Evaluation D Un Logiciel D Intelligence Artificielle Dans La Detection Des Fractures Du Squelette Appendiculaire En Population Pediatrique

Download Evaluation D Un Logiciel D Intelligence Artificielle Dans La Detection Des Fractures Du Squelette Appendiculaire En Population Pediatrique PDF/ePub or read online books in Mobi eBooks. Click Download or Read Online button to get Evaluation D Un Logiciel D Intelligence Artificielle Dans La Detection Des Fractures Du Squelette Appendiculaire En Population Pediatrique book now. This website allows unlimited access to, at the time of writing, more than 1.5 million titles, including hundreds of thousands of titles in various foreign languages.
Évaluation d'un logiciel d'intelligence artificielle dans la détection des fractures du squelette appendiculaire en population pédiatrique

Introduction : l'intelligence artificielle est en plein essor en radiologie et notamment en traumatologie. De nombreuses études ont montré son efficacité dans la détection des fractures chez les adultes mais peu d'études ont été réalisées en pédiatrie. Nous avons évalué la performance diagnostique d'un logiciel de deep learning (SmartUrgence©) dans la détection des fractures du squelette appendiculaire en population pédiatrique en comparaison au compte rendu du radiologue défini comme le gold standard. Matériels et Méthodes : dans notre étude observationnelle rétrospective, nous avons inclus 1312 patients pédiatriques (âgés de 3 mois à 16 ans, 45% de filles et 55% de garçons) ayant consulté dans le service des urgences pédiatriques pour un traumatisme. Chaque cliché radiographique a été analysé par un logiciel d'IA et annoté avec 3 possibilités : "normal", "anormal" ou "douteux". L'anomalie était localisée sur l'image à l'aide d'un cadre. Les résultats obtenus ont ensuite été comparés au compte rendu effectué par un radiologue pédiatrique sénior. Nous avons également évalué la capacité du logiciel à détecter les épanchements du coude et sa contribution à la détection des fractures dans cette région anatomique. Des analyses de sous- groupes ont également été réalisées en fonction de l'âge et de la région anatomique. Résultats : lorsque les réponses "doute" sont considérées comme positives, la précision du logiciel est de 88,9% [IC 95% : 87,1 - 90,6], la sensibilité de 92,7% [IC 95% : 90 - 95], la spécificité de 87,1% [IC 95% : 84,7 - 89,2], la VPN de 96,2% [IC 95% : 94,8 - 97,4], la VPP de 77,3% [IC 95% : 73,6 - 80,8]. On ne trouve pas de différence significative dans concernant la précision du logiciel selon le sexe. L'analyse en sous-groupe d'âge montre une différence maximale des valeurs de précision entre les patients d'âge inférieur à 4 ans et le groupe des 12-14 ans (delta = 0,10, P
Validation externe des performances diagnostiques d'un logiciel d'intelligence artificielle pour le diagnostic radiologique des fractures du coude de l'enfant

Introduction : Le deep learning, l'une des technologies principales de l'intelligence artificielle, est de plus en plus développé comme outil d'aide au diagnostic pour les cliniciens dans la lecture de radiographie et notamment en traumatologie. Cependant, les études évaluant les performances de ces logiciels pour le diagnostic de fracture dans la population pédiatrique font encore défaut dans la littérature. Objectif : Réaliser une validation externe des performances du logiciel d'intelligence artificielle Boneview pour le diagnostic des fractures du coude dans une population pédiatrique. Méthodes : Tous les enfants âgés de 0 à 15 ans et 3 mois ayant consulté aux urgences pédiatriques du CHU de Nantes entre le 1er janvier 2019 et le 1er avril 2020 pour traumatisme du coude et pour lesquels une paire de radiographies a été réalisée ont été inclus rétrospectivement. Le « ground truth », c'est-à-dire le diagnostic radiologique de référence, a été constitué par deux experts (urgentiste pédiatre et radiologue) indépendamment et à l'aveugle du résultat du logiciel et selon deux modalités : normal ou anormal. En cas de désaccord, la radiographie était relue par un troisième expert. Chaque radiographie était classée selon trois modalités par le logiciel : anormale, doute ou normale. Les modalités «anormale » et « doute » ont été regroupées dans nos analyses. Les performances diagnostiques du logiciel (sensibilité, spécificité, valeurs prédictives positive et négative) ont été mesurées. Résultats : Nous avons inclus 757 enfants (âge médian 8,3 ans) avec une prévalence d'examens radiologiques du coude anormaux de 46,6% (IC95% 43,1-50,2). Parmi les 757 examens analysés, le logiciel en a classé 54,2% (n=410) en anormaux, 38,2% (n=289) en normaux et 7,7% (n=58) en doute. Le logiciel Boneview avait une sensibilité de 98,0% (IC95% : 96,0 - 99,2), une spécificité de 69,8% (IC95% : 65,1 - 74,2), une valeur prédictive positive de 73,9% (IC95% : 71,0 - 76,7) et négative de 97,6% (IC95% : 95,1 - 98,8). Conclusion : Le logiciel Boneview a présenté une bonne sensibilité dans une population d'enfants avec traumatisme du coude consultant aux urgences pédiatriques. Des études d'impact devront désormais être menées afin d'évaluer le bénéfice réel pour le patient de l'utilisation en routine de ce logiciel.
Évaluation de l'apport d'un outil d'aide au diagnostic des fractures des membres basé sur l'intelligence artificielle aux urgences pédiatriques

La fracture de membre est une pathologie très courante de l'enfant. Pourtant, son diagnostic n'est pas si aisé car nécessite une interprétation de la radiographie par un œil expérimenté, or l'organisation des urgences est telle que l'interprétation définitive par le radiologue n'est réalisée qu'à postériori de la prise en charge. Le but de notre étude est d'évaluer l'apport d'un outil d'aide au diagnostic de fracture de membre basé sur l'intelligence artificielle aux urgences pédiatriques. L'objectif principal est l'étude de la concordance de diagnostic entre les internes utilisant cet outil et les médecins radiologues séniors réalisant une lecture standard. Il s'agit d'une étude interventionnelle, prospective, monocentrique, de type avant-après constituée de deux phases successives de neuf mois. Durant la première phase dite « sans utilisation de l'outil », chaque radiographie sera interprétée par l'interne en médecine et le médecin radiologue sénior de manière standard. Durant la deuxième phase dite « avec utilisation de l'outil », les internes en médecine utiliseront l'outil d'aide au diagnostic tandis que les médecins radiologues séniors interpréteront toujours les radiographies de manière standard : nous évaluerons la concordance diagnostique pour répondre à notre objectif principal. Un tel outil, s'il s'avérait performant, aurait un double impact : à l'échelle individuelle, il permettrait de faire un diagnostic précis et d'éviter ainsi les complications de fractures mal ou non traitées ; à l'échelle collective, le bénéfice serait aussi bien organisationnel qu'économique en contribuant à la diminution des reconvocations des patients pour fracture non diagnostiquée.