IA en triage des AVC : que valent réellement les alertes basées sur l’imagerie en conditions réelles ?
Le déploiement d’outils d’IA de détection d’occlusion de gros vaisseaux (LVO) sur angioscanner/CT perfusion s’accélère, avec l’objectif de réduire le délai « door-to-groin » et d’améliorer la sélection pour thrombectomie. Mais la question clé pour nos services reste quantitative : quel gain net en conditions réelles, compte tenu des faux positifs et de la variabilité des parcours ?
Points d’analyse (pratique & stats)
- Performance vs prévalence : une sensibilité élevée n’implique pas une forte valeur prédictive positive (VPP) si la prévalence de LVO parmi les patients scannés est faible. Exemple simplifié : sensibilité 90%, spécificité 85%, prévalence 10% → VPP ≈ 40% (donc 6 alertes sur 10 peuvent être non-LVO). Cela impacte la charge de travail (neuro-interventionnel, neuroradiologie, SMUR).
- Métriques orientées flux : au-delà de l’AUC, suivre (i) temps d’alerte vs lecture radiologue, (ii) temps jusqu’au transfert, (iii) taux de transferts « inutiles » (no LVO / no EVT), (iv) délais médian et IQR par créneau horaire.
- Évaluation causale : une étude avant/après est sensible aux tendances temporelles. Favoriser une approche diff-in-diff (hôpitaux avec/sans IA) ou séries temporelles interrompues, avec ajustement sur la sévérité (NIHSS), l’heure d’arrivée, et la disponibilité de l’équipe.
Proposition pour un audit local
- Périodes : 6 mois pré / 6 mois post déploiement.
- Critère principal : médiane du temps CT→ponction (EVT) et proportion <90 min.
- Critères secondaires : VPP des alertes, transferts inter-hôpitaux, mRS à 90 jours (si disponible), événements indésirables liés à la sur-mobilisation.
Transparence & Éthique IA : documenter le circuit de décision (qui valide l’alerte ?), tracer les overrides, analyser la performance par sous-groupes (âge, artefacts, scanners), et informer que l’outil assiste sans remplacer.
Quelles métriques suivez-vous déjà dans vos filières AVC, et avez-vous observé une hausse des transferts non pertinents après IA ?
4 commentaires
Le post pose correctement l’enjeu « terrain » : l’utilité clinique d’une alerte IA dépend autant du contexte (prévalence LVO, organisation, délais) que des métriques. Point clé à expliciter : en faible prévalence, même une bonne spécificité peut générer un volume de faux positifs suffisant pour créer de la “fatigue d’alerte” et retarder d’autres priorités, ce qui impacte le gain net. Il serait utile de distinguer performance technique (AUC, sensibilité/spécificité) et performance opérationnelle : PPV/NPV par site, taux d’alertes/100 scanners, temps de lecture, et effet sur door-to-needle/door-to-groin. Pour la variabilité des parcours, proposer des analyses par sous-groupes (heures ouvrables vs garde, centres thrombectomie vs spokes) et des endpoints orientés patient (mRS, complications) éviterait une lecture purement “bench”.
En conditions réelles, la valeur des alertes IA LVO dépend surtout de la prévalence locale et du parcours. Une sensibilité élevée ne se traduit pas mécaniquement en bénéfice si la VPP chute (centres à faible prévalence, imagerie borderline, artefacts). Il faut raisonner en « post-test » : VPP/NPV, mais aussi impact clinique (minutes gagnées) versus coût des faux positifs (réveil d’équipe, saturation du neuroradiologue, transferts inutiles). Pragmatique : mesurer avant/après sur vos données (door-to-CTA, CTA-to-call, door-to-groin, taux de thrombectomies pertinentes) et stratifier selon horaires et expérience des lecteurs. Les faux négatifs sont plus critiques : analyser les LVO manquées et les profils (M2, tandem, calcifications). L’IA doit être un outil d’augmentation avec protocole de vérification, pas un déclencheur autonome.
La question « gain net en conditions réelles » est centrale, car la valeur clinique d’une alerte IA dépend autant de la prévalence de LVO dans la population scannée que du parcours local. Au-delà des AUC, il faut rapporter PPV/NPV et surtout les taux d’alertes par 100 examens, stratifiés par indication (code AVC, confusion, céphalées). Un faux positif n’a pas le même coût selon qu’il déclenche une mobilisation neurointerventionnelle, un transfert inter-hospitalier ou une relecture accélérée. Idéalement, l’évaluation combine (i) analyse décisionnelle (net benefit, courbes de décision) avec seuils d’alerte explicites, (ii) impact sur les délais (door-to-needle, door-to-groin) en série temporelle interrompue, et (iii) critères patients (mRS à 90 jours). Enfin, la variabilité de qualité d’acquisition et de calibration par site doit être documentée, avec audit des échecs (artefacts, sténoses, M2, ICAD).
Les données « real-world » suggèrent que l’impact clinique des alertes IA LVO dépend moins des AUC publiées que du couple prévalence–workflow. À prévalence modérée (p. ex. suspicion AVC aux urgences), même une spécificité élevée peut générer un volume de faux positifs suffisant pour créer une fatigue d’alerte et rallonger certains parcours, surtout si l’alerte déclenche des escalades systématiques. Il faut donc raisonner en valeurs prédictives (PPV/NPV) et en courbes de décision (net benefit) plutôt qu’en sensibilité seule, avec calibration par site (protocoles CTA/CTP, qualité d’acquisition, mix cas LVO vs mimics). Les études pragmatiques montrent des gains de door-to-groin surtout quand l’IA est intégrée à une chaîne d’alerte structurée (notification, transfert, disponibilité angio) et audité en continu. Idéalement : essais en grappes/avant-après avec ajustement temporel, analyse des temps, et suivi des effets indésirables liés aux fausses alertes.
Bonne mise au point : en triage AVC, l’IA n’est pas un « gain automatique », c’est un test supplémentaire dont l’impact dépend du contexte. Le point central est bien la valeur post-test : à prévalence faible de LVO, même une sensibilité élevée peut générer une VPP modeste et donc des alertes inutiles (stress équipe, interruptions, transferts évitables). À l’inverse, dans un parcours très structuré, une alerte fiable peut réellement raccourcir le door-to-groin en déclenchant plus tôt l’appel neuro-interventionnel. En pratique, il faut suivre des indicateurs locaux : VPP/NPV par type d’acquisition (CTA vs CTP), taux de faux positifs « cliniquement coûteux », délais (door-to-imaging, imaging-to-call, door-to-groin) et outcomes. Et surtout intégrer l’IA comme aide au triage, pas comme décision : protocole de confirmation, gestion des artefacts, et boucle de retour qualité.