Auteur(s) : Martenot Camille
Composante : MEDECINE
Date de création : 30-06-2022

Résumé(s) : Introduction : L’obésité est un problème actuel de santé publique, qui concerne toute la population y compris les femmes enceintes. Elle est la cause de grossesses à risque et est à elle-seule un facteur de risque indépendant de césarienne. Les recommandations concernant l’accouchement des femmes obèses avec antécédent de césarienne orientent vers une césarienne programmée en cas d’IMC ≥ 50 kg/m² ; mais aucune recommandation n’a été émise au sujet des nullipares obèses de classe III. Objectif : Définir un groupe de patientes à haut risque de césarienne en réalisant un modèle de prédiction du risque de césarienne chez les patientes nullipares ayant un IMC ≥ 40 kg/m². Méthode : Etude rétrospective multicentrique suivant les critères STROBE avec analyse univariée des données grâce aux tests bilatéraux du χ2 avec correction de Yates et tests de Wilcoxon-Mann-Whitney ; analyse multivariée par modèles linéaires généralisés de régression logistique et création d’un modèle d’entrainement par machine learning (random forest) avec validation interne et externe selon une adaptation de la méthodologie CONSORT-AI. Résultats : Au total, 247 patientes nullipares avec IMC ≥ 40 kg/m² ont été incluses à Strasbourg entre 2009 et 2019 et 163 patientes ont été incluses à Lille entre 1997 et 2014. Nous avons constaté un taux plus important de césarienne à Lille : 49% vs 34% (p = 0,002) avec des patientes ayant un poids initial (p = 0,003) et un IMC plus important (p - 0,001), ainsi que plus de diabète pendant la grossesse (p - 0,001) et moins d’HTAG (p = 0,04). Les seuls facteurs de risque de césarienne retrouvés sont la taille (à Lille) et le déclenchement du travail dans les deux villes. Le modèle de prédiction que nous avons créé nous permettait d’obtenir un pourcentage de risque de césarienne pour une patiente donnée. Il disposait d’une précision de 57-65%, d’une sensibilité de 58-59% et d’une spécificité de 55-72%. Les deux variables les plus importantes dans la prédiction du risque de césarienne étaient le poids initial et le déclenchement du travail. Conclusion : Ce modèle est original et innovant. Il est performant avec de bons paramètres, notamment un faible taux de faux positifs. En pratique, il permettrait de diminuer le taux de césarienne en cours du travail chez les femmes nullipares obèses de classe III et de réduire les risques de la césarienne en urgence pour cette population ; mais il pourrait induire une augmentation du taux de césarienne programmée. Pour renforcer sa fiabilité, il serait intéressant d’augmenter le seuil de risque choisi jusqu’à 80% pour privilégier la spécificité, en acceptant une diminution de sensibilité. Une validation externe sur une troisième cohorte permettrait une augmentation de précision et la généralisation du modèle à la pratique quotidienne, Introduction: cesarean section (CS) in obese women is more likely to cause maternal and neonatal morbidity and complications are higher in case of an Emergency CS (EmCS). There is insufficient evidence that allows clinicians to stratify the EmCS risk for obese women. Objective: To determine a population of obese women at high-risk of EmCS. Methods: A multicentric population-based cohort study was conducted in two French University Hospitals including nulliparous obese women who underwent labor. After multivariate analysis, we developed a predictive machine learning model using Random Forest (RF). Results: In total, 410 women were included. In multivariate analysis, labor induction was significantly associated with higher EmCS. The RF model predicted a percentage of EmCS risk. Using the optimal cut-off of 43%, sensibility was 58-59% and specificity 55-72%. Conclusion: The model predicted individual EmCS risk for obese women and may reduce EmCS-related morbidity
Discipline : Médecine (gynécologie-obstétrique)
Couverture : FR