L’intelligence artificielle peut-elle augmenter la précision du dépistage du COVID-19 ?

  • Mei X & al.
  • Nat Med
  • 19 mai 2020

  • Par Liz Scherer
  • Clinical Essentials
L'accès à l'intégralité du contenu de ce site est reservé uniquement aux professionnels de santé disposant d'un compte. L'accès à l'intégralité du contenu de ce site est reservé uniquement aux professionnels de santé disposant d'un compte.

À retenir

  • L’intelligence artificielle (IA) augmente potentiellement la rapidité et la précision du dépistage, pour les patients atteints de la maladie à coronavirus 2019 (COVID-19) qui obtiennent un résultat positif au test de la réaction en chaîne par polymérase après transcription inverse (Reverse Transcription-Polymerase Chain Reaction, RT-PCR), mais dont les résultats à la tomodensitométrie (TDM) sont normaux.

Pourquoi est-ce important ?

  • Le renforcement de la TDM thoracique et l’augmentation des informations cliniques par l’IA pourraient accélérer le dépistage et le diagnostic du COVID-19, en particulier lorsque des modalités de test ne sont pas disponibles.

Principaux résultats

  • 905 patients ont fait l’objet de TDM thoraciques.
  • 46,3 % (419) des patients ont obtenu un résultat positif au coronavirus 2 du syndrome respiratoire aigu sévère (SARS-CoV-2), et 53,7 % (486) des patients ont obtenu un résultat négatif au test par RT-PCR/séquençage de nouvelle génération.
    • Les résultats négatifs ont été confirmés par plus de deux tests par RT-PCR et par l’observation clinique.
  • Facteurs cliniques : l’âge, les antécédents d’exposition, la fièvre/toux/toux avec expectorations/numération des globules blancs.
  • Un modèle d’IA combiné utilisant des données cliniques et des examens d’imagerie par TDM a obtenu de meilleures performances que les modèles utilisant uniquement des données cliniques ou des examens d’imagerie par TDM.
  • Comparaison du modèle combiné, par rapport à un radiologue thoracique senior utilisant des examens d’imagerie par TDM ainsi que des données cliniques (IC à 95 %) :
    • Sensibilité : 84,3 % (77,1–90,0 %) pour le modèle basé sur l’IA, contre 74,6 % (66,4–81,7 %) pour le lecteur humain.
    • Spécificité : 82,8 % (75,6–88,5 %) pour le modèle basé sur l’IA, contre 93,8 % (88,5–97,1 %) pour le lecteur humain.
    • Aire sous la courbe : 0,92 pour le modèle basé sur l’IA (0,887–0,948), contre 0,84 (0,800-0,884) pour le lecteur humain.
  • Ensemble de test : 25 patients étaient atteints du COVID-19 et présentaient une TDM thoracique normale selon les radiologues à la présentation.
    • Le modèle basé sur l’IA à apprentissage profond a identifié 52 % des clichés (13/25) comme étant positifs quant à la présence du COVID-19.
    • Le modèle clinique a classé 64 % des clichés (16/25) comme étant positifs quant à la présence du COVID-19.
    • Le modèle combiné a identifié 68 % des clichés (17/25) comme étant positifs quant à la présence du COVID-19.
    • Le radiologue thoracique senior et un autre radiologue suivant une formation en radiologie thoracique ont identifié 0 % des clichés (0/25) comme étant positifs.

Protocole de l’étude

  • Évaluation du modèle basé sur l’IA visant à améliorer la détection précoce de l’infection au SARS-CoV-2.
  • Financement : aucun financement n’a été communiqué.

Limites

  • La population de l’étude était relativement petite.
  • Biais envers les patients atteints du COVID-19.