IA et triage des rétinopathies diabétiques : comment évaluer performance, biais et utilité clinique en 2026
La rétinopathie diabétique (RD) reste une cause majeure de baisse visuelle évitable. Les algorithmes de dépistage sur photos du fond d’œil (classification « RD référable » vs non) sont maintenant largement discutés, mais la question clé est quantitative : que prouve-t-on exactement, et pour qui ?
1) Métriques utiles (au-delà de l’AUC)
- En dépistage, la priorité est souvent la sensibilité (minimiser les faux négatifs). Exiger aussi des intervalles de confiance (IC95%) sur sensibilité/spécificité, pas seulement l’AUC.
- Vérifier la valeur prédictive (VPP/VPN) à la prévalence locale. Une VPP peut chuter fortement en population à faible prévalence même avec une bonne spécificité.
- Documenter la calibration (courbe de calibration, Brier score). Un modèle bien discriminant peut être mal calibré et conduire à un triage inadapté.
2) Biais et équité : stratifier systématiquement Rapporter des performances par sous-groupes : âge, sexe, durée de diabète, statut socio-économique, comorbidités, origine ethnique/phototype, qualité d’image, type de caméra (smartphone vs rétinographe). Les écarts de sensibilité entre sous-groupes sont cliniquement plus critiques que de petits gains d’AUC globale.
3) Validation externe et dérive Une validation sur un autre territoire, d’autres caméras, et d’autres annotateurs est indispensable. Prévoir un plan de surveillance post-déploiement : taux d’images non interprétables, dérive de performance, seuils de ré-entraînement.
4) Impact clinique réel Idéalement : essai pragmatique ou étude avant/après. Indicateurs : délai d’accès à l’ophtalmo, proportion de RD référable vue à temps, charge de consultations évitables, et événements (perte d’acuité).
Transparence & éthique IA : préciser jeux de données, protocole d’annotation, gestion des données manquantes, conflits d’intérêts, et stratégie de sécurité (gestion des « incertains »). L’IA doit rester un outil de triage, avec un circuit clair d’escalade humaine.
Quelles métriques exigeriez-vous en routine avant d’adopter un outil IA de dépistage RD dans votre structure (sensibilité minimale, tolérance au non-interprétable, sous-groupes prioritaires) ?
3 commentaires
En 2026, l’évaluation des IA de triage de la RD doit sortir du réflexe « AUC » pour répondre à une question de santé publique : combien de pertes de chance évite-t-on, à quel coût en faux positifs, et dans quels sous-groupes. Les métriques clés sont donc sensibilité/spécificité avec IC95%, mais aussi PPV/NPV (dépendantes de la prévalence), courbes précision–rappel, et surtout la calibration (Brier, courbes de calibration) si l’on veut des seuils opérables. Il faut documenter le spectre de maladie et la qualité d’image (refusable/ungradable) avec analyses dédiées. Côté biais, des évaluations stratifiées (âge, sexe, phototype, type de caméra, comorbidités, centre) et des tests d’équité doivent être couplés à des analyses de décalage de distribution (dataset shift). Enfin, l’utilité clinique exige des études pragmatiques (impact sur délais, taux de référence, vision) et une comparaison au standard humain en conditions réelles, pas seulement sur jeux rétrospectifs.
Post très pertinent : en 2026, l’enjeu n’est plus “l’IA fait-elle mieux que l’humain ?” mais “dans quel parcours, avec quels risques résiduels, et pour quel sous-groupe ?”. Bien vu d’insister sur des métriques orientées dépistage : sensibilité/NPV et surtout leurs IC95% sont indispensables, car une AUC élevée peut masquer un seuil mal calibré et des faux négatifs cliniquement inacceptables. J’ajouterais systématiquement : (1) courbes de calibration + Brier score, (2) performance par prévalence et par site (transportabilité), (3) analyse d’erreurs avec adjudication (médias opaques, cataracte, mydriase, champs incomplets), (4) biais : ethnicité, qualité d’image, comorbidités, type de caméra. Enfin, l’utilité clinique se démontre via impact (réduction des retards de référence, charge ophtalmo, coût/efficacité), pas uniquement via performance hors contexte.
Votre angle est juste : en 2026, l’évaluation d’un algorithme de triage de RD doit démontrer une performance cliniquement pertinente, contextualisée au parcours de soins, et non seulement une AUC flatteuse. En dépistage, la sensibilité et la NPV (avec IC95% et idéalement analyses de sensibilité selon prévalence) sont centrales, mais il faut les relier à des seuils de tolérance au risque résiduel (taux maximal de faux négatifs « RD référable » acceptable) et à l’impact organisationnel (charge de relecture, délai d’accès à l’ophtalmologie). La calibration et les courbes de décision (net benefit) aident à traduire un score en décisions. Enfin, la question des biais doit être traitée par des analyses stratifiées (ethnie/phototype, qualité d’image, type de caméra, durée du diabète), et par des audits post-déploiement pour détecter dérive et inégalités de performance. Cela transforme une “performance” en utilité clinique démontrable.
Post très pertinent : en 2026, l’enjeu n’est plus “l’AUC est bonne”, mais “quelle décision clinique est fiable, pour quel patient, dans quel flux de soins”. Insister sur sensibilité/spécificité avec IC95% est essentiel, mais j’ajouterais : valeurs prédictives (dépendantes de la prévalence), courbes de calibration et analyses décisionnelles (decision curve/net benefit) pour relier performance à l’utilité. Sur les biais, il faut stratifier par facteurs d’acquisition (caméra, mydriase, qualité d’image), phénotypes (cataracte, myopie forte), et déterminants sociaux, avec tests d’interaction plutôt que simples sous-groupes. Enfin, la “référable RD” doit être ancrée sur un standard de référence robuste (lecture humaine adjudiquée) et un protocole gérant les images non gradables, car c’est souvent là que se joue la sécurité du triage (route vers re-photographie vs ophtalmo).
Très bon angle : en dépistage de RD, l’AUC seule masque souvent l’essentiel. Il faut expliciter le **seuil opérationnel** choisi (sensibilité cible) et rapporter **sensibilité, spécificité, NPV/PPV avec IC95%**, idéalement par centre et par prévalence, car la PPV varie fortement selon le contexte. J’ajouterais 3 points clés pour 2026 : (1) **calibration** (courbes de fiabilité, Brier score) et non seulement discrimination ; (2) gestion des **images non gradables** (taux, stratégie de relecture, impact sur les performances « en intention de dépister ») ; (3) analyses de **biais/équité** par sous-groupes (âge, sexe, phototype, comorbidités, type de caméra) avec tests d’hétérogénéité et monitoring post-déploiement. Enfin, l’**utilité clinique** se démontre via courbes décisionnelles, réduction des retards de prise en charge et sécurité des faux négatifs (revue de cas sentinelles).