Liens transversaux de livre pour Annex 5. Treatment decision algorithms
Méthodologie utilisée pour le développement de ces algorithmes de décision thérapeutique
Ces algorithmes ont été développés à partir d’évaluations diagnostiques individuelles de participants et de données concernant les résultats chez des enfants âgés de moins de 10 ans ayant bénéficié d’une évaluation pour rechercher une tuberculose pulmonaire ; ces éléments ont été obtenus à partir d’études réalisées dans des milieux géographiques différents où la charge de tuberculose était élevée. Les données manquantes ont été imputées à l’aide d’imputations multiples par des équations chaînées. Des modèles de prédiction ont été construits pour classer les participants dans les catégories « tuberculose (confirmée ou non) » ou « tuberculose improbable » en utilisant comme facteur prédictifs les résultats de l’évaluation clinique et de la radiographie thoracique. Les facteurs prédictifs ont été choisis parmi ceux habituellement utilisés pour évaluer les enfants atteints de tuberculose pulmonaire disponibles dans les données individuelles des participants. Un modèle supplémentaire a été construit en excluant les résultats de la radiographie thoracique afin d’évaluer la performance dans les situations où cet examen pourrait ne pas être disponible. Les coefficients attribués aux facteurs prédictifs du modèle ont été estimés à l’aide de méthodes de méta-analyse utilisées pour les données agrégées et les données individuelles à imputations multiples des participants. La généralisabilité et la validation du modèle ont été évaluées à l’aide d’un cadre de validation croisée interne/externe par retrait itératif de l’une des études de la base de données (leave-one-study-out).
Après avoir examiné les implications de différents seuils de sensibilité et de spécificité, un groupe d’experts de la tuberculose de l’enfant est parvenu à un consensus sur le choix d’un seuil de probabilité modélisé pour classer la tuberculose pulmonaire avec une sensibilité de 85 %. Les estimations des coefficients du modèle attribués aux différents facteurs prédictifs ont été calibrées pour produire un score selon lequel un enfant qui présente un ensemble de caractéristiques aboutissant à un score total supérieur à 10 sera classé comme atteint de tuberculose pulmonaire avec une sensibilité de 85 %. La spécificité associée à un score total supérieur à 10 est de 37 % pour l’algorithme incluant les résultats de la radiographie thoracique et de 30 % pour l’algorithme n’incluant pas ces résultats. Il est important de noter que la sensibilité et la spécificité ne s’appliquent qu’à la partie des algorithmes où un score est attribué et qui figure dans les encadrés jaunes des algorithmes A et B (Figure A5.1).
Pour améliorer la précision de la prédiction et la sécurité de l’utilisation des algorithmes, des étapes de triage ont été intégrées aux algorithmes finaux, avant que les enfants ne parviennent à la partie où des scores sont attribués. Les étapes du triage commencent par une évaluation des signes de menace vitale qui peuvent nécessiter une prise en charge immédiate de l’enfant ou de l’adolescent ou son orientation immédiate vers une structure adaptée (conformément aux lignes directrices de la PCIME pour les enfants âgés de moins de 5 ans). Cette évaluation est suivie par une stratification du risque en fonction du risque de progression de la maladie, puis, pour les enfants pour lesquels le risque est peu élevé, par un traitement des autres pathologies possibles avant une réévaluation. L’utilisation
des TDMRO, lorsqu’ils sont disponibles, est intégrée aux algorithmes avant l’attribution de scores aux signes et aux symptômes ainsi qu’aux résultats de la radiographie thoracique. Ces différentes étapes doivent permettre d’améliorer la précision du diagnostic. La performance de l’algorithme sera évaluée dans le cadre d’une validation externe continue.
Lors de sa réunion de mai et juin 2021, le groupe d’élaboration des lignes directrices a réfléchi aux conséquences qu’auraient des conclusions faussement négatives et faussement positives basées sur des algorithmes intégrés de décision thérapeutique. Étant donné l’ampleur des lacunes dans la détection des cas et la gravité des conséquences que peut avoir le fait de passer à côté d’un diagnostic de tuberculose, le groupe a convenu que le plus important était de ne pas passer à côté d’un diagnostic de tuberculose chez un enfant atteint de tuberculose, tout en tolérant la possibilité d’un certain degré de surdiagnostic.