La maladie rénale chronique est une pathologie silencieuse, ce qui complique la détection des patients et leur prise en charge ainsi que leur inclusion dans des essais cliniques, rappellent Jenna Norton du National Institute of Diabetes and Digestive and Kidney Diseases (NIDDK, dépendant des NIH américains) et ses collègues du programme national NKDEP.
Ce groupe de travail a pour objectif principal de faciliter l'identification des personnes à risque de développer une maladie rénale chronique, et de développer des interventions pour ralentir la progression de cette maladie.
Dans cet article, les chercheurs présentent leurs travaux de développement et de validation d'un logiciel destiné à optimiser l'identification d'un "phénotype électronique" de maladie rénale chronique à partir des bases de données médico-administratives.
Habituellement dans ces bases de données, le seul code de diagnostic principal ne suffit pas à identifier toutes les personnes atteintes de maladie rénale chronique.
Cet "e-phénotype" a été défini par un taux de filtration glomérulaire estimée (eGFR) inférieur à 60 mL/min/1,73 m², mesuré au minimum il y a plus de 90 jours, et/ou un ratio albuminurie/créatininurie d'au moins 30 mg/g dans le test le plus récemment réalisé, il y a plus de 90 jours au minimum.
En l'absence des données d'albuminurie et de créatininurie, le logiciel pouvait utiliser les résultats les plus récents de protéinurie.
Pour mettre au point le logiciel, les chercheurs ont établi les valeurs seuils à partir des données de biologie médicale de cohortes de patients dans trois établissements, l'université du Minnesota (47.000 patients environ), la Cleveland Clinic (près de 7.000 patients) et l'université Columbia (34.000 patients environ).
Ils ont ensuite testé le logiciel sur cinq sites auprès de plus de 2 millions de personnes avec différents niveau d'eGFR. Il a permis d'identifier les personnes avec un "e-phénotype" de maladie rénale chronique avec une sensibilité de 99%, une spécificité de 99% et une précision diagnostique de 99%.
Ces performances sont légèrement meilleures que celles de l'algorithme eMERGE, qui utilise notamment les codes diagnostiques, observent les chercheurs.
Ces résultats indiquent que les résultats de biologie médicale disponibles dans les bases de données médico-administratives peuvent être analysés de manière automatique pour identifier les patients, ce qui peut faciliter leur prise en charge, leur surveillance et la recherche, concluent-ils.
(CJASN, édition en ligne du 12 août)
Vos réactions