JF Timsit Réanimation médicale CHU Grenoble

Présentation au sujet: "JF Timsit Réanimation médicale CHU Grenoble"— Transcription de la présentation:

1 JF Timsit Réanimation médicale CHU Grenoble
Utilisation des scores de gravité et des scores de défaillance viscérale JF Timsit Réanimation médicale CHU Grenoble

2 Beaucoup de perspectives…à utiliser avec prudence
Scores de gravité et de dysfonction d’organes Méthodes de création Utilisation (intérêt et limites) Obligation légale et médico-économique Outil de mesure de la performance Outil de recherche Ajustement/appariement Sélections de sous-populations « à risque » pour les études randomisées Critères de jugement (dysfonction d’organes) Prédiction individuelle Triage (input,output) Outil d’aide à la décision

3 Indices de sévérité généraux: SAPS II, APACHE II et III, MPM II
Evaluation du risque de mortalité But: Prédiction Complexe Pas d’individualisation du degré de défaillances d’organes Scores de dysfonction d’organes: LOD, SOFA, ODIN, MODS, OSF Evaluation de la morbidité But: Description Simple (plus) Individualisation du degré de chaque défaillances d’organes évaluation quotidienne Moindre capacité de prédire le décès

4 Organ dysfunction scores
Variables enclosed Severity scores X Organ dysfunction scores X Age Type of adm. Chronic HS Case-mix MV Vasopressors Temp K, NA, CO3H- Pao2/fiO2 HR BP WBC Platelets PTT Bilirubin Urea Creatinine Urine output GCS Perhaps not: first of all, the clincal variables that are enclosed in scores are not always the same. Temperature and age, chronic illnesses, reason for admission, ionogram parameters etc… are not included in the main organ dysfunction scores.

5 Création d’un score: base méthodologique
Méthode 1: Un groupe d’expert définit un score Validation secondaire sur un échantillon de population pour vérifier que ce score mesure bien ce qu’il est censé mesurer OSF, SOFA , MODS Méthode 2 Une variable à expliquer  DC Des covariables pronostiques candidates d’un échantillon représentatif +++ Construction d’un modèle: DC = f (covariables) Validation du modèle Est t’ il susceptible de prédire correctement la réalité? Quel que soit le niveau de la variable à expliquer? SAPS, APACHE, LOD, ODIN

6 Création d’un score: base méthodologique
La variable à expliquer est-elle bien définie? DC en réanimation, hospitalier DC à J28, DC à 3 mois (Triage…) (Limitations thérapeutiques…) Les covariables pronostiques sont elles bien définies?, bien recueillies? Reproductibles? Qualité de la méthodologie, Qualité du recueil Audit

7 [10 % – 15 %] Interobserver variability in the use of APACHE II scores. Polderman KH, Thijs LG, Girbes AR. Lancet 1999 Jan 30;353(9150):380 [10 % – 15 %] [From 30 % to 10 %]

8 Prérequis statistique
Log (p/1-p) Y p Modèle de régression linéaire Y=  + X X est une variable quantitative ou discrète La variable à expliquer va de 0 à l’infini Modèle logistique On transforme la variable de façon à avoir une réponse [0-1] Notion de Logit: Log (p/1-p) On a toujours: Probabilité p [0-1] alors que logit [-, + ] Log (p/1-p)) =  + X p= exp ( + X)/ (1+ exp( + X)) (ici p=proba (DC) varie de 0 à 100%)  X

9 Propriétés du modèle logistique
Calibration: Chi 2 de Hosmer -Lemeshow: On coupe en 10 tranches d ’effectifs identiques On compare proba observés et proba calculés pour chaque tranche par un test du Chi 2 (à 8 ddl) Discrimination Capacité de p à séparer pour un seuil donné les DCD et les VV. Courbes ROC: Construire courbes Se / 1-Sp en faisant varier le seuil de positivité DC prédits (%) Se Seuil à 5 Détecte de tous les DC Se=P(T+)/DC  100% bcp de VV à test + Sp  0% 1-SP  100% DC observés (%) 1  d   Seuil à 30 Détection de 2/3 DC Se  66% Mais 1/3 VV à test + Sp  66% 1-SP  34%   AUC   1-Sp

10 Prognostic performance and customization of the SAPS II:
Results of a multicenter Austrian study; (Metnitz PGH et al., Intensive Care Med 1999) 1.0 Predicted Observed 0.8 0.6 Hospital mortality 0.4 0.2 C = 85.7, p < AUC ROC curve = 0.81 0.0 Original SAPS II-predicted probability of death

11 The hospital mortality of the sample influence the discrimination of the MPM II system Zhu et al – Crit Care Med 1996; 24:57-63 4224 admission de 6 ICU aux USA Simulated Hospital mortality (%)

12 Echantillon représentatif
Facteurs influençant la performance des scores de gravité Zhu et al – Crit Care Med 1996; 24: Murphy-Wilkins RL – Crit Care Med 1996; 24: Escarce JJ et al – JAMA 1990; Population Propriétés influencée par: Echantillon de construction du score Mortalité de l’échantillon Taille de l’unité Modification de « case-mix » Source d’admission Pays Date des données Politique de triage Erreur de mesure Erreur aléatoire du modèle Performance de l’unité? 4224 admission de 6 ICU aux USA Echantillon représentatif ??

13 Utilisation: Intérêt et limites
Obligation légale et médico-économique Outil de mesure de la performance Outil de recherche Critères de jugement (dysfonction d’organes) Sélections de sous-populations « à risque » pour les études randomisées Ajustement/appariement Prédictions individuelles Triage (input,output) Outil d’aide à la décision

14 Liberté . Égalité . Fraternité et des personnes handicapées
RÉPUBLIQUE FRANÇAISE Ministère de la santé, de la famille, et des personnes handicapées DIRECTION DE L'HOSPITALISATION ET DE L'ORGANISATION DES SOINS Le recueil de l'IGS II est obligatoire depuis le 1er janvier 1997 dans les établissements de soins de courte durée pour les patients adultes faisant l'objet de soins de réanimation voire de soins intensifs ou de surveillance continue si le recueil semble pertinent au clinicien Obligation d’analyser notre activité et nos coûts (consommation de ressource Janvier 2004: Tarif forfaitaire de la journée en réanimation dès lors que IGS II > 15 et acte marqueur

15 Mesure de la performance des unités Le taux de mortalité standardisé (=Standard Mortality Ratio ou SMR) C ’est un rapport qui compare la mortalité observée (0) sur la mortalité prédite (P) La mortalité prédite (probabilité de mortalité) est établie par une équation de probabilité à partir d ’un score de gravité Actual mortality SMR = Predicted mortality

16 SMR Gunning & Rowan – BMJ 1999; 319:241

17 APACHE III system in a UK database Pappachan – Chest 1999; 115:802
April December 1995 16 ICUs SMR= 1.23 (95% CI: )  UK poor ICU performance  Failure of the APACHE III to fit the UK data AUC ROC: 0.89, 82.9% correct classification 2 Hosmer-Lemeshow= 333, p<0.01

18 Prognostic performance and customization of the SAPS II:
Results of a multicenter Austrian study; (Metnitz PGH et al., Intensive Care Med 1999) 1.0 C = 11.6, p = 0.24 0.8 0.6 Hospital mortality 0.4 0.2 C = 89.1, p < AUC ROC curve = 0.81 0.0 Customized SAPS II-predicted probability of death SMR 0.81±0.26, 95%CI VS SMR 0.93± %CI

19 Descriptions of the databases
APACHE III SAPS II MPMII0 MPMII24 MPMII48 MPMII72 N° pts Development Validation 17440 7840 12997 8369 4628 19124 12610 6514 14925 10357 5568 3023 2049 974 2233 1497 736 North america Europe 40 27 110 30 6 % Pts Elective surg Emergency surg Medicine 33 9 58 31 20 49 24 45 25 48 18 39 43 16 41 Lemeshow and Le Gall – JAMA 1994; 272:1049

20 SMR: lequel? (base PMSI, 89747 séjours)
Moine P et al – Projet « performance » 2001

21 (Moreno R et al. Intensive Care Med 2001;27:999-1004)

22 SMR… Très dépendant des propriétés du score sur l’échantillon
Utilisable uniquement si la variable à expliquer est connue (DC hospitalier+++) Intérêt d’une recalibration préalable… Intérêt de la mesure du SMR de certaines sous populations bien définies: intoxication aux BZD, décompensation de BPCO…???

23 Utilisation: Intérêt et limites
Obligation légale et médico-économique Outil de mesure de la performance Outil de recherche Critères de jugement (dysfonction d’organes)  Sepsis Sélections de sous-populations « à risque » pour les études randomisées  Sepsis Ajustement/appariement Prédictions individuelles Triage (input,output) Outils d’aide à la décision

24 Appariement et ajustement sur la gravité de la maladie aiguë: facteur de confusion
DC Evènement X

25 La discrimination du SAPSII à l’admission diminue pour les séjours prolongés
The discrimination of severity scores recrease progressively according to the duration of ICU stay. Consequently, the hability of SAPS score on admission to match a patient with a nosocomial infection with an unexposed patient might be unrealistic. Suistomaa M et al- Intensive Care Med 2002; 28: 22

26 Pneumonie à P aeruginosa Rello CID 1996
APACHE II identique entre les PN fatales et celles à évolution favorable… * * 30

27 DC:44% DC: 14.6% Les malades qui vont développer une infection nosocomiale sont ceux qui évoluent le moins bien initialement Girou et al AJRCCM 1998; 157:1151 26

28 But de l'appariement ou de l'ajustement…
Faire ou prendre des jumeaux parfaits Identiques en tout points sauf… La variable qui nous interresse …il faut tenir compte de l’évolution des scores avant la survenue de l’évènement 23

29 Gravité évolutive et risque de décès
Ferreira et al – JAMA 2001; 1754 Rué et al – Crit Care Med 2001; 45 L’évolution des scores de gravité et de dysfonction d’organes est , indépendamment du score initial un Facteur pronostic C’est les scores mesurés le plus tard au cours de l’évolution des patients par rapport à l’admission qui contribue le plus aux modèles pronostiques

30 Gravité évolutive et risque de décès
Utilisation: Les scores de dysfonctions d’organes évolutifs sont correctement calibrés et discriminants Timsit et al - Crit Care Med 2002; 30:2003 On peux construire des scores composites particulièrement adapté à une population hospitalisée longtemps Le score TRIO basé sur le SAPS II, le LOD et l’évolution des scores entres J2 et J3 est bien calibré et posséde une discrimination correcte Timsit et al – Intens care Med 2001; 27:1012

31 + = Soufir et al ICHE, 1999 ICU admission Day 0 Diagnosis SAPS II
Catheter-related septicemia ICU admission Exposed patients Day 0 Day -7 Day -3 Diagnosis SAPS II Mc Cabe + MATCHING CRITERIA = Death? Length of catheterization Day -7 Day -3 ICU admission Matched unexposed patients Day 0 Measure of severity scores Soufir et al ICHE, 1999

32 Gravité avant la bactériémie: évolution au cours du temps
53% chocs septiques Taux brut de mortalité: Exposés: 50%, Non exposés: 21% SAPS II * * Estimations: Non ajustée: HR 2.06 ( ) Ajustée sur les variables pronostiques à l’admission: HR=2.01 ( ) Ajustement sur gravité J-7 HR=1.41 ( ) Ajustement sur gravité J-7 et J-3 HR= 1.3 ( ) Exposed Unexposed Les malades qui vont acquérir une bactériémie ont une gravité déjà plus importante 7 jours avant … Soufir et al ICHE, 1999;20:396 31

33 SOFA maximal et pronostic Vincent et al – Crit Care med 1998; 26: 1793
1449 Pts, 16 pays Mai 1995 DC hos: 26.7%

34 SOFA journalier et pronostic
SOFA journalier et pronostic Vincent et al – Crit Care med 1998; 26: 1793 1449 Pts, 16 pays Mai 1995 DC hos: 26.7%

35 Scores évolutifs Description: Prédiction:
Suivi de l’évolution des scores comme témoins sensibles de l’amélioration des malades et d’un risque potentiel de décès Prédiction: Affiner la prédiction chez les malades hospitalisés longtemps Ajustement sur des scores dynamiques de dysfonction d’organes

36 Prédiction individuelle
NON!!

37 Triage et scores de gravité
Admission: Scores non adaptés: Construit sur les malades admis le MPM0 ne discrimine pas les vivants des décédés chez les malades proposés Garrouste-Orgeas et al- Intensive Care Med 2003;29:774 Limitations thérapeutiques Tentative avec l’APACHE III à J3… SUPPORT prognostic model – Knaus WA Ann Intern Med 1995; 122:191 Peut-être un des paramètres à prendre en compte??? Mortalité post-réanimation Le SOFA la veille de la sortie Azoulay et al – Crit Care Med 2003;31:428 PERFORMANCE TRES INSUFFISANTE, ETHIQUE DISCUTABLE

38 Avenir Routine: Outils plus précis
Amélioration de la prédiction pour un groupe de malade Recalibration, Réactualisation Nouveaux modèles simples Outils plus précis SAPS III project Modèles de prédiction tenant compte de l’évolution (complexe mais informatisation) Outils d’aide à la décision