Prédiction des réactions cutanées indésirables liées aux antibiotiques à l’aide de modèles fondamentaux sur dossiers de santé électroniques

Pourquoi il est important de prédire les éruptions médicamenteuses

Quiconque a eu une éruption après la prise d’un médicament sait combien cela peut être inquiétant. La plupart du temps, ces réactions cutanées sont bénignes et disparaissent d’elles‑mêmes. Mais dans de rares cas, elles peuvent évoluer vers des affections potentiellement mortelles qui endommagent de larges surfaces de peau et nécessitent des soins intensifs. Les antibiotiques figurent parmi les médicaments les plus souvent associés à ces réactions, et pourtant les médecins n’ont actuellement aucun moyen fiable de savoir à l’avance quels patients sont les plus à risque. Cette étude examine si des motifs cachés dans les dossiers hospitaliers quotidiens peuvent aider à prédire qui est susceptible de développer une réaction cutanée liée à un antibiotique avant qu’elle n’apparaisse.

Réactions cutanées provoquées par des médicaments

Les troubles cutanés sont l’effet secondaire visible le plus fréquent des médicaments. Ils vont de taches rouges et prurigineuses à des affections dangereuses comme le syndrome de Stevens–Johnson et la nécrolyse épidermique toxique, qui peuvent être fatals. Les antibiotiques, en particulier les types largement utilisés comme les pénicillines et les médicaments apparentés, sont des déclencheurs fréquents. Bien que ces réactions sévères soient rares, toute réaction médicamenteuse grave peut allonger la durée d’hospitalisation, augmenter les coûts et, dans le pire des cas, entraîner la mort. Malgré ce fardeau, il n’existe pas de test de dépistage standard que les hôpitaux puissent appliquer à tous les patients pour prédire les réactions cutanées indésirables aux médicaments, en particulier celles liées aux antibiotiques.

Transformer les dossiers hospitaliers en indices

Les hôpitaux modernes stockent d’énormes quantités d’informations dans les dossiers de santé électroniques : diagnostics, résultats de biologie sanguine, médicaments prescrits et procédures, souvent consignés sur de nombreuses années. Dans cette étude, les chercheurs ont traité ces longues séquences de codes médicaux comme des lignes de texte dans un document. Ils ont utilisé des « modèles fondamentaux » empruntés à la technologie du langage — des systèmes qui apprennent des motifs généraux à partir de grands jeux de données et peuvent ensuite être ajustés pour des tâches spécifiques. L’équipe a analysé les dossiers de plus de 800 000 patients adultes hospitalisés dans trois grands hôpitaux coréens, qui étaient restés au moins trois jours et avaient reçu des antibiotiques. Pour détecter de manière fiable les réactions cutanées, ils ne se sont pas appuyés uniquement sur les codes de diagnostic ; ils ont aussi exploité les notes infirmières et des énoncés infirmiers structurés rapportant des observations telles que la présence d’une éruption ou d’urticaire.

Construction et test du modèle de prédiction

Les chercheurs ont comparé plusieurs approches, des méthodes classiques d’apprentissage automatique comme les forêts aléatoires aux réseaux profonds et à trois modèles fondamentaux différents pour dossiers de santé. Pour chaque patient, les modèles devaient décider, au moment de la dernière prescription d’antibiotique, si une réaction cutanée surviendrait dans un délai court. Parmi toutes les méthodes, un modèle appelé CDM‑BERT, spécifiquement adapté au format de données commun utilisé par les hôpitaux, a obtenu les meilleurs résultats. Il a correctement distingué les cas futurs d’éruption des non‑cas avec une très grande précision dans l’hôpital où il a été entraîné, et il a conservé une forte performance lorsqu’il a été appliqué, sans ajustement supplémentaire, aux deux autres hôpitaux dont les données présentaient des différences.

Ce que le modèle a appris sur le risque

Pour vérifier si le modèle s’intéressait à des informations médicalement pertinentes plutôt qu’à du bruit aléatoire, l’équipe a examiné quelles parties du dossier influençaient le plus ses décisions. Une importance plus élevée a été attribuée à des affections connues pour être liées aux réactions médicamenteuses — comme le cancer, l’insuffisance rénale chronique et la maladie hépatique chronique — et à certaines catégories de médicaments, y compris les antibiotiques et les anticonvulsivants. Fait intéressant, dans un hôpital où les codes de médicaments ne correspondaient pas au site d’entraînement, le modèle a quand même bien fonctionné en s’appuyant davantage sur les résultats biologiques et l’historique de maladies, montrant qu’il pouvait s’adapter à des environnements de données différents. Les chercheurs ont également séparé les réactions en « immédiates » (survenant peu après une dose) et « retardées » (apparaissant après une exposition plus longue). Le modèle était plus confiant et stable lorsqu’il prédisait les réactions retardées, qui sont actuellement les plus difficiles à prévoir avec les tests traditionnels.

Limites, défis et étapes suivantes

Bien que les performances du modèle soient prometteuses, il n’identifie pas encore quel antibiotique exact est responsable, ni ne peut distinguer les éruptions bénignes des rares mais dévastatrices réactions cutanées sévères nécessitant des soins spécialisés urgents. L’étude a également porté sur des hôpitaux d’un seul pays, et il y avait des difficultés techniques telles que les différences de systèmes de codage des médicaments et la nécessité d’utiliser des recherches basées sur des règles dans les rapports infirmiers en texte libre. En outre, traduire les motifs internes d’« attention » du modèle en règles cliniques simples reste difficile, et l’approche s’est focalisée principalement sur des problèmes cutanés relativement bénins plutôt que sur l’ensemble du spectre des réactions sévères.

Ce que cela signifie pour les patients et les cliniciens

Ce travail montre qu’en combinant soigneusement les données hospitalières de routine avec les observations infirmières, des modèles informatiques avancés peuvent estimer le risque qu’un patient développe une réaction cutanée liée à un antibiotique, en particulier les réactions à apparition plus lente qui manquent de tests de laboratoire fiables. En pratique, un tel outil pourrait aider les médecins à signaler les patients à risque élevé pour une surveillance plus étroite, le choix d’un médicament alternatif ou une posologie plus prudente, tout en laissant la plupart des patients recevoir les soins standard. L’étude marque une étape vers la transformation des « résidus numériques » de la pratique médicale quotidienne en un filet de sécurité qui détecte plus tôt les réactions médicamenteuses graves, permettant potentiellement d’empêcher des dommages avant qu’ils n’apparaissent sur la peau.

Citation: Kim, J., Kim, K., Yun, JE. et al. Prediction of antibiotic-associated cutaneous adverse drug reactions using electronic health record foundation models. npj Digit. Med. 9, 311 (2026). https://doi.org/10.1038/s41746-026-02503-x

Mots-clés: effets secondaires des antibiotiques, éruption cutanée induite par un médicament, dossiers de santé électroniques, prédiction médicale par IA, réactions indésirables aux médicaments