Embed Size (px)
Citation preview
UNIVERSITE PARIS 12 VAL-DE-MARNE
FACULTÉ DE MÉDECINE DE CRETEIL
ANNEE 2015 N°
THESE
POUR LE DIPLOME D’ETAT
DE
DOCTEUR EN MEDECINE
Discipline :
NEUROLOGIE
Présentée et soutenue publiquement à Paris
Par Clothilde ISABEL
Née le 01/04/1986 au Havre (76)
TITRE : Pronostic fonctionnel à 3 mois d’un infarctus cérébral aigu :
Comparaison de modèles prédictifs prenant en compte les données disponibles
à l’admission et à 24 heures.
JURY : LE CONSERVATEUR DE LA
Pr Jean-Louis MAS, Président de Thèse BIBLIOTHEQUE UNIVERSITAIRE :
Dr Guillaume TURC, Directeur de Thèse
Dr David CALVET, Membre du Jury
Pr Mikael MAZIGHI, Membre du Jury
Signature du Président de Thèse Cachet de la bibliothèque universitaire
2
Remerciements
Aux membres du Jury
A Monsieur le Professeur Jean-Louis MAS,
Qui m’a fait l’honneur d’accepter la présidence de cette thèse.
Je vous remercie pour votre bienveillance qui s’est manifestée plusieurs fois au cours de mon
internat, tant pendant mon semestre dans votre service que lors de mon année de master 2, ou
bien encore dans la préparation de ma venue dans votre service en tant que Chef de Clinique
Assistant. Merci de m’accorder votre confiance pour les deux années à venir.
A Monsieur le Docteur Guillaume TURC,
Je te remercie de m’avoir permis de réaliser ce travail à tes côtés et de m’avoir fait l’honneur
d’être mon directeur de thèse.
Ta disponibilité (malgré de multiples travaux en cours), ta sympathie et bien sûr, tes aptitudes
en statistiques, ont été des atouts précieux pendant ces (presque) deux années de préparation à
la soutenance.
J’ai réellement apprécié travailler avec toi, du fait de ta rigueur et de ton enthousiasme.
J’espère que l’on continuera ainsi à développer des modèles statistiques dans les années à
venir !
A Monsieur le Docteur David CALVET,
Je te suis reconnaissante d’avoir accepté de participer à mon jury de thèse, et surtout, d’avoir
été présent pour le développement et les calculs de l’Integrated Discrimination Improvement
et du Net Reclassification Improvement. Merci d’avoir répondu à toutes mes questions et
d’avoir apporté des remarques constructives sur la présentation de certains tableaux, ainsi que
pour ta constante bonne humeur.
A Monsieur le Professeur Mikael MAZIGHI,
En dépit de la charge de travail hospitalière et universitaire qui vous incombe, vous avez
accepté de participer à mon jury et de juger mon travail. Veuillez trouver ici l’expression de
ma sincère gratitude et de tout mon respect.
3
Aux médecins qui ont participé à ma formation
Merci infiniment à l’ensemble des chefs de service qui ont su me proposer une formation de
qualité dans cette spécialité passionnante qu’est la neurologie :
Dr Graveleau, Pr Mas, Pr Delattre, Pr Pierrot-Deseilligny, Pr Levy, Pr Lubetzki et Dr Gout.
Je remercie aussi l’ensemble des docteurs, chefs de clinique, assistants que j’ai pu côtoyer
dans les services, toujours de bons conseils, avec un encadrement d’exception, et qui m’ont
permis de développer mes aptitudes en neurologie.
Je pense en particulier à
- l’équipe de Sainte Anne (Vincent Guiraud, Catherine Lamy, Valérie Domigo, Ludovic
Morin et Eric Bodiguel, ainsi que ma future co-CCA, Julia Birchenall) qui m’a donné envie
de poursuivre ma formation au sein de leur service,
- au Pr Catherine Oppenheim pour sa relecture soignée de ma thèse,
- au Pr Emmanuel Touzé pour l’encadrement de la rédaction d’un article sur les infarctus
jonctionnels,
- à l’ancienne équipe de Saint Antoine (Valérie Mesnage, Carole Roué-Jagot, Béatrice
Garcin) pour le traitement des syndromes parkinsoniens et l’introduction aux troubles
cognitifs,
- à l’équipe du service d’EMG du GHPS (Pauline Reach, Karine Viala, Thierry Maisonobe,
Pierre Bouche, Emmanuel Fournier) pour leurs connaissances exceptionnelles en EMG et en
neuropathies périphériques,
- à Elisabeth Maillart et à Fleur Cohen pour leurs connaissances en pathologies
inflammatoires et pour leur encadrement dans l’écriture d’un cas de neurosarcoïdose,
...
Une pensée spéciale pour Sophie Georgin-Lavialle, chef de clinique à l’époque dans le
service de médecine interne du Pr Capron à l’HEGP, qui m’a appris, en second semestre, une
certaine rigueur, ainsi qu’une vision globale de la prise en charge de mes patients. Elle a su
m’encadrer avec bonne humeur pour la rédaction de mon tout premier article. Malgré des
horaires « à rallonge », ce fut un réel plaisir de travailler avec toi.
4
A l’ensemble des infirmiers et infirmières qui m’ont supportée en tant qu’interne
En particulier Marine (première à me motiver à sortir ou à aller à la piscine), Virginie et plus
récemment, les infirmières de la FOR, jeunes, dynamiques, maintenant un environnement de
travail propice à la bonne humeur.
Merci aussi à Isabelle Laurent, de m’avoir sorti et ressorti maintes fois les dossiers des
patients pour mon recueil de données.
A l’équipe Optogenetics and Brain Imaging,
Merci Alan, Gabriel, Anne, Clément, Clara et Sush de m’avoir initiée aux sciences
fondamentales dans une bonne ambiance lors de mon master 2. Merci aussi de m’avoir prêté
l’ordinateur qui a servi à l’écriture de cette thèse.
Merci par ailleurs à Monsieur le Professeur Jean-Claude Baron pour son encadrement, ses
corrections et remarques toujours de bon ton.
5
A ma famille, en particulier
A Romain
Merci ! Mon copain, mon pacsé, mon fiancé et bientôt mon mari, merci de m’avoir supportée
pendant tout mon internat, mes horaires très variables, mes astreintes, mes gardes... Merci de
m’avoir laissé l’appartement libre en ce mois d’août afin d’avancer sans (trop) stresser sur la
rédaction de ma thèse. Merci de ton amour, de ta présence, de nos voyages à deux, de notre
appartement, de notre aquarium (si si) et pour l’ensemble de nos projets à venir.
A Nelly et Laurent
Merci bien évidemment à mes parents, pour leur soutien inconditionnel au cours de ces
années, tant moral que financier dans ces études un peu longues. Merci pour votre aide et vos
conseils toujours écoutés (pas toujours suivis !), ainsi que pour tous les étés merveilleux
passés en Corse en famille (et ailleurs, mais surtout en Corse). Je vous remercie de m’avoir
permis de devenir la personne que je suis actuellement, cela n’aurait pas été possible sans
votre amour et votre bienveillance.
A mes deux (petits) frères, Emilien (dit Milou) et Pierre
Merci d’avoir toléré une grande sœur quelque peu autoritaire, j’espère que nous garderons
toute notre vie cette complicité fraternelle qui s’est forgée au fil des années. Par ailleurs, je
suis très fière de vous ! Des hommes que vous êtes (presque) devenus, de vos choix et de vos
plans à venir. J’espère que votre avenir sera aussi merveilleux que vous le rêvez.
Un merci particulier à Marc et Anne-Marie, avec Grégoire et Chloé,
Qui ont été ma famille d’accueil, avec de bons petits plats, une fois par semaine lors de ma
P1. Merci de ce soutien familial rouennais !
Mais aussi à Mathilde
Pour son accueil quand je suis arrivée sur Paris et les pots entre cousines.
A mes grands-parents
Merci à mes grands parents, du Havre et de Touraine, qui m’ont fait voyager en France et
dans les livres tout au long de mon enfance et m’ont inculqué certaines valeurs de bonne
conduite.
6
A mes copains
A mes copains de lycée tout d’abord
Pour la découverte de la liberté, pour les entraînements de natation synchronisée, les fous rires
et les paillettes. Un grand merci à Anne-Laure pour son soutien lillois au cours de nos
parcours respectifs en médecine, son sens de l’humour et de la fête à toute épreuve, ainsi que
pour nos conversations téléphoniques où l’impression de s’être quittées la veille persiste
malgré la distance et nos emplois du temps.
A mes copains et (surtout) copines de fac
Dont Mara, Clem B et Lise, qui ont suivi à Paris pour leur internat, les bars sympas et les
expos à gogo, soutien non négligeable dans la vie d’interne. Mais aussi Anaïs, récemment
bruxelloise, toujours partante pour aller danser, Clem S, toujours souriante et motivée, Evine,
soutien maximal en P1, et Juju, reine de la déco à ses heures perdues. Merci pour toutes ces
soirées folles, ces discussions médicales (ou non) et tous ces moments inoubliables.
A mes copains (plus ou moins) parisiens
Aman et Cylien, Elo et Max, Sandra et Sam, Doro, Hugo, Redou, Jo et Momo, Biboo....
Pour les sorties chez Claude, les après-midi jeux, les soirées Rosa, les dégustations de rhum,
les vacances au soleil ou ailleurs, et tous les événements heureux qui se profilent dans les
années à venir.
A mes co-internes passés et présents
Merci à Jennifer et Pierre d’avoir rendu les pauses de cours de DES ou de DU fort
sympathiques. A Pauline, Joseph, Diana, Silviu, d’avoir contribué de façon positive à mon
semestre à Sainte-Anne. Merci à Ophélie, Camille et Sabine de m’avoir permis de m’absenter
si souvent sur mon dernier semestre pour finaliser ma thèse, le tout avec un grand sourire.
Merci à tous les autres (Guillemette en premier lieu, mais aussi Nath, Emeline, Mehdi,
Maeva...) pour leur bonne humeur et l’entraide rencontrée au cours de mon internat.
7
Table des matières
Abréviations 9
I. Introduction 10
II. Méthodes 13 1) Population 13
2) Imagerie : score DWI-ASPECTS 14
3) Analyse statistique 15 Statistiques descriptives, analyses univariables et multivariables 15
Intérêt de l’ajout du score DWI-ASPECTS au sein des modèles cliniques 15
Comparaison des modèles prédictifs et choix du meilleur modèle : discrimination,
reclassification, calibration 16
4) Ethique 17
III. Résultats 18 1) Description de la population 18
Cohorte TIV+ 18
Cohorte TIV- 18
Description et comparaison des deux cohortes 18
2) Analyses univariables 20
3) Analyses multivariables : élaboration des modèles cliniques et
comparaison des modèles prédictifs à l’admission et à 24 heures 22 Cohorte TIV+ 22
Cohorte TIV- 23
4) Intérêt d’ajouter la variable DWI-ASPECTS ≤5 au sein des modèles
cliniques 24 Cohorte TIV+ 24
Cohorte TIV- 25
IV. Discussion 26
V. Conclusion 31
Annexes 32
Bibliographie 51
8
Liste des Illustrations
Figure 1. Concept de pénombre. 10
Figure 2. Score DWI-ASPECTS. 14
Tableau 1. Caractéristiques des deux cohortes de patients (TIV+ et TIV-). 19
Tableau 2. Facteurs associés à un mauvais pronostic à 3 mois (mRS >2) en analyse
univariable. 21
Tableau 3. Modèles cliniques prédictifs d’un mauvais pronostic à 3 mois (mRS >2) en
analyse multivariables, basés sur les données à l’admission (0h) et à 24h, dans la cohorte
TIV+. 22
Tableau 4. Modèles cliniques prédictifs d’un mauvais pronostic à 3 mois (mRS >2) en
analyse multivariables, basés sur les données à l’admission (0h) et à 24h, dans la cohorte
TIV-. 23
Tableau 5. Comparaison de deux modèles prédictifs d’un mRS à 3 mois >2, incluant ou
non la variable DWI-ASPECTS ≤5 (données à l’admission, cohorte TIV+). 24
Tableau 6. Comparaison de deux modèles prédictifs d’un mRS à 3 mois >2, incluant ou
non la variable DWI-ASPECTS ≤5 (données à 24h, cohorte TIV+). 25
Liste des Annexes
Annexe 1. Score NIHSS. 32
Annexe 2. Score de Rankin modifié (mRS). 33
Annexe 3. Equation prédictive dans le cadre d’un modèle logistique. 34
Annexe 4. Calcul du Net Reclassification Improvement (NRI). 35
Annexe 5. Calcul de l’Integrated Discrimination Improvement (IDI). 38
Annexe 6. Phénomène de sur-ajustement, principe de parcimonie, critère d’information
Bayésien. 41
Annexe 7. Caractéristiques de la population globale. 43
Annexe 8. Caractéristiques des deux cohortes de patients (TIV+ et TIV-) - Suite. 44
Annexe 9. Comparaison des caractéristiques des patients TIV+ pour lesquels la variable
DWI-ASPECTS était disponible ou non. 45
Annexe 10. Facteurs associés à un mauvais pronostic à 3 mois (mRS >2) en analyse
univariable - Suite. 46
Annexe 11. Comparaison de deux modèles prédictifs d’un mRS à 3 mois >2, sur la
population TIV-, en forçant l’entrée de la variable DWI-ASPECTS ≤5 dans le modèle
Clinique. 47
Annexe 12. Quatre scores pronostiques récents : ASTRAL, DRAGON, THRIVE et iScore.
48
9
Abréviations
ACM : Artère Cérébrale Moyenne
ASC-ROC : Aire Sous la Courbe ROC
ASPECTS : Alberta Stroke Program Early CT score
AVC : Accident Vasculaire Cérébral
DWI : séquence de diffusion (Diffusion-Weighted Imaging)
ET : Ecart-Type
IC : Infarctus Cérébral
IC95% : Intervalle de Confiance à 95%
IDI : Integrated Discrimination Improvement
IQR : Intervalle InterQuartile
IRM : Imagerie par Résonnance Magnétique
mRS : modified Rankin Scale
NIHSS : National Institute of Health Stroke Scale
NRI : Net Reclassification Improvement
OR : Odds Ratio
PA : Pression Artérielle
TIV : Thrombolyse Intra-Veineuse
10
I. Introduction
En France, les accidents vasculaires cérébraux (AVC) représentent la première cause
de handicap acquis de l’adulte, la première cause de mortalité chez les femmes, et la troisième
cause de décès chez les hommes. Chaque année, 110 000 patients sont hospitalisés pour un
AVC constitué, d’origine ischémique dans plus de 80% des cas (infarctus cérébraux, IC).1
Après un passage en unité de soins aigus, 30% des patients sont hospitalisés dans un service
de rééducation/réadaptation, et 73% d’entre eux retournent ensuite au domicile.2 On estime
que plus de 500 000 personnes vivent en France avec les séquelles d’un AVC,3 et que cette
pathologie est responsables de 3% de l’ensemble des dépenses de santé en France, soit 8,3
milliards d’euros par an.1
Le pronostic des IC peut être remarquablement modifié si un traitement de
recanalisation (thrombolyse intra-veineuse [TIV] et/ou thrombectomie) peut être réalisé à la
phase hyperaiguë. L’objectif de ce traitement est d’éviter l’évolution de la zone de pénombre
ischémique vers la nécrose. En effet, dans les premières heures suivant l’occlusion d’un artère
à visée cérébrale, trois zones dans le territoire concerné peuvent être distinguées en fonction
de la perfusion résiduelle (Figure 1) : un cœur ischémique, sévèrement hypoperfusé,
conduisant à une pan-nécrose en histologie ; une zone de pénombre, intermédiaire,
modérément hypoperfusée ; et une zone d’oligémie, en périphérie, peu hypoperfusée.4
Figure 1. Concept de pénombre
ischémique : représentation
schématique des 3 zones de perfusion
résiduelle à la phase hyperaiguë
d’occlusions de branches de l’Artère
Cérébrale Moyenne Droite.
11
A la phase hyperaiguë, le cœur ischémique et la zone de pénombre sont responsables
de la présentation clinique, dont la gravité peut être évaluée par le score NIHSS (National
Institute of Health Stroke Scale, Annexe 1).5 Cependant, en cas de recanalisation précoce, la
zone de pénombre peut être reperfusée et survivre, permettant ainsi une amélioration clinique
importante et rapide. En l’absence de recanalisation/reperfusion précoce, la zone de pénombre
évoluera vers la nécrose, se traduisant par une récupération clinique beaucoup plus lente et
souvent incomplète.6 Les conséquences à long terme des IC sont évaluées en pratique
courante par le score de Rankin modifié (mRS) à 3 mois (Annexe 2).7
Pouvoir estimer précocement le pronostic fonctionnel à long terme peut être utile pour
guider la prise de décision en phase hyperaiguë, et informer les patients et leurs familles. La
plupart des chercheurs se sont concentrés sur la prédiction à partir des données disponibles à
la phase hyperaiguë, dans l’objectif de sélectionner les meilleurs candidats à un traitement de
recanalisation par TIV et/ou thrombectomie. Plusieurs prédicteurs indépendants, cliniques et
radiologiques, ont ainsi été identifiés. Les principaux prédicteurs cliniques et biologiques
disponibles dès l’admission sont l’âge, le score NIHSS, la glycémie, la pression artérielle et
l’existence d’un handicap avant l’IC.8, 9
Les principaux prédicteurs radiologiques disponibles
dès l’admission sont l’existence d’une occlusion artérielle proximale et son étendue,8, 10
ainsi
que le volume de tissu cérébral infarci, qui peut être mesuré directement par volumétrie ou
estimé de manière semi-quantitative par le score ASPECTS (Alberta Stroke Program Early
CT score).11, 12
Ce dernier, ainsi que son équivalent en IRM (DWI-ASPECTS),13
sont de plus
en plus utilisés en pratique courante pour évaluer la sévérité d’un IC dans le territoire de
l’Artère Cérébrale Moyenne (ACM). Plusieurs scores cliniques et clinico-radiologiques ont
été proposés pour prédire le mRS à 3 mois à partir des données disponibles à l’admission,
mais leur valeur pronostique reste imparfaite.8, 14-16
Vingt-quatre heures après le début de l’IC, le destin de la zone de pénombre est
entièrement déterminé,17, 18
une réévaluation clinique (score NIHSS) est fréquemment
réalisée, et davantage de patients bénéficient d’une IRM que lors de l’admission. Cependant,
très peu d’auteurs se sont intéressés à la prédiction du mRS à partir des données disponibles à
24 heures. Ceci est probablement favorisé par le fait que l’impact d’une telle prédiction sur la
prise de décision thérapeutique est moins important à 24 heures qu’à la phase hyperaiguë.
Cependant, estimer le pronostic fonctionnel à long terme le lendemain de l’admission
conserve un intérêt pour l’information du patient et de ses proches, et potentiellement pour
anticiper son orientation future.
12
Nous avons fait l’hypothèse que la prédiction du pronostic fonctionnel à 3 mois était
grandement déterminée à 24 heures par quelques variables cliniques simples et que l’ajout
d’autres variables, notamment le score DWI-ASPECTS, ne permettrait pas d’améliorer de
manière importante la prédiction.
Nos objectifs étaient donc:
1) De déterminer s’il est possible de construire un modèle clinique simple à 24 heures,
qui permette à la fois une excellente prédiction du mRS à 3 mois (ASC-ROC >0,90) et
une meilleure ASC-ROC que celle pouvant être obtenue à partir des données à
l’admission.
2) D’évaluer l’apport du score DWI-ASPECTS au sein d’un tel modèle.
13
II. Méthodes
1) Population
Nous avons analysé les patients consécutivement hospitalisés au Centre Hospitalier
Sainte-Anne pour un IC aigu, à partir : (1) de la base de données des patients traités par TIV
ou thrombectomie (janvier 2003 à novembre 2014) ; (2) de la base de données des patients
n’ayant pas reçu de traitement de recanalisation (janvier 2008 à avril 2013). La TIV était
administrée dans les 3h suivant le début des symptômes jusqu’en 2008, puis dans les 4h30,
selon les recommandations Européennes.19
Une thrombectomie était réalisée dans le cadre
d’un essai thérapeutique, ou bien en cas de contre-indication à la thrombolyse, d’occlusion de
l’artère basilaire, voire dans certains cas, à visée « de sauvetage ».
Nos critères d’inclusion étaient les suivants : âge ≥18 ans, symptômes évoluant depuis
moins de 6h, preuve d’un IC en imagerie (IRM de diffusion ou scanner de suivi), score mRS
préexistant ≤2. Les critères de non-inclusion étaient les suivants : mRS préexistant manquant,
mRS à 3 mois manquant, réalisation d’une thrombectomie. En effet, lors la période du recueil,
ce traitement n’était pas encore recommandé dans la prise en charge des IC. Les données
suivantes étaient recueilles à partir des dossiers médicaux : âge, sexe, autonomie antérieure
imparfaite (mRS préexistant >1), hypertension artérielle, diabète, dyslipidémie, tabagisme
actuel, fibrillation atriale, coronaropathie, antécédent d’IC et prise d’antiagrégant plaquettaire.
Les constantes à l’admission et à 24h, ainsi que le score NIHSS à l’admission et à 24h étaient
recueillis prospectivement. La glycémie a été dichotomisée selon un seuil proposé dans la
littérature (≥8mmol/L contre <8mmol/l).8 Notre critère de jugement principal était le mauvais
pronostic fonctionnel à 3 mois, défini par un score mRS >2.
14
2) Imagerie : score DWI-ASPECTS
Au sein du sous-groupe de patients ayant bénéficié d’une IRM cérébrale pour un IC
dans le territoire de l’ACM, l’étendue de l’ischémie a été évaluée à l’admission puis à 24
heures par le score DWI-ASPECTS.13
Au sein de ce score, évalué à partir de deux niveaux de
coupe (Figure 2), un point est enlevé pour chaque zone d’intérêt touchée. Le score DWI-
ASPECTS est ainsi compris entre 10 (absence d’anomalies à l’imagerie) à 0 (hypersignal en
diffusion dans l’ensemble des régions du territoire de l’ACM).
Le score DWI-ASPECTS a été dichotomisé selon les valeurs ≤5 ou >5, ce seuil ayant
été préalablement utilisé pour la prédiction du pronostic à l'admission dans un travail réalisé
sur une partie de la présente population14
et utilisé comme critère d'inclusion dans l'essai
thérapeutique REVASCAT.20
Figure 2. Score DWI-ASPECTS : Zones d’intérêt au sein de 2 coupes prédéfinies (l’une
passant au niveau du thalamus et des noyaux gris centraux (a), l’autre passant juste au-
dessus de ces structures (b)) ; C = noyau caudé ; L = noyau lenticulaire ; CI = capsule
interne ; I = insula ; M1, M2, M3, M4, M5, M6 = territoire superficiel de l’artère cérébrale
moyenne. Chez ce patient, le score final est évalué à 3.
15
3) Analyse statistique
Statistiques descriptives, analyses univariables et multivariables
A chaque fois, les patients traités par TIV (TIV+) et ceux n’ayant pas reçu de
traitement de recanalisation (TIV-) ont été analysés séparément. En effet, il existait une
interaction significative entre TIV et certains variables explicatives pour la prédiction du mRS
à 3 mois dans notre population. Les variables continues avec une distribution normale ont été
décrites par leur moyenne ±écart-type (ET), et celles présentant un écart à la normalité par
leur médiane et intervalle interquartile (IQR). En analyse univariable, les associations entre
mRS à 3 mois >2 et variables continues étaient évaluées par un test t de Student en cas de
distribution normale ou un Mann-Whitney-U test en cas d’écart à la normalité. Les
associations entre mRS à 3 mois >2 et variables catégorielles étaient évaluées par un test du χ2
de Pearson. Des Odds Ratios (OR) et leurs intervalles de confiance à 95% (IC95%) ont été
obtenus à partir de régressions logistiques binaires modélisant les associations entre le mRS à
3 mois >2 (variable dépendante) et les variables explicatives disponibles à l’admission ou à
24h (prédicteurs). Les variables associées au mRS à 3 mois >2 au seuil p<0,20 en analyse
univariable étaient candidates à l’inclusion dans un modèle multivariables, pour lequel une
sélection pas-à-pas progressive était réalisée (combinaison d’une sélection ascendante et
descendante). Le seuil choisi pour qu’une variable soit conservée dans le modèle était p
≤0,05. La variable DWI-ASPECTS n’était pas incluse dans la liste des candidates pour le
modèle multivariables car elle ne concerne qu’un sous-groupe de l’ensemble de la population
(IC du territoire de l’ACM). La procédure de sélection des variables a donc permis d’obtenir
un modèle, basé uniquement sur des variables cliniques ou biologiques (« modèle clinique »)
pour chacune des 4 situations suivantes : prédiction à partir des données disponibles à
l’admission ou à 24 heures, au sein de la cohorte TIV+ ou TIV-. La formule permettant
d’obtenir l’équation prédictive de chaque modèle à partir des coefficients obtenus par
régression logistique est représentée dans l’Annexe 3.
Intérêt de l’ajout du score DWI-ASPECTS au sein des modèles cliniques
Dans un second temps, des analyses ont été conduites au sein du sous-groupe de
patients pour lesquels le score DWI-ASPECTS était applicable (IC du territoire de l’ACM),
afin d’évaluer l’intérêt d’ajouter ce score dans chacun des 4 modèles cliniques. Nous avons
ainsi obtenu 4 « modèles clinico-radiologiques ».
16
Comparaison des modèles prédictifs et choix du meilleur modèle : discrimination,
reclassification, calibration
Nous avons comparés 2 à 2 les modèles suivants:
- Modèles cliniques à l’admission et à 24h, chez les TIV+
- Modèles cliniques à l’admission et à 24h, chez les TIV-
- Modèles cliniques et clinico-radiologiques (dans chaque cas de figure).
La discrimination de chaque modèle, ou capacité à prédire l’appartenance à des
groupes prédéfinis (ici, mRS à 3 mois ≤2 ou >2) a été évaluée à l’aide de son Aire Sous la
Courbe Receiver Operating Characteristic (ASC-ROC) et son IC95%.21
Entre deux modèles
concurrents, si l’un présentait une ASC-ROC significativement supérieure à celle de l’autre,
alors il était considéré comme le meilleur modèle.22
Cependant, une absence de différence
significative entre deux ASC-ROC peut parfois être observée alors qu’un des deux modèles
permet de mieux classer certains patients au sein de catégories de risque.23
Par conséquent,
dans le cas de figure où deux modèles concurrents ne différaient que par la présence d’une
variable supplémentaire, d’autres analyses ont été effectuées, en calculant le Net
Reclassification Improvement (NRI, Annexe 4) après avoir établi une table de reclassification
des patients selon 4 catégories de risque de mRS à 3 mois >2 (≤25%, 26-50%, 51-75%,
>75%), ainsi que l’Integrated Discrimination Improvement (IDI, Annexe 5).23, 24
Quand deux modèles concurrents présentaient une ASC-ROC similaire et qu’une
analyse de reclassification n’était pas réalisable (ex: modèles non emboîtés) ou si celle-ci ne
suggérait pas la supériorité d’un modèle, nous avons choisi le modèle présentant le Critère
d’Information Bayésien le plus faible, selon le principe de parcimonie (Annexe 6).25
En l’absence de cohorte indépendante pour le présent travail de thèse, la calibration des
différents modèles (mesure de l’écart entre les risques prédits par un modèle et ceux
effectivement observés) n’a pas été évaluée.26
Les analyses ont été menées à l’aide des
logiciels SPSS 20 et SAS 9.4. Le seuil de significativité statistique était défini à p ≤0,05 (tests
bilatéraux).
17
4) Ethique
Le recueil des données utilisées dans cette thèse a été déclaré auprès du Comité
consultatif sur le traitement de l’information en matière de recherche dans le domaine de la
santé. En accord avec la législation française, cette étude ne nécessitait pas l’accord d’un
Comité de Protection des Personnes, car elle concerne une analyse rétrospective de données
anonymisées, collectées prospectivement dans le cadre de soins courants.
18
III. Résultats
1) Description de la population
Cohorte TIV+
Entre janvier 2003 et octobre 2014, 625 patients ont bénéficié d’un traitement de
recanalisation pour un IC ≤6h. 187 patients (30%) n’ont pas été inclus dans le présent travail
en raison d’un geste endovasculaire (n=157), d’un mRS préexistant >2 (n=20) ou d’un mRS à
3 mois manquant (n=10). L’analyse au sein de la cohorte TIV+ a donc porté sur 438 patients.
Cohorte TIV-
Entre janvier 2008 et avril 2013, 445 patients n’ont pas reçu de traitement de
recanalisation malgré une hospitalisation pour un IC ≤6 heures. 52 patients (12%) n’ont pas
été inclus en raison d’un mRS à 3 mois manquant (n=29), d’un mRS préexistant >2 (n=19) ou
d’antécédents manquants (n=4). L’analyse au sein de la cohorte TIV- a donc porté sur 393
patients.
Description et comparaison des deux cohortes
Au total, ce travail a porté sur 831 patients (caractéristiques de la population globale
en Annexe 7). Les variables disponibles à l’admission (« 0h ») et à 24h pour les deux cohortes
sont présentées dans le Tableau 1 et l’Annexe 8. Les patients de la cohorte TIV+ présentaient
plus souvent un mRS préexistant >1 (4,1% contre 1,3%), un antécédent de fibrillation atriale
(25,6% contre 13,7%) et avaient un score NIHSS médian beaucoup plus élevé à l’admission
(13 contre 3) et à 24h (8 contre 2). Le mauvais pronostic fonctionnel à 3 mois (mRS >2) était
significativement plus fréquent chez les TIV+ que chez les TIV- (47,7% contre 24,7%).
Le score DWI-ASPECTS à l’admission était applicable et disponible chez 283
(64,6%) patients TIV+ et 327 (83,2%) patients TIV-. Le score DWI-ASPECTS à 24h était
applicable et disponible chez 293 (66,9%) patients TIV+ et 256 (65,1%) patients TIV-.
L’Annexe 9 montre une comparaison des caractéristiques des patients pour lesquels le score
DWI-ASPECTS était disponible ou non. La proportion de patients avec un score DWI-
ASPECTS ≤5 était significativement plus élevée chez les TIV+ que chez les TIV- à
l’admission (22,6% contre 5,5%) et à 24h (36,5% contre 8,6%).
19
Tableau 1. Caractéristiques des deux cohortes de patients (TIV+ et TIV-).
Cohorte TIV+
n=438
Cohorte TIV-
n=393
P
Démographie
Sexe masculin, n (%) 251 (57,3) 225 (57,3) 0,99
Age, moyenne ±ET (années) 69,0 ±15,2 69,0 ±15,4 0,96
mRS préexistant >1, n (%) 18 (4,1) 5 (1,3) 0,013
Antécédents médicaux
Hypertension, n (%) 263 (60,0) 245 (62,3) 0,50
Diabète, n (%) 69 (15,8) 62 (15,8) 0,99
Dyslipidémie, n (%) 159 (36,3) 173 (44,0) 0,023
Tabagisme actif, n (%) 83 (18,9) 83 (21,1) 0,43
Fibrillation atriale connue, n (%) 112 (25,6) 54 (13,7) <0,001
Coronaropathie, n (%) 67 (15,3) 65 (16,5) 0,62
Antécédent d’IC, n (%) 34 (7,8) 59 (15,0) 0,001
Prise d’antiagrégant plaquettaire, n (%) 145 (34,1) 140 (35,6) 0,44
A l’admission
NIHSS, médiane (IQR) 13 (7-19) 3 (1-6) <0,001
Glycémie ≥8mmol/L, n (%) 79 (18,6) 45 (13,4) 0,054
DWI-ASPECTS ≤5, n (%) 64/283 (22,6) 18/327 (5,5) <0,001
A 24 heures
NIHSS, médiane (IQR) 8 (3-17) 2 (0-5) <0,001
DWI-ASPECTS ≤5, n (%) 107/293 (36,5) 22/256 (8,6) <0,001
Pronostic
mRS à 3 mois >2, n (%) 209 (47,7) 97 (24,7) <0,001
mRS à 3 mois, médiane (IQR) 2 (1-4) 1 (0-2) <0,001
20
2) Analyses univariables
Le Tableau 2 et l’Annexe 10 présentent les résultats des associations univariables entre
le mRS à 3 mois >2 et chacune des variables disponibles à l’admission ou à 24h. Les variables
suivantes étaient significativement associés au mRS à 3 mois >2 dans les deux cohortes
(TIV+ et TIV-) : l’âge, le score NIHSS à l’admission et à 24 heures, une glycémie à
l’admission ≥8 mmol/L, le score DWI-ASPECTS ≤5 à l’admission et à 24 heures.
Le sexe masculin n’était significativement associé au mRS à 3 mois >2 qu’au sein de la
cohorte TIV+. Les facteurs suivants n’étaient significativement associés au mRS à 3 mois >2
qu’au sein de la cohorte TIV- : le diabète, l’antécédent de fibrillation atriale ou de
coronaropathie et la prise d’antiagrégant plaquettaire à l’admission.
21
Tableau 2. Facteurs associés au mauvais pronostic à 3 mois (mRS >2) en analyse univariable.
Cohorte TIV+
n=438
Cohorte TIV-
n=393
OR (IC95%) P OR (IC95%) P
Démographie
Sexe masculin 0,64 (0,44-0,94) 0,023 0,78 (0,49-1,23) 0,28
Age, par pas de 10 ans 1,36 (1,19-1,56) <0,001 1,30 (1,10-1,54) 0,002
mRS préexistant >1 5,82 (1,66-20,42) 0,006 4,69 (0,77-28,50) 0,09
Antécédents médicaux
Hypertension 1,44 (0,98-2,12) 0,06 1,58 (0,96-2,58) 0,07
Diabète 1,32 (0,79-2,22) 0,29 2,43 (1,37-4,03) 0,002
Dyslipidémie 0,89 (0,60-1,32) 0,57 0,91 (0,57-1,45) 0,69
Tabagisme actuel 0,71 (0,44-1,16) 0,17 0,67 (0,37-1,23) 0,2
Fibrillation atriale connue 1,52 (0,99-2,34) 0,057 2,00 (1,09-3,68) 0,02
Coronaropathie 1,15 (0,69-1,94) 0,59 2,04 (1,16-3,60) 0,01
Antécédent d’IC 1,86 (0,90-3,81) 0,09 1,05 (0,55-1,98) 0,89
Prise d’antiagrégant
plaquettaire 1,27 (0,85-1,89) 0,24 1,63 (1,02-2,61) 0,04
A l’admission
NIHSS, par pas de 1 point 1,17 (1,13-1,21) <0,001 1,32 (1,24-1,40) <0,001
Glycémie ≥8mmol/L 2,35 (1,42-3,91) 0,001 2,64 (1,37-5,09) 0,004
DWI-ASPECTS ≤5 10,62 (4,98-22,63) <0,001 67,73 (8,84-518,73) <0,001
A 24 heures
NIHSS, par pas de 1 point 1,35 (1,28-1,41) <0,001 1,54 (1,39-1,71) <0,001
DWI-ASPECTS ≤5 12,16 (6,77-21,84) <0,001 15,10 (5,28-43,18) <0,001
22
3) Analyses multivariables : élaboration des modèles cliniques et
comparaison des modèles prédictifs à l’admission et à 24 heures
Cohorte TIV+
Prédiction du mRS à 3 mois >2 à partir des variables disponibles à l’admission
A l’issue du processus de sélection des variables, seuls le score NIHSS, l’âge, le mRS
préexistant >1 et la glycémie ≥8mmol/L à l’admission étaient des prédicteurs indépendants du
mauvais pronostic fonctionnel (Modèle Clinique TIV+ 0h, Tableau 3).
Prédiction du mRS à 3 mois >2 à partir des variables disponibles à 24h
A l’issue du processus de sélection des variables, seuls le score NIHSS à 24h et l’âge
étaient des prédicteurs indépendants du mauvais pronostic fonctionnel (Modèle Clinique
TIV+ 24h, Tableau 3).
Comparaison des valeurs prédictives des deux modèles (n=420)
La discrimination du modèle prédictif à 24 heures était significativement supérieure à
celle du modèle à l’admission (ASC-ROC : 0,924 contre 0,795, p<0,001).
Tableau 3. Cohorte TIV+. Modèles cliniques prédictifs du mauvais pronostic à 3 mois (mRS
>2) en analyse multivariables, basés sur les données à l’admission (0h) et à 24h.
Modèle Clinique TIV+ 0h
(n=421)
Modèle Clinique TIV+ 24h
(n=421)
OR ajusté (IC95%) OR ajusté (IC95%)
Age, par pas de 10 ans 1,32 (1,13-1,55) 1,37 (1,12-1,68)
mRS préexistant >1 3,98 (1,01-15,68) -
Glycémie à l’admission
≥8mmol/L
2,52 (1,40-4,55) -
NIHSS à l’admission,
par pas de 1 point
1,18 (1,13-1,22) -
NIHSS à 24h,
par pas de 1 point
- 1,36 (1,29-1,43)
ASC-ROC (IC95%) 0,795 (0,753-0,837) 0,924 (0,899-0,949)
23
Cohorte TIV-
Prédiction du mRS à 3 mois >2 à partir des variables disponibles à l’admission
A l’issue du processus de sélection des variables, seuls le score NIHSS, l’âge et la
glycémie ≥8mmol/L à l’admission étaient des prédicteurs indépendants du mauvais pronostic
fonctionnel (Modèle Clinique TIV- 0h, Tableau 4).
Prédiction du mRS à 3 mois >2 à partir des variables disponibles à 24h
A l’issue du processus de sélection des variables, seuls le score NIHSS et l’âge étaient
des prédicteurs indépendants du mauvais pronostic fonctionnel (Modèle Clinique TIV- 24h,
Tableau 4).
Comparaison des valeurs prédictives des deux modèles (n=277)
La discrimination du modèle prédictif à 24 heures était significativement supérieure à
celle du modèle à l’admission (ASC-ROC : 0,937 contre 0,878, p=0,008).
Tableau 4. Cohorte TIV-. Modèles cliniques prédictifs du mauvais pronostic à 3 mois (mRS
>2) en analyse multivariables, basés sur les données à l’admission (0h) et à 24h.
Modèle Clinique TIV- 0h
(n=324)
Modèle Clinique TIV- 24h
(n=324)
OR ajusté (IC95%) OR ajusté (IC95%)
Age, par pas de 10 ans 1,28 (1,00-1,65) 1,37 (1,01-1,86)
Glycémie à l’admission
≥8mmol/L
2,59 (1,06-6,31) -
NIHSS à l’admission,
par pas de 1 point
1,36 (1,26-1,47) -
NIHSS à 24h,
par pas de 1 point
- 1,60 (1,42-1,81)
ASC-ROC (IC95%) 0,878 (0,832-0,924) 0,937 (0,907-0,968)
24
4) Intérêt d’ajouter la variable DWI-ASPECTS ≤5 au sein des
modèles cliniques
Toutes les analyses de ce paragraphe ont porté sur le sous-groupe de patients pour lesquels le
score DWI-ASPECTS était applicable.
Cohorte TIV+
Comparaison des valeurs prédictives des modèles sans et avec la variable DWI-ASPECTS ≤5
à l’admission
L’ajout de la variable DWI-ASPECTS ≤5 au modèle clinique TIV+ 0h (score
NIHSS, l’âge, mRS préexistant >1 et glycémie ≥8mmol/L à l’admission) permettait
d’améliorer significativement la discrimination du modèle (ASC-ROC 0,836 contre 0,804,
p=0,01) (Tableau 5).
Tableau 5. Cohorte TIV+, données à l’admission. Comparaison de deux modèles prédictifs
d’un mRS à 3 mois >2, incluant ou non la variable DWI-ASPECTS ≤5.
Modèle Clinique
TIV+ 0h
(n=277)
Modèle Clinico-Radiologique
TIV+ 0h
(n=277)
OR ajusté (IC95%) OR ajusté (IC95%)
Age, par pas de 10 ans 1,19 (0,98-1,45) 1,30 (1,05-1,60)
mRS préexistant >1 6,69 (0,73-61,45) 8,04 (0,88-73,50)
Glycémie à l’admission
≥8mmol/L
3,81 (1,65-8,80) 3,66 (1,51-8,86)
NIHSS à l’admission,
par pas de 1 point
1,21 (1,15-1,27) 1,17 (1,11-1,23)
DWI-ASPECTS ≤5
à l’admission
- 6,88 (2,91-16,27)
ASC (IC95%) 0,804 (0,754-0,855) 0,836 (0,791-0,882)
La table de reclassification des variables selon le modèle clinico-radiologique est
présentée au sein de l’Annexe 4. Le NRI était de 23,5% (p < 0.001) et l’IDI de 0.063 (p
<0.001, Annexe 4 et 5).
25
Comparaison des valeurs prédictives des modèles sans et avec la variable DWI-ASPECTS ≤5
à 24h
L’ajout de la variable DWI-ASPECTS ≤5 au modèle clinique TIV+ 24h (NIHSS à
24h, âge), n’améliorait pas significativement l’ASC-ROC (0,919 contre 0,914, p=0,30,
Tableau 6).
Tableau 6. Cohorte TIV+, données à 24 heures. Comparaison de deux modèles prédictifs d’un
mRS à 3 mois >2, incluant ou non la variable DWI-ASPECTS ≤5.
Modèle Clinique
TIV+ 24h
(n=292)
Modèle Clinico-Radiologique
TIV+ 24h
(n=292)
OR ajusté (IC95%) OR ajusté (IC95%)
Age, par pas de 10 ans 1,51 (1,18-1,91) 1,55 (1,21-1,99)
NIHSS à 24h,
par pas de 1 point
1,33 (1,25-1,41) 1,29 (1,21-1,38)
DWI-ASPECTS ≤5
à 24h
- 2,59 (1,17-5,72)
ASC 0,914 (0,881-0,947) 0,919 (0,887-0,950)
Le NRI était nul (-0,009, p=0,71) et l’IDI avait une valeur de 0,01 (p=0,14). Le
modèle clinique présentait un critère d’information Bayésien quasiment identique à celui du
modèle clinico-radiologique (234 contre 235).
Cohorte TIV-
L’ajout de la variable DWI-ASPECTS ≤5 ne permettait pas d’améliorer la valeur
prédictive des modèles cliniques, tant à l’admission qu’à 24h (Annexe 11).
26
IV. Discussion
Nous avons montré qu’il est possible de prédire le mauvais pronostic fonctionnel à 3
mois avec une excellente discrimination, à partir d’un modèle comportant simplement l’âge et
le score NIHSS à 24 heures. La prise en compte du score NIHSS à 24h à la place du NIHSS à
l’admission améliorait nettement la prédiction de chacun des modèles. L’ajout du score DWI-
ASPECTS au sein des modèles cliniques ne permettait d’améliorer la discrimination que pour
le modèle à l’admission chez les TIV+.
Plusieurs scores et équations ont été proposés pour prédire le mRS à 3 mois. La grande
majorité d’entre eux a été développée à partir des données disponibles à l’admission, dans
l’objectif de proposer une aide à la décision thérapeutique en phase aiguë.
Quatre scores récents ont ainsi fait l’objet de nombreuses publications : ASTRAL, DRAGON,
THRIVE et iScore (Annexe 12).8, 16, 27, 28
Malgré des différences notables concernant les
paramètres inclus et la pondération qui leur est attribuée, aucun de ces scores n’a montré de
réelle supériorité pour la prédiction du mRS à 3 mois au sein des rares études les ayant
comparé directement.29, 30
Bien que satisfaisante, l’ASC-ROC de ces modèles pour la
prédiction, dès l’admission, du mRS à 3 mois >2 reste imparfaite (environ 0,80). En outre,
certains auteurs ont fait l’hypothèse que la faible utilisation de ces scores en pratique courante
était favorisée par leur relative complexité (5 à 10 variables par score), et ont suggéré que des
modèles simplifiés pourraient présenter une discrimination similaire.31-33
Cependant, de tels
modèles n’ont à ce jour pas été rigoureusement évalués au sein de larges cohortes de
validation externe.
Dans ce travail, notre premier objectif était de déterminer s’il est possible de
construire un modèle clinique simple à partir des données à 24 heures, qui permette une
excellente prédiction du mRS à 3 mois (ASC-ROC >0,90) et qui soit applicable
indifféremment selon le traitement administré initialement (TIV ou non). Cependant, nous
avons décidé de pas analyser ensemble les patients des cohortes TIV+ et TIV-. En effet, les
patients ne recevant pas de TIV malgré un IC pris en charge à la phase hyperaiguë étaient très
sélectionnés, présentant notamment un NIHSS médian à l’admission très faible. En tenant
d’analyser malgré tout l’ensemble de la population, ceci conduisait à une situation paradoxale
où la TIV était un prédicteur indépendant du mauvais pronostic, alors que son bénéfice est
27
bien démontré dans les essais thérapeutiques.34
De plus, il existait une interaction entre la
variable TIV et plusieurs variables explicatives (notamment NIHSS et DWI-ASPECTS ≤5)
pour prédire le mRS à 3 mois. Malgré cela, nous avons pu identifier pour chaque cohorte un
modèle clinique simple, basé sur les 2 mêmes variables explicatives (âge et score NIHSS à 24
heures), qui permet d’obtenir une ASC-ROC supérieure à 0,90.
Nous avons pris le parti de réaliser une sélection automatisée, sans a priori, des
variables à inclure dans les différents modèles. Les variables identifiées pour nos modèles
correspondent à des prédicteurs indépendants bien décrits dans la littérature : le mRS
préexistant,8, 15
l’âge,8 la glycémie à l’admission et le score NIHSS.
31 Nous avons montré que
les modèles à 24 heures présentaient une valeur prédictive nettement supérieure à celle des
modèles réalisés à partir des données à l’admission. Ceci est dû à la prise en compte du score
NIHSS à 24 heures, comme en témoigne par ailleurs l’importance de l’Odds Ratio associé à
cette variable (au moins 1,30 pour chaque augmentation d’un point du NIHSS).
Bien qu’à notre connaissance le score NIHSS à 24 heures n’ait pas été pris en compte
dans un score prédictif auparavant, plusieurs auteurs avaient déjà noté l’importance de l’âge et
du score NIHSS (à l’admission cette fois) et proposé un modèle prédictif n’incluant que ces
deux variables. En 2004, Weimar et coll.35
ont montré qu’un tel modèle permettait de prédire
une récupération fonctionnelle incomplète (index de Barthel <95 à 100 jours) avec une ASC-
ROC de 0,86. Plus récemment, Whiteley et coll.30
ont comparé la discrimination et la
calibration de 10 modèles prédictifs au sein du bras TIV de l’essai thérapeutique IST-3
(n=1365). L’ASC-ROC d’une équation prédictive comportant uniquement l’âge et le score
NIHSS à l’admission était de 0,80 pour la prédiction du mRS à 3 mois >2, avec une
excellente calibration. Cette ASC-ROC était similaire à celle des autres scores évalués, y
compris DRAGON et THRIVE. Cependant, contrairement à ces deux scores, les paramètres
de l’équation prédictive incluant l’âge et le score NIHSS étaient ceux obtenus à partir de la
population d’IST-3, et il est possible que les performances prédictives de cette équation soient
moins bonnes au sein d’une population indépendante. L’utilisation d’une équation prédictive
pouvant être rebutante en pratique clinique quotidienne (Annexe 3), Saposnik et coll.36
ont
proposé, en 2013, de créer le score SPAN (Stroke Prognostication using Age and NIHSS), qui
correspond simplement à la somme du score NIHSS et de l’âge en années. L’interprétation
proposée pour ce score repose sur une dichotomisation, un SPAN ≥100 étant associé au
mauvais pronostic fonctionnel à 3 mois. Cet outil simple a bénéficié d’une importante
popularité et de plusieurs études de validation externe. Abilleira et coll.37
ont appliqué l’index
SPAN-100 à une population de 1685 patients traités par TIV, avec une ASC-ROC à 0,78 pour
28
prédire le mRS à 3 mois >2. La calibration du modèle n’était pas évaluée. Utilisé au sein du
China national stroke registry (tout IC confondus), le SPAN-100 se révéla cependant avoir
une discrimination très médiocre pour prédire le mRS ≥2 à 3 mois (ASC-ROC = 0,54).38
L’index SPAN-100 était également évalué au sein de l’étude comparant plusieurs modèles
prédictifs à l’aide du bras TIV de l’étude IST-3, 30 et présentait une discrimination
significativement inférieure à celle des autres modèles (ASC-ROC 0,66). Il peut sembler
surprenant que deux modèles comportant uniquement les deux mêmes variables, NIHSS et
âge (équation prédictive; index SPAN-100) puissent présenter une ASC-ROC si différente au
sein d’une même population. Ceci peut s’expliquer par deux mécanismes. Premièrement, le
score SPAN attribue le même poids à une augmentation de l’âge d’une année et à une
augmentation du score NIHSS d’un point, ce qui est discutable.39
Deuxièmement, le SPAN-
100 ne peut comporter que deux valeurs (positif ou négatif), alors que l’équation prédictive
(modèle NIHSS et âge) peut en comporter plusieurs milliers. Ceci reflète, d’une part, la
difficulté de choisir, au sein d’un score, un seuil optimal qui soit valide pour des populations
très différentes, et, d’autre part, la complexité de trouver un compromis entre simplicité
d’utilisation et performances prédictives.40
Par la suite, certains auteurs ont d’ailleurs proposé
de tenir compte de l’ensemble des valeurs du score SPAN.41
Le deuxième objectif de notre travail était de déterminer, pour le sous-groupe
des patients présentent un IC dans le territoire de l’ACM, l’intérêt d’ajouter le score DWI-
ASPECTS au sein des modèles cliniques. Concernant la prédiction à 24 heures, bien que la
variable DWI-ASPECTS ≤5 soit très fortement associée au mauvais pronostic, son ajout au
sein des modèles cliniques n’a pas permis d’améliorer la prédiction. Par contre, concernant la
prédiction à l’admission chez les TIV+, il avait déjà été démontré, au sein d’une partie de la
présente cohorte, que l’ajout de deux paramètres d’imagerie (DWI-ASPECTS ≤5 et occlusion
proximale de l’ACM) permettait d’améliorer significativement la prédiction du mRS à 3 mois
>2 par rapport aux seules variables cliniques du score DRAGON.14
Le présent travail a
permis de confirmer ces résultats et de montrer que l’ajout de la variable DWI-ASPECTS ≤5
permettait de reclasser correctement 23% des patients, par rapport au modèle clinique.
Trois hypothèses peuvent être avancées pour expliquer que DWI-ASPECTS améliore,
chez les TIV+, la prédiction à l’admission, mais pas à 24 heures. Premièrement, il est possible
qu’il existe une réelle différence entre les deux ASC-ROC à 24h mais que nous n’ayons pas
pu le démontrer du fait d’un manque de puissance statistique. Cependant, ceci est peu
probable car l’ajout de DWI-ASPECTS n’a permis de reclasser correctement aucun patient
29
par rapport aux modèles cliniques à 24 heures. Deuxièmement, il est possible que nous
observions un effet plafond de l’ASC-ROC à 24 h du fait de valeurs déjà élevées (>90%) pour
les modèles cliniques. Troisièmement, on peut faire l’hypothèse qu’à 24 heures les
informations apportées par le score DWI-ASPECTS sont redondantes avec celles du NIHSS,
tandis que cela n’est que partiellement vrai à l’admission. En effet, à 24 heures l’ensemble du
déficit neurologique est lié à la zone nécrotique car le tissu pénombral a disparu, tandis qu’à
l’admission, le déficit neurologique peut être lié soit à la zone nécrosée, soit à la zone en
pénombre ischémique, du fait d’une dysfonction cellulaire. A l’admission, à score NIHSS
égal, un score DWI-ASPECTS plus bas reflète un cœur nécrotique plus important et donc
vraisemblablement une moindre zone de pénombre à sauver, et ainsi une moindre probabilité
de récupération, même en cas de reperfusion.42, 43
A notre connaissance, notre étude est la première à avoir développé un modèle
clinique à partir des variables obtenues à 24h d’un IC, avec la confirmation qu’elles
permettent une meilleure prédiction que les variables à l’admission, chez les TIV+ comme
chez les TIV-. Prédire de façon fiable le pronostic fonctionnel à long terme à partir des
données disponibles à 24 heures peut aider le clinicien dans l’information du patient ou de ses
proches, ainsi que pour anticiper la suite de la prise en charge. Notre modèle pronostique
pourrait permettre d’anticiper les demandes de rééducation, actuellement réalisées dans les
72h suivant le début des symptômes, et ainsi réduire potentiellement la durée d’hospitalisation
initiale.
Notre étude présente plusieurs limites. Premièrement, du fait d’un recueil rétrospectif,
il existait des données manquantes, en particulier pour l’imagerie (IRM initiale dans un autre
hôpital, seconde IRM tardive…). Ceci a pu diminuer notre puissance statistique pour certaines
analyses multivariables. Ainsi, certains prédicteurs des modèles cliniques retenus dans la
première partie de l’étude n’étaient plus significatifs quand les mêmes modèles étaient
appliqués au sous-groupe des patients pour lesquels DWI-ASPECTS pouvait être coté (ex :
Tableau 5). Deuxièmement, nous n’avons pas évalué la calibration de nos modèles. Une
validation externe au sein d’une population indépendante serait nécessaire avant de pouvoir
utiliser l’un de nos modèles prédictifs en pratique clinique.26
Troisièmement, le score DWI-
ASPECTS, n’est applicable qu’aux patients présentant un IC du territoire de l’ACM, et n’est
pas parfaitement corrélé au volume en diffusion.11
Cependant, le territoire de l’ACM est celui
le plus souvent touché en cas d’IC, et le score DWI-ASPECTS reste facile à calculer, est un
30
prédicteur indépendant du mauvais pronostic et présente une pondération importante pour les
zones cliniquement critiques (territoire sylvien profond).44
Le seuil choisi pour ce score (≤5) est également discutable, notamment pour les patients peu
sévères (cohorte TIV-). Néanmoins, nous avons effectué des analyses de sensibilité avec le
seuil ≤7,13
montrant des résultats similaires (données non présentées).
Quatrièmement, nous n’avons pas pris en compte plusieurs variables radiologiques
potentiellement importantes, comme l’existence d’une occlusion artérielle proximale,
l’étendue du thrombus artériel ou la qualité de la collatéralité artérielle. Cependant, il est
probable que ces variables jouent essentiellement un rôle pour la prédiction à l’admission
plutôt qu’à 24 heures.17, 18
Enfin, il aurait été intéressant de quantifier la zone de pénombre à
l’admission et à 24h, afin d’étayer notre hypothèse physiopathologique de redondance
d’information entre les scores NIHSS et DWI-ASPECTS à 24h.
31
V. Conclusion
Notre étude montre qu’un modèle prédictif simple comportant uniquement le score
NIHSS à 24 heures et l’âge permet une excellente prédiction du mRS >2 à 3 mois d’un IC
aigu, sans nécessité d’incorporer d’autres variables, notamment le score DWI-ASPECTS. Les
performances prédictives de notre modèle devront être confirmées sur des cohortes
indépendantes avant d’envisager une utilisation en pratique clinique.
32
Annexes
Annexe 1. Score NIHSS.5
Vigilance 0 Vigilance normale
1 Trouble léger de la vigilance, obnubilation
2 Coma, avec réactions adaptées aux stimulations nociceptives
3 Coma grave, pas de réponse
Orientation (mois, âge) 0 Deux réponses exactes
1 Une réponse exacte
2 Aucune bonne réponse
Commandes (ouverture
des yeux, ouverture du
poing)
0 Deux ordres effectués
1 Un ordre effectué
2 Aucun ordre effectué
Oculomotricité 0 Normale
1 Ophtalmoplégie partielle ou déviation réductible du regard
2 Ophtalmoplégie complète ou déviation forcée du regard
Champs visuel 0 Normal
1 Quadranopsie latérale homonyme ou hémianopsie latérale
homonyme incomplète
2 Hémianopsie latérale homonyme franche,
3 Cécité bilatérale, coma
Paralysie faciale 0 Absente
1 Asymétrie modérée
2 Paralysie unilatérale centrale franche
3 Paralysie périphérique ou diplégie faciale
Motricité pour chaque
membre (manœuvre de
Barré pendant 10
secondes, manœuvre de
Mingazzini pendant 5
secondes)
0 Pas de déficit proximal
1 Affaissement, sans atteindre le plan du lit
2 Effort contre la pesanteur, mais chute dans le plan du lit
3 Pas d’effort contre la pesanteur, présence d’une contraction
musculaire
4 Absence de mouvement
X Cotation impossible (amputation, arthrodèse)
Ataxie 0 Absente
1 Pour un membre
2 Pour deux membres ou plus
Sensibilité 0 Normale
1 Hypoesthésie minime à modérée
2 Hypoesthésie sévère ou anesthésie
Langage 0 Normal
1 Aphasie discrète à modérée, communication informative
2 Aphasie sévère
3 Mutisme
Dysarthrie 0 Absence
1 Discrète à modérée
2 Sévère
X Cotation impossible
Extinction, négligence 0 Absence
1 Dans un seule modalité
2 Sévère, anosognosie ou dans plusieurs modalités
33
Annexe 2. Score de Rankin modifié (mRS).7
Valeur Symptômes
0 Asymptomatique
1 Pas d’incapacité en dehors des symptômes : autonomie et activités conservées
2 Handicap faible : incapable d’assurer les activités habituelles mais autonomie
3 Handicap modéré : besoin d’aide, mais marche possible sans assistance
4 Handicap modérément sévère : marche et gestes quotidiens impossibles sans aides
5 Handicap majeur : alitement permanent, incontinence et soins de nursing permanent
6 Décès
34
Annexe 3. Equation prédictive dans le cadre d’un modèle logistique.
Une équation prédictive a pu être a calculée pour chaque modèle prédictif, à partir des
coefficients obtenus par régression logistique, selon la formule suivante :
P =
Où
P représente la probabilité pour chaque patient d’avoir un mRS à 3 mois >2.
α correspond à l’intercept (constante) du modèle logistique.
βi au coefficient de régression de la variable explicative i.
Xi à la valeur de la variable i pour le patient.
1
1+ exp - a + biC
ii=1
p
åæ
èç
ö
ø÷
ìíï
îï
üýï
þï
35
Annexe 4. Calcul du Net Reclassification Improvement (NRI).23, 24
1) Intérêt du calcul du NRI :
Le NRI représente le pourcentage de patients correctement reclassés par le modèle
clinico-radiologique par rapport au classement par le modèle clinique seul.
2) Formule :
NRI = [P (up|D = 1) – P (down|D = 1)] - [P (up|D = 0) – P (down|D = 0)]
Où
D est l’événement, à savoir mRS >2 à 3 mois et P la probabilité.
Up : reclassification dans une catégorie plus élevée (vers la droite de la table de
reclassification, flèche rouge).
Down : reclassification dans une catégorie moins élevée (vers la droite de la table de
reclassification, flèche bleue).
Avec
P (up|D = 1) =
P (down|D = 1) =
P (up|D = 0) =
P (down|D = 0) =
N étant le nombre de patients.
3) Mesure du z-score pour l’hypothèse nulle NRI=0 :
Nup(D =1)
Ntotal(D =1)
Ndown(D =1)
Ntotal(D =1)
Nup(D = 0)
Ntotal(D = 0)
Ndown(D = 0)
Ntotal(D = 0)
z=NRI
P(up D =1) + P(down D =1)
Ntotal(D =1)+
P(up D = 0) + P(down D = 0)
Ntotal(D = 0)
36
Appliqué dans la population TIV+, sur les données à l’admission :
1) Table de reclassification :
2) Formule :
P (up|D = 1) = 11
132= 0,083
P (down|D = 1) = 1
132 = 0,007
P (up|D = 0) = = 0,000
P (down|D = 0) = 23
145 = 0,159
0
145
Modèl
e cl
iniq
ue
Modèle clinico-radiologique
Fréquence (%) ≤25 26-50 51-75 >75 Total
mRS à 3 mois >2
≤25 11 0 0 0 11
26-50 1 29 0 0 30
51-75 0 0 27 11 38
>75 0 0 0 53 53
Total 12 29 27 64 132
mRS à 3 mois ≤2
≤25 68 0 0 0 68
26-50 12 28 0 0 40
51-75 0 7 17 0 24
>75 0 0 4 9 13
Total 80 35 21 9 145
37
Soit NRI = [0,083-0,007]-[0,000-0,159] = 0,235
3) Mesure du z-score pour l’hypothèse nulle NRI=0 :
z = 0,235
(0,083+ 0,007)
132+
(0,000 + 0,159)
145
= 5,57
Avec p < 0,001.
38
Annexe 5. Calcul de l’Integrated Discrimination Improvement (IDI).23
1) Intérêt du calcul de l’IDI :
L’IDI permet de mesurer l’amélioration de la sensibilité et la dégradation de la
spécificité dans le nouveau modèle (avec la variable DWI-ASPECTS ≤5), par rapport à celui
n’incluant pas le critère radiologique. Un IDI positif est en faveur d’une amélioration de la
sensibilité supérieure à la dégradation de la spécificité.
2) Formule :
Où :
D est l’événement, à savoir mRS >2 à 3 mois et P la probabilité.
Avec :
: probabilité prédite moyenne par le nouveau modèle (avec DWI-ASPECTS ≤5)
chez les patients ayant un score mRS >2 à 3 mois de l’IC.
: probabilité prédite moyenne par l’ancien modèle (sans DWI-ASPECTS ≤5) chez
les patients ayant un score mRS >2 à 3 mois de l’IC.
: probabilité prédite moyenne par le nouveau modèle (sans DWI-ASPECTS ≤5)
chez les patients ne présentant pas un score mRS >2 à 3 mois de l’IC.
: probabilité prédite moyenne par l’ancien modèle (sans DWI-ASPECTS ≤5) chez
les patients ne présentant pas un score mRS >2 à 3 mois de l’IC.
3) Mesure du z-score pour l’hypothèse nulle IDI=0 :
IDI = (Pnouveau, D = 1 - Pancien, D = 1)- (Pnouveau, D = 0 - Pancien, D = 0)
Pnouveau, D = 1
Pancien, D = 1
Pnouveau, D = 0
Pancien, D = 0
z=IDI
(SEMD = 1)2 + (SEMD = 0)2
39
Avec :
: erreur type (standard error of the mean) de la différence entre les paires de
probabilités prédites par le nouveau et l’ancien modèle chez les patients présentant un score
mRS >2 à 3 mois (n1).
: erreur type (standard error of the mean) de la différence entre les paires de
probabilités prédites par le nouveau et l’ancien modèle chez les patients ne présentant pas un
score mRS >2 à 3 mois (n0).
A partir de ce résultat et grâce à la table de la loi normale, la valeur du p était obtenue
(significativité si p <0,05).
Appliqué dans la population TIV+, sur les données à l’admission :
1) Formule :
IDI = (0,661 – 0,628) - (0,310 – 0,339) = 0,063
2) Mesure du z-score pour l’hypothèse nulle IDI=0 :
:
Moyenne de la différence de probabilité = 0,033
ET1 = 0,147
= ET
1
n1
= 0,147
132 = 0,013
:
Moyenne de la différence de probabilité = -0,030
ET0 = 0,102
= ET
0
n0
= 0,102
145 = 0,008
SEMD = 1
SEMD = 0
SEMD = 1
SEMD = 1
SEMD = 0
SEMD = 0
40
Valeur de z :
z = 0,063
(0,0132 + 0,0082) = 4,128
Avec p = 3,7x10-5
.
41
Annexe 6. Phénomène de sur-ajustement, principe de parcimonie,
critère d’information Bayésien.
Un phénomène de sur-ajustement (« overfitting » en anglais) survient quand un grand
nombre de paramètres (prédicteurs) sont inclus dans un modèle. Cela se traduit par une
prédiction quasiment parfaite dans la cohorte à partir de laquelle le modèle est développé, et
une capacité de prédiction très médiocre au sein de cohortes indépendantes (Figure ci-
dessous).
Selon le principe de parcimonie, si deux modèles concurrents présentent une
vraisemblance similaire, il est préférable de favoriser celui présentant le moins de paramètres,
permettant ainsi de limiter le risque de sur-ajustement (Ockham: « une pluralité ne doit pas
être posée sans nécessité »). Le critère d’information Bayésien permet de guider le choix entre
deux modèles, car il tient compte de la vraisemblance du modèle tout en pénalisant sa
Figure. Phénomène de sur-ajustement : au sein de la cohorte de dérivation, où les deux
modèles A et B ont été construits, le modèle A (courbe orange) semble mieux expliquer les
données que le modèle B (courbe bleue). Cependant, au sein d’une cohorte indépendante
(dite de validation), il est probable que le modèle B, pourtant plus simple, explique mieux
les données que le modèle A.
Observation (patient)
Modèle A. Modèle pronostique parfaitement ajusté
aux données de la cohorte de dérivation, du fait d’un
grand nombre de paramètres (prédicteurs).
Modèle B. Modèle pronostique ajusté de manière
satisfaisante aux données de la cohorte de dérivation,
et comportant un plus faible nombre de paramètres.
42
complexité. Entre deux modèles concurrents, le choix peut ainsi se porter sur celui présentant
le critère d’information Bayésien le plus faible.
Formule du critère d’information Bayésien :
CIB = -2.ln(L) + ln(n).k
Où
L représente la vraisemblance du modèle.
n la taille de la cohorte.
k le nombre de paramètres au sein du modèle.
43
Annexe 7. Caractéristiques de la population globale.
Population globale
n=831
Démographie
Sexe masculin, n (%) 476 (57,3)
Age, moyenne ±ET (années) 69,0 ±15,3
mRS préexistant >1, n (%) 23 (2,8)
Antécédents médicaux
Hypertension, n (%) 508 (61,1)
Diabète, n (%) 131 (15,8)
Dyslipidémie, n (%) 332 (40,0)
Tabagisme actif, n (%) 166 (20,0)
Fibrillation atriale connue, n (%) 166 (20,0)
Coronaropathie, n (%) 132 (15,9)
Antécédent d’IC, n (%) 93 (11,2)
Prise d’antiagrégant plaquettaire, n (%) 285 (34,3)
A l’admission
NIHSS, médiane (IQR) 7 (3-16)
Glycémie ≥8mmol/L, n (%) 124 (16,3)
DWI-ASPECTS ≤5, n (%) 82 (13,4)
A 24 heures
NIHSS, médiane (IQR) 4 (1-13)
DWI-ASPECTS ≤5, n (%) 129 (23,5)
Pronostic
mRS à 3 mois >2, n (%) 306 (36,8)
mRS à 3 mois, médiane (IQR) 2 (0-4)
44
Annexe 8. Caractéristiques des deux cohortes de patients (TIV+ et
TIV-) - Suite.
Cohorte TIV+
n=438
Cohorte TIV-
n=393 P
A l’admission
NIHSS, n (%) <0,001
<5 32 (7,3) 265 (67,4)
5-9 127 (29,0) 64 (16,3)
10-15 100 (22,8) 27 (6,9)
≥15 179 (40,9) 37 (9,4)
PA Systolique, moyenne ±ET (mmHg) 155,3 ±23,4 155,1 ±25,5 0,94
PA Diastolique, moyenne ±ET
(mmHg)
83,6 ±15,9 85,5 ±15,2 0,08
Glycémie, moyenne ±ET (mmol/L) 6,5 ±2,8 5,6 ±1,6 <0,001
DWI-ASPECTS, médiane (IQR) 7 (6-8) 10 (9-10) <0,001
DWI-ASPECTS ≤7, n (%) 152 (53,7) 41 (12,5) <0,001
A 24 heures
NIHSS, n (%) <0,001
<5 150 (34,6) 276 (73,0)
5-9 79 (18,2) 51 (13,5)
10-15 68 (15,7) 18 (4,8)
≥15 137 (31,6) 33 (8,7)
PA Systolique, moyenne ±ET (mmHg) 145,7 ±20,7 142,4 ±24,0 0,05
PA Diastolique, moyenne ±ET
(mmHg)
78,5 ±13,8 79,6 ±15,6 0,33
DWI-ASPECTS, médiane (IQR) 7 (5-8) 9 (8-10) <0,001
DWI-ASPECTS ≤7, n (%) 189 (64,5) 53 (20,7) <0,001
45
Annexe 9. Comparaison des caractéristiques des patients TIV+ pour
lesquels la variable DWI-ASPECTS était disponible ou non.
A 0h Score
DWI-ASPECTS
disponible
Score
DWI-ASPECTS
non disponible
P
TIV+, n (%) 283 (64,6) 155 (35,4)
mRS à 3 mois >2, n (%) 135 (47,7) 74 (47,7) 0,99
Age en années, moyenne ±ET 67,4 ±14,7 72,0 ±15,8 0,003
mRS préexistant >1, n (%) 8 (2,8) 10 (6,5) 0,07
NIHSS à 0h, médiane (IQR) 14 (8-19) 10 (6-18) 0,002
A 24h Score
DWI-ASPECTS
disponible
Score
DWI-ASPECTS
non disponible
P
TIV+, n (%)
mRS à 3 mois >2, n (%) 136 (46,4) 73 (50,3) 0,44
Age en années, moyenne ±ET 69,4 ±15,1 68,2 ±15,5 0,42
mRS préexistant >1, n (%) 13 (4,4) 5 (3,4) 0,62
NIHSS à 24h, médiane (IQR) 8 (3-16) 9 (3-18) 0,23
46
Annexe 10. Facteurs associés à un mauvais pronostic à 3 mois (mRS
>2) en analyse univariable - Suite.
Cohorte TIV+
n=438
Cohorte TIV-
n=393
OR (IC95%) P OR (IC95%) P
Démographie
Age 1,03 (1,02-1,04) <0,001 1,03 (1,01-1,04) 0,002
A l’admission
NIHSS <0,001
<5 1,00 1,00
5-9 6,17 (1,40-27,13) 0,02 4,8 (2,15-8,13)
10-15 11,79 (2,67-52,02) 0,001 15,63 (6,48-37,66)
≥15 35,66 (8,22-154,61) <0,001 104,18 (29,91-362,86)
PA systolique 1,01 (1,00-1,02) 0,06 1,01 (1,00-1,02) 0,006
PA diastolique 1,00 (0,99-1,01) 0,81 1,00 (0,98-1,01) 0,86
Glycémie 1,23 (1,11-1,37) <0,001 1,26 (1,10-1,46) 0,001
DWI-ASPECTS 0,65 (0,57-0,75) <0,001 0,50 (0,40-0,60) <0,001
DWI-ASPECTS ≤7 3,64 (2,23-5,93) <0,001 4,40 (2,76-6,90) <0,001
A 24 heures
NIHSS <0,001 <0,001
<5 1,00 1,00
5-9 6,87 (3,10-15,21) 9,71 (4,74-19,89)
10-15 21,26 (9,51-47,54) 44,80 (13,48-148,85)
≥15 225,75 (86,44-589,57)
840,65 (48,2-1000) 0,1
PA systolique 1,02 (1,01-1,03) 0,001 1,02 (1,01-1,03) <0,001
PA diastolique 1,00 (0,99-1,02) 0,77 1,00 (0,99-1,02) 0,60
DWI-ASPECTS 0,60 (0,52-0,68) <0,001 0,59 (0,50-0,70) <0,001
DWI-ASPECTS ≤7 5,42 (3,19-9,23) <0,001 3,44 (2,17-5,46) <0,001
47
Annexe 11. Comparaison de deux modèles prédictifs d’un mRS à 3
mois >2, sur la population TIV-, en forçant l’entrée de la variable
DWI-ASPECTS ≤5 dans le modèle Clinique.
Tableau 1. A partir des données à l’admission
Modèle Clinique
TIV- 0h
(n=277)
Modèle Clinico-Radiologique
TIV- 0h
(n=277)
OR ajusté (IC95%) OR ajusté (IC95%)
Age, par pas de 10 ans 1,39 (1,06-1,83) 1,42 (1,07-1,88)
Glycémie à l’admission
≥8mmol/L
2,36 (0,90-6,15) 2,47 (0,95-6,44)
NIHSS à l’admission,
par pas de 1 point
1,39 (1,27-1,53) 1,37 (1,24-1,51)
DWI-ASPECTS ≤5 - 6,74 (0,54-83,62)
ASC-ROC (IC95%) 0,880 (0,832-0,929) 0,880 (0,831-0,929)
Critère d’information
Bayésien
212 215
Tableau 2. A partir des données à 24h
Modèle Clinique
TIV- 24h
(n=250)
Modèle Clinico-Radiologique
TIV- 24h
(n=250)
OR ajusté (IC95%) OR ajusté (IC95%)
Age, par pas de 10 ans 1,35 (0,95-1,92) 1,34 (0,94-1,91)
NIHSS à 24h,
par pas de 1 point 1,60 (1,40-1,83) 1,61 (1,40-1,85)
DWI-ASPECTS ≤5 - 0,71 (0,11-4,54)
ASC-ROC (IC95%) 0,920 (0,877-0,963) 0,920 (0,876-0,963)
Critère d’information
Bayésien 160 166
48
Annexe 12. Quatre scores pronostiques récents : ASTRAL,
DRAGON, THRIVE et iScore.
ASTRAL 16
Paru en 2012, le score ASTRAL prend en compte l’âge (A, 1 point par tranche de 5
ans), la sévérité du déficit (S, 1 point par point supplémentaire sur le score NIHSS), le temps
entre le début des symptômes et l’admission (T, 2 points si supérieur à 3 heures), le champs
visuel (R pour « Range of visual field defect », 2 points s’il existe une atteinte du champs
visuel), la glycémie à la phase aiguë (A pour « Acute glycose », 1 point si la glycémie est
inférieure à 3,7 ou supérieure à 7,3 mmol/L) et le niveau de conscience (L pour « Level of
consciousness decreased », 3 points s’il existe des troubles de la conscience).
Les tests de validation ont été effectués sur la cohorte de dérivation avec une ASC-
ROC de 0,85 et sur 2 cohortes de validation avec une ASC-ROC de 0,94 et 0,77 (regroupées,
ASC-ROC = 0,90). Les auteurs ont développé des tables de couleurs en fonction du pronostic
à 3 mois, utilisables au lit du patient :
49
Depuis, ce score, validé initialement sur des populations européennes, a été utilisé
dans le China Stroke National registry,45
avec un ASC-ROC de 0,82.
DRAGON 8
La même année, le score DRAGON a été développé par Strbian et coll.,8 se basant lui
aussi sur les données des premières heures, mais dans une population uniquement de patients
thrombolysés. Côté sur 10 points, il inclut des signes radiologiques (en scanner, hyperDense
cerebral artery sign, signe de « la trop belle artère », ou signes précoces d’infarctus ; 1 point
pour chacun de ses items si présents), le mRS avant l’hospitalisation (1 point si >1), l’Age
(≥85 ans=2 points, 65-79 ans=1, <65 ans=0), la Glycémie à l’admission (1 point si >8
mmol/L), le délai de traitement par thrombolyse intra-veineuse (Onset-to-treatment time ; 1
point si >90 minutes) et le NIHSS à l’admission (>15=3 points, 10-15=2, 5-9=1, 0-4=0).
La performance du score dans la cohorte de dérivation était de 0,84 pour l’ASC-ROC,
contre 0,80 dans la cohorte de validation. Le score DRAGON a par la suite été adapté pour
l’IRM (score MRI-DRAGON).14, 46
THRIVE 27
Développé Flint et coll. en 2010 (ASC-ROC=0,709),47
le score Totaled Health Risks
in Vascular Events (THRIVE) a depuis été validé sur de larges cohortes.27, 48, 49
Abréviations :
CDS : Chronic disease scale ;
HTN : History of
hypertension ; DM : history
of diabetes lellitus ; AFib :
History of atrial fibrillation.
50
iScore 15
L’iScore a été proposé par Saposnik et coll. en 2011, à partir d’une population TIV+ et
TIV-. Il évalue à partir d’un score composé de 12 variables, la mortalité à 30 jours et à 1 an
d’un IC. Il a été développé sur de grandes cohortes (dérivation : n=8223, ASC-ROC=0,85 et
0,82 ; validation interne : n=4039, ASC-ROC=0,85 et 0,84 ; validation externe : n=3720,
ASC-ROC=0,79 et 0,78).
Abréviations :
CNS : Canadian Neurological Scale ; CHF :
Congestive Heart Failure ;
N/A : non applicable dans ce modèle ;
* score à 0 si patient dans le coma.
Cinq catégories de risque ont ainsi été créées : 1 : score <105 (mortalité à 30 jours de
1,07% et à 1 an de 2,97%) ; 2 : score = 106-120 (2,47% et 8,88%) ; 3 : score = 121-145
(5,25% et 17,04%) ; 4 : score = 146-175 (14,80% et 29,26%) ; 5 : score >175 (39,07% et
58,92%).
51
Bibliographie
1. Ministère des Affaires Sociales, de la Santé et des Droits des Femmes - Les chiffres clés de l'avc [en
ligne]. Dernière mise à jour le 25 octobre 2013 (page consultée le 22 aoüt 2015).
http://www.sante.gouv.fr/les-chiffres-cles-de-l-avc.html
2. Fery-Lemonnier E. La prévention et la prise en charge des accidents vasculaires cérébraux en
france. Ministre de la Santé et des Sports. 2009
3. De Peretti C, Grimaud O, Tuppin P, Chin F, Woimant F. Prévalence des accidents vasculaires
cérébraux et de leurs séquelles et impact sur les activités de la vie quotidienne : Apports des
enquêtes déclaratives handicap‑ santé‑ ménages et handicap‑ santé‑ institution, 2008-2009.
Bulletin Epidémiologique Hebdomadaire, Institut de Veille Sanitaire. 2012
4. Baron JC. Mapping the ischaemic penumbra with pet: Implications for acute stroke treatment.
Cerebrovascular diseases. 1999;9:193-201
5. Brott T, Adams HP, Jr., Olinger CP, Marler JR, Barsan WG, Biller J, et al. Measurements of
acute cerebral infarction: A clinical examination scale. Stroke; a journal of cerebral circulation.
1989;20:864-870
6. Baron JC, Yamauchi H, Fujioka M, Endres M. Selective neuronal loss in ischemic stroke and
cerebrovascular disease. Journal of cerebral blood flow and metabolism : official journal of the
International Society of Cerebral Blood Flow and Metabolism. 2014;34:2-18
7. Huybrechts KF, Caro JJ, Xenakis JJ, Vemmos KN. The prognostic value of the modified rankin
scale score for long-term survival after first-ever stroke. Results from the athens stroke registry.
Cerebrovascular diseases. 2008;26:381-387
8. Strbian D, Meretoja A, Ahlhelm FJ, Pitkaniemi J, Lyrer P, Kaste M, et al. Predicting outcome of
iv thrombolysis-treated ischemic stroke patients: The dragon score. Neurology. 2012;78:427-432
9. Ahmed N, Wahlgren N, Brainin M, Castillo J, Ford GA, Kaste M, et al. Relationship of blood
pressure, antihypertensive therapy, and outcome in ischemic stroke treated with intravenous
thrombolysis: Retrospective analysis from safe implementation of thrombolysis in stroke-
international stroke thrombolysis register (sits-istr). Stroke; a journal of cerebral circulation.
2009;40:2442-2449
10. Legrand L, Naggara O, Turc G, Mellerio C, Roca P, Calvet D, et al. Clot burden score on
admission t2*-mri predicts recanalization in acute stroke. Stroke; a journal of cerebral circulation.
2013
11. De Margerie-Mellon C, Turc G, Tisserand M, Naggara O, Calvet D, Legrand L, et al. Can dwi-
aspects substitute for lesion volume in acute stroke? Stroke; a journal of cerebral circulation.
2013;44:3565-3567
12. Barber PA, Demchuk AM, Zhang J, Buchan AM. Validity and reliability of a quantitative
computed tomography score in predicting outcome of hyperacute stroke before thrombolytic
therapy. Aspects study group. Alberta stroke programme early ct score. Lancet. 2000;355:1670-
1674
52
13. Barber PA, Hill MD, Eliasziw M, Demchuk AM, Pexman JH, Hudon ME, et al. Imaging of the
brain in acute ischaemic stroke: Comparison of computed tomography and magnetic resonance
diffusion-weighted imaging. Journal of neurology, neurosurgery, and psychiatry. 2005;76:1528-
1533
14. Turc G, Apoil M, Naggara O, Calvet D, Lamy C, Tataru AM, et al. Magnetic resonance imaging-
dragon score: 3-month outcome prediction after intravenous thrombolysis for anterior
circulation stroke. Stroke; a journal of cerebral circulation. 2013;44:1323-1328
15. Saposnik G, Raptis S, Kapral MK, Liu Y, Tu JV, Mamdani M, et al. The iscore predicts poor
functional outcomes early after hospitalization for an acute ischemic stroke. Stroke; a journal of
cerebral circulation. 2011;42:3421-3428
16. Ntaios G, Faouzi M, Ferrari J, Lang W, Vemmos K, Michel P. An integer-based score to predict
functional outcome in acute ischemic stroke: The astral score. Neurology. 2012;78:1916-1922
17. Giffard C, Young AR, Kerrouche N, Derlon JM, Baron JC. Outcome of acutely ischemic brain
tissue in prolonged middle cerebral artery occlusion: A serial positron emission tomography
investigation in the baboon. Journal of cerebral blood flow and metabolism : official journal of the
International Society of Cerebral Blood Flow and Metabolism. 2004;24:495-508
18. Touzani O, Young AR, Derlon JM, Beaudouin V, Marchal G, Rioux P, et al. Sequential studies of
severely hypometabolic tissue volumes after permanent middle cerebral artery occlusion. A
positron emission tomographic investigation in anesthetized baboons. Stroke; a journal of cerebral
circulation. 1995;26:2112-2119
19. European Stroke Organisation Executive C, Committee ESOW. Guidelines for management of
ischaemic stroke and transient ischaemic attack 2008. Cerebrovascular diseases. 2008;25:457-507
20. Jovin TG, Chamorro A, Cobo E, de Miquel MA, Molina CA, Rovira A, et al. Thrombectomy
within 8 hours after symptom onset in ischemic stroke. The New England journal of medicine.
2015;372:2296-2306
21. Saporta G. Probabilités, analyse des données et statistiques. Paris : Editions Technip, 2006: 622.
22. DeLong ER, DeLong DM, Clarke-Pearson DL. Comparing the areas under two or more
correlated receiver operating characteristic curves: A nonparametric approach. Biometrics.
1988;44:837-845
23. Pencina MJ, D'Agostino RB, Sr., D'Agostino RB, Jr., Vasan RS. Evaluating the added predictive
ability of a new marker: From area under the roc curve to reclassification and beyond. Statistics
in medicine. 2008;27:157-172; discussion 207-112
24. Pencina MJ, D'Agostino RB, Sr., Steyerberg EW. Extensions of net reclassification improvement
calculations to measure usefulness of new biomarkers. Statistics in medicine. 2011;30:11-21
25. Tetko IVL, D. J.; Luik, A. I. . Neural network studies. 1. Comparison of overfitting and
overtraining. J. Chem. Inf. Comput. Sci. 1995;35 82833. doi:82810.81021/ci00027a82006
26. Moons KG, Kengne AP, Grobbee DE, Royston P, Vergouwe Y, Altman DG, et al. Risk prediction
models: Ii. External validation, model updating, and impact assessment. Heart. 2012;98:691-698
27. Flint AC, Faigeles BS, Cullen SP, Kamel H, Rao VA, Gupta R, et al. Thrive score predicts
ischemic stroke outcomes and thrombolytic hemorrhage risk in vista. Stroke; a journal of cerebral
circulation. 2013;44:3365-3369
53
28. Saposnik G, Kapral MK, Liu Y, Hall R, O'Donnell M, Raptis S, et al. Iscore: A risk score to
predict death early after hospitalization for an acute ischemic stroke. Circulation. 2011;123:739-
749
29. Van Hooff RJ, Nieboer K, De Smedt A, Moens M, De Deyn PP, De Keyser J, et al. Validation
assessment of risk tools to predict outcome after thrombolytic therapy for acute ischemic stroke.
Clin Neurol Neurosurg. 2014;125:189-193
30. Whiteley WN, Thompson D, Murray G, Cohen G, Lindley RI, Wardlaw J, et al. Targeting
recombinant tissue-type plasminogen activator in acute ischemic stroke based on risk of
intracranial hemorrhage or poor functional outcome: An analysis of the third international
stroke trial. Stroke; a journal of cerebral circulation. 2014;45:1000-1006
31. Asuzu D, Nystrom K, Schindler J, Wira C, Greer D, Halliday J, et al. Turn score predicts 90-day
outcome in acute ischemic stroke patients after iv thrombolysis. Neurocritical care. 2015
32. German Stroke Study C. Predicting outcome after acute ischemic stroke: An external validation
of prognostic models. Neurology. 2004;62:581-585
33. Seiffge DJ, Karagiannis A, Strbian D, Gensicke H, Peters N, Bonati LH, et al. Simple variables
predict miserable outcome after intravenous thrombolysis. European journal of neurology : the
official journal of the European Federation of Neurological Societies. 2014;21:185-191
34. Emberson J, Lees KR, Lyden P, Blackwell L, Albers G, Bluhmki E, et al. Effect of treatment
delay, age, and stroke severity on the effects of intravenous thrombolysis with alteplase for acute
ischaemic stroke: A meta-analysis of individual patient data from randomised trials. Lancet.
2014;384:1929-1935
35. Weimar C, Konig IR, Kraywinkel K, Ziegler A, Diener HC, German Stroke Study C. Age and
national institutes of health stroke scale score within 6 hours after onset are accurate predictors
of outcome after cerebral ischemia: Development and external validation of prognostic models.
Stroke; a journal of cerebral circulation. 2004;35:158-162
36. Saposnik G, Guzik AK, Reeves M, Ovbiagele B, Johnston SC. Stroke prognostication using age
and nih stroke scale: Span-100. Neurology. 2013;80:21-28
37. Abilleira S, Ribera A, Quesada H, Rubiera M, Castellanos M, Vargas M, et al. Applicability of
the span-100 index in a prospective and contemporary cohort of patients treated with intravenous
rtpa in catalonia. Neurologia. 2014
38. Pan Y, Jing J, Zhang R, Zhao X, Liu L, Wang H, et al. Poor performance of stroke
prognostication using age and national institutes of health stroke scale-100 to predict 3- and 12-
month outcomes of ischemic stroke in china national stroke registry. Journal of stroke and
cerebrovascular diseases : the official journal of National Stroke Association. 2014;23:2335-2340
39. Strbian D, Seiffge DJ, Breuer L, Numminen H, Michel P, Meretoja A, et al. Validation of the
dragon score in 12 stroke centers in anterior and posterior circulation. Stroke; a journal of
cerebral circulation. 2013;44:2718-2721
40. Giles MF, Rothwell PM. Systematic review and pooled analysis of published and unpublished
validations of the abcd and abcd2 transient ischemic attack risk scores. Stroke; a journal of
cerebral circulation. 2010;41:667-673
54
41. Fabiana NL, Lee CF, Gan R, Venketasubramanian N, Wong KS, Bousser MG, et al. Using the
full span of the span-100 index to predict functional outcome in the chimes study. Int J Stroke.
2015;10:E21
42. Davis S, Donnan GA. Time is penumbra: Imaging, selection and outcome. The johann jacob
wepfer award 2014. Cerebrovascular diseases. 2014;38:59-72
43. Gasparotti R, Grassi M, Mardighian D, Frigerio M, Pavia M, Liserre R, et al. Perfusion ct in
patients with acute ischemic stroke treated with intra-arterial thrombolysis: Predictive value of
infarct core size on clinical outcome. AJNR. American journal of neuroradiology. 2009;30:722-727
44. Tei H, Uchiyama S, Usui T, Ohara K. Diffusion-weighted aspects as an independent marker for
predicting functional outcome. Journal of neurology. 2011;258:559-565
45. Liu G, Ntaios G, Zheng H, Wang Y, Michel P, Wang DZ, et al. External validation of the astral
score to predict 3- and 12-month functional outcome in the china national stroke registry. Stroke;
a journal of cerebral circulation. 2013;44:1443-1445
46. Turc G, Aguettaz P, Ponchelle-Dequatre N, Henon H, Naggara O, Leclerc X, et al. External
validation of the mri-dragon score: Early prediction of stroke outcome after intravenous
thrombolysis. PloS one. 2014;9:e99164
47. Flint AC, Cullen SP, Faigeles BS, Rao VA. Predicting long-term outcome after endovascular
stroke treatment: The totaled health risks in vascular events score. AJNR. American journal of
neuroradiology. 2010;31:1192-1196
48. Flint AC, Cullen SP, Rao VA, Faigeles BS, Pereira VM, Levy EI, et al. The thrive score strongly
predicts outcomes in patients treated with the solitaire device in the swift and star trials. Int J
Stroke. 2014;9:698-704
49. Flint AC, Kamel H, Rao VA, Cullen SP, Faigeles BS, Smith WS. Validation of the totaled health
risks in vascular events (thrive) score for outcome prediction in endovascular stroke treatment.
Int J Stroke. 2014;9:32-39
55
3-month outcome prediction after acute ischemic stroke:
comparison of models based on data available at admission and 24
hours.
ABSTRACT:
Introduction: Most prognostic models designed to predict poor 3-month outcome (mRS >2)
after acute ischemic stroke (AIS) rely on data available at admission. However, these models
are often complex and have imperfect predictive abilities. Our goal was to build a simple
predictive model based on data available at 24 hours, that would have an excellent
discriminative ability (AUC-ROC >0,90) for mRS >2 prediction.
Methods: Two cohorts of patients presenting with AIS ≤6h were analyzed: patients receiving
intravenous thrombolysis (IVT+) and patients without recanalization therapy (IVT-). In each
cohort, clinical prognostic models were built, based on data available at admission and at 24
hours, using stepwise logistic regressions. We subsequently assessed the impact of adding the
DWI-ASPECTS score (≤5 vs. >5) into each model. Models were compared using AUC-ROC
statistics.
Results: In the IVT+ cohort (n=421), the clinical model based on data at 24 hours (NIHSS,
age) had a better discriminative ability than the model based on data at admission (NIHSS,
age, glucose level, pre-AIS mRS): AUC-ROC=0.92 vs 0.79 (p<0,001). In the IVT- cohort
(n=324), the clinical model based on data at 24 hours (NIHSS, age) also had a better
discriminative ability than the model based on data at admission (NIHSS, age, glucose level):
AUC-ROC=0.94 vs 0.88 (p=0.008). Adding the DWI-ASPECTS variable only brought an
improvement of prediction for the clinical model based on data at admission in the IVT+
cohort.
Conclusion: A simple prognostic model including age and NIHSS score 24 hours after AIS
allowed an excellent discriminative ability for 3-month mRS >2 prediction.
Key words: Stroke; Cerebral Infarct; Prognosis; Statistical Model; Intravenous thrombolysis.
56
ANNEE : 2015
NOM ET PRENOM DE L’AUTEUR : ISABEL Clothilde
PRESIDENT DE THESE : Pr Jean-Louis MAS
DIRECTEUR DE THESE : Dr Guillaume TURC
TITRE DE LA THESE : Pronostic fonctionnel 3 mois après un infarctus cérébral aigu :
comparaison de modèles prédictifs prenant en compte les données disponibles à
l’admission et à 24 heures.
RESUME :
Introduction: La plupart des modèles visant à prédire le mauvais pronostic fonctionnel à 3
mois (mRS >2) après un infarctus cérébral (IC) ont été construits à partir des données
disponibles à l’admission. Ils sont souvent complexes et leurs performances prédictives
sont imparfaites. Notre objectif était de déterminer s’il est possible de construire un modèle
prédictif simple à partir des données recueillies à 24h, qui permette une excellente
discrimination (ASC-ROC >0,90) pour prédire le mRS >2.
Méthodes: Deux cohortes de patients pris en charge pour un IC ≤6h ont été formées :
patients traités ou non par thrombolyse intraveineuse (TIV+ ; TIV-). Pour chaque cohorte,
des modèles pronostiques cliniques ont été créés à partir des données disponibles à
l’admission, puis à 24 heures, à l’aide de régressions logistiques pas à pas. L’intérêt
d’ajouter la variable DWI-ASPECTS ≤5 au sein de chaque modèle a ensuite été évalué. Les
modèles ont été comparés grâce à leur ASC-ROC.
Résultats: Dans la cohorte TIV+ (n=421), la discrimination du modèle clinique obtenu avec
les données à 24h (NIHSS, âge) était meilleure que celle du modèle à l’admission (NIHSS,
âge, glycémie, mRS préexistant) : ASC-ROC=0,92 contre 0,79 (p<0,001). Dans la cohorte
TIV- (n=324), la discrimination du modèle clinique obtenu avec les données à 24h (NIHSS,
âge) était également meilleure que celle du modèle à l’admission (NIHSS, âge, glycémie) :
ASC-ROC=0,94 contre 0,88 (p=0,008). L’ajout de la variable DWI-ASPECTS ne
permettait d’améliorer la prédiction qu’à l’admission chez les TIV+.
Conclusion: Un modèle prédictif comportant simplement l’âge et le score NIHSS à 24h
permet une excellente prédiction du mRS à 3mois >2.
MOTS CLES : Accident Vasculaire Cérébral ; Infarctus Cérébral ; Pronostic ; Modèle
Statistique ; Traitement thrombolytique.
Adresse de l’UFR : 8, rue du Général Sarrail, 94010 CRETEIL
![Statistique descriptives s1 de bien ]](https://img.pdfslide.fr/doc/110x75/58f27de81a28abfb228b45bf/statistique-descriptives-s1-de-bien-wwwlearneconomieblogspotcom.jpg)
