Le pronostic de la chirurgie cardiaque est difficile à prévoir et la décision d’opérer un patient est complexe. L’équipe peut être aidée dans sa décision par des scores de prédiction de la mortalité postopératoire (EuroScore II). L’apprentissage automatique (« machine learning ») a démontré son intérêt dans différents domaines et pourrait permettre d’améliorer ces algorithmes de décision.

Nous avons réalisé une étude rétrospective incluant les patients ayant eu une chirurgie cardiaque entre 2005 et 2012 au CHU Bichat-Claude-Bernard (Paris). Nous avons comparé la capacité de plusieurs algorithmes d’apprentissage automatique au score Euroscore II et à la régression logistique pour prédire la mortalité postopératoire de ces patients. La comparaison entre les modèles était réalisée en comparant les aires sous la courbe ROC (AUC).

Nous avons inclus 6520 patients dans cette étude, dont 411 (6,3 %) sont décédés en postopératoire. La combinaison de différents algorithmes d’apprentissage automatique permettait d’obtenir une capacité prédictive significativement supérieure à l’Euroscore II et à un modèle classique de régression logistique (AUC=0,795 versus 0,737 et 0,742, respectivement ; p<0,0001).

Ces résultats démontrent que l’apprentissage automatique permet d’obtenir des modèles avec des capacités prédictives supérieures aux modèles classiquement utilisés en médecine. De tels algorithmes seraient donc à privilégier pour aider à la décision médicale.