L’intelligence artificielle améliore-t-elle la prédiction des complications de la pancréatite aiguë

La pancréatite aiguë est une inflammation soudaine du pancréas qui peut évoluer rapidement vers des formes graves. Chaque année, elle touche entre 30 et 40 personnes pour 100 000 habitants dans le monde. Bien que la majorité des cas soient bénins et se résolvent spontanément, près de 30 % des patients développent des complications sévères, comme une défaillance persistante des organes ou une nécrose infectée du pancréas. Ces situations augmentent considérablement la morbidité et la mortalité, soulignant l’importance d’une prise en charge précoce et adaptée.

Actuellement, les méthodes traditionnelles pour évaluer la gravité de la pancréatite aiguë reposent sur des scores cliniques comme ceux de Ranson ou de Glasgow-Imrie. Cependant, ces outils montrent des limites. Ils s’appuient sur des mesures réalisées dans les 48 premières heures, ce qui retarde l’identification des patients à risque. De plus, leur précision reste modeste, avec des valeurs de discrimination autour de 0,61 pour le score de Ranson et 0,67 pour celui de Glasgow-Imrie. Les radiologues, quant à eux, évaluent les images de tomodensitométrie avec un produit de contraste, mais leur jugement visuel atteint en moyenne une précision de 0,63, avec une sensibilité faible de 42,5 %. Cela signifie qu’ils détectent surtout les cas graves lorsque les signes sont évidents, mais peinent à repérer les patients dont l’état va se dégrader plus tard.

Pour surmonter ces limites, une approche innovante combine l’intelligence artificielle, l’analyse d’images médicales et des données cliniques. Cette méthode, appelée radiomique, extrait des informations quantitatives des images pour révéler des motifs invisibles à l’œil nu. Elle permet de capturer des caractéristiques comme l’intensité, la texture ou l’agencement spatial des tissus. Une autre technique, l’apprentissage profond, identifie automatiquement des schémas complexes dans les images sans nécessiter de définition préalable des critères. Ces deux approches transforment l’imagerie médicale en un outil non seulement visuel, mais aussi quantitatif et prédictif.

Dans cette étude, 284 patients atteints de pancréatite aiguë ont été analysés. Parmi eux, 140, soit près de la moitié, ont présenté des complications graves dans les 30 jours suivant leur admission. Les modèles d’intelligence artificielle basés uniquement sur l’imagerie ont obtenu de meilleurs résultats que les méthodes traditionnelles, avec une précision de 0,77 pour la radiomique et 0,76 pour l’apprentissage profond. L’intégration de données de laboratoire, comme le taux de globules blancs, la protéine C-réactive ou la lactico-déshydrogénase, a encore amélioré les performances. Le modèle combinant radiomique et données cliniques a atteint une précision de 0,80, soit une amélioration notable par rapport aux autres approches.

Les marqueurs biologiques sélectionnés reflètent des processus clés de la maladie. Par exemple, l’urée sanguine indique une déshydratation et une mauvaise perfusion rénale, tandis que la protéine C-réactive signale une inflammation intense. Une albumine basse est associée à un risque accru de défaillance organique. Ces marqueurs complètent les informations tirées des images, offrant une vision plus complète de l’état du patient.

Les radiologues, malgré leur expertise, montrent des désaccords modérés entre eux lors de l’évaluation des images. Leur sensibilité limitée révèle que certains patients développant des complications graves présentent des anomalies subtiles sur les images, difficiles à détecter visuellement. L’intelligence artificielle, en revanche, identifie ces signes précoces grâce à l’analyse de milliers de caractéristiques quantitatives.

Cette approche multimodale, qui combine imagerie et données cliniques, permet donc une prédiction plus fiable des complications. Elle pourrait aider les médecins à identifier plus tôt les patients à haut risque, à adapter la surveillance et à initier rapidement des traitements adaptés. Cependant, ces résultats restent préliminaires et nécessitent une validation dans des études plus larges avant une utilisation généralisée en pratique clinique.

Sources

À propos de cette étude

DOI : https://doi.org/10.1007/s00261-026-05588-w

Titre : Multimodal AI for early prediction of adverse clinical outcomes in acute pancreatitis

Revue : Abdominal Radiology

Éditeur : Springer Science and Business Media LLC

Auteurs : Ahmet Yasin Karkas; Yavuz B. Taktak; Burak Gultekin; Ziliang Hong; Halil Ertugrul Aktas; Deniz Seyithanoglu; Timurhan Cebeci; Alper Akin; Ece Elustu; Kerem Arisin; Ali Canturk; Mehmet Ilhan; Naci Senkal; Michael B. Wallace; Abraham F. Bezuidenhout; Frank H. Miller; Alpay Medetalibeyoglu; Mehmet Semih Cakir; Gorkem Durak; Ulas Bagci; Sukru Mehmet Erturk