• Langue : Français
• Discipline : Médecine. Radiodiagnostic et imagerie médical
• Identifiant : 2022ULILM159
• Type de thèse : Doctorat de médecine
• Date de soutenance : 21/06/2022

Résumé en langue originale

INTRODUCTION : Les fractures non détectées sont la cause principale d’erreurs médicales aux urgences, en particulier les fractures du poignet de de la main. Des algorithmes d’intelligence artificielle (I.A.) spécialisés dans l’aide à la détection de fractures en radiographie standard ont été développés ces dernières années et se déploient en pratique clinique. Néanmoins, la référence de ces algorithmes est uniquement radiographique, et peut donc sous-estimer les fractures par rapport à un ground truth scanographique. L’objectif de cette étude était d’évaluer les performances de radiologues sans puis après l’aide d’un algorithme d’I.A. (BoneView®) dans la détection des fractures du poignet et de la main en radiographie standard, en utilisant le scanner comme ground truth. MATÉRIEL ET MÉTHODES : Un jeu de données composé de radiographies de la main et du poignet ainsi que des scanners concomitants, réalisés dans un contexte post-traumatique aux urgences d’un centre hospitalier et universitaire, a été constitué de façon rétrospective. Toutes les radiographies ont été annotées par deux radiologues, en consensus, en fonction des anomalies post-traumatiques visibles en scanner. Les données étaient composées de 296 patients, 118 ne présentant aucune fracture (39.9%) et 178 avec au moins une fracture (60.1%) pour un total de 267 fractures visibles en scanner. Vingt-trois radiologues avec des niveaux d’expertise différente (14 radiologues seniors, 9 internes de radiologie) ont été inclus pour analyser rétrospectivement l’ensemble des radiographies, sans puis avec l’aide de l’I.A., en aveugle des résultats du scanner. RÉSULTATS : Sur les données radiographiques, en se basant sur le ground truth scanner, les performances de l’IA pour la détection de fracture étaient les suivantes : 72.5% (sensibilité), 89.8% (spécificité), 68.4% (valeur prédictive négative - VPN), 91.5% (valeur prédictive positive - VPP) et 0.764 (AUROC). L’utilisation de l’algorithme a permis aux radiologues d’améliorer leur sensibilité, passant de 65.8% à 70.3% à l’échelle des fractures (p<0.0001) et de 58.2% à 63.5% à l’échelle des patients (p<0.0001), ainsi que leur VPN, passant de 58.5% à 61.8% (p<0.0001), indépendamment de leur niveau d’expertise. La spécificité des lecteurs n’était pas significativement affectée, passant de 88.5% à 89.1% (p=0.91) de même que leur VPP, de 88.7% à 89.9% (p=0.08). CONCLUSION : L’utilisation d’un algorithme d’I.A. a permis aux radiologues d’améliorer significativement leur sensibilité et leur valeur prédictive négative pour la détection des fractures du poignet et de la main en radiographie, sans affecter ni leur spécificité ni leur valeur prédictive positive. Ces données confortent des publications récentes sur cette thématique. L’utilisation d’un ground truth scanner comme référence est novateur pour ce type de méthodologie, et est à l’origine de performances significativement inférieures de l’algorithme par rapport à celles rapportées dans la littérature, mais probablement plus proches de la réalité clinique.