Une majorité de modèles d'IA à l'état pré-clinique selon une méta-analyse

Le diagnostic manqué ou retardé des fractures sur une radiographie est une erreur qui peut subvenir, surtout dans des situations d’urgence. Ce dysfonctionnement peut entrainer des implications potentiellement graves pour le patient.

Méta-analyse sur les études évaluant l’IA pour détecter les fractures en imagerie

La présence d’un radiologue n’étant pas toujours assurée, un œil expert fait quelquefois défaut dans un contexte de forte croissance des flux d’examens d’imagerie à interpréter au fil de l’eau. C’est dans de telles situations que l'IA peut aider à résoudre les problèmes, en aidant les radiologues à accélérer et à améliorer le diagnostic des fractures.

Et c’est pour en savoir plus sur le potentiel de ces technologies dans le cadre des fractures, qu’une équipe de chercheurs anglais a publié une méta-analyse dans la Revue Radiology, dans laquelle ils ont examiné 42 études existantes comparant les performances diagnostiques dans la détection des fractures entre l'IA et les cliniciens. Sur les 42 études, 37 ont utilisé la radiographie pour identifier les fractures et cinq ont utilisé la tomodensitométrie (TDM). Les chercheurs n'ont trouvé aucune différence statistiquement significative entre les performances des cliniciens et celles de l'IA. La sensibilité de l'IA pour détecter les fractures était ainsi de 91 à 92 %.

L’importance d’une validation à partir de données externes indépendantes

« Nous avons constaté que l'IA fonctionnait avec un degré élevé de précision, comparable à la performance des cliniciens, précise l'auteur principal de l'étude, le Dr Rachel Kuo, du Botnar Research Centre, Nuffield Department of Orthopaedics, Rheumatology and Musculoskeletal Sciences à Oxford (UK). Il est important de noter que les modèles d'IA qui se sont montrés pertinents étaient validés à l'aide d'ensembles de données externes indépendantes, ce qui suggère que les résultats peuvent être généralisables à l'ensemble de la population. »

Les résultats de l'étude indiquent également plusieurs applications éducatives et cliniques prometteuses pour l'IA dans la détection des fractures, ce qui pourrait réduire le taux de diagnostics erronés précoces en situation d'urgence, notamment en cas de multiples fractures.

Une majorité de travaux de recherche à l’état pré-clinique

Ce type de logiciel a, selon les chercheurs, un potentiel en tant qu'outil pédagogique pour les cliniciens débutants. « Cela pourrait également être utile en tant que" deuxième lecteur ", fournissant aux cliniciens soit l'assurance qu'ils ont posé le bon diagnostic, soit les incitant à revoir l'imagerie avant de traiter les patients », poursuit le Dr Kuo.

Cette dernière prévient toutefois que la recherche sur la détection des fractures par IA en est encore qu’à un stade préclinique très précoce. Seule une minorité des études qu'elle et ses collègues ont examinées évaluaient les performances des cliniciens assistés par l'IA, et il n'y avait qu'un seul exemple où une IA avait été évaluée dans une étude prospective dans un environnement clinique. « Il reste important pour les cliniciens de continuer à exercer leur propre jugement, conclut-elle. L'IA n'est pas infaillible et est sujette elle aussi aux biais et aux erreurs. »