Validation statistique de mesures de gravité des traumatismes craniocérébraux basées sur la classification internationale des maladies

VALIDATION STATISTIQUE DE

MESURES DE GRAVITÉ DES TRAUMATISMES

CRANIOCÉRÉBRAUX BASÉES SUR LA

CLASSIFICATION INTERNATIONALE DES MALADIES

Mémoire

Mathieu Gagné

Maîtrise en épidémiologie

Maître ès sciences (M.Sc.)

RÉSUMÉ

La Classification internationale des maladies (CIM) est le principal système de classification utilisé pour les activités de surveillance des blessures, mais ne contient pas d’information directe sur la gravité des blessures. Des mesures de gravité des blessures basées sur la CIM peuvent être dérivées empiriquement ou appariées, mais aucune approche n’a été formellement recommandée, notamment pour les traumatismes craniocérébraux (TCC).

Deux études ont été menées afin de combler cette lacune. L’objectif de la première étude consistait à examiner de manière systématique les résultats des études qui ont évalué les performances des mesures de gravité des blessures basées sur la CIM pour prédire la mortalité intra-hospitalière chez les blessés hospitalisés. Cet examen systématique suggère que les mesures de gravité des blessures dérivées empiriquement des codes CIM procurent des capacités de discrimination supérieures à celle des autres candidats examinés. L’ICISS-Multiplicative et le TMPM-ICD offrent une capacité de discrimination plus élevée que les autres mesures considérées.

L’objectif de la seconde étude était de comparer la validité prédictive des mesures de gravité des blessures basées sur la CIM pour prédire la mortalité intra-hospitalière et l’admission en unité de soins intensifs chez les patients hospitalisés à la suite d’un TCC au Québec. Nos résultats indiquent que les mesures de gravité des blessures basées sur la CIM affichent une validité acceptable pour prédire la mortalité intra-hospitalière et l’admission en unité de soins intensifs chez les patients hospitalisés à la suite d’un TCC. De manière générale, l’ICISS-Multiplicative a surclassé les autres candidats pour prédire la mortalité à l’hôpital et les admissions en unité de soins intensifs.

Sur la base des résultats de ces deux études, nous recommandons que l’ICISS-Multiplicative soit utilisé pour calculer la gravité des TCC dans les bases de données médico-administratives dans lesquelles les diagnostics sont codifiés à l’aide de la CIM.

iv

ABSTRACT

The International Classification of Diseases (ICD) is the main classification system used for the injury surveillance activities, but contains no direct information on the severity of injuries. ICD-based injury severity measures can be derived empirically or mapped to the Abbreviated Injury Scale, but no approach has been formally recommended, in particular for traumatic brain injury (TBI).

Two studies were conducted to fill this gap. The objective of the first study was to systematically review the results of studies that have evaluated the performance of the ICD-based injury severity measures to predict in-hospital mortality among injury-related patients. The results of this systematic review suggest that injury severity measures empirically derived from ICD codes provided superior discriminative performance than other mapped candidates. ICISS-Multiplicative and TMPM-ICD predict mortality more accurately than other ICD-based measures.

The objective of the second study was to compare the accuracy of ICD-based injury severity measures for predicting in-hospital mortality and intensive care unit (ICU) admission in TBI patients. Our results indicate that all ICD-based injury severity measures showed acceptable discrimination for predicting in-hospital mortality and ICU admission in TBI patients. ICISS-Multiplicative had generally higher predictive accuracy than alternative ICD-based injury severity measures for predicting in-hospital mortality and ICU admission. Based on the results of these two studies, we recommend that the ICISS-Multiplicative should be used for TBI severity adjustment in large routinely collected administrative data where TBI are coded with ICD.

TABLE DES MATIÈRES

RÉSUMÉ ... iii

ABSTRACT ... iv

TABLE DES MATIÈRES ... v

LISTE DES TABLEAUX ... viii

LISTE DES FIGURES ... ix

LISTE DES ABRÉVIATIONS ... x

REMERCIEMENTS ... xi

AVANT-PROPOS ... xii

INTRODUCTION ... 1

CHAPITRE 1 – ÉTAT DES CONNAISSANCES ... 3

1. Le traumatisme craniocérébral ... 3

1.1. Définition ... 3

1.2. Physiopathologie ... 3

1.3. Épidémiologie des traumatismes craniocérébraux ... 4

1.4. Mesures de la gravité des blessures ... 5

1.5. Mesures physiologiques de la gravité des blessures ... 6

1.6. Mesures anatomiques de gravité des blessures ... 7

1.6.1. Mesures anatomiques de gravité des blessures basées sur l’AIS ... 7

1.6.2. Mesures anatomiques de gravité des blessures basées sur la CIM ... 8

1.6.3. Mesures anatomiques de gravité des blessures basées sur la CIM : beaucoup d’appelées, peu d’élues ... 10

1.6.4. Mesures anatomiques de gravité des traumatismes craniocérébraux basées sur la CIM ... 10

CHAPITRE 2 – HYPOTHÈSES ET OBJECTIFS ... 11

2.1. Hypothèses ... 11

2.2. Objectifs ... 11

CHAPITRE 3 – MÉTHODOLOGIE ... 12

3.1. Première partie - revue systématique et méta-analyse ... 12

3.1.1. Sources d’informations et recherche ... 12

3.1.2. Sélection des études ... 13

3.1.3. Extraction des données ... 13

3.1.4. Évaluation du risque de biais... 14

3.1.5. Mesure des aires sous la courbe ROC (AUC) combinées pour la méta-analyse ... 15

vi

3.1.7. Évaluation du biais de publication ... 17

3.2. Validation des mesures de gravité des blessures basées sur la CIM pour prédire la mortalité intra-hospitalière et l’admission à l’unité des soins intensifs chez les patients ayant subi un TCC ... 17

3.2.1. Type d’étude et population ... 17

3.2.2. Sources de données ... 17

3.2.3. Résultat clinique d’intérêt ... 20

3.2.4. Mesures anatomiques de gravité des traumatismes ... 20

3.2.5. Autres prédicteurs considérés ... 21

3.2.6. Analyses statistiques ... 22

CHAPITRE 4 – PERFORMANCE OF ICD-BASED INJURY SEVERITY MEASURES USED TO PREDICT IN-HOSPITAL MORTALITY: A SYSTEMATIC REVIEW AND META-ANALYSIS ... 25 Résumé ... 26 Abstract ... 27 Background ... 28 Methods ... 28 Search strategy ... 29 Study selection ... 29 Data extraction ... 29

Assessment of risk of bias ... 30

Data analysis ... 30

Weighted average AUC variability and subgroup analyses ... 31

Results ... 31

Discrimination performance ... 31

Calibration and overall performance ... 32

Discussion ... 32

Limitations ... 34

Conclusion ... 35

References ... 35

CHAPITRE 5 - PERFORMANCE OF ICD-BASED INJURY SEVERITY MEASURES USED TO PREDICT IN-HOSPITAL MORTALITY AND INTENSIVE CARE ADMISSION AMONG TRAUMATIC BRAIN-INJURED PATIENTS ... 53

Résumé ... 54

Abstract ... 55

Background ... 56

Methods ... 57

Outcome measure ... 57

ICD-10-based injury severity measures ... 57

Other predictor variables ... 58

Assessing predictive accuracy ... 58

Sensitivity analyses ... 59 Results ... 59 Patient characteristics ... 59 Predictive accuracy ... 60 Discussion ... 60 Limitations ... 63 Conclusion ... 63 References ... 65 CHAPITRE 6 – DISCUSSION ... 79

6.1. Synthèse des principaux résultats ... 79

6.2. Validité interne de la revue systématique ... 80

6.3. Validité interne des modèles prédictifs ... 82

6.3.1. Biais de sélection ... 82

6.3.2. Biais d’information ... 83

6.3.3. Biais de confusion ... 84

6.4. Taille de l’échantillon et précision des estimations ... 85

6.5. Validité externe ... 86

6.6. Implications pour la santé publique ... 87

6.7. Orientation pour les travaux à venir ... 87

CHAPITRE 7 – CONCLUSION ET RECOMMANDATIONS ... 88

BILIOGRAPHIE ... 89

Annexe A – Liste de vérification PRISMA ... 97

Annexe B – Stratégie de recherche documentaire ... 100

Annexe C – Formulaire d’extraction des données ... 102

Annexe D – Évaluation du risque de biais ... 107

Annexe E – Pooled AUC values for ICISS using the product of traditional survival proportions according to the ICD version (9th _{or 10}th_{), derivation provenance of} survival proportions, and type of database used for validation across studies published before and after 2004 ... 108

viii

LISTE DES TABLEAUX

Tableau 1 Critères fonctionnels de l’échelle de coma Glasgow ... 7

Tableau 2 Score de l’Abbreviated Injury Scale, niveau de gravité correspondant et exemple de blessure à la tête ... 8

Tableau 3 Principales mesures anatomiques de gravité des blessures basées sur la Classification internationale des maladies ... 10

Tableau 4 Codes de la CIM associés aux TCC, avec les scores AIS appariés, les proportions de survie par diagnostic et les coefficients de régression utilisés ... 19

Tableau 5 Characteristics of included studies ... 42

Tableau 6 Risk of bias of the 22 included studies ... 45

Tableau 7 Pooled AUC values for Injury Severity Instruments examined ... 46

Tableau 8 Pooled AUC values for Injury Severity Instruments examined according to the type of database used for validation ... 47

Tableau 9 Pooled AUC values for Injury Severity Instruments examined according to the derivation provenance of survival proportions ... 48

Tableau 10 Pooled AUC values for Injury Severity Instruments examined according to the year of publication ... 49

Tableau 11 Overall performance and calibration of the Injury Severity Instruments among included studies ... 50

Tableau 12 Characteristics of traumatic brain injured patients in Quebec hospital discharge data, 2006-07 to 2013-14 ... 72

Tableau 13 Adjusted odds ratios and their 95% confidence intervals for in-hospital mortality and intensive care unit admission among of traumatic brain injured patients in Quebec hospital discharge data, 2006-07 to 2013-14. ... 73

Tableau 14 Difference in the area under the Receiver Operating Characteristic (ROC) curve between ICISS-Multiplicative and others ICD-based injury severity measures to predict in-hospital mortality and intensive care unit admission 77 Tableau 15 Area under the Receiver Operating Characteristic (ROC) curve of ICD-based injury severity measures to predict in-hospital mortality among subgroups . 77 Tableau 16 Overall performance and calibration for ICD-based injury severity measures to predict in-hospital mortality and intensive care unit admission ... 78

LISTE DES FIGURES

Figure 1 Classification des TCC selon la pathologie ... 4 Figure 2 Flow diagram for selection of studies ... 40 Figure 3 Funnel plot of reported AUC for ICD-based injury severity measures ... 41 Figure 4 Discriminative performance for ICD-based injury severity measures to

predict in-hospital mortality and intensive care unit admission ... 69 Figure 5 Calibration plots for ICD-based injury severity measures to ... predict in-hospital mortality ... 70 Figure 6 Calibration plots for ICD-based injury severity measures to ... predict intensive care unit admission ... 71

x

LISTE DES ABRÉVIATIONS

AIS Abbreviated Injury Scale AUC Aire sous la courbe ROC

CIM Classification internationale des maladies GCS Échelle de coma Glasgow

H-L Statistique Hosmer-Lemeshow

ICISS International Classification of Disease based Injury Severity Score ISS Injury Severity Score

MAIS AIS Maximum

Med-Écho Maintenance et exploitation des données pour l’étude de la clientèle hospitalière

NISS New Injury Severity Score

PRISMA Preferred Reporting Items for Systematic Reviews and Meta-Analyses PSD Proportions de survie par diagnostic

RTS Revised Trauma Score TCC Traumatisme craniocérébral TCCL Traumatisme craniocérébral léger TMPM Trauma Mortality Prediction Model

TRIPOD Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis

REMERCIEMENTS

Je tiens à remercier Professeure Lynne Moore et Professeure Marie-Josée Sirois qui m’ont dirigé pour ce travail. Malgré nos horaires chargés et la durée de ce projet, elles m’ont apporté leur soutien, conseillé et guidé avec générosité. Parmi leurs nombreuses contributions, leur perspicacité et leur jugement critique ont permis d’améliorer de manière importante ce projet.

Plusieurs collaborateurs m’ont fourni une aide décisive pour mener à terme ce travail, plus particulièrement Claudia Beaudoin, Vanessa Fillion et Marc Simard. Je tiens à les en remercier.

Je remercie Valérie Émond et Danielle St-Laurent qui m’ont accordé les conditions nécessaires pour réaliser ce projet.

Enfin, merci à Isabelle, Marie-Laurence et Élisabeth d’être à mes côtés, chaque jour, pour m’encourager et me rappeler de profiter du moment présent.

xii

AVANT-PROPOS

Deux articles sont présentés dans ce mémoire. Le premier, intitulé «Performance of International Classification of Diseases-based injury severity measures used to predict in-hospital mortality: systematic review and meta-analysis» a été publié en mars 2016 dans le numéro 80, volume 3, du Journal of Trauma and Acute Care Surgery. Les résultats du ce premier article avaient été présentés à la rencontre scientifique annuelle de l’Association canadienne de traumatologie qui s’est déroulé en avril 2014 à Montréal. Pour cette présentation, le prix de la meilleure affiche nous a été décerné. Le second article, intitulé «Performance of ICD-based injury severity measures used to predict in-hospital mortality and intensive care admission among traumatic brain-injured patients» a été accepté pour publication en septembre 2016 dans le Journal of Trauma and Acute Care Surgery. Mathieu Gagné est le premier auteur de ces deux articles. Il a joué un rôle central dans l’élaboration du projet, pour l’obtention des données, pour leur analyse et l’interprétation des résultats. Il a également participé à la préparation et la rédaction des manuscrits en tant que premier auteur, sous la supervision de Professeure Lynne Moore et de Professeure Marie-Josée Sirois.

Ces deux articles ont pour coauteurs Lynne MOORE (Ph.D.)1,2_{, Marc SIMARD (M.Sc.)}3_, Marie-Josée SIROIS (Ph.D.) 2,4_{, Claudia BEAUDOIN (M.Sc.)}2,3 _{et Brice Lionel Batomen} KUIMI (M.Sc.)1,2_.

1 _{Axe Santé des Populations et pratiques Optimales en Santé (Population Health and Optimal}

Health Practices Research Unit), Traumatologie – Urgence - Soins intensifs (Trauma – Emergency – Critical Care Medicine), Centre de Recherche du Centre Hospitalier Universitaire (CHU) de Québec (Hôpital de l’Enfant-Jésus), Université Laval, Québec (Qc), Canada;

2 _{Département de médecine sociale et préventive, Faculté de médecine, Université Laval;}

3 _{Bureau d’information et d’études en santé des populations, Institut national de santé publique du}

Québec. Auteur sur le second article seulement;

4 _{Département de réadaptation, Faculté de médecine, Université Laval et Centre d’Excellence sur le}

Vieillissement de Québec, Centre de Recherche du Centre Hospitalier Universitaire (CHU) de Québec (Hôpital de l’Enfant-Jésus), Université Laval, Québec (Qc), Canada

INTRODUCTION

Les traumatismes craniocérébraux (TCC) constituent une cause importante de mortalité et de morbidité dans le monde.(1) L’Organisation mondiale de la Santé estime qu’annuellement, 10 millions d’individus subissent un TCC.(2) Chez les adultes admis entre 2006 et 2012 dans un centre de traumatologie au Canada à la suite d’une blessure majeure, 78 % de la mortalité intra-hospitalière était attribuable à un TCC.(3) Lorsque les patients traumatisés crâniens hospitalisés survivent, près de la moitié conserve des limitations fonctionnelles après la phase aiguë.(4) Parallèlement, les conséquences économiques associées aux TCC sont importantes, alors que le coût moyen de traitement pour un TCC modéré ou grave est estimé à 36 648 $ US.(5)

L’utilisation d’informations valides relatives aux TCC est nécessaire pour établir les priorités et élaborer des stratégies efficaces en matière de prévention, de même que pour allouer les ressources de santé de façon rationnelle.(6,7) Ces données sont issues des activités de surveillance et de recherche sur les blessures. Les informations relatives à la gravité des lésions subies sont essentielles pour identifier et contrôler les différences dans les caractéristiques de base des populations de patients.(8)

Pour les activités de surveillance et de recherche qui concernent les TCC, une définition opérationnelle a été proposée sur la base des codes de diagnostic de la Classification internationale des maladies (CIM).(9) Ce système de classification est généralement utilisé à des fins administratives par les établissements de santé afin de colliger dans des bases de données volumineuses les affections qui ont été diagnostiquées ou traitées. Contrairement à l'Abbreviated Injury Scale (AIS), employé pour codifier les blessures dans les registres dédiés à la traumatologie, la CIM ne contient pas d'information directe sur la gravité des blessures.(10) Plusieurs mesures de gravité des blessures basées sur la CIM sont néanmoins disponibles et peuvent être intégrées aux bases de données qui utilisent ce système de classification.(11) Toutefois, aucune mesure n'a été formellement recommandée.

La capacité des mesures de gravité des blessures à prédire la mortalité chez les patients blessés a fait l’objet d’une revue systématique en 2012.(11) Cependant, les performances

2

mesures de gravité des blessures basées sur la CIM dans les travaux de recherche sur les TCC, aucune étude n'a formellement porté sur l’évaluation de leur validité.

CHAPITRE 1 – ÉTAT DES CONNAISSANCES

1. Le traumatisme craniocérébral

1.1. Définition

Un TCC est défini comme « une altération des fonctions cérébrales, ou toute autre preuve de pathologie cérébrale, causée par une force extérieure ».(12) Les signes d’une altération des fonctions cérébrales peuvent être une perte ou une diminution du niveau de conscience, une amnésie rétrograde ou antérograde, l’apparition de déficit neurologique ou toutes modifications de l’état mental au moment de la blessure.(12) La force extérieure ou le mécanisme à l’origine de la lésion peut être un coup direct, une accélération/décélération rapide, un objet pénétrant (ex. coup de feu) ou encore le souffle d’une explosion.(12)

1.2. Physiopathologie

Les TCC occasionnent divers dommages anatomiques (figure 1). Une part importante des TCC sont légers (par exemple les commotions cérébrales) puisqu’ils entraînent des symptômes brefs et transitoires sans qu’une lésion intracrânienne soit présente.(13) D’autres sont provoqués par une contusion ou un hématome localisé pouvant se situer à l’intérieur du cerveau (sous-arachnoïdienne), entre l’extérieur du cerveau et la dure-mère (sous-dural) ou entre le crâne et la dure-mère (épidural).(14) Des lésions axonales diffuses, associées à des forces de cisaillement des cellules nerveuses, s’observent également lors d’accélération/décélération violente de la boîte crânienne, comme dans le cas de collisions de véhicule à moteur.(15) Ces lésions initient divers mécanismes pathophysiologiques pouvant mener à des dommages secondaires, dont l’œdème cérébral.(14,16) Les lésions cérébrales isolées sont relativement peu communes lors d’un TCC et s’accompagnent régulièrement de fracture du crâne.(15)

4

Figure 1 Classification des TCC selon la pathologie

1.3. Épidémiologie des traumatismes craniocérébraux

En 2008, les traumatismes ont constitué la principale cause de décès au Canada chez les individus âgés de 1 à 44 ans.(17) Aux États-Unis, en 2006, près du tiers de tous les décès par traumatisme impliquait un TCC.(18) Chez les adultes admis dans un centre de traumatologie au Canada à la suite d’une blessure majeure entre 2006 et 2012, 78 % de la mortalité intra-hospitalière était attribuable à un TCC.(3)

Les TCC constituent un problème de santé publique important(1) qui occasionne plus de 52 000 décès et 275 000 hospitalisations chaque année aux États-Unis.(19) Lorsque les patients traumatisés crâniens survivent à leur hospitalisation, près de la moitié conserve une incapacité à long terme.(4) Les TCC occasionnent également un lourd fardeau économique pour la société, notamment parce que le coût moyen associé au traitement et à la prise en charge à long terme d’un TCC modéré ou grave varie entre 20 550 et 36 648 $ US.(5,20,21)

Au Canada, les TCC ont engendré en moyenne 23 300 hospitalisations par année entre 2006 et 2010, alors que le taux annuel d’hospitalisations associées aux TCC a augmenté de 4 % au cours de cette période.(22) Aux États-Unis, pour la période 2002 à 2006, le taux d’hospitalisations associées aux TCC a été estimé à 94 hospitalisations par 100 000 personnes.(19) Au Canada, au cours de l’année 2010, le taux d’hospitalisations associées aux TCC était de 73 hospitalisations par 100 000 personnes,(22) un taux similaire à ce qui

Commotion

Focalisée

Diffuse

Fracture du crâne

est rapporté au Brésil (66 hospitalisations par 100 000 personnes),(23) mais inférieur à ce qui est observé en Finlande (101 hospitalisations par 100 000 personnes).(24) La comparaison du taux d’hospitalisations associées aux TCC entre les différentes juridictions est complexe en raison des différences méthodologiques des différentes études et des variations des systèmes de santé.(25)

À tous les âges, l’incidence des TCC est plus élevée chez les hommes que chez les femmes.(19,22) Lorsque les visites aux urgences, les admissions à l’hôpital et les décès sont combinés, les enfants et les adolescents affichent les taux d’incidence les plus élevés. En contrepartie, lorsque les visites aux urgences sont exclues, les taux d’hospitalisation et de décès associés aux TCC sont plus élevés chez les aînés.(19) D’ailleurs, dans les pays développés, le portrait épidémiologique des TCC se modifie.(26) Alors que l’incidence des TCC liés aux accidents de la circulation diminue chez les plus jeunes, l’incidence des TCC attribuables aux chutes accidentelles augmente chez les aînés.(22,27) Malgré tout, aux États-Unis, le taux d’hospitalisations associées aux TCC a diminué de 51% de 1980 à 1995,(28) en raison notamment de changements dans les pratiques d’hospitalisation des patients ayant des TCC légers.

Ces changements peuvent conduire à des conclusions trompeuses lorsque les tendances temporelles sont analysées.(29,30) Afin de contrôler l’impact de ces changements de pratique sur la tendance des hospitalisations attribuables aux TCC, il est nécessaire de disposer d’une mesure de gravité des blessures pouvant être intégrée aux bases de données codifiées selon la CIM. L’utilisation d’une telle mesure permettrait de départager les variations liées à l’utilisation des services de santé de celles associées à l’incidence des TCC.(31) Cette stratégie soulève un certain défi méthodologique puisque la CIM ne contient pas de mesure directe de la gravité des blessures.(8,10)

1.4. Mesures de la gravité des blessures

Les blessures peuvent être classées de plusieurs façons, notamment selon leur gravité. L’approche habituellement utilisée pour décrire la gravité des blessures inclut l’étendue des dommages anatomiques, les perturbations des mesures physiologiques de base et la réserve fonctionnelle du patient. Ces dimensions peuvent être exprimées de la façon suivante (32–34):

6

De manière habituelle, la gravité des blessures renvoie à la probabilité de décès, bien que l’admission en unité de soins intensifs, la durée du séjour à l’hôpital, le degré des limitations fonctionnelles et de l’invalidité ou les coûts associés aux blessures constituent également des résultats de santé qui reflètent la gravité des blessures.(33)

1.5. Mesures physiologiques de la gravité des blessures

Les perturbations des mesures physiologiques de base traduisent la composante dynamique de la blessure en phase aigüe.(35) Cette dimension est essentiellement captée par trois paramètres liés aux conséquences des lésions traumatiques sur l’organisme. Ces trois paramètres sont les dérangements hémodynamiques (pression artérielle systolique), neurologiques (échelle de Coma Glasgow [GCS]) et respiratoires (fréquence respiratoire). Utilisés conjointement, ces paramètres permettent de calculer le Revised Trauma Score, le Trauma Score and Injury Severity Score(36) ou encore le Trauma Risk Adjustment Model.(37)

L’évaluation des signes cliniques associés aux perturbations neurologiques occasionnées par les lésions cérébrales constitue l’approche habituellement préconisée pour mesurer la gravité des TCC.(38) Ces perturbations sont mesurées à l’aide du score GCS,(39,40) considéré comme la référence depuis son développement en 1974.(41) Le score GCS varie de 3 (état comateux) à 15 (personne parfaitement consciente) et s’obtient en additionnant les scores obtenus à la suite de l’évaluation de trois critères fonctionnels (Tableau 1), soit l’ouverture des yeux (1-4), la réponse verbale (1-5) et la réponse motrice (1-6).(42) Un score de 13 à 15 indique généralement un TCC léger, tandis qu’un score de 9 à 12 désigne un TCC modéré. Un score inférieur ou égal à 8 signale un TCC grave.(41) Le score GCS permet de bien discriminer les survivants des non-survivants chez les patients hospitalisés à la suite d’un traumatisme à la tête,(43) et ce, malgré ses limites chez les patients intoxiqués ou sous sédation.(44)

Tableau 1 Critères fonctionnels de l’échelle de coma Glasgow

Ouverture des yeux

Réponse verbale

Réponse motrice

Spontanée (4) Orientée (5) Obéit à la demande (6)

A la demande (3) Confuse (4) Orientée à la douleur (5)

A la douleur (2) Inappropriée (3) Évitement non adapté (4)

Aucune (1) Incompréhensible (2) Décortication (3)

Aucune (1) Décérébration (2)

Aucune (1)

1.6. Mesures anatomiques de gravité des blessures

La description anatomique des dommages corporels est également utilisée pour élaborer des mesures de gravité.(45) Deux systèmes de classification offrent un lexique complet de lésions anatomiques : l’AIS et la CIM. De manière générale, les informations contenues dans les registres dédiés à la traumatologie sont codifiées selon l’AIS, alors que les diagnostics et les actes thérapeutiques colligés dans les banques de données médico-administratives plus volumineuses sont codifiés à l’aide de la CIM.(46)

1.6.1. Mesures anatomiques de gravité des blessures basées sur

l’AIS

L’AIS a été élaborée à la fin des années 60 par une équipe multidisciplinaire liée à l’industrie automobile et intéressée par la classification des lésions anatomiques en fonction de leur gravité.(47) Sur la base de consensus d’experts, un score de gravité est assigné à chaque code de l’AIS pour refléter le risque de décès, d’incapacité, la durée du traitement, l’incidence et le transfert d’énergie requis pour provoquer la blessure.(48) Le score de gravité de l’AIS (Tableau 2)varie de 1 (mineur) à 6 (théoriquement incompatible avec la vie).(49) Le score AIS le plus élevé chez un blessé ayant subi des lésions multiples constitue l’AIS Maximum (Max AIS).

Le score de gravité de l’AIS comporte certaines limites, dont une relation non linéaire avec le risque de décès et son incapacité à mesurer les effets synergiques potentiels des blessures multiples.(50,51) Pour surmonter ces limites, d’autres mesures de gravité dérivées de l’AIS ont été développées, dont l’Injury Severity Score (ISS)(50) et le New ISS (NISS).(52) L’ISS a été proposé en 1974 pour synthétiser la gravité des blessures chez les patients polytraumatisés. L’ISS est la somme des carrés des trois scores AIS les plus élevés sur trois régions corporelles différentes.(50) L’ISS ne prend pas en compte l’effet

8

blessures graves en faveur de blessures plus mineures touchant une autre région du corps.(50,52) Le NISS a été proposé pour corriger cette lacune et correspond plutôt à la somme des carrés des trois scores AIS les plus élevés, sans égards à la partie du corps atteinte.(52)

Tableau 2 Score de l’Abbreviated Injury Scale, niveau de gravité

correspondant et exemple de blessure à la tête

Score AIS

Gravité

Exemple de blessure à la tête

1 Mineure Abrasion du cuir chevelu

2 Modérée Fracture simple et fermée de la voûte crânienne

3 Sérieuse Petite contusion cérébrale isolée

4 Sévère Hématome épidural ou extradural petit

5 Critique Hématome épidural ou extradural volumineux

6 Maximale Destruction massive du tronc cérébral

L’utilisation du lexique AIS est généralement limitée à la codification des registres dédiés à la traumatologie puisque ce lexique requiert davantage de ressources spécialisées. Les banques de données médico-administratives, qui contiennent un large éventail de conditions de santé, sont habituellement codifiées à l’aide de la CIM.(46) Pour intégrer le score de gravité des codes AIS aux bases de données médico-administratives codifiées avec la CIM, des stratégies ont été développées afin de convertir les codes de lésions traumatiques de la CIM en codes AIS.(53,54)

1.6.2. Mesures anatomiques de gravité des blessures basées sur

la CIM

Puisque la CIM ne comporte pas de mesure directe de la gravité des blessures, une approche alternative a été proposée afin de dériver des proportions de survie par diagnostic de lésion traumatique pour ce système de classification. Les proportions de survie par diagnostic sont à la base de l’International Classification of Diseases based Injury Severity Score (ICISS)(55,56) et sont obtenues par la division du nombre de survivants pour chacun des codes de lésions traumatiques de la CIM par le total des patients hospitalisés ayant ce code. Le produit de toutes les proportions de survie par diagnostic associées aux blessures subies par un patient hospitalisé procure le pointage ICISS (ICISS-Multiplicative) et reflète la probabilité de survie, qui varie entre 0 (aucun survivant) et 1 (aucun décès).(55)

Sceptiques à l’égard de la façon dont les blessures multiples contribuent à la prédiction de la mortalité à la suite d’une blessure, Kilgo et ses collègues ont suggéré que la plus faible

proportion de survie par diagnostic (ICISS-Worst Injury) d’un patient hospitalisé prédirait plus adéquatement la survie que l’ICISS-Multiplicative.(57) Parallèlement, Meredith et ses collègues ont postulé que les proportions de survie par diagnostic calculées de la manière traditionnelle n’étaient pas indépendantes puisqu’elles sont contaminées par la présence d’autres blessures chez les patients polytraumatisés.(58) Des proportions de survie par diagnostic indépendantes ont alors été dérivées de patients ayant subi uniquement des blessures isolées, ce qui permettrait une meilleure prédiction de la survie en comparaison aux proportions de survie par diagnostic traditionnelles.(58)

Pour contourner le manque de précision associé aux codes CIM de blessures rarement utilisés, un modèle de prédiction de la mortalité attribuable aux blessures dérivé empiriquement sur la base des codes CIM (TMPM-ICD) a été proposé.(59) Le TMPM-ICD utilise des moyennes de coefficients de régression obtenues en deux étapes à l’aide de la modélisation statistique. D’abord, des estimations de la mortalité intra-hospitalière sont calculées pour chaque code CIM de lésions traumatiques. Ensuite, la contribution de chaque code à la mortalité de la région corporelle impliquée est estimée. Un score de gravité des blessures est par la suite calculé pour chaque blessure en utilisant une moyenne pondérée des coefficients spécifiques et par région corporelle associés à un code CIM. Les valeurs des coefficients moyens de régression des cinq blessures les plus graves subies par un patient sont alors utilisées dans un modèle final comme variable prédictive de la mortalité intra-hospitalière.

Le Tableau 3 présente les principales mesures anatomiques de gravité des blessures basées sur la CIM et leur formule de calcul respective.

10

Tableau 3 Principales mesures anatomiques de gravité des blessures

basées sur la Classification internationale des maladies

Approche Dénomination Formule de calcul

Dérivée empiriquement

 ICD Injury Severity Score (ICISS)

◦ ICISS – Multiplicative PSD1 *PSD2 * PSD3 * … * PSDn

◦ ICISS – Worst Injury minimum (PSD1, PSD2, PSD3, …, PSDn)  Trauma Mortality Prediction Model

(TMPM-ICD) 𝑃(𝑑𝑒𝑎𝑡ℎ) = Φ (𝐶0+ ∑ 𝐶𝑖𝐼𝑖 5

𝑖=1

+ 𝑛𝑆 + 𝜎𝐼1𝐼2) Appariée à l’Abbreviated Injury Scale (AIS) scores

 Max AIS maximum(AIS1, AIS2, …, AISn)  New Injury Severity Score (NISS) AIS12 + AIS22 + AIS32

1.6.3. Mesures anatomiques de gravité des blessures basées sur

la CIM : beaucoup d’appelées, peu d’élues

Malgré la disponibilité de plusieurs mesures de gravité des blessures basées sur la CIM, aucune mesure n’a été formellement recommandée. En 2012, Tohira et ses collègues ont mené une revue systématique afin de rassembler et synthétiser les résultats des études dans lesquelles les performances prédictives de mesures de gravité des blessures, basées ou non sur la CIM, avaient été évaluées.(11) Cependant, Tohira et ses collègues rapportaient que les résultats étaient peu concluants pour l’ICISS, notamment parce que seules les comparaisons directes ont été conservées et que les formules de calcul ou l’approche utilisée n’avaient pas été isolées. De plus, les résultats des mesures de gravité des blessures basées sur la CIM appariées au score AIS n’ont pas été distingués des scores AIS directement codifiés. Parallèlement, une nouvelle mesure de gravité des blessures basées sur la CIM a été publiée, le TMPM-ICD,(59–62) et n’a pas été considérée dans la revue systématique menée par Tohira et ses collègues.

1.6.4. Mesures anatomiques de gravité des traumatismes

craniocérébraux basées sur la CIM

À notre connaissance, en dépit de l’utilisation fréquente de mesures anatomiques de gravité des blessures pour contrôler les différences dans les caractéristiques de base des patients hospitalisés à la suite d’un TCC, aucune étude n’a formellement vérifié la validité des mesures de gravité des blessures basées sur la CIM pour prédire la mortalité intra-hospitalière ou tout autre résultat de santé dans cette population.

CHAPITRE 2 – HYPOTHÈSES ET OBJECTIFS

2.1. Hypothèses

Nos hypothèses reposent sur le postulat que la gravité des blessures peut être évaluée à l’aide de trois dimensions, c’est-à-dire l’étendue des dommages anatomiques, les perturbations des mesures physiologiques et la réserve fonctionnelle du patient. Les mesures de la gravité des blessures basées sur la CIM représentent la dimension associée à l’étendue des dommages anatomiques. Ainsi, les mesures de la gravité des blessures basées sur la CIM devraient permettre de prédire la mortalité intra-hospitalière et l’admission en unité de soins intensifs, deux résultats de santé qui reflètent la gravité des blessures, chez les patients hospitalisés à la suite d’une blessure, en particulier d’un TCC.

2.2. Objectifs

L’objectif principal de ce projet est d’identifier la mesure de gravité des blessures basée sur la CIM qui présente la meilleure performance pour prédire la mortalité intra-hospitalière et l’admission en unité de soins intensifs chez les patients hospitalisés à la suite d’un TCC. Cet objectif principal s’articule autour de deux objectifs spécifiques qui sont les suivants:

1) Examiner de manière systématique les résultats des études portant sur l’évaluation des performances des mesures de gravité des blessures basées sur la CIM pour prédire la mortalité intra-hospitalière chez les blessés hospitalisés.

2) Comparer la validité prédictive des mesures de gravité des blessures basées sur la CIM pour prédire la mortalité intra-hospitalière et l’admission en unité de soins intensifs chez les patients hospitalisés à la suite d’un TCC.

12

CHAPITRE 3 – MÉTHODOLOGIE

Dans ce chapitre, la méthodologie employée pour répondre aux objectifs de chacun des articles insérés dans ce mémoire est présentée.

3.1. Première partie - revue systématique et méta-analyse

Pour répondre au premier objectif de ce travail, nous avons mené une revue systématique avec méta-analyse des études de cohortes rétrospectives dans lesquelles la capacité prédictive des mesures de gravité des blessures basées sur la CIM pour prédire la mortalité intra-hospitalière a été évaluée. Les recommandations du Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA)(63) et des principes énoncés dans le Cochrane Handbook for Systematic Reviews of Interventions(64) ont été considérés dans la réalisation de cette revue systématique (voir Annexe A – Liste de vérification PRISMA).

3.1.1. Sources d’informations et recherche

Les bases de données électroniques Ovid MEDLINE (1946 à septembre 2014), Ovid EMBASE (1974 à septembre 2014) et Ovid Global Health (1973 à septembre 2014) ont été consultées afin d’identifier les publications portant sur les mesures de gravité des blessures basées sur la CIM. La stratégie de recherche combinait divers termes associés aux blessures, aux mesures de gravité et à la Classification internationale des maladies (voir Annexe B – Stratégie de recherche documentaire). Afin de repérer la documentation pertinente qui aurait pu être manquée, Google Scholar et les listes bibliographiques des études retenues ont été consultés.(65) Aucune restriction liée à l’année ou à la langue de publication n’a été apportée. Les manuscrits de recherche originale, publiés ou non par des journaux scientifiques, les rapports officiels, les livres, les chapitres de livre, les actes et résumés de conférences constituaient des types de publications admissibles. Les revues narratives, les lettres à l’éditeur et les éditoriaux n’ont pas été retenus. Les références identifiées ont été traitées dans un logiciel de gestion bibliographique (Reference Manager©, Version 11, Thomson Corporation) et les doublons ont été éliminés.

3.1.2. Sélection des études

Les études d’observations, rétrospectives et prospectives, ont été considérées comme admissibles lorsque les capacités prédictives d’au moins une mesure de gravité des blessures basée sur la CIM étaient évaluées. Cette mesure de gravité des blessures devait traduire un risque de mortalité intra-hospitalière. La mesure de gravité des blessures devait être validée à l’aide de données administratives relatives aux congés des hôpitaux ou issues de registres de traumatismes couvrant les admissions générales liées à une blessure. Les études limitées à la population pédiatrique ou encore à une cohorte de patients hospitalisés pour un type de blessures très précis (par exemple, les lésions de la moelle épinière, les fractures de la hanche, etc.) ont été exclues afin d’identifier des mesures de gravité pouvant s’appliquer à un large éventail de blessures. De même, les études réalisées dans le contexte de soins de réadaptation n’ont pas été retenues.

Les titres et les résumés de chacune des études répertoriées à l’aide de notre stratégie de recherche ont été systématiquement vérifiés par deux réviseurs (M.G. et C.B.) afin de sélectionner de manière indépendante les publications pertinentes. Les textes complets des études éligibles ont par la suite été examinés, de manière indépendante, par deux réviseurs (M.G. et C.B.) afin de déterminer leur admissibilité. Un mécanisme de conciliation a permis de résoudre les désaccords.

3.1.3. Extraction des données

Les informations pertinentes ont été extraites à l’aide d’un formulaire standardisé (voir Annexe C – Formulaire d’extraction), validé sur un échantillon de cinq études. Les informations colligées portaient sur la description de la population à l’étude, les éléments de méthodologie, la mesure des issues de santé, les capacités prédictives des mesures et la qualité méthodologique des études. L’extraction des données a été limitée aux modèles contenant seulement les mesures de gravité des blessures basées sur la CIM puisque les performances des modèles incluant d’autres facteurs de risque (par exemple l’âge, les comorbidités, le score GCS, le mécanisme de blessure, etc.) étaient rapportées de manière irrégulière.

La capacité prédictive des mesures de gravité des blessures basées sur la CIM a été évaluée à l’aide de la discrimination et de la calibration des modèles prédictifs de la

14

patients qui présentent le résultat d’intérêt de ceux qui ne l’ont pas. La discrimination est habituellement exprimée en termes de concordance, qui correspond à l’aire sous la courbe ROC1 _{(AUC).(66) Les valeurs de l’AUC varient entre 0 et 1. En règle générale, une} valeur égale à 0,5 ne suggère aucune capacité de discrimination, alors qu’une valeur de 1 indique une capacité de discrimination parfaite. Une valeur de l’AUC entre 0,7 et 0,8 est considérée comme acceptable, entre 0,8 et 0,9 comme excellente et supérieure à 0,9 comme remarquable.(67) De son côté, la calibration traduit la correspondance entre les valeurs prédites et les valeurs observées pour différentes strates de risque.(68) Pour décrire la calibration des modèles, la statistique d’ajustement Hosmer-Lemeshow (H-L), sa valeur de p correspondante, de même que l’information sur les courbes de calibration ont été extraites. Si la valeur de p n’était pas mentionnée, nous l’avons estimée à l’aide de la statistique d’ajustement H-L basée sur la distribution du khi-carré à huit degrés de liberté lorsque les résultats étaient présentés par déciles de risque.(68) Les renseignements liés aux performances globales des modèles (R2 _{de Nagelkerke, score Brier, critère} d’information d’Akaike) ont également été extraits lorsque ceux-ci étaient disponibles.

3.1.4. Évaluation du risque de biais

L’évaluation du risque de biais et de la qualité méthodologique des études retenues a été réalisée par un seul réviseur (MG). Cette évaluation a été effectuée à l’aide d’une grille adaptée d’outils développés pour juger de la qualité des études pronostiques(69,70) ou des études d’observation.(71)

L’outil utilisé comporte quatre domaines d’évaluation. Il s’agit des participants à l’étude (caractéristiques clés de la population de l’étude ainsi que les critères d’inclusion et d’exclusion), la description des mesures de gravité des blessures basées sur la CIM (définition, description des sources de données et méthodes), la mesure de la mortalité intra-hospitalière (définition, validité et valeurs manquantes) et les analyses statistiques effectuées (stratégie de modélisation, facteurs considérés et des procédures de validation). Chaque domaine comporte des éléments prédéfinis qui peuvent être catégorisés sans risque, à risque de biais ou risque incertain (voir Annexe D – Évaluation du risque de biais).

1 _{De l’anglais «receiver operating characteristic».}

3.1.5. Mesure des aires sous la courbe ROC (AUC) combinées

pour la méta-analyse

En raison de différences liées aux caractéristiques des patients et aux bases de données utilisées dans les études incluses, les AUC combinées (A̅) ont été calculées à l’aide de modèles à effets aléatoires. L’estimation des AUC combinées tient compte du poids (𝑊_𝑖∗) associé à chacune des études (inverse de la variance de l’étude) et d’une composante liée à la variance inter-études (𝜏2_{). Ainsi, l’estimation de l’AUC combinée pour chacune des}

mesures de gravité des blessures basées sur la CIM tient compte des valeurs de l’AUC de chacune des études retenues (A𝑖), pondérées (𝑊𝑖∗) sur la base de l’inverse de la somme

de la variance inter-études (𝜏2_{) et intra-étude (𝑉𝑎𝑟(A}

𝑖)). La variance intra-étude a été

estimée lorsque celle-ci n’était pas rapportée.(72) Les AUC combinées ont été calculées comme suit : A ̅ = ∑ki=1Wi∗Ai ∑k_i=1W_i∗ W_i∗_{= 1/(Var(A} i) + τ2) Var(A_i) ≈ A_i(1 − Ai) + (nD − 1) ((_{2 − A}Ai i) − Ai 2_{) + (n} S − 1) (( 2Ai 2 1 + Ai) − Ai 2₎ nD nS

n_D = nombre de patients qui sont décédés

n_S = nombre de patients qui ont survécu

τ2₌ Q − (k − 1) ∑ki=1Wi− ( ∑k W_i2 i=1 ∑k W_i i=1 ) Q = ∑ Wi(Ai k i=1 − A̅)2 W_i= 1/Var(A_i)

16

La variance et l’intervalle de confiance à 95% (IC 95%) pour chacune des AUC combinées ont été calculés comme suit :

Var(A̅) = 1 ∑k W_i∗

i=1

IC = A̅ ± Z_1−α/2√Var (A̅)

Enfin, pour comparer les AUC combinées calculées pour chaque mesure de gravité des blessures basée sur la CIM, nous avons supposé que ces mesures étaient indépendantes et procédé comme suit pour présenter les valeurs-p bilatérales:

𝑍 = A̅1− A̅2 Var(A̅ ₁2_{) + Var(A ̅}

2 2₎

Les informations relatives à la calibration des modèles, c’est-à-dire la statistique H-L et les courbes de calibration, n’ont pas été combinées. En ce qui concerne les courbes de calibration, les illustrations graphiques des différentes études sont difficiles à synthétiser et à comparer. Pour ce qui est de la statistique H-L, sa valeur est sensible à la taille de l’échantillon et aux choix de modélisation des variables incluses dans le modèle.(66) Comme les tailles des échantillons des études retenues étaient très hétérogènes, nous avons choisi de ne pas combiner les informations relatives à la calibration des modèles.

3.1.6. Hétérogénéité des AUC combinées

L’hétérogénéité statistique entre les études incluses dans l’analyse a été quantifiée avec le test du I2 _{proposé par Higgins.(73) Le test du I}2 _{reflète le pourcentage de la variabilité des}

estimations qui est attribuable aux fluctuations entre les études plutôt qu’à l’erreur d’échantillonnage. Des analyses de sous-groupe ont été menées afin d’identifier les caractéristiques (type de base de données utilisée, provenance des proportions de survie et année de publication) susceptibles d’être à l’origine de l’hétérogénéité statistique observée.

3.1.7. Évaluation du biais de publication

Pour évaluer le risque de biais de publication, nous avons effectué une analyse de l’asymétrie de la forme d’entonnoir en utilisant une régression linéaire pondérée des estimations des AUC sur leur erreur standard.(74)

3.2. Validation des mesures de gravité des blessures basées sur la

CIM pour prédire la mortalité intra-hospitalière et l’admission à

l’unité des soins intensifs chez les patients ayant subi un TCC

3.2.1. Type d’étude et population

Pour répondre à notre second objectif, une étude de cohorte rétrospective a été menée pour réaliser la validation statistique des mesures de gravité des blessures basées sur la CIM pour prédire la mortalité intra-hospitalière et l’admission à l’unité des soins intensifs chez les patients ayant subi un TCC au Québec. Pour cette partie du travail, les recommandations du Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (TRIPOD) ont été suivies. Puisque la réalisation de cet objectif repose exclusivement sur l’utilisation secondaire d’informations médico-administratives anonymes et que les résultats anticipés ne créent aucune menace d’identification individuelle, une exemption d’approbation nous a été accordée par le comité d’éthique à la recherche de l’Université Laval (voir Annexe E – Formulaire VRR‐ 103 pour la justification de l’exemption de l’obligation d’obtenir une approbation éthique). La cohorte de validation comprend toutes les admissions de patients québécois âgés de 16 ans et plus, survenues entre le 1er _{avril 2006 et 31 mars 2014, pour des soins} physiques de courte durée dans un centre hospitalier au Québec.

3.2.2. Sources de données

Les données utilisées proviennent des fichiers du système d’information sur la clientèle des hôpitaux du Québec (MED-ÉCHO). Ces données contiennent diverses informations clinico-administratives en lien avec chaque séjour hospitalier survenu au Québec. Depuis 2006, les affections qui ont été diagnostiquées ou traitées pendant le séjour hospitalier sont codées d’après la version canadienne de la 10e _{révision de la Classification} statistique internationale des maladies et des problèmes de santé connexes (CIM-10-CA).

18

durant son hospitalisation, tandis que les diagnostics secondaires concernent les autres affections diagnostiquées ou traitées pendant le séjour hospitalier. Le choix de ces diagnostics relève du médecin traitant. Les hospitalisations dont l’un des codes de diagnostic correspond à un TCC (Tableau 4) ont été retenues.(9) Les transferts et les réadmissions pour un même événement ont été éliminés, de même que les hospitalisations de patients non-résidents du Québec.(75)

Tableau 4 Codes de la CIM associés aux TCC, avec les scores AIS

appariés, les proportions de survie par diagnostic et les

coefficients de régression utilisés

Codes Descriptions AIS† _PSD‡ _Coef.§

S01.0 Plaie ouverte du cuir chevelu 1-2 0.980 0.020

S01.1 Plaie ouverte de la paupière et de la région périoculaire 1 0.989 -0.140

S01.2 Plaie ouverte du nez 1 0.990 -0.013

S01.3 Plaie ouverte de l'oreille 1 0.989 -0.213

S01.4 Plaie ouverte de la région temporo-maxillaire 1 0.992 -0.071

S01.5 Plaie ouverte de la lèvre et de la cavité buccale 1 0.995 0.012

S01.7 Plaies ouvertes multiples de la tête 1 0.982 .

S01.8 Plaie ouverte d’autres parties de la tête 1-2 0.978 0.153

S01.9 Plaie ouverte de la tête, partie non précisée 1-2 0.986 1.540

S02.0 Fracture de la voûte crânienne 2-3 0.948 0.344

S02.1 Fracture de la base du crâne 4 0.938 0.118

S02.3 Fracture du plancher de l'orbite 2-3 0.991 -0.268

S02.7 Fractures multiples du crâne et de la face 3-4 0.952 .

S02.8 Fractures d’autres os du crâne et de la face 1-4 0.971 0.126

S02.9 Fractures des os du crâne et de la face non précisées 2-3 0.955 0.368

S04.0 Fractures d’autres os du crâne et de la face 2 0.992 -0.220

S06.0 Commotion 2-5 0.994 -0.113

S06.1 Œdème cérébral traumatique 3-5 0.994 0.601

S06.2 Lésion traumatique cérébrale diffuse 2-5 0.730 0.601

S06.3 Lésion traumatique cérébrale en foyer 4-5 0.880 0.694

S06.4 Hémorragie épidurale 4-5 0.912 0.136

S06.5 Hémorragie sous-durale traumatique 5 0.940 0.863

S06.6 Hémorragie sous-arachnoïdienne traumatique 3-5 0.838 0.459

S06.8 Autres lésions traumatiques intracrâniennes 4-5 0.840 0.601

S06.9 Lésion traumatique intracrânienne, sans précision 2-5 0.818 0.601

S07.0 Écrasement de la tête 6 0.989 0.388

S07.1 Écrasement du crâne 6 . .

S07.8 Écrasement d’autres parties de la tête 6 . .

S07.9 Écrasement de la tête, partie non précisée 6 0.959 0.388

S09.7 Lésions traumatiques multiples de la tête . 0.926 .

S09.8 Autres lésions traumatiques précisées de la tête . 0.980 0.418

S09.9 Lésion traumatique de la tête, sans précision . 0.983 0.473

T01.0 Plaies ouvertes de la tête avec plaies ouvertes du cou 1 0.985 .

T02.0 Fractures de la tête avec fractures du cou . 0.934 .

T04.0 Écrasement de la tête avec écrasement du cou . . .

T06.0 Lésions traumatiques du cerveau et de la moelle . 0.829 . † _{Score AIS minimum et maximum tirés de Haas B, Xiong W, Brennan-Barnes M, Gomez D, Nathens AB. Overcoming}

barriers to population-based injury research: Development and validation of an ICD-10-to-AIS algorithm. Can J Surg. 2012 Feb;55(1):21-6.

‡ _{Proportions de survie par diagnostic (PSD) tirées de Gedeborg R, Warner M, Chen LH, Gulliver P, Cryer C, Robitaille}

Y, et al. Internationally comparable diagnosis-specific survival probabilities for calculation of the ICD-10-based Injury Severity Score. J Trauma Acute Care Surg. 2014 Feb;76(2):358–65.

§ _{Coefficients de régression moyens tirés de Cook A. TMPM: Stata module to implement Trauma Mortality Prediction}

Model using AIS, ICD-9 or ICD-10 codes [Internet]. 2013. Available from: https://ideas.repec.org/c/boc/bocode/s457663.html#download

20

3.2.3. Résultat clinique d’intérêt

Le principal résultat clinique étudié est la mortalité intra-hospitalière chez les patients ayant subi un TCC. L’admission en unité de soins intensifs pendant le séjour à l’hôpital constitue un critère d’évaluation secondaire.

3.2.4. Mesures anatomiques de gravité des traumatismes

Les mesures anatomiques de gravité des blessures basées de la CIM constituent nos principales variables de prédiction. Ces mesures de gravité peuvent être dérivées empiriquement ou encore appariées aux codes AIS (Tableau 3). En ce qui concerne les mesures dérivées empiriquement, les proportions de survie par diagnostic utilisées pour chacun des codes de lésions traumatiques proviennent de données internationales combinées.(76) Pour un même individu ayant subi au moins une lésion traumatique, les proportions de survie par diagnostic correspondantes ont été multipliées, lorsque nécessaire, pour calculer l’ICISS-Multiplicative.(55) La plus faible des proportions de survie par diagnostic d’un patient a été utilisée pour identifier la plus grave des blessures (ICISS-Worst Injury).(57) L’appariement aux codes AIS, qui comprennent un score de gravité, a été réalisé à l’aide d’un algorithme de conversion validé.(53) La somme des carrés des trois plus hauts scores AIS associés à une blessure a été utilisée pour calculer le NISS,(52) tandis que le score AIS le plus élevé pour une blessure a été retenu pour générer le max AIS. Enfin, les moyennes pondérées des coefficients de régressions associés aux codes CIM de blessure ont été utilisées pour calculer le modèle de prédiction de la mortalité par traumatisme (TMPM-ICD10) et intégrées à nos données en utilisant un module spécifiquement dédié à cette fin du logiciel de statistiques STATA.(77) Les moyennes pondérées des coefficients de régressions sont disponibles pour la version américaine avec modifications cliniques de la CIM-10 (CIM-10-CM). Dans notre cohorte, les diagnostics de blessures sont plutôt codifiés avec la CA. Parce que la CIM-10-CA et la CIM-10-CM partagent la même structure, nous avons retenu les quatre premiers chiffres des codes de diagnostic de blessure de la CIM-10-CA et de la CIM-10-CM. Par la suite, nous avons recalculé une valeur moyenne des coefficients de régressions pour chacun des codes de diagnostic de blessure de la CIM-10. Ces valeurs sont présentées au tableau 4.

Les mesures de la gravité anatomique des blessures basées sur la CIM ont été traitées comme des variables continues après avoir subi une transformation LOGIT lorsque nécessaire.(78)

3.2.5. Autres prédicteurs considérés

Les variables ont été sélectionnées pour la prédiction de la mortalité intra-hospitalière et l’admission à l’unité des soins intensifs sur la base de la littérature scientifique, des connaissances cliniques de l’équipe de recherche et des données disponibles. L’âge,(70) le sexe,(79) le mécanisme de blessures,(80) la présence de lésions extra-crâniennes(81) et d’affections médicales concomitantes(27) se sont révélés être des facteurs prédictifs indépendants de mortalité intra-hospitalière chez les patients ayant subi un TCC. L’âge a été recodé en cinq catégories (16-54 ans, 55-64 ans, 65-74 ans, 75-84 ans et ≥ 85 ans) et les mécanismes de blessures ont été regroupés en six classes (accidents de la circulation, chutes de sa hauteur, chutes d’un lieu élevé, objets pénétrants, objets contondants et autres). Les lésions extra-crâniennes ont été incorporées aux mesures de gravité des blessures lors du calcul de celles-ci. En ce qui concerne les affections médicales concomitantes, l’indice d’Elixhauser a été utilisé en employant l’algorithme développé par Quan.(82)

Les autres prédicteurs peuvent être intégrées de la façon suivante au schéma utilisé pour décrire la gravité des blessures :

Gravité _anatomique Lésion _{physiologique} Perturbation _{fonctionnelle} Réserve

- Score GCS - Rythme respir. - Pression artér. - ICISS-Multiplicative - ICISS-Worst injury - Max AIS - NISS - TMPM-ICD10 - Âge - Sexe - Comorbidités - Mortalité - Admission en unité de soins intensifs - Mécanisme de blessure

22

3.2.6. Analyses statistiques

La performance prédictive des mesures de gravité des blessures basées sur la CIM pour prédire la mortalité intra-hospitalière et l’admission à l’unité des soins intensifs chez les patients ayant subi un TCC a été évaluée à l’aide d’une modélisation logistique. Les dimensions associées à la discrimination et à la calibration des modèles prédictifs ont été examinées. La discrimination concerne la capacité d’un modèle à distinguer les patients qui présentent le résultat clinique d’intérêt (décès et admission à l’unité des soins intensifs) de ceux qui ne l’ont pas (survie et non-admission). Pour les résultats dichotomiques, l’AUC, qui correspond à la statistique de concordance, est la mesure la plus couramment utilisée pour indiquer la capacité de discrimination des modèles.(66,83) L’AUC traduit la proportion de prédictions concordantes réalisées par le modèle parmi l’ensemble des paires événement/non-événement de patients possibles, c’est-à-dire l’un présentant le résultat clinique d’intérêt et l’autre non. Un modèle qui attribue invariablement une probabilité d’obtenir le résultat clinique d’intérêt plus grande aux individus qui ont effectivement ce résultat obtient un résultat de 1, tandis qu’un résultat de 0.5 indique que le modèle performe d’une façon comparable au hasard.(84) L’AUC est estimé à partir de la probabilité attribuée aux patients avec la condition (Y1) et sans celle-ci (Y0). Chacun des Y1 est jumelé à chaque Y0. Pour chaque paire (Y1,Y0)i, un pointage de 1 est attribué si le patient Y1 a une probabilité prédite (𝑃̂) plus élevée que le patient Y0 (1 si (𝑃̂)Y1> (𝑃̂)Y0). En revanche, un pointage de 0 est attribué si le patient Y1 a une probabilité prédite plus faible que le patient Y0 (0 si (𝑃̂)Y1< (𝑃̂)Y0). Si les probabilités prédites sont égales, un pointage de 0.5 est alloué (0.5 si (𝑃̂)Y1= (𝑃̂)Y0). Lorsque toutes les paires possibles ont été évaluées, l’AUC est calculée en divisant la somme de ces pointages par le nombre total de paires.(84) Plus simplement, l’AUC peut être calculée de la façon suivante :

AUC = (nc+ 0.5 (n − nc− nd))/n

n = nombre total de paires (Y₁, Y₀)

n_c= nombre total de paires concordantes ((P̂)Y1> (P̂)Y0)

La calibration est une autre dimension importante de l’évaluation de la performance d’un modèle prédictif. La calibration reflète la concordance entre les résultats observés et prédits, regroupés en quantiles. La calibration traduit la qualité de l’ajustement du modèle en comparaison aux données et peut être résumée par la statistique H-L. Cette statistique est calculée en comparant les risques observés (O) et prédits (E) regroupés par quantile (Q) de risque, habituellement déciles. Une statistique H-L, basée sur la distribution du khi-carré

,

H − L = ∑(Ocq− Ecq) 2 E_cq Q q=1 + ∑(Oncq− Encq) 2 E_ncq Q q=1

O_cq= nombre de cas observés pour le quantile i

Ecq= nombre de cas prédits pour le quantile i

Oncq= nombre de non − cas observés pour le quantile i

E_ncq = nombre de non − cas prédits pour le quantile i

df = Q − 2

La calibration du modèle peut être visuellement comparée à un modèle parfaitement calibré où les résultats prédits (axe des X) et observés (axe des Y) s’alignent sur une droite de 45° lorsque regroupés en quintiles. Une déviation par rapport à cette droite indique que le modèle surestime (> 45°) ou sous-estime (<45 °) les risques du résultat clinique d’intérêt. Un modèle présentant un ajustement faible s’accompagnera d’une statistique H-L plus élevée, donc habituellement d’une valeur-p inférieure à 0.05. Afin d’évaluer la direction d’une mauvaise calibration possible, un intercepte et une pente de calibration de Cox ont été calculés.(85) Pour un modèle parfaitement calibré, la valeur de l’intercepte (α) est de 0 et la pente (β) de 1. Une calibration imparfaite est caractérisée par une déviation de ces valeurs idéales.(86) Enfin, les performances prédictives globales du modèle ont également été examinées à l’aide du R2 _{de Nagelkerke et du score de Brier}

24

prédictions.(83) Puisque son interprétation dépend de la prévalence du résultat clinique d’intérêt, le score de Brier a été remis à l’échelle. Les valeurs du score de Brier remis à l’échelle se situent entre 0 et 1. Une valeur élevée indique une meilleure performance. Une stratégie de ré-échantillonnage aléatoire simple avec remise (1000 bootstraps) a été utilisée pour construire des intervalles de confiance autour de nos paramètres examinés à l’aide de la méthode basée sur les percentiles. Toutes les analyses ont été effectuées en utilisant la version 9.4 de SAS (SAS Institute Inc., Cary, NC, USA).

CHAPITRE 4 – PERFORMANCE OF ICD-BASED INJURY SEVERITY

MEASURES USED TO PREDICT IN-HOSPITAL MORTALITY: A

SYSTEMATIC REVIEW AND META-ANALYSIS

Mathieu GAGNE (M.A.)1,2_{, Lynne MOORE (Ph.D.)}2,3_{, Claudia BEAUDOIN (M.Sc.)} 1,2_{, Brice} Lionel Batomen KUIMI (M.Sc.)2,3 _{et Marie-Josée sirois (Ph.D.)}3,4

1 Bureau d’information et d’études en santé des populations, Institut national de santé publique du Québec; 2 _{Département de médecine sociale et préventive, Faculté de médecine, Université Laval;} 3 _{Axe Santé des Populations et pratiques Optimales en Santé (Population Health and Optimal}

Health Practices Research Unit), Traumatologie – Urgence - Soins intensifs (Trauma – Emergency – Critical Care Medicine), Centre de Recherche du Centre Hospitalier Universitaire (CHU) de Québec (Hôpital de l’Enfant-Jésus), Université Laval, Québec (Qc), Canada;

4 _{Département de réadaptation, Faculté de médecine, Université Laval et Centre d’Excellence sur le}

Vieillissement de Québec, Centre de Recherche du Centre Hospitalier Universitaire (CHU) de Québec (Hôpital de l’Enfant-Jésus), Université Laval, Québec (Qc), Canada.

26

Résumé

CONTEXTE: La Classification internationale des maladies (CIM) est le principal système

de classification utilisé pour les activités de surveillance des blessures, mais ne contient pas d’information directe sur la gravité des blessures. Des mesures de gravité des blessures basées sur la CIM peuvent être dérivées empiriquement ou appariées, mais aucune approche n’a été formellement recommandée.

OBJECTIF: Comparer la performance des mesures de gravité des blessures basées sur

la CIM pour prédire la mortalité chez les patients admis en raison d’une blessure.

MÉTHODES: Une revue systématique avec méta-analyse a été menée. Les bases

documentaires Medline, Embase et la Global Health ont été fouillées, de leur création à septembre 2014. Les études observationnelles qui ont évalué l’efficacité des mesures de gravité des blessures basées sur la CIM pour prédire la mortalité intra-hospialière et rapportée une AUC ou une statistique équivalente ont été inclus. Les métriques de de la performance du modèle ont été extraites. Des AUC combinées ont été estimées à l’aide de modèles à effets aléatoires.

RÉSULTATS: Parmi les 22 études admissibles, 72 évaluations de la capacité de

discrimination des mesures de gravité des blessures basées sur la CIM ont été rapportées. La valeur des AUC rapportée variait de 0,681 à 0,958. Quarante-six des 72 évaluations étaient excellentes (0.80≤AUC <0.90) et six exceptionnelles (AUC≥0.90). L’AUC combinée pour l’ICISS-Multiplicative était significativement plus élevée que les mesures appariées aux scores AIS (0,863 contre 0,825 pour ICDMAP-ISS (p = 0,005) et ICDMAP-NISS (p = 0,016)). Des résultats similaires ont été observés lorsque les études ont été stratifiées selon le type de données utilisé (registres dédiés à la traumatologie ou données administratives) ou la provenance des proportions de survie (dérivée d’un jeu de données externe ou non). Parmi les études publiées après 2003, la capacité de discrimination du TMPM-ICD a été supérieure à celle de l’ICISS-Multiplicative (0,850 contre 0,802, p = 0,002). Les modèles ont généralement montré une mauvaise calibration.

CONCLUSIONS: L’ICISS-Multiplicative utilisant des proportions de survie traditionnelles et

le TMPM-ICD ont démontré de meilleures capacités pour prédire la mortalité que les autres mesures de gravité des blessures basées sur la CIM et devraient être préférés pour décrire la gravité des blessures lorsque la CIM est utilisée pour enregistrer les diagnostics de blessures.