Évaluation personnalisée et multidimensionnelle de la douleur par des modèles de classification basé sur l’analyse factorielle longitudinale

La nécessité d'une approche multidimensionnelle et personnalisée à chaque patient

Actuellement, l'évaluation de la douleur se fait principalement à l'aide d'une échelle visuelle analogique de 0 à 10, ne prenant en compte que l'intensité de la douleur. Cependant, les douleurs chroniques ne se résument pas à une simple sensation physique, englobant également une souffrance émotionnelle et un handicap physique. Cette évaluation unidimensionnelle a des conséquences néfastes, notamment dans la crise des opioïdes aux États-Unis, où la réduction de l'intensité de la douleur a conduit à une utilisation accrue de médicaments potentiellement dangereux sans amélioration significative de la qualité de vie. Il est crucial d'adopter une approche plus holistique, prenant en compte l'état de santé global des patients, pour mieux répondre à leurs besoins et éviter des traitements inadaptés. En plus de cela, étant donné que chaque personne peut vivre la douleur différemment et avoir des besoins uniques, une approche personnalisée est préférable pour assurer des soins efficaces.

Afin de permettre une évaluation multidimensionnelle et une prise en charge personnalisé, le laboratoire PRISMATICS au CHU de Poitiers a récolté les données de 200 patientes et patients avec des douleurs lomboradiculaires ayant subi une chirurgie du rachis grâce à l’étude prospective multicentrique et longitudinale PREDIBACK. Cette étude a permis l’évaluation de plusieurs dimensions d’un patient douloureux chronique incluant l'intensité de la douleur, la mobilité, le sommeil, activité usuelle, vie sociale, l'état psychologique et la cartographie de la surface douloureuse grâce une application informatique (voir Figure 1).

Afin d’extraire des variables permettant d’évaluer l’état global des patientes et patients douloureux en prenant en compte les différences entre les individus, les chercheurs ont développé un modèle de mélange d’analyse factorielle pour données longitudinal qui a fait l’objet d’une publication dans la revue Statistics in Medicine. L’analyse factorielle longitudinale permet de créer des variables latentes (non observables, comme l'intelligence ou la dépression) à partir de plusieurs variables mesurables représentant ces variables latentes (par exemple les questions d'un test ou d'un questionnaire). Le terme mélange dans le modèle proposé signifie qu’au lieu d’appliquer une seule analyse factorielle sur toute la population étudiée, le modèle effectuera une stratification de la population afin d’identifier les sous-groupes de patients chez lesquels les variables latentes sont représentées d’une manière similaire par les items mesurés. Ceci permet d’évaluer les variables latentes d’une manière spécifique aux différents sous-groupe.

Une classification en sous-groupes pour vérifier des hypothèses

Après avoir classé chaque patient dans son groupe respectif, les statisticiens utilisent les caractéristiques sociodémographiques, cliniques et cognitivo-comportementales pour les décrire. Par exemple, cela permet de vérifier des hypothèses telles que "les patients avec la pathologie A sont plus susceptibles d'appartenir au premier groupe" ou "les patients de la catégorie socioprofessionnelle 'ouvrier' ont tendance à être plus présents dans le deuxième groupe".

Dans cette application, ce modèle a conduit à l'identification de deux groupes de patientes et patients dont l'état de santé est influencé par des variables mesurées différentes comme représenté dans la figure 2. En collaboration avec le laboratoire PRISMATICS, cette méthode a été utilisée pour améliorer l'évaluation de la douleur, et elle pourrait également être adaptée à d'autres domaines tels que l'éducation et les sciences sociales. De plus, son utilisation dans les essais cliniques pour évaluer l'efficacité des traitements mérite également d'être explorée.