Le phénotype emphysème peut bénéficier d’un traitement spécifique éventuellement préventif de sa progression. Sa reconnaissance précoce est donc cruciale surtout lorsque les accès à l’imagerie quantitative et/ou la consultation pneumologique sont limitées. Au cours de l’étude AIR [1Marquette C.H., Boutros J., Benzaquen J., Ferreira M., Pastre J., Pison C., et al. Circulating tumour cells as a potential biomarker for lung cancer screening: a prospective cohort study Lancet Respir Med 2020 ; 8 (7) : 709-71610.1016/S2213-2600(20)30081-3 [cross-ref]
Cliquez ici pour aller à la section Références], 71 % des sujets étaient GOLD 1 et 2 dont 2/3 avec un emphysème pour la majorité non connu. Nous avons souhaité vérifier si des groupes homogènes de patients étaient détectables par clustering en incluant des variables TDM, cliniques et spirométriques simples sans mesure de la distension thoracique et de la DLCO. Nous avons ensuite testé divers modèles de prédiction du phénotype emphysémateux à partir des variables non-TDM comme cela a été précédemment démontré par une étude post-hoc sur une cohorte de BPCO plus sévères dans COSYCONET [2Kellerer C., Jörres R.A., Schneider A., Alter P., Kauczor H.U., Jobst B., et al. Prediction of lung emphysema in COPD by spirometry and clinical symptoms: results from COSYCONET Respir Res 2021 ; 22 (1) : 24210.1186/s12931-021-01837-2
Cliquez ici pour aller à la section Références].
L’étude a concerné 143/614 participants du centre Niçois de l’essai AIR [1Marquette C.H., Boutros J., Benzaquen J., Ferreira M., Pastre J., Pison C., et al. Circulating tumour cells as a potential biomarker for lung cancer screening: a prospective cohort study Lancet Respir Med 2020 ; 8 (7) : 709-71610.1016/S2213-2600(20)30081-3 [cross-ref]
Cliquez ici pour aller à la section Références]. Les données cliniques, fonctionnelles et TDM ont été colligées sur un clone de la consultation Colibri-BPCO. La méthode de complétion basée sur les forêts aléatoires missForest a été utilisée pour combler les 9,4 % de données manquantes. Pour le clustering nous avons utilisé une technique d’apprentissage non supervisé, l’analyse factorielle de données mixtes (AFDM), puis choisi le nombre idéal de clusters basé sur un algorithme de matrices de dissimilarité Clustering Objects on Subests of Attributes (COSA). Enfin, pour l’analyse de prédiction nous avons employé diverses techniques de forêts aléatoires dont HyperSMURF.
Sur 143 patients, il s’agissait d’hommes (66,4 %), âgés de 62,2 (±6,9) ans, dont la 57,3 % étaient fumeurs actifs à 57,2 (±22,7) Paquets-Années, dont 74,8 % sont emphysémateux. Deux clusters (A=97,3 % d’emphysémateux et B=88,5 % de phénotypes légers) ont été isolés à partir des variables anamnestiques, cliniques, spirométriques, scanographiques et de questionnaires HAD, CAT et DIRECT. Seuls les comorbidités cardiovasculaires (46,2 % vs 23,1 % ; p=0,031) et le score HAD-D (5,2 [3,7 %] vs 3,7 [3,3 %] ; p=0,045) différenciaient significativement A et B. L’algorithme prédictif de l’emphysème retrouvait une exactitude (accuracy) de 0,9643 (IC95 % : 0,88) à l’aide des variables âge, IMC, VEMS/CVF, grade et groupe GOLD (FEV1, exacerbations dans l’année, CAT score) et DIRECT.
Le phénotype emphysème pourrait être prédit avec une quasi-certitude chez des sujets fumeurs avec une BPCO légère sans scanner thoracique, ni mesures de la distension thoracique et de la DLCO. Ce modèle reste à valider sur d’autres cohortes de sujets fumeurs avec divers niveaux de sévérité de la fonction respiratoire mesurée par spirométrie lente et forcée.
Le texte complet de cet article est disponible en PDF.
© 2022
Publié par Elsevier Masson SAS.