7. Évaluation de l’impact médico-économique d’un logiciel d’IA pour la détection des fractures des membres et du bassin.
Objectif
Evaluer l’impact médico-économique de l’utilisation d’un logiciel de lecture radiographique par intelligence artificielle (IA) pour la détection des fractures des membres et du bassin.
Matériels et méthodes
Il s’agit d’une étude rétrospective comparative incluant tous les examens radiographiques réalisés pour une suspicion de fracture des membres et du bassin entre le 1er janvier et le 31 mars 2017, dans un groupe privé d'imagerie, avec 14 centres. Chaque examen a été analysé par un logiciel appliquant un algorithme d’IA (BoneViewTM, société Gleamer). Les résultats du logiciel étaient comparés aux comptes rendus initiaux des radiologues. En cas de discordance d’interprétation, l'examen était alors revu par un radiologue sénior indépendant spécialisé en imagerie ostéo-articulaire, qui devait statuer sur la présence ou non d’une fracture, et décider de la nécessité d’éventuel examen complémentaire d'imagerie. Un chirurgien orthopédique évaluait en dernière ligne les conséquences éventuelles des retards diagnostiques.
Résultats
4774 examens de patients (1-103 ans, 30% pédiatrie, 49% femmes) ont été inclus dans l'étude.
735 (16,4%) examens ont été interprétés comme anormaux, sur lesquels 903 fractures ont été identifiées par l’IA et/ou la lecture conventionnelle.
Une discordance d’analyse entre les 2 modes de lectures étaient retrouvées pour 703 (77,9%) diagnostics de fractures, pour lesquelles l’analyse du radiologue expert en ostéo-articulaire concluait à 252 fractures vraies.
Pour ces 252 fractures authentifiées, le radiologue sénior avait confirmé 235 (93,3%) fractures détectées par le logiciel d’IA et non mentionnées dans le compte-rendu initial, et 17 (1,9%) fractures décrites dès la prise en charge du patient, mais non identifiées par la solution IA.
Parmi les 235 fractures détectées par l'IA, 69 (29,4%) auraient dû conduire à un autre examen d'imagerie (scanner ou IRM) pour confirmer le diagnostic (n=61, 26%) ou pour caractériser sa gravité (n=48, 20,4%).
Pour 144 fractures (61,3%), la prise en charge thérapeutique aurait été modifiée. Une chirurgie aurait été préconisée pour 51 (21,7%) patients. Les conséquences du retard de prise en charge thérapeutique, par retard diagnostique initial, ont été évaluées comme faibles pour 155 fractures (66%) et comme fonctionnellement préjudiciables pour le membre concerné pour 24 fractures (10,2%).
Conclusion
Le logiciel d'IA a permis de détecter 26% de fractures supplémentaires par rapport à une lecture conventionnelle, qui aura pu entrainer un changement de prise en charge thérapeutique dans la majorité des cas.