Identifiant pérenne de la notice : 262203200
Notice de type
Notice de regroupement
Note publique d'information : Introduction : La myocardite est une pathologie dont le pronostic est difficile à
établir. L’objectif de cette étude était de développer des outils de stratification
du risque d’événements graves à long terme chez les patients hospitalisés pour myocardite
aiguë. Matériels et méthodes : Il s’agit d’une étude de cohorte rétrospective issues
des données des patients de la cohorte AMPHIBIA, hospitalisés entre 2008 et 2019 à
l’institut de cardiologie de la Pitié Salpétrière pour une myocardite aiguë confirmée.
La survenue d’un évènement était définie par l’implantation d’une assistance circulatoire
temporaire, la transplantation cardiaque ou le décès. Un modèle de Cox a été utilisé
pour identifier des variables associées à la survenue d’un événement et créer un score
de risque. Un algorithme de Markov augmenté a été utilisé pour modéliser un réseau
bayésien de prédiction du risque. Résultats : Trois cent cinquante-neuf patients ont
été inclus dans cette étude avec un suivi médian de 4.1 ans. L’événement composite
est survenu chez 67 (18.7%) patients. Cinquante-quatre (15%) assistances circulatoires
ont été implantées, 31 (8.6%) patients sont décédés et 6 (1.7%) ont été transplantés.
En analyse multivariée, 7 variables ont été identifiées comme indépendamment associées
à la survenue de l’événement composite. Le modèle de réseau bayésien a sélectionné
6 variables. Ces approches ont montré des performances satisfaisantes et similaires
(AUC à 0.92 et 0.91). Conclusion : Cette analyse permet de stratifier avec une bonne
performance le risque des patients hospitalisés pour une myocardite aiguë de présenter
un événement grave. Les deux modèles ont des performances similaires.
Note publique d'information : Introduction: Myocarditis is a complex disease and the prognosis is difficult to establish.
The aim of this study was to develop tools to stratify the risk of outcomes at longest
follow up in acute myocarditis patients based on a Bayesian and a frequentist approach.
Materials and methods: This is a retrospective cohort study based on the AMPHIBIA
cohort including patients with proven acute myocarditis hospitalized between 2008
and 2019 at the Pitié Salpétrière Hospital. The composite outcome was defined as temporary
circulatory support implantation, heart transplantation or death. A Cox model was
used to identify variables associated with the composite outcome and to create a score
from their coefficient of determination. An augmented Markov learning algorithm was
also used to modelize a Bayesian network stratifying the risk of outcomes. Results:
Three hundred and fifty-nine patients were included in this study with a median follow-up
of 4.1 years. The composite outcome occurred in 67 (18.7%) patients. Among them, 54
(15%) patients had a circulatory support, 31 (8.6%) died and 6 (1.7%) were transplanted.
In multivariate analysis, 7 variables were associated with the occurrence of the composite
outcome. The Bayesian network model selected 6 variables. Both approaches demonstrated
good and similar performance (AUC 0.92 and 0.91). Conclusion: Based on these frequentist
and Bayesian approaches, this analysis allows to stratify with good performance the
risk of patients hospitalized for acute myocarditis to present a serious event. Both
models have similar performance.
paprika.idref.fr
data.idref.fr
Documentation
