L'Intelligence artificielle peut réduire l'indication d'une chirurgie additionnelle après résection endoscopique d'un cancer colorectal

Les applications médicales de l'Intelligence Artificielle (IA) se développent de plus en plus avec des preuves scientifiques de fiabilité et de sécurité. Nous ouvrons sur ce site une nouvelle rubrique consacrée aux études médicales qui s'appuient sur le diagnostic par l'IA. La médecine  reposant sur les algorithmes de l'IA ne peut que se développer dans les prochaines années. L'IA peut ainsi enrichir les pratiques de télémédecine et de santé connectée, mais ne remplacera pas totalement (du moins pour l'instant) la capacité d'analyse critique de l'intelligence humaine (IH) (voir le premier billet intitulé "Int.Artificielle(1)" dans la rubrique "Revues et publications")

Cette étude concerne le bénéfice apporté par l'IA aux patients dans les suites d'une résection endoscopique d'un cancer colorectal. Le cancer colorectal est le 3ème cancer le plus fréquent et le 2ème en termes de mortalité. La France est l'un des pays d'Europe où l'incidence est la plus élevée pour les deux sexes.

Ichimasa K#1, Kudo SE1, Mori Y#1, Misawa M#1, Matsudaira S#1, Kouyama Y#1, Baba T#1, Hidaka E#1, Wakamura K#1, Hayashi T#1, Kudo T#1, Ishigaki T#1, Yagawa Y#1, Nakamura H#1, Takeda K#1, Haji A#2, Hamtani S#3, Mori K#4, Ishida F#1, Miyachi H#1,5 Artificial intelligence may help in predicting the need for additional surgery after endoscopic resection of T1 colorectal cancer Endoscopy. 2017 Dec 22. doi: 10.1055/s-0043-122385.

CONTEXTE ET OBJECTIFS DE L'ETUDE

Les décisions concernant la chirurgie additionnelle après la résection endoscopique du cancer colorectal T1 (CRC) sont difficiles à prendre parce que la prédiction préopératoire de la métastase des ganglions lymphatiques (LNM) est difficile. Nous avons étudié si l'intelligence artificielle peut prédire la présence de métastases ganglionnaires, pouvant ainsi réduire la nécessité d'une chirurgie supplémentaire.

PATIENTS ET METHODES

Les données sur 690 patients consécutifs atteints d'un cancer colorectal T1 ayant eu une chirurgie additionnelle entre 2001-2016 ont été analysées rétrospectivement. Les patients ont été séparés en deux groupes : les données de 590 patients ont été utilisées pour l'apprentissage de la machine dans l'algorithme d'IA, et les 100 autres patients ont été inclus pour la validation de cet algorithme.

L'algorithme d'IA a pris en compte 45 facteurs clinico-pathologiques, puis a cherché à prédire la positivité ou la négativité des ganglions locorégionaux de la lésion cancéreuse colorectal. Des prélèvements opératoires ont été utilisés comme étalon-or pour la présence de métastases LNM. L'algorithme d'IA a été validé en calculant la sensibilité, la spécificité et la précision de la prédiction des métastases LNM, en comparant ces données avec celles des guidelines américaines, européennes et japonaises.

RESULTATS

Une sensibilité de 100% pour le diagnostic des métastases (intervalle de confiance de 95% [IC] 72% à 100%) fut retrouvée tant dans le modèle de l'IA que dans celui des guidelines américaines, européennes et japonaises. La spécificité de l'algorithme de l'IA et des guidelines américaines, européennes et japonaises dans le diagnostic était respectivement de 66% (95% IC 56% à 76%), 44% (95% IC 34% à 55%), 0% (95% IC 0% à 3%), et 0% (95% IC 0% à 3%) ; et la valeur prédictive positive était respectivement de 69% (95% IC 59% à 78%), 49% (95% IC 39% à 59%), 9% (95% IC 4% à 16%) et 9% (95% IC 4%-16%). Les taux de chirurgie additionnelle inutile attribuables à un mauvais diagnostic de patients sans métastases (LNM-négatifs) étaient respectivement de 77% (95% IC 62% à 89%) pour le modèle d'IA, et 85% (95% IC 73% à 93%; P < 0,001), 91% (95% IC 84% à 96%; P < 0,001), et 91% (95% IC 84% à 96%; P < 0,001) pour les guidelines américaines, européennes et japonaises.

CONCLUSION 

Par comparaison avec les guidelines actuelles (américaines, européennes et japonaises, l'intelligence artificielle réduit significativement la chirurgie additionnelle inutile après résection endoscopique du cancer colorectal T1 lorsque la positivité des ganglions LNM est manquante.

COMMENTAIRES. Pour les lecteurs qui ne sont pas habitués aux tests de l'analyse statistique (sensibilité et spécificité), voici quelques données qui leur permettront de mieux comprendre les résultats prometteurs de cette étude et ses limites actuelles.

Lorsqu'un nouveau test ou un nouvel examen est en développement (ici, l'algorithme de l'IA dans le diagnostic d'un cancer colorectal métastasé nécessitant une chirurgie additionnelle), il est impératif de mesurer sa validité intrinsèque, c'est à dire sa sensibilité et sa spécificité. À l'aide d'un groupe d'individus dont on sait déjà s'ils ont la maladie ou pas (la présence ou l'absence de la maladie ayant été établie par un test gold-standard (ici la chirurgie additionnelle qui confirme ou non la présence de métastases ganglionnaires à l'examen anatomopathologique) on mesure la capacité de l'algorithme de l'IA à prédire si les métastases ganglionnaires sont présentes après résection endoscopique d'un cancer colorectal.

Les 590 patients de cette étude qui ont subi une chirurgie additionnelle ont servi à construire l'algorithme de l'IA avec 48 critères clinico-pathologiques. Les cent patients restants, qui ont subi une chirurgie additionnelle et dont les résultats pathologiques sont connus, ont été classés en 4 catégories : les vrais positifs (VP), c'est à dire ceux pour qui la présence de métastases ganglionnaires était retrouvée à l'intervention et confirmée par l'algorithme de l'IA ou les guidelines, les faux positifs (FP) c'est à dire ceux qui n'avaient pas de métastases à l'intervention chirurgicale mais pour qui l'algorithme de l'IA et les guidelines  ont donné un résultat positif, les faux négatifs (FN) c'est à dire ceux qui avaient des métastases ganglionnaires à l'intervention chirurgicale et pour lesquels l'algorithme de l'IA et les guidelines ont donné des résultats négatifs, enfin les vrais négatifs (VN) c'est à dire ceux pour qui l'intervention chirurgicale et l'algorithme ou les guidelines ont confirmé l'absence de métastases.

Le taux de sensibilité est calculé par la formule VP/VP+FN et le taux de spécificité par la formule VN/VN+FP. La valeur prédictive positive est la probabilité que les métastases soient présentes lorsque le test est positif, elle est calculée par la formule VP/VP+FP. La valeur prédictive négative est la probabilité que les métastases ne soient pas présentes lorsque le test est négatif, elle est calculée par la formule VN/VN+FN.

Dans l'étude qui est rapportée ici, le taux de sensibilité est de 100% que la méthode soit celle de l'IA ou celle de l'IH avec les guidelines des sociétés savantes américaines, européennes et japonaises. Cela signifie qu'aucune des méthodes ne donne de faux négatifs (FN). Par contre, la spécificité de l'algorithme est supérieure à celle des trois guidelines, ce qui signifie que l'algorithme de l'IA donne moins de faux positifs que les guidelines (la meilleure étant la guideline américaine). Enfin la valeur prédictive positive est meilleure avec l'algorithme de l'IA que celle donnée par les guidelines, ce qui confirme que l'algorithme de l'IA donne moins de faux positifs que les guidelines. Le risque de réaliser une chirurgie additionnelle était plus faible avec l'IA qu'avec les différentes guidelines.

Cette étude est très prometteuse car elle montre que l'IA permet d'éviter de façon significative dans 25% des cas une chirurgie additionnelle inutile après résection endoscopique pour cancer colorectal alors que les guidelines rédigées par les sociétés savantes américaines, européennes et japonaises ne permettent d'éviter cette chirurgie que pour un taux moindre (9 à 15%).

Il serait maintenant intéressant de voir si l'association de l'IA et de l'IH apporterait une valeur prédictive positive encore supérieure pour réduire davantage le taux de chirurgie additionnelle inutile. 

7 janvier 2018

 

Derniers commentaires

01.12 | 12:57

Merci, très intéressant cet article qui me permet de donner un exemple pour illustrer un cours!

16.11 | 16:08

Merci du commentaire

16.11 | 16:07

Merci de votre commentaire

16.11 | 04:04

Très intéressant en effet, merci.

Partagez cette page