Le syndrome de détresse respiratoire aiguë (SDRA) correspond à un syndrome hétérogène, ce qui limite la découverte de thérapeutiques efficaces parmi les essais cliniques récents. La médecine de précision, en identifiant des phénotypes distincts (cliniques, radiologiques, biologiques), vise à homogénéiser les cohortes et personnaliser les stratégies. L’essai LIVE illustre cette transition : bien que l’analyse principale n’ait pas montré le bénéfice d’une ventilation personnalisée selon le phénotype morphologique, une analyse post-hoc, excluant les erreurs de phénotypage, retrouve un bénéfice sur la mortalité à j90, soulignant l’enjeu d’une classification fiable.

Deux approches, issues de l’apprentissage automatique ( machine learning ), sont centrales. La classification non supervisée ( clustering ) permet de regrouper les patients en sous-ensembles homogènes sans connaissance préalable des groupes. Elle s’appuie uniquement sur la base de similitudes cliniques, biologiques et/ou radiologiques. Par exemple, l’analyse en classes latentes a permis d’identifier deux phénotypes de SDRA (hyper- et hypo-inflammatoires), éclairant les mécanismes sous-jacents et guidant potentiellement les stratégies thérapeutiques. La classification supervisée, à l’inverse, utilise des données avec connaissance préalable des groupes pour entraîner un algorithme afin de prédire dans un second temps l’appartenance d’un nouveau patient à un groupe. Elle peut ainsi servir d’outil d’aide au diagnostic, notamment pour interpréter des images radiologiques.

L’intégration de ces méthodes dans des essais adaptatifs représente une avancée majeure pour une médecine de précision en réanimation. En combinant phénotypage et schémas thérapeutiques dynamiques, ces outils pourraient surmonter l’hétérogénéité du SDRA en améliorant la sélection des patients, ouvrant la voie à des interventions ciblées.

Acute respiratory distress syndrome (ARDS) is a heterogeneous syndrome that has posed challenges in identifying effective therapies in recent clinical trials. Precision medicine aims to address this by recognising distinct phenotypes, based on clinical, radiological, and biological characteristics, to optimise patient grouping and personalise treatment strategies. The LIVE trial illustrates this progression: while the primary analysis did not demonstrate a benefit of personalised ventilation according to morphological phenotype, a post-hoc analysis, which excluded classification errors, revealed a mortality benefit at day 90, emphasising the importance of reliable phenotypic classification.

Two key analytical approaches, derived from machine learning, are used. Unsupervised classification (clustering) allows for grouping patients into homogeneous subgroups without prior assumptions, relying solely on similarities in clinical, biological, and/or radiological data. For instance, latent class analysis has identified two ARDS phenotypes, hyper- and hypo-inflammatory, providing insights into underlying pathophysiological mechanisms and potentially informing treatment decisions. Conversely, supervised classification employs pre-defined groupings to train algorithms that can predict the phenotype of new patients, serving as a diagnostic tool, particularly in interpreting radiological images.

The integration of these methodologies into adaptive trial designs represents a significant advancement in precision medicine within intensive care. By combining phenotyping with dynamic treatment approaches, these techniques have the potential to address ARDS heterogeneity more effectively, improve patient selection, and facilitate the development of targeted therapeutic interventions.