Développement et pré-validation d'un algorithme de prédiction basé sur l'apprentissage automatique pour le rétablissement fonctionnel précoce chez les patients subissant une chirurgie de remplacement de la hanche et du genou (FISIO_IA)

Cette étude observationnelle vise à développer et pré-valider un algorithme d'apprentissage automatique pour prédire la récupération précoce de la mobilité et la durée d'hospitalisation des patients subissant une arthroplastie élective de la hanche ou du genou. L'étude comprend une phase rétrospective (2020-2023) utilisant les données cliniques et de physiothérapie existantes, et une phase prospective (mars 2026-décembre 2027) pour valider le modèle dans la pratique clinique de routine.

Collecte des données et critères d'évaluation :

Récupération de la mobilité : évaluée par la capacité à monter et descendre trois marches dans les quatre premiers jours postopératoires, enregistrée dans le journal de physiothérapie et le dossier médical électronique.

Durée d'hospitalisation : considérée comme normale si le patient est sorti avant le cinquième jour postopératoire ; les séjours plus longs sont définis comme prolongés.

Prédicteurs : Démographie de base (âge, sexe, IMC, score ASA, hémoglobine préopératoire) et caractéristiques cliniques/périopératoires (type de chirurgie et d'anesthésie, initiation de la physiothérapie, niveau de douleur, utilisation d'une sonde urinaire, intolérance orthostatique).

Taille de l'échantillon : 943 patients au total (600 rétrospectifs, 343 prospectifs), basée sur les exigences de développement du modèle et l'estimation de l'AUROC.

Analyse des données : L'ensemble de données sera divisé en ensembles d'entraînement, de validation et de test. Plusieurs algorithmes d'apprentissage supervisé (par exemple, régression logistique, forêt aléatoire, boosting de gradient) seront comparés. La performance du modèle sera évaluée à l'aide de l'AUROC, de la sensibilité, de la spécificité, de la précision, du score F1 et de l'étalonnage. Les données manquantes seront traitées par imputation ou par les méthodes natives des algorithmes lorsque cela est pris en charge.

Validation du modèle : Les données prospectives seront utilisées pour évaluer la discrimination et l'étalonnage du modèle, et pour identifier d'éventuels biais temporels ou cliniques. Un réentraînement peut être effectué en utilisant des ensembles de données combinés pour améliorer la généralisabilité.

Déroulement de l'étude : Patients rétrospectifs identifiés via les dossiers hospitaliers ; patients prospectifs identifiés lors de la première séance de physiothérapie postopératoire, informés sur l'étude et ayant donné leur consentement. Les résultats prédictifs sont stockés dans un registre séparé inaccessible aux cliniciens traitants.

Centres participants :

IRCCS Istituto Ortopedico Rizzoli, Bologne - recrutement des patients. Structure complexe de physique médicale, Arcispedale S. Maria Nuova - analyse des données et modélisation IA.