Automatic artificial intelligence-based detection of cranial deformity in infants: Clinical validation of a novel smartphone tool
Notice bibliographique
Résumé
La plagiocéphalie positionnelle est une forme de déformation crânienne infantile ayant des implications esthétiques importantes. L'aplatissement occipital prononcé, le déplacement de l'oreille ipsilatérale et le bossage frontal sont les principales constatations cliniques, les cas les plus graves entraînant une asymétrie faciale. Lorsqu'elles sont détectées à temps, les déformations positionnelles de la tête sont généralement réversibles grâce à un traitement (généralement le repositionnement, la physiothérapie et/ou le port d'un casque). L'incidence de la plagiocéphalie positionnelle n'a cessé d'augmenter depuis les années 1990, ce qui a suscité une augmentation des recherches sur les séquelles à long terme et les options de traitement. Bien que l'on sache que la plagiocéphalie n'affecte pas le développement neurocognitif de l'enfant, il existe des preuves substantielles suggérant qu'un diagnostic plus précoce permet d'améliorer considérablement les résultats du traitement (par exemple en évitant la nécessité d'une thérapie par casque), de réduire ou d'éliminer l'asymétrie faciale/crânienne et la stigmatisation sociale plus tard dans la vie. Dans l'ensemble, l'objectif de ce travail est de mieux comprendre les meilleures pratiques actuelles en matière de diagnostic de la plagiocéphalie positionnelle et d'établir la performance clinique d'un nouvel outil de diagnostic basé sur l'intelligence artificielle (IA). Ces objectifs sont atteints par le biais d'une revue exhaustive de la littérature et d'une étude prospective de validation clinique multi-sites. Tout d'abord, nous avons cherché à quantifier l'importance du diagnostic précoce de la plagiocéphalie positionnelle. Grâce à une analyse approfondie de la littérature, il a été démontré qu'un diagnostic précoce (de 2 à 3 mois seulement) permettait d'améliorer considérablement les conséquences financières, émotionnelles et cliniques d'un diagnostic de plagiocéphalie. Les résultats décrits dans ce manuscrit soulignent l'importance d'un diagnostic et d'une prise en charge précoces de la plagiocéphalie et éclairent le choix des modalités de diagnostic dans un contexte clinique donné. Ensuite, il était important de comprendre le paysage actuel des modalités de diagnostic qui peuvent aider les médecins à réaliser un diagnostic précoce de la plagiocéphalie. Une revue systématique a révélé 5 modalités de diagnostic (anthropométrie, plagiocéphalométrie, balayage laser 3D, photographie numérique et photogrammétrie 3D) décrites dans la littérature, ainsi qu'une tendance significative à la hausse dans la publication d'études impliquant l'intelligence artificielle et les smartphones après 2017. Nous présentons également un nouvel outil de diagnostic basé sur l'IA présentant de solides performances cliniques. Une étude de validation clinique a été menée sur 2 sites (la pouponnière des nouveau-nés de l'Hôpital Royal Victoria et la clinique de chirurgie craniofaciale de l'Hôpital de Montréal pour enfants) pour évaluer la performance clinique dudit outil de diagnostic basé sur l'IA pour la plagiocéphalie. Des nourrissons âgés de moins de 12 mois ont été recrutés et des photographies de leur tête avec vue plongeante ont été prises avec un iPhone 7 Plus, qui ont ensuite été soumises à un algorithme d'IA. Les résultats de l'IA comprenaient une image de la tête de l'enfant, des indices crâniens calculés automatiquement et une décision clinique sur le diagnostic (normal, plagiocéphalie), le côté (gauche, droit, brachycéphalie) et la gravité (légère, modérée, sévère). L'analyse statistique des résultats de l'IA a révélé une forte performance par rapport à une évaluation clinique de référence effectuée par un chirurgien cranio-facial pédiatrique expérimenté. En fin de compte, ce travail jette les bases d'une recherche future sur l'optimisation des outils de diagnostic intelligents, donnant un aperçu de l'impact potentiel de tels outils dans la communauté lorsqu'ils sont déployés à plus grande échelle
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».