Comment un algorithme d'apprentissage profond peut-il améliorer la détection des fractures sur les rayons X aux urgences ?

Évaluer les performances d'un algorithme d'apprentissage profond pour le diagnostic des fractures sur des radiographies conventionnelles aux urgences, sans nécessité d'entraînement sur des données locales

Test sur 125 patients consultant aux urgences de l'hôpital Louis Mourier en mai 2019 pour un traumatisme des membres. Analyse des radiographies par un radiologue et comparaison avec les prédictions de l'algorithme. Evaluation measures : sensibilité, spécificité, valeur prédictive négative et aire sous la courbe ROC

Sur les 125 patients, 25 présentaient une fracture identifiée par les cliniciens1. L'algorithme a détecté 24 des 25 fractures (sensibilité de 96 %) 1. 14 faux positifs ont été identifiés parmi les 100 patients sans fracture (spécificité de 86 %) 1. La valeur prédictive négative était de 98,85 % 1. L'aire sous la courbe ROC était de 0,96 par patient

Cette étude démontre que les algorithmes d'apprentissage profond sont des outils diagnostiques potentiellement précieux pour la détection des fractures aux urgences. Ils pourraient être utilisés dans la formation des jeunes radiologues et comme aide au diagnostic pour les cliniciens