publicité
Facebook Facebook Facebook Partager

Lu pour vous

Publié le 30 oct 2023Lecture 3 min

Machine learning

Jimmy DAVAINE, CHU Pitié-Salpêtrière, Paris

Les modèles guidant nos décisions thérapeutiques sont actuellement largement basés sur des études de prévention secondaire. Développer des outils diagnostiques d’amont afin de mieux sélectionner les patients et d’adapter la prise en charge constitue un enjeu majeur de la recherche.

Au niveau carotidien, l’indication est basée essentiellement sur le degré de sténose, ce qui constitue une analyse incomplète. Le scanner, examen de routine préopératoire, devrait permettre une analyse plus fine des plaques en dehors du seul degré de sténose. La référence pour identifier des plaques à risque est l’histologie. Mettre au point une correspondance entre scanner préopératoire et caractéristiques histologiques paraît très intéressant de ce point de vue et les outils de machine learning semblent être à même de réaliser cette mise en relation. Dans ce travail, une cohorte de développement était analysée et une cohorte de validation permettait de renforcer la validité des résultats. • Méthodes : étude prospective bicentrique. Les plaques étaient toutes analysées en histologie et classées en atteintes athéromateuses minimes, plaques stables et plaques instables. La correspondance avec le scanner préopératoire était établie grâce à un logiciel dédié de machine learning. • Résultats : l’étude a inclu 53 patients, d’âge moyen 60 ans, dont 57 % d’hommes. Dix-huit patients étaient issus de zones urbaines et 35 de zones suburbaines (moins de patients blancs et moins d’hypercholestérolémie retrouvés dans le premier groupe). L’agrément était considéré comme très bon entre les trois anatomopathologistes qui caractérisaient les plaques. Au total, 496 coupes de vaisseaux étaient analysées dans la cohorte de développement et 408 dans la cohorte de validation. Dans la première cohorte, l’histologie retrouvait 168/160/168 atteintes minimes/plaques stables/instables, respectivement. Dans la deuxième cohorte, on notait 194/94/55 lésions minimes/stables/instables. L’identification en scanner des plaques à haut risque (selon l’histologie) a fonctionné avec un haut niveau de performance sur les deux cohortes. En particulier, il n’y avait pas de cas où le logiciel identifiait une plaque instable alors que l’histologie la considérait comme un athérome minime. On a noté 13 cas où le logiciel identifiait la plaque comme instable alors que l’histologie la considérait comme stable (AUC : 0,97 ; 0,95 ; 0,99 pour les groupes plaques instables, stables et athérome minime). À noter que l’agrément était très modeste entre le degré de sténose au scanner et le risque en histologie. En particulier, le degré de sténose concordait avec le risque histologique dans seulement 49 % des coupes. • Discussion : une analyse qualitative des lésions apparaît indispensable pour améliorer nos indications. Ce travail a le grand intérêt d’initier une correspondance entre histologie (très informative mais postopératoire) et le scanner. Le logiciel de machine learning atteint des résultats très prometteurs pour l’avenir malgré le faible nombre de patients dans cette étude dont une des limites est l’absence totale de renseignements cliniques sur les patients.

Attention, pour des raisons réglementaires ce site est réservé aux professionnels de santé.

pour voir la suite, inscrivez-vous gratuitement.

Si vous êtes déjà inscrit,
connectez vous :

Si vous n'êtes pas encore inscrit au site,
inscrivez-vous gratuitement :

Version PDF

Articles sur le même thème

  •  
  • 1 sur 23
publicité