La critique d’un outil d’intelligence artificielle dans l’évaluation des paralysies faciales périphériques
Notice bibliographique
Résumé
La paralysie faciale périphérique (PFP) est une altération du fonctionnement de certains muscles du visage, suite à une lésion du nerf facial. Cette pathologie entraîne des conséquences fonctionnelles et esthétiques qui impactent la qualité de vie des individus. Leur prise en soin est donc cruciale et débute par une évaluation précise. Actuellement, on utilise principalement des échelles de notation telles que Sunnybrook Facial Grading System (SFGS) ou House-Brackmann Grading System (HBGS), basées sur le jugement du clinicien. Cependant, ces méthodes d’évaluation laissent place à une certaine subjectivité. Grâce aux récentes avancées technologiques, on s’intéresse davantage à l’intelligence artificielle (IA). L’IA pourrait permettre de développer un outil d’évaluation objectif, automatisé et quantitatif, applicable en milieu clinique. Cette approche vise à diminuer la subjectivité induite par les évaluations actuelles. Nous avons mené une étude rétrospective auprès de 38 patients présentant une PFP modérée-sévère à totale. L’objectif de l’étude était de recenser les bénéfices et les limites d’Emotrics+, un logiciel de métriques faciales basé sur l’IA, afin de déterminer si cet outil est applicable en clinique. Ce protocole s’est déroulé à deux périodes différentes (14 jours et 1 an post-PFP) en utilisant l’échelle SFGS et le logiciel Emotrics+. Nous avons évalué les fiabilités inter-juges et intra-juge afin de déterminer la fiabilité et la reproductibilité des deux outils. Puis, nous avons établi une corrélation entre les deux outils pour déterminer si Emotrics+ suivait la tendance de SFGS. Nos résultats actuels ne justifient pas l’applicabilité immédiate de cet outil. Cependant, avec des ajustements appropriés, Emotrics+ présente un potentiel certain. Peripheral facial palsy (PFP) is an alteration in the functioning of some facial muscles following an injury to the facial nerve. This pathology has functional and aesthetic consequences that impact the quality of life of patients. Their care is essential and begins with an accurate assessment. Currently, scoring scales such as Sunnybrook Facial Grading System (SFGS) or House-Brackmann Grading System (HBGS) are used, based on clinician judgment. However, these evaluation methods can be subject to a certain degree of subjectivity. Recent advances in technology have led to increased interest in artificial intelligence (AI). AI could make it possible to develop an objective, automated and quantitative assessment tool, applicable in a clinical setting. This approach aims to reduce the subjectivity induced by current evaluation. We conducted a retrospective study of 38 patients with moderate-severe to total PFPs. The objective of the study is to identify the benefits and limitations of Emotrics+, a facial metrics tool based on AI, in order to determine whether the tool is applicable in the clinic. This protocol took place at two different time periods (14 days and 1 year post-PFP) using the SFGS scale and the Emotrics+ software. We evaluated the inter-rater and intra-rater reliability in order to determine the reliability and the reproducibility of the two tools. Then, we established a correlation between the two tools to determine if Emotrics+ followed SFGS's trend. Our currents results do not support the immediate applicability of this software. However, with appropriates adjustments, Emotrics+ has a certain potential.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,074 | 0,136 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,010 | 0,004 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».