Dans les années récentes, la technologie d'intelligence artificielle de deep learning (dans laquelle le système s'améliore au fur et à mesure de son expérience) a été largement employée pour développer des algorithmes capables d'interpréter des radiographies thoraciques, plusieurs ayant montré de bonnes performances. Leur impact sur la charge de travail et la rapidité de diagnostic des radiologues restent toutefois peu connus.

En utilisant cette technologie, Ju Gang Nam de l'hôpital national universitaire de Séoul et ses collègues ont développé l'algorithme DLAD-10 capable de détecter et localiser sur des radios du thorax 10 anomalies fréquentes: pneumothorax, élargissement médiastinal, pneumopéritoine, nodule/masse, consolidation, épanchement pleural, atélectasie, fibrose, calcification, cardiomégalie. Ils ont souhaité tester la performance de cet outil ainsi que son impact potentiel "dans la vraie vie" dans un service d'urgences.

Après avoir entraîné leur algorithme sur 146.717 radios du thorax, les auteurs ont testé ses performances sur deux nouvelles séries de radio thoraciques (973 clichés au total) et les ont comparées à celles de trois radiologues expérimentés.

L'algorithme a montré de bonnes performances, avec une aire sous la courbe de la fonction d'efficacité du receveur (AUROC) -qui permet de tester le rapport sensibilité/spécificité et ainsi la performance des tests diagnostic- comprise entre 0,895 (cardiomégalie) et 1 (pneumopéritoine).

L'algorithme s'est révélé plus sensible dans la détection de 8 des 10 anomalies recherchées, alors que les radiologues étaient plus spécifiques, précisent les auteurs.

Des tests ont ensuite été conduits sur une nouvelle série de clichés, ajustée à la prévalence des pathologies rencontrées "dans la vraie vie" dans un service d’urgence: 4 cas étaient considérés comme critiques, 52 urgents et 146 non urgents.

Au total, 6 radiologues ont participé à deux sessions de lecture de clichés chacun, avec et sans l'aide de l'algorithme. Les radiographies étaient présentées par ordre d'urgence lorsque l'algorithme était employé alors qu'elles étaient proposées dans un ordre aléatoire lorsque l'outil n'était pas disponible.

Lors de ces tests, les radiologues ont détecté significativement plus de cas critiques et urgents quand ils étaient aidés de l'algorithme, 70,8% et 82,7% respectivement contre 29,2% et 78,2% quand ils ne disposaient pas de l'outil.

Les auteurs précisent que l’algorithme avait détecté tous les cas critiques, mais que certains diagnostics ont été ignorés des radiologues, en particulier dans les cas d’élargissement médiastinal.

En revanche, les radiologues aidés de l'algorithme se sont montrés moins performants pour classer les cas normaux et non urgents (80% contre 88,3% lorsqu'ils ne disposaient pas de l'outil).

L'usage de l'algorithme a permis aux radiologues de réduire significativement leur temps moyen de détection des cas critiques (10,7 minutes contre 56,1 min) et urgents (30,7 min contre 35,4 min).

Grâce à cet outil, les radiologues ont aussi passé significativement moins de temps sur les cas non urgents/normaux (13,5 secondes contre 17,9 s) et un temps d'interprétation significativement plus long sur les cas critiques (36,7 s contre 23 s).

Les auteurs concluent que cet algorithme utilisant l'IA montre d'excellents résultats et permet aux radiologues d'améliorer leurs performances et de réduire le temps nécessaire à la détection d'un cas critique ou urgent. Cet outil pourrait jouer un rôle intéressant dans la priorisation des patients, estiment-ils.

Plusieurs améliorations et modifications de l'algorithme sont attendues, notamment la détection des fractures de côtes ou de vertèbres et d'une malposition de voie centrale non couvertes actuellement, ajoutent-ils.

(ERJ, publication en ligne du 26 novembre)