L’évaluation de la fonction cardiaque par l’intelligence artificielle est supérieure à l’évaluation par ultrasons

Barcelone, Espagne – 27 août 2022 : Chez les patients subissant une évaluation échocardiographique de la fonction cardiaque, l’évaluation préliminaire par l’intelligence artificielle (IA) est supérieure à l’évaluation initiale par l’échographiste, selon une recherche de dernière minute présentée lors d’une session Hot Line aujourd’hui au Congrès ESC 2022.1

Le médecin. David Ouyang, du Smidt Heart Institute de Cedars-Sinai, Los Angeles, États-Unis, a déclaré : « L’utilisation de l’IA en médecine suscite beaucoup d’enthousiasme, mais les technologies sont rarement évaluées dans des essais cliniques prospectifs. Nous avons précédemment développé l’une des premières technologies d’IA pour évaluer la fonction cardiaque (fraction d’éjection ventriculaire gauche ; FEVG) sur des échocardiogrammesdeux et dans cette étude randomisée en aveugle, nous l’avons comparée aux tracés de l’échographiste. Cette étude a été conçue pour montrer la non-infériorité de l’IA par rapport aux tracés de l’échographiste et nous avons donc été agréablement surpris lorsque les résultats ont en fait montré une supériorité par rapport aux résultats pré-spécifiés.”

Une évaluation précise de la FEVG est essentielle pour diagnostiquer les maladies cardiovasculaires et prendre des décisions thérapeutiques. L’évaluation humaine est souvent basée sur un petit nombre de cycles cardiaques, ce qui peut entraîner une forte variabilité interobservateur. EchoNet-Dynamic est un algorithme d’apprentissage en profondeur qui a été entraîné sur des vidéos d’échocardiogramme pour évaluer la fonction cardiaque et il a déjà été démontré qu’il évaluait la FEVG avec une erreur absolue moyenne de 4,1 à 6,0 %.deux L’algorithme utilise des informations sur plusieurs cycles cardiaques pour minimiser les erreurs et produire des résultats cohérents.

L’EchoNet-RCT a testé si l’évaluation par l’IA ou l’échographiste de la FEVG est le plus souvent ajustée par un cardiologue examinateur. Le flux de travail clinique standard pour déterminer la FEVG par échocardiographie est qu’un échographiste examine le patient ; l’échographiste fournit une évaluation initiale de la FEVG ; puis un cardiologue examine l’évaluation pour fournir un rapport FEVG final. Dans cet essai clinique, l’examen de l’échographiste a été attribué au hasard 1:1 à l’évaluation initiale de l’IA ou à l’évaluation échographique initiale, après quoi des cardiologues en aveugle ont examiné l’évaluation et ont fourni un rapport FEVG final (voir figure).

Les chercheurs ont comparé à quel point les cardiologues ont modifié l’évaluation de base par l’IA avec combien ils ont modifié l’évaluation de base par l’échographiste. Le critère de jugement principal était la fréquence d’une variation supérieure à 5 % de la FEVG entre l’évaluation initiale (IA ou échographiste) et le rapport final du cardiologue. L’étude a été conçue pour tester la non-infériorité, avec un objectif secondaire de tester la supériorité.

L’étude a inclus 3495 échocardiogrammes transthoraciques réalisés chez l’adulte pour toute indication clinique. La proportion d’études substantiellement altérées était de 16,8 % dans le groupe IA et de 27,2 % dans le groupe échographiste (différence -10,4 %, intervalle de confiance à 95 % [CI] -13,2% à -7,7%, p<0,001 pour la non-infériorité, p<0,001 pour la supériorité). Le paramètre de sécurité était la différence entre le rapport final du cardiologue et le rapport historique d'un cardiologue. La différence absolue moyenne était de 6,29 % dans le groupe IA et de 7,23 % dans le groupe échographiste (différence -0,96 %, IC 95 % -1,34 % à -0,54 %, p<0,001 pour la supériorité).

Dr. Ouyang a déclaré: «Nous avons beaucoup appris en menant un essai randomisé d’un algorithme d’IA, ce qui n’avait jamais été fait auparavant en cardiologie. Premièrement, nous avons appris que ce type d’étude est hautement réalisable dans le bon environnement, où l’algorithme d’IA peut être intégré dans le flux de travail clinique habituel de manière aveugle. Deuxièmement, nous avons appris que la cécité peut bien fonctionner dans cette situation. Nous avons demandé à nos lecteurs cardiologues de deviner s’ils pensaient que le tracé qu’ils venaient d’examiner avait été effectué par une IA ou un échographiste, et avons constaté qu’ils n’avaient pas remarqué la différence – ce qui montre les bonnes performances de l’algorithme d’IA ainsi que l’intégration transparente dans le logiciel clinique. Nous pensons que ce sont tous de bons signes pour les futures recherches de tests sur le terrain.

Il a conclu : « Nous sommes enthousiasmés par les implications du procès. Cela signifie pour l’avenir que certains algorithmes d’IA, s’ils sont développés et intégrés de la bonne manière, peuvent être très efficaces non seulement pour améliorer la qualité de la sortie de lecture d’écho, mais aussi pour augmenter l’efficacité du temps et des efforts consacrés par les échographistes. et cardiologues, simplifiant d’autres tâches fastidieuses mais importantes. L’intégration de l’IA dans les flux de travail cliniques peut fournir des évaluations plus précises et cohérentes, permettant une détection plus précoce de la détérioration clinique ou de la réponse au traitement.

Figure : Projet de test EchoNet-RCT

Diagramme, schémaDescription générée automatiquement

LA FIN

Leave a Comment

Your email address will not be published.