Performance d’un algorithme de deep learning pour la détection de fracture en cas de doute diagnostique aux urgences

Discipline

Radiologie et Imagerie Médicale

Classification

Médecine et santé

Mots-clés

Fractures - Diagnostic,

Intelligence artificielle en médecine,

Apprentissage profond,

Hôpitaux -- Services des urgences

Notre étude avait pour but d’évaluer les performances d’une solution d’IA concernant les patients admis dans les SU pour traumatisme et pour qui le diagnostic de fracture restait incertain sur les radiographies standards. Nous avons réalisé une étude monocentrique rétrospective basée sur les données du PACS et des dossiers médicaux entre Juin 2018 et Juin 2021. Nous avons inclus les patients adultes ayant consultés dans le SU du CHU de Limoges dans un contexte traumatique qui ont bénéficié d’un scanner pour confirmer un doute sur une fracture. Le diagnostic était validé par le scanner, interprété par un groupe de 3 radiologues différents, en aveugle des clichés initiaux. Nous avons utilisé une solution d’IA commercialisée par la société Gleamer appelée Boneview. Celle-ci donne 3 niveaux de réponses : « fracture », « pas de fracture » et « doute ». Les clichés annotés comme « fracture » et « doute » étaient considérés comme positifs. Nous avons réalisé des analyses en sous-groupe basées sur l’âge, et les différentes régions anatomiques des traumatismes. Nous avons également recueilli le temps écoulé entre la réalisation des radiographies et du scanner afin d’évaluer l’impact potentiel de l’IA sur la DMS dans les SU. Nous avons analysé 483 patients (58% de femme, âge moyen 64 ans±25 ans). 54% de ces patients présentaient une fracture confirmée par le scanner. Les performances diagnostic de l’IA étaient : Se=86.2%, Sp=84.9%, VPP=87.2%, VPN=83.4%. 87 patients présentaient un résultat « douteux » pour l’IA avec une fracture confirmée pour 62 patients (71%). Le temps moyen entre les radiographies et le scanner était de 3 heures et 8 minutes (DS 2 heures et 48 minutes). La solution d’IA Boneview est performante pour le diagnostic de fracture chez les patients pour qui le diagnostic initial restait incertain. Une telle solution pourrait avoir un impact sur le temps moyen de passage dans les services de médecine d’urgence.