

La septicémie est l’une des principales causes de décès chez l’enfant dans le monde, et les infections débutant dans l’abdomen font partie des formes les plus dangereuses. Les règles et scores actuels de septicémie ont été largement développés pour les adultes et se focalisent souvent sur des problèmes pulmonaires et cardiaques. Lorsqu’un enfant présente ces signes sévères, les lésions au niveau de l’abdomen, du foie ou des intestins peuvent déjà être importantes. Les outils pédiatriques existants peinent aussi à détecter suffisamment tôt la septicémie abdominale pour guider une chirurgie rapide ou une prise en charge agressive. Les auteurs soutiennent que les enfants suspectés d’une maladie abdominale ont besoin d’un outil diagnostique conçu spécifiquement pour ce type d’infection.

Transformer les examens routiniers en une alarme intelligente

L’équipe de recherche a rassemblé des dossiers médicaux électroniques de plus de 22 000 enfants pris en charge dans un grand hôpital pédiatrique en Chine entre 2019 et 2023, en se concentrant sur 6 566 patients présentant des problèmes abdominaux tels que l’appendicite ou une obstruction intestinale. Dans ce groupe, des spécialistes ont examiné attentivement les dossiers, les imageries, les interventions chirurgicales, les médicaments et les comptes rendus de suivi pour déterminer quels enfants avaient réellement une septicémie abdominale pédiatrique (SAP). Ils ont utilisé une approche d’« apprentissage actif » : un petit échantillon a été annoté par trois médecins expérimentés, un modèle préliminaire a été entraîné, puis ce modèle a proposé de nouveaux cas incertains à réexaminer par les médecins, affinant ainsi de façon itérative le jeu de données et réduisant les désaccords.

Neuf signaux simples et puissants

À partir de dizaines de valeurs de laboratoire et de paramètres vitaux mesurés pendant les premières 24 heures d’admission, les chercheurs ont recherché la combinaison qui distinguait le mieux la septicémie des autres affections abdominales. Ils ont retenu neuf mesures courantes : fréquence cardiaque ; numération des globules blancs ; numération absolue des neutrophiles ; une enzyme hépatique appelée γ‑glutamyl transférase ; une autre enzyme hépatique (ASAT) ; un ratio de deux protéines sanguines (albumine/globuline) ; la préalbumine ; le taux de calcium ; et un marqueur inflammatoire sensible connu sous le nom de protéine C‑réactive haute sensibilité. Aucun de ces tests n’est exotique — ils font partie des soins de routine — mais ensemble ils forment un motif puissant. En utilisant ces neuf marqueurs, plusieurs méthodes d’apprentissage automatique ont été comparées, et un modèle de forêt aléatoire a fourni les performances les plus fiables.

Un outil qui fonctionne dans plusieurs hôpitaux

Le modèle final, nommé ABSeD (Abdominal Sepsis Diagnosis), a correctement distingué la SAP des autres maladies abdominales avec une grande précision. Dans les données de l’hôpital d’origine, ses performances étaient excellentes et il a bien résisté à la validation interne. Pour tester sa généralisabilité au‑delà d’un centre unique, l’équipe a ensuite construit une plateforme en ligne et collecté prospectivement des données dans sept hôpitaux supplémentaires de la province du Zhejiang au début de 2025. Parmi 308 enfants ayant un suivi ou une confirmation chirurgicale claire, ABSeD a de nouveau montré de bons résultats, identifiant avec précision la plupart des enfants atteints de septicémie abdominale et conservant une haute précision — ce qui signifie que lorsqu’il signalait une septicémie, il avait généralement raison. Le système montre aussi comment chacun des neuf marqueurs influence le jugement du modèle, offrant aux médecins une vision transparente plutôt qu’une « boîte noire » mystérieuse.

Du modèle de recherche à l’aide au chevet

Pour rendre leur travail utilisable en pratique courante, les auteurs ont créé une interface web où les cliniciens saisissent l’âge de l’enfant, des informations de base et les neuf résultats de laboratoire. L’outil renvoie un score de risque et une ventilation visuelle claire des mesures qui ont conduit au résultat, aidant les médecins à décider s’il faut intensifier la prise en charge, demander des examens d’imagerie ou procéder à une chirurgie. L’étude souligne à la fois les promesses et les limites du modèle : il est destiné aux enfants déjà suspectés d’une maladie abdominale, pas à un dépistage universel, et il n’a pour l’instant été testé que dans une seule région et sur un seul contexte ethnique. Pourtant, l’outil ABSeD illustre comment une intelligence artificielle construite avec soin et explicable peut transformer des analyses de routine en un système d’alerte précoce, pouvant potentiellement sauver des vies en détectant la septicémie abdominale mortelle avant qu’il ne soit trop tard.

Citation: Cao, S., Cai, D., Zhang, S. et al. Development and multicenter validation of an explainable machine learning diagnostic criteria for pediatric abdominal sepsis. npj Digit. Med. 9, 312 (2026). https://doi.org/10.1038/s41746-026-02500-0

Mots-clés: septicémie pédiatrique, infection abdominale, apprentissage automatique, diagnostic précoce, aide à la décision clinique