Radiographie thoracique IA + données cliniques prédisent l'admission en USI (ASC 0,92) chez les patients hospitalisés atteints de COVID-19

Lire l'article →

L'intégration de la radiographie thoracique et des données cliniques, pilotée par l'IA, prédit avec une grande précision les formes graves de la COVID-19 et la mortalité

Une étude portant sur 2 552 patients hospitalisés pour la COVID-19 démontre que l'association de l'analyse automatisée des radiographies thoraciques à des variables cliniques clés permet de prédire de manière fiable le risque d'admission en USI (ASC 0,92) et la mortalité hospitalière (ASC 0,81).

Introduction

Depuis l'émergence de la COVID-19, les systèmes de santé du monde entier sont confrontés à un défi urgent : identifier rapidement les patients présentant le plus grand risque d'évolution vers une forme grave de la maladie ou de décès. Une stratification rapide et précise des risques est essentielle pour allouer les ressources en soins intensifs et optimiser la prise en charge des patients. Cependant, les approches actuelles reposent souvent uniquement sur les données cliniques ou sur l'imagerie thoracique interprétée par les radiologues, deux approches qui présentent des limites notables. Les systèmes de notation clinique manquent parfois de précision, tandis que l'évaluation radiologique est sujette à une variabilité subjective, notamment dans les contextes sans radiologues spécialisés.

Cette étude présente un modèle d'intelligence artificielle (IA) innovant qui automatise l'interprétation des radiographies thoraciques, en intégrant des variables cliniques facilement disponibles, afin de prédire les résultats critiques chez les patients atteints de la COVID-19. En exploitant l'apprentissage profond pour l'analyse d'images et des méthodes statistiques avancées pour les données cliniques, le modèle fournit une prédiction fiable de l'admission en USI et de la mortalité. Les principaux résultats incluent une aire sous la courbe (ASC) impressionnante de 0,92 pour la prédiction de l'admission en USI et de 0,81 pour la mortalité, surpassant ainsi les modèles utilisant uniquement des données cliniques ou d'imagerie.

Partenariat et contexte de l'étude

La recherche a été menée par une équipe multidisciplinaire dirigée par Nicolás Munera et Luis F. Reyes, incluant des institutions telles qu'Arkangel AI (Bogotá), l'Université de la Sabana et la Clinique Universidad de La Sabana (Chia, Colombie), ainsi que des collaborateurs d'Espagne et du Royaume-Uni. L'étude a exploité les données du registre COVID-19 LIVEN du Réseau latino-américain de soins intensifs, reflétant une population de patients diversifiée hospitalisée dans 22 hôpitaux de huit pays d'Amérique latine au cours de la première année de la pandémie (mars 2020 – janvier 2021).

Ce contexte latino-américain est important car la variabilité des ressources de santé et les disparités d'expertise en radiologie sont courantes, soulignant l'intérêt d'un outil d'IA capable de faciliter l'interprétation objective des radiographies thoraciques sans nécessiter l'intervention de radiologues experts.

Conception et méthodologie de l'étude

L'étude consistait en une évaluation prospective de tests diagnostiques incluant 3 007 patients dont l'infection par le SARS-CoV-2 était confirmée par RT-PCR. Après exclusion des données cliniques ou d'imagerie manquantes, 2 552 patients ont été analysés pour leur admission en USI et leur mortalité en fonction de variables cliniques. 582 patients présentant des radiographies thoraciques frontales de haute qualité ont constitué la cohorte d'imagerie pour le développement et la validation du modèle.

Les données comprenaient les données sociodémographiques, les comorbidités, les symptômes, les signes vitaux, les résultats de laboratoire et les radiographies thoraciques prises à l'admission à l'hôpital. L'obésité a été enregistrée en fonction du diagnostic du médecin (IMC > 30). Les données cliniques ont été collectées à l'aide de REDCap de manière standardisée.

L'architecture du modèle d'IA combinait deux composants principaux :

• Modèle d'image : Un réseau neuronal convolutif (CNN) a été affiné par apprentissage par transfert avec des backbones pré-entraînés par ImageNet (par exemple, DenseNet121, InceptionV3) pour extraire les caractéristiques radiographiques des radiographies thoraciques. Les images ont été prétraitées afin de normaliser le contraste et d'exclure les scanners de mauvaise qualité.
• Modèle clinique : Les principales variables cliniques ont été identifiées par des analyses de forêt aléatoire et de régression logistique, notamment l'âge, la fraction d'oxygène inspiré (FiO2), la dyspnée, l'obésité, la pression artérielle, la saturation en oxygène et l'échelle de coma de Glasgow. Ces données ont servi de données d'entrée à un modèle perceptron simple.

Un modèle combiné a intégré les données de sortie de l'imagerie CNN et des modèles cliniques en reliant leurs couches de sortie sigmoïdes afin de générer une prédiction finale du risque. L'entraînement a utilisé une répartition de 70/12/18 % pour l'entraînement, la validation et les tests (images), avec une validation croisée pour atténuer le surapprentissage. Les critères d'intérêt étaient l'admission en USI et la mortalité hospitalière.

Résultats clés

• Prédiction de l'admission en USI :
  • ASC du modèle d'imagerie uniquement : 0,88 ± 0,05
  • ASC du modèle clinique uniquement : 0,90 ± 0,04
  • ASC du modèle combiné : 0,92 ± 0,04 (statistiquement supérieur, p < 0,0001 par rapport aux modèles individuels)
  • Sensibilité du modèle combiné : 91 % ; Spécificité : 78 %
• Prédiction de la mortalité hospitalière :
  • ASC du modèle image seule : 0,75 ± 0,07
  • ASC du modèle clinique seule : 0,81 ± 0,06
  • ASC du modèle combiné : 0,81 ± 0,06 (aucune amélioration significative par rapport à l’étude clinique seule ; p = 0,13)
  • Sensibilité du modèle combiné : 74 % ; Spécificité : 75 %
• Les facteurs prédictifs cliniques importants comprenaient l’âge, la FiO2 à l’admission (association la plus forte), la dyspnée, l’obésité, la pression artérielle, la saturation en oxygène, l’échelle de coma de Glasgow, le sexe masculin et l’hypertension.

Interprétation et implications

Cette étude établit que l’interprétation automatisée des radiographies thoraciques par l’IA, combinée à des variables cliniques clés, améliore considérablement la prédiction des formes graves de la COVID-19 nécessitant une admission en USI, par rapport à l’utilisation de l’une ou l’autre source de données seule. Si les caractéristiques d’imagerie à elles seules avaient une valeur prédictive, les variables cliniques contribuaient à un contexte critique, améliorant la précision globale du modèle. Concernant la mortalité hospitalière, les données cliniques restaient le facteur principal, et l’imagerie n’apportait qu’un pouvoir prédictif supplémentaire limité.

Pour les cliniciens et les systèmes de santé, cela signifie que les outils d’aide à l’IA automatisés pourraient aider à identifier rapidement les patients à haut risque à l’admission, guidant l’allocation des ressources et une intervention rapide. Le modèle d'IA réduit la dépendance à l'expertise des radiologues en fournissant une analyse objective et reproductible des radiographies thoraciques, un avantage dans les environnements aux ressources limitées ou surchargés, fréquents en Amérique latine et ailleurs.

Parmi les limites, on compte le nombre relativement restreint de patients disposant de données d'imagerie adéquates et une certaine variabilité de la qualité des images. De plus, les modèles d'apprentissage profond restent des « boîtes noires », ce qui peut limiter la confiance des cliniciens sans une meilleure interprétabilité. Les travaux futurs devraient se concentrer sur la validation externe, l'intégration aux flux de travail cliniques et l'amélioration de la transparence du modèle.

Déploiement et évolutivité

Le modèle a le potentiel d'être déployé au sein des systèmes d'information hospitaliers afin de fournir des scores de risque en temps réel dès l'admission. Sa mise en œuvre nécessite une intégration avec les systèmes d'imagerie radiologique et les dossiers médicaux électroniques existants afin de saisir automatiquement les données des patients et les radiographies thoraciques à analyser. Les obstacles incluent la variabilité des protocoles d'acquisition d'images, la disponibilité du matériel, les autorisations réglementaires et l'acceptation des cliniciens.

Cependant, une fois intégrée, l'approche pourrait être adaptée à d'autres maladies respiratoires pour lesquelles les radiographies thoraciques et les indicateurs cliniques prédisent la gravité, comme la pneumonie ou le SDRA. De plus, l'utilisation de plateformes d'IA open source et de traitements basés sur le cloud peut faciliter le déploiement dans des environnements aux ressources limitées.

Conclusion et prochaines étapes

Cette étude fait progresser l'utilisation de l'IA dans la COVID-19 en démontrant que la combinaison de l'interprétation automatisée des radiographies thoraciques avec les données cliniques permet une prédiction très précise de la forme grave de la maladie et de la mortalité. Les résultats soutiennent l'intégration de modèles d'imagerie par IA dans la prise de décision clinique afin d'aider les prestataires de soins de première ligne dans le monde entier, en particulier dans les contextes où l'expertise en radiologie est insuffisante.

Les priorités de recherche futures comprennent la validation externe auprès de populations diverses, les essais cliniques prospectifs évaluant l'impact sur les résultats des patients et l'amélioration de l'explicabilité des modèles pour renforcer la confiance des cliniciens. Des efforts soutenus en faveur d'outils d'IA évolutifs aideront les systèmes de santé à répondre plus efficacement aux pandémies respiratoires actuelles et futures.

Références

Munera N, Garcia-Gallo E, Gonzalez Á, et al. Un nouveau modèle pour prédire les formes graves de COVID-19 et la mortalité grâce à un algorithme d'intelligence artificielle pour interpréter les radiographies thoraciques et les variables cliniques. ERJ Open Res. 2022 ; 8(2) : 00010-2022. https://doi.org/10.1183/23120541.00010-2022