Analyse prédictive par l’approche bayésienne des facteurs favorisant la survenue des accidents et incidents anesthésiques dans les milieux hospitaliers de Kinshasa / Predictive analysis using the Bayesian approach of risk factors of the occurrence of anesthetic accidents and incidents in hospitals in Kinshasa

Context and objective. The relevance of studying the correlates of anesthetic accident and incidents relay on their impact on patient prognosis. This study, based on Bayesian Model, aimed to design a prediction model of anesthetic accidents, in order to illustrate their main detreminants.

Methods. Fifteen anesthesists selected from 8 hospitals in Kinshasa were invited to think on anesthetic accidents (AA). A Bayesian subjective model (BSM) was built by this panel and they were interviewed and trained by the Delphi method. The Brainstorming technique allowed the experts to develop a list of 188 factors and the nominal group technique, which enabled them subsenquently to determine 58 that they grouped into 8 independent factors, mutually exclusive for the prior probability quotient (QAPRI) calculations, Likelihood Ratio, QAPO and finally probabilities of the occurrence of accidents and anesthetic incidents (AIA).

Results. Eight factors were identified: previous unstable health state, use of drugs with side effects, underqualified anesthetists, mispractice of anes-thetic act, complexity of the surgery, and incompetence of the surgeon, lack of relevant materials, emergency intervention and inadequate organization. The QAPRI is 0.43. The different calculated Likelihood Ratios are LHR = 2.4; LHR = 1.9 LHR = 1.4; LHR = 1.3; LHR = 1.2; LHR = 0.8. The two QAPOs are 0.9 for all factors present and 0.19 for all factors absent. The different probabilities are: P = 0.9; P = 0.8; P = 0.7; P = 0.6; P = 0.5; P = 0.4; P= 0.3.

Conclusion. Bayesian model based risk assessment could help improving anesthetic practice through relevant preventive measures to reduce the occurrence of anesthetic morbidity in our context.

Keywords: Anesthetic accident, determinants, Bayesian model

Article information
Received: March 8th, 2017
Accepted: February 4th, 2019

Contexte et objectif. Les accidents et incidents anesthésiques peuvent affecter sérieusement le pronostic vital des patients, il est crucial d’en identifier les déterminants. La présente étude, basée sur le modèle bayésien, vise à concevoir un modèle de prédiction des accidents anesthésiques, afin d’en déterminer les facteurs favorisants.

Méthodes. Un modèle subjectif Bayésien (MSB) a été construit par quinze praticiens anesthésistes sélectionnés dans 8 grandes institutions hospitalières de Kinshasa. Ils ont été interviewés et formés par la méthode Delphi sur le sujet. La technique de Brainstorming a permis aux experts d’élaborer une liste de 188 facteurs et la technique du groupe nominal, leur a permis d’en déterminer 58 qui ont été regroupés en 8 facteurs indépendants, mutuellement exclusifs pour les calculs des QAPRI, Likelihood Ratio, QAPO et enfin des probabilités de la survenue des accidents et incidents anesthésiques (A.I.A.).

Résultats. Le panel de 15 experts a identifié 8 facteurs suivants : présence d’un état de santé défavorable, des médicaments avec effets indésirables, des anesthésistes non qualifiés et non compétents, pratique inadéquate de l’acte anesthésique, complexité de l’acte chirurgical et incompétence du chirurgien, absence et/ou inadéquation des matériels, intervention réalisée en urgence et organisation inadéquate. Le quotient de probabilité à priori (QAPRI) a été de 0,43. Les différentes Likelihood Ratio calculées sont LHR =2,4 ; LHR= 1,9 LHR = 1,4 ; LHR = 1,3 ; LHR=1,2 ; LHR=0,8. Les deux QAPO sont de 0,9 pour tous les facteurs présents et de 0,19 pour tous les facteurs absents. Les différentes probabilités sont : P=0,9 ; P=0,8 ; P=0,7 ; P=0,6 ; P=0,5 ; P=0,4 ; P=0,3.

Conclusion. L’identification des facteurs favorisants par le modèle Bayésien, pourra aider les praticiens à prendre les mesures préventives primaires, pour la réduction de la morbidité des accidents anesthésiques dans notre contexte.

Mots clés : Accident anesthésique, Déterminants, modèle bayésien

Historique de l’article
Reçu le 8 mars 2017
Accepté le 4 février 2019