Tous nos sites et sites référencés

L'IA peut-être prédire l'évolution d'un anévrysme de l'aorte abdominale ?

Mis à jour le 30/07/2018 par SFR

  

Mickael Ohana, Fédération de Radiologie Interventionnelle (FRI)

 

Est-il possible de prédire le risque évolutif d’un anévrysme de l’aorte abdominale ? C’est à cette question que tentent de répondre Lee et al. dans un article (1) publié dans EJVES en mars 2018.
Ils se basent sur une cohorte prospective de 94 patients suivis par écho-doppler abdominal à T0, T+12mois et T+24mois (pour 79 patients), avec mesure au T0 d’un index de la dysfonction endothéliale appelé FMD (Flow Mediated Dilatation). La FMD correspond au rapport entre les mesures échodoppler (diamètre et vélocité de l’artère humérale) obtenues au repos puis après occlusion artérielle courte de l’avant-bras. La mesure de la FMD nécessite une préparation du patient précise (absence de supplémentation vitaminique, absence de prise médicamenteuse, jeûne…) et demande une dizaine de minutes d’acquisition.
Ainsi, deux paramètres étaient obtenus en entrée : la mesure écho du diamètre axial maximal de l’AAA et la mesure échodoppler de la FMD. Deux paramètres de sortie étaient étudiés : la taille à 12 mois et la taille à 24 mois. Ces paramètres alimentaient un modèle statistique de régression non linéaire, le SVM (Support Vector Machine), dans le but de trouver par itérations multiples une fonction qui puisse relier pour chaque patient les paramètres d’entrée aux paramètres de sortie, avec une marge d’erreur acceptée de 2 mm.
Sur la base de données de l’étude, l’algorithme a pu prédire l’évolution à 12 mois (à 2 mm près) dans 85 % des cas et l’évolution à 24 mois dans 71 % des cas. A noter que les AAA mesuraient 43 mm (36-48) à T0 et grossissaient en moyenne de 3 % par an.

Il est difficile de dire si cet article est un succès ou un échec : 71 % de réussite à 2 ans, avec une marge d’erreur de 2 mm alors que l’augmentation moyenne de l’anévrysme était de 3mm (+6 %) n’est probablement pas glorieux comme résultat. De même, la technique utilisée est plus du domaine statistique que du véritable « machine learning » communément entendu en radiologie. Enfin, le faible nombre de paramètres utilisés en entrée et l’absence de cohorte de validation (c’est-à-dire de patients non utilisés dans la base d’entrainement initiale) limitent fortement les résultats de ce travail. Ils sont cependant une première pierre prometteuse pour l’avenir : 71 % avec seulement deux paramètres écho, imaginons ce qu’il serait possible d’obtenir avec la multitude de paramètres scanner envisageables !

 

Référence :

1. Lee, R., Jarchi, D., Perera, R., Jones, A., Cassimjee, I., Handa, A., & Clifton, D. (2018). Applied machine learning for the prediction of growth of abdominal aortic aneurysm in humans. EJVES Short Reports.