Phénotypes inflammatoires du SDRA : une cible mouvante pour les corticoïdes ?

Question évaluée :

La question de la stratification des patients est au cœur des stratégies de médecine personnalisée, et l’immunopathologie du syndrome de détresse respiratoire aiguë (SDRA) ne fait pas exception. La complexité de cette pathologie, marquée par une dynamique évolutive rapide, rend difficile la définition de phénotypes ou sous-phénotypes pertinents pour guider des thérapies immunomodulatrices ciblées. Pourtant, des travaux récents ont démontré la robustesse de deux phénotypes distincts - hypo- et hyperinflammatoires - dans le SDRA, suggérant des réponses différentielles aux stratégies immunomodulatrices, notamment aux corticoïdes.

Cependant, ces phénotypes présentent deux limites majeures que cette étude cherche à lever :

1. Les variables biologiques utilisées pour classer les patients en « hyper- » ou « hypoinflammatoires » (comme l’IL-6 ou l’IL-8) ne sont pas toujours disponibles en routine clinique, en particulier dans les centres moins équipés ou dans les pays en développement.

2. La stabilité temporelle de ces phénotypes reste mal connue, ce qui limite leur utilisation pour l’inclusion dans des essais cliniques ou pour guider des décisions thérapeutiques longitudinales, notamment en ce qui concerne la réponse aux corticoïdes.

Type d’étude :

Cette étude repose sur une approche hybride combinant :

1. Une analyse secondaire des données issues de six essais randomisés contrôlés sur le SDRA (n = 3 958 patients), visant à développer un outil de classification clinique des phénotypes (hypo- ou hyperinflammatoires) à l’aide d’un algorithme d’apprentissage automatique basé sur des arbres de décision (XGBoost).

2. Une cohorte rétrospective monocentrique (n = 5 578 patients) utilisée pour valider le modèle de classification et étudier l’évolution temporelle des phénotypes sur 30 jours.

3. Une simulation d’essai clinique randomisé (target trial emulation) pour évaluer l’efficacité des corticoïdes en fonction du phénotype, en utilisant les données de la cohorte rétrospective et des méthodes statistiques avancées pour mimer une randomisation.

Population étudiée :

Les patients inclus dans cette étude sont des adultes atteints de SDRA selon les critères de Berlin, issus de deux sources :

• Six essais randomisés contrôlés publiés (ARMA (1), ALVEOLI (2), EPVent-2 (3), FACTT (4), SAILS (5), ROSE (6)), représentant un total de 3 958 patients.

• Une cohorte rétrospective issue du Beth Israel Deaconess Medical Center (2008–2024), incluant 5 578 patients. Cette cohorte a servi à la fois à valider le modèle de classification et à étudier la dynamique temporelle des phénotypes ainsi que leur réponse aux corticoïdes.

Méthode :

Les méthodes employées se déclinent en trois volets principaux :

1. Développement et validation de l’algorithme de classification

2. Étude de la stabilité temporelle des phénotypes

3. Prédiction de la réponse aux corticoïdes selon le phénotype et target trial emulation

L’objectif était de classer les patients en SDRA selon leur phénotype (hypo- ou hyperinflammatoire) à partir de données cliniques et paracliniques de routine, en utilisant une approche de machine learning supervisé (XGBoost). Cet algorithme a été entraîné sur les données de trois essais (ARMA, ALVEOLI, EPVent-2) (1-3), où les phénotypes étaient déjà définis par des méthodes de référence (analyses en classes latentes ou modèles parsimonieux basés sur des biomarqueurs comme l’IL-8). Les variables explicatives incluaient 18 paramètres cliniques et biologiques de routine, tels que les constantes vitales, les paramètres ventilatoires, l’usage de catécholamines, la créatinine, ou encore les bicarbonates. La validation a ensuite été réalisée sur les cohortes des trois autres essais (FACTT, SAILS, ROSE (4-6)) pour s’assurer que l’algorithme fonctionnait également sur des données externes à celles utilisées pour son entraînement.

L’algorithme de classification a été appliqué de manière longitudinale à chaque patient de la cohorte rétrospective, tous les trois jours jusqu’à J15, puis à J30. Tant que les patients étaient sous ventilation mécanique, leur phénotype était réévalué. Pour analyser les transitions entre les états (hypo- vs hyperinflammatoire, extubation, décès), un modèle de Markov discret a été utilisé. Ce modèle permet de décrire l’évolution d’un système à travers des états discrets (c’est-à-dire un nombre fini d’états clairement définis comme par exemple phénotype hypo- ou hyperinflammatoire, extubation ou décès) à des intervalles de temps fixes. Il est postulé que la probabilité de transition vers un nouvel état ne dépend que de l’état actuel. Cette approche a permis de quantifier les probabilités de transition entre phénotypes, ainsi que vers l’extubation ou le décès.

Pour explorer l’effet des corticoïdes selon le phénotype, la cohorte rétrospective a été utilisée en considérant l’administration de corticoïdes dans les 24 heures suivant le diagnostic de SDRA comme l’intervention d’intérêt. Comme cette intervention n’était pas randomisée, la probabilité de recevoir des corticoïdes variait selon l’état clinique des patients (par exemple, les patients les plus graves ou ceux présentant une pneumonie et/ou un choc septique avaient une probabilité plus élevée de les recevoir). Pour simuler une randomisation et limiter les biais de confusion, les auteurs ont utilisé une méthodologie de target trial emulation. Cette approche consiste à définir les critères d’un essai randomisé « idéal » (target trial), puis à appliquer des techniques statistiques pour reproduire ces conditions dans la cohorte observationnelle.

Pour ce faire, chaque patient a été « cloné » en deux versions : une recevant les corticoïdes (groupe intervention) et une ne les recevant pas (groupe contrôle). Une censure artificielle a ensuite été appliquée pour exclure les patients ne respectant pas le « protocole » de cet essai randomisé idéal simulé (par exemple, ceux ayant reçu des corticoïdes après 24 heures dans le groupe contrôle). Enfin, une pondération par l’inverse de la probabilité de traitement (IPW) a été utilisée pour équilibrer les groupes et mimer une randomisation. L’analyse de survie a ensuite été réalisée avec un modèle de Cox pondéré, fournissant des hazard ratios ajustés sur les covariables. Pour tenir compte de l’évolution des phénotypes dans le temps, une régression logistique multivariée stratifiée a été réalisée pour estimer l’effet des corticoïdes (administrés dans les 7 jours) sur la mortalité à J30, en fonction du phénotype à J0, J3 et J6.

Résultats essentiels :

1. Développement et validation de l’algorithme de classification

Une fois développé et validé sur les cohortes d’études publiées, l’algorithme a permis de classer les patients de la cohorte rétrospective en deux phénotypes distincts, et ce dès l’inclusion :

• 39 % des patients étaient classés comme hyperinflammatoires (n = 2 169) et 61 % comme hypoinflammatoires (n = 3 409).

• Mortalité à 30 jours : Les patients hyperinflammatoires présentaient une mortalité significativement plus élevée (49 %) comparée à celle des patients hypoinflammatoires (24 %, p < 0,001) à l’admission. Cette différence de pronostic confirme la pertinence clinique de la classification.

2. Étude de la stabilité temporelle des phénotypes

L’analyse longitudinale a révélé une évolution dynamique importante des phénotypes sur les 30 jours de suivi :

• 49 % des patients initialement hyperinflammatoires sont passés à un phénotype hypoinflammatoire au cours du suivi. Cette transition était associée à une réduction significative de la mortalité (34 % vs 63 % chez ceux restés hyperinflammatoires, odds ratio ajusté [aOR] = 0,26 [0,21–0,31]).

• 7 % des patients initialement hypoinflammatoires ont évolué vers un phénotype hyperinflammatoire, avec une augmentation marquée de la mortalité (57 % vs 22 % chez ceux restés hypoinflammatoires, aOR = 4,44 [3,22–6,12]).

De façon intéressante, les infections nosocomiales ont coïncidé avec 23 % des transitions de hypo- vers hyperinflammatoire.

3. Prédiction de la réponse aux corticoïdes selon le phénotype et target trial emulation 

L’analyse de l’effet des corticoïdes sur la mortalité à J30 a révélé une hétérogénéité marquée de réponse selon le phénotype :

• Ainsi, il est tout d’abord intéressant de noter qu’il n’était pas noté d’effet global des corticoïdes (hazard ratio pondéré par IPW [IPW-HR] = 1,04 [0,92–1,18], p = 0,54).

• En revanche, l’analyse par phénotype retrouvait un effet différentiel (interaction significative, p = 0,008) : 

  • Patients hyperinflammatoires : 

    • Bénéfice significatif des corticoïdes sur la mortalité à 30 jours (IPW-HR = 0,81 [0,67–0,98], p = 0,033).

    • Ce bénéfice persistait à J3 uniquement chez les patients restés hyperinflammatoires (odds ratio ajusté [aOR] = 0,51 [0,32–0,80], p = 0,004), mais disparaissait après une transition vers un phénotype hypoinflammatoire.

  • Patients hypoinflammatoires : 

    • Effet délétère des corticoïdes, avec une mortalité accrue (IPW-HR = 1,26 [1,06–1,50], p = 0,009) 

Commentaires :

Cette étude apporte des éléments novateurs sur plusieurs plans :

• Méthodologique : L’utilisation conjointe d’un algorithme de machine learning (XGBoost) et d’une approche de target trial emulation permet de contourner les limites des données observationnelles tout en exploitant leur richesse.

• Clinique : Les résultats suggèrent que les corticoïdes pourraient être envisagés aux patients hyperinflammatoires, avec un arrêt recommandé en cas de transition vers un phénotype hypoinflammatoire. Cette approche personnalisée pourrait optimiser le rapport bénéfice/risque de ce traitement.

• Recherche : L’étude ouvre la voie à des essais cliniques stratifiés par phénotype, où l’allocation des patients et l’adaptation des traitements seraient guidées par leur profil inflammatoire dynamique.

Cependant, certaines limites doivent être soulignées :

• Biais potentiels : Bien que le target trial emulation limite les biais de confusion, des facteurs non mesurés (comme les pratiques locales de ventilation ou de gestion des fluides) pourraient influencer les résultats.

• Extrapolabilité : La cohorte rétrospective provient d’un seul centre (BIDMC), et les critères d’inclusion des essais randomisés initiaux peuvent limiter l’applicabilité des résultats à des populations plus larges.

• Dialyse et artefacts thérapeutiques : Bien que l’algorithme semble robuste à la dialyse, d’autres interventions (comme l’ECMO) pourraient introduire des biais non évalués ici.

Points forts :

• Approche innovante et originale combinant machine learning, modèles de Markov et target trial emulation, permettant une analyse longitudinale et « personnalisée » du SDRA au travers de ces phénotypes.

• Validation de l’algorithme de classification sur des cohortes externes (FACTT, SAILS, ROSE (4-6)) et une large cohorte rétrospective (n = 5 578).

• Implications cliniques potentielles à court terme : Identification d’un sous-groupe de patients (hyperinflammatoires) pouvant bénéficier des corticoïdes, avec un marqueur dynamique (transition phénotypique) pour guider l’arrêt du traitement.

• Outil open-source : c’est un point qui mérite d’être souligné. Le classificateur est en effet disponible en ligne (lien), et le code est également accessible. Cette accessibilité rend ainsi la transposition à la pratique clinique très concrète et, pour la recherche, procède d’une philosophie de mise à disposition des connaissances et des outils qui ne peut être que saluée. 

Points faibles :

• Données observationnelles : Malgré les méthodes statistiques avancées, le risque de biais résiduels persiste, en particulier pour les facteurs non mesurés. Il en va de même pour le Target Trial Emulation, qui ne peut évidemment pas remplacer un vrai essai randomisé

• Absence de validation externe : Les résultats n’ont pas été reproduits dans d’autres cohortes indépendantes, limitant leur extrapolabilité.

• Définition des phénotypes : Dans la cohorte rétrospective, les phénotypes sont prédits et non mesurés par des biomarqueurs, ce qui peut induire des erreurs de classification.

• Limites du modèle de Markov : L’hypothèse de dépendance uniquement à l’état actuel est très probablement simplificatrice pour une pathologie aussi complexe et hautement dynamique qu’est le SDRA.

Implications et conclusions :

Cette étude représente une avancée importante dans la translation vers la clinique de la considération dynamique des phénotypes du SDRA et leur réponse aux corticoïdes. Ses implications sont doubles :

1. Pour la pratique clinique :

   • Ce travail fait concrètement progresser vers des perspectives d’utilisation ciblées des corticoïdes dans le SDRA (patients au phénotype hyperinflammatoires) avec une réévaluation régulière (tous les 3 jours) pour détecter une éventuelle transition vers un phénotype hypoinflammatoire, justifiant alors l’arrêt du traitement.

   • L’outil de classification open-source ouvre la voie vers des opportunités concrètes pour une médecine personnalisée en réanimation, accessible même dans des contextes où les biomarqueurs ne sont pas disponibles.

2. Pour la recherche :

   • Ces résultats pourraient donc justifier la conception d’essais cliniques plus « agiles », où l’allocation des patients et les stratégies thérapeutiques seraient dynamiquement ajustées en fonction du phénotype inflammatoire pour augmenter la probabilité d’avoir un effet clinique bénéfique.

   • L’intégration de modèles prédictifs longitudinaux (comme les modèles de Markov), ou du moins, la considération des aspects dynamiques, dans les futurs essais pourraient permettre une meilleure stratification des patients et une évaluation plus fine des effets des traitements.

En conclusion, cette étude renforce l’idée que le SDRA n’est pas une entité suffisamment homogène et stable pour être opérante pour des stratégies d’immunomodulation, mais bien un syndrome dynamique et hétérogène, où les phénotypes -en l’occurrence, ici, inflammatoires- sont différents d’un patient à l’autre, et peuvent évoluer dans le temps chez un même patient. Une approche thérapeutique personnalisée, adaptative et dynamique, guidée par des outils de classification comme celui développé dans ce travail, sont donc logiquement nécessaires pour espérer améliorer significativement la prise en charge des patients. Cependant, de telles stratégies devront évidemment être validées dans des essais randomisés, avant une adoption en pratique clinique.

Références cités dans les commentaires:

1. Brower RG, Matthay MA, Morris A, et al. Ventilation with lower tidal volumes as compared with traditional tidal volumes for acute lung injury and the acute respiratory distress syndrome. New England Journal of Medicine. 2000;342:1301–1308 (ARMA)

2. Brower RG, Lanken PN, MacIntyre N, et al. Higher versus lower positive end-expiratory pressures in patients with the acute respiratory distress syndrome. New England Journal of Medicine. 2004;351:327–336. (:  ALVEOLI)

3. Beitler JR, Sarge T, Banner-Goodspeed VM, et al. Effect of titrating positive end-expiratory pressure (PEEP) with an esophageal pressure–guided strategy vs an empirical high PEEP-FIO₂ strategy on death and days free from mechanical ventilation among patients with ARDS. JAMA. 2019;321:846–857. (EPvent 2 trial)

4. Wiedemann HP, Wheeler AP, Bernard GR, et al. Comparison of two fluid-management strategies in acute lung injury. New England Journal of Medicine. 2006;354:2564–2575 (FACCT)

5. Truwit JD, Bernard GR, Steingrub J, et al. Rosuvastatin for sepsis-associated acute respiratory distress syndrome. New England Journal of Medicine. 2014;370:2191–2200 (SAILS)

6. Early neuromuscular blockade in the acute respiratory distress syndrome.
   New England Journal of Medicine. 2019;380:1997–2008. (Rose)