Comparaison des performances diagnostiques d’un algorithme d’apprentissage profond, des médecins urgentistes, des radiologues débutants et des radiologues seniors dans la détection des fractures appendiculaires chez les enfants
Objectif
Évaluer les performances d’un algorithme d’IA basé sur des réseaux neuronaux profonds pour détecter les fractures appendiculaires traumatiques dans une population pédiatrique. Comparer la sensibilité, la spécificité, la valeur prédictive positive et la valeur prédictive négative de différents lecteurs et de l’algorithme d’IA.
Méthodes
Cette étude rétrospective menée sur 878 patients âgés de moins de 18 ans a évalué les radiographies classiques obtenues après un traumatisme récent ne mettant pas leur vie en danger. Toutes les radiographies de l’épaule, du bras, du coude, de l’avant-bras, du poignet, de la main, de la jambe, du genou, de la cheville et du pied ont été évaluées. Les performances diagnostiques d’un consensus d’experts en radiologie en imagerie pédiatrique (norme de référence) ont été comparées à celles des radiologues pédiatriques, des médecins urgentistes, des résidents seniors et des résidents juniors. Les prédictions faites par l’algorithme d’IA et les annotations faites par les différents médecins ont été comparées.
Résultats
L’algorithme a prédit 174 fractures sur 182, correspondant à une sensibilité de 95,6 %, une spécificité de 91,64 % et une valeur prédictive négative de 98,76 %. Les prévisions de l’IA étaient proches de celles des radiologues pédiatriques (sensibilité 98,35 %) et de celles des résidents âgés (95,05 %) et étaient supérieures à celles des médecins urgentistes (81,87 %) et des résidents débutants (90,1 %). L’algorithme a identifié 3 fractures (1,6 %) qui n’avaient pas été observées initialement par les radiologues pédiatriques.
Conclusion
Cette étude suggère que les algorithmes d’apprentissage profond peuvent être utiles pour améliorer la détection des fractures chez les enfants.
