Intelligence artificielle, Dénutrition, Support décisionnel, Cancers de la tête et du cou, Données de vie réelle

Les usages actuels de l'intelligence artificielle en radiothérapie concernent principalement l'automatisation de certaines tâches techniques. Le but est de fluidifier le flux de travail. Les applications de l'intelligence artificielle comme aide à la décision pour prescrire restent encore à l'état de preuve de concept. En effet l'utilisation en routine clinique d'un algorithme fondé sur l'intelligence artificielle (IA) pour guider la prise en charge d'un patient qualifie l'algorithme comme dispositif médical, et suppose la prédiction d'un évènement cliniquement pertinent, avec de bonnes performances obtenues sur une cohorte de validation externe et prospective de l'algorithme sur une cohorte représentative de la population cible. Une revue systématique de la littérature a identifié que malgré un consensus sur la définition de la dénutrition, le taux de dénutrition pendant la radiothérapie pour un cancer de la tête et du cou a été rapporté de manière très hétérogène et qu'il était donc complexe d'évaluer les causes et les conséquences de la dénutrition pendant une radiothérapie ORL, puisque les définitions de la dénutrition étaient trop hétérogènes. Cependant un certain nombre de paramètres étaient associés à la dénutrition de manière récurrente quelle que soit la définition utilisée. Nous avons développé un modèle basé sur Xgboost pour établir une prédiction du besoin pour un patient de requérir une gastrostomie pendant la radiothérapie. Ce modèle a été validé sur une cohorte de données de vie réelle multicentrique recueillie prospectivement, et obtenue par des requêtes de données structurées collectée au sein du logiciel métier de radiothérapie. Ce modèle a permis d'obtenir une aire sous la courbe à 0.81 avec un taux de vrais négatifs de 78% et de vrais positifs de 76% sur l'ensemble de la cohorte. Le bénéfice clinique de ce modèle reste à être établi, avec une proposition d'essai clinique permettant dans un premier temps de vérifier la performance prédictive et de la confronter à celle d'un médecin, et dans un second temps de réaliser une randomisation entre l'utilisation par un médecin du modèle prédictif vs. la non-utilisation de cet algorithme pour décider d'une gastrostomie préventive. Le bénéfice nutritionnel et oncologique serait alors évalué au décours et à distance de la radiothérapie. Il s'agirait alors de l'un des premiers modèles d'aide décisionnelle clinique évalué cliniquement.