RapidAI et la détection des accidents vasculaires cérébraux

Messages clés

Quelle est la situation?

• L’accident vasculaire cérébral (AVC) désigne une restriction ou une interruption de la circulation sanguine dans le cerveau qui entraine une perte soudaine de fonction neurologique. Il s’agit d’une des principales causes de mortalité au Canada, ainsi que d’une cause majeure d’invalidité. En cas d’AVC soupçonné, l’évaluation rapide par tomodensitométrie (TDM) et au moyen d’autres tests peut aider à déterminer le type d’AVC, à évaluer l’ampleur des dommages, et à guider les décisions sur le traitement.
• RapidAI est une plateforme logicielle utilisant l’intelligence artificielle (IA) qui facilite la visualisation, le traitement et l’analyse d’images de TDM afin d’aider les cliniciens dans l’évaluation des cas soupçonnés d’AVC. Il est important de comprendre les éventuels effets bénéfiques et néfastes du recours à cet outil afin de clarifier son rôle dans la détection des AVC.

Qu’avons-nous fait?

• Nous avons cherché à repérer, à résumer et à évaluer d’un œil critique la documentation portant sur l’efficacité, l’exactitude et le rapport cout/efficacité de RapidAI dans la détection des cas d’obstruction de gros vaisseaux sanguins (AVC ischémique) et d’hémorragie intracrânienne (AVC hémorragique).
• Nous avons interrogé des ressources clés, dont des bases de données de références de revues, et effectué une recherche ciblée sur Internet des données probantes pertinentes publiées avant le 22 juillet 2024. Nous avons passé en revue les références en fonction de critères d’inclusion prédéfinis, effectué une évaluation critique des études retenues, rédigé un résumé narratif des résultats et évalué le degré de certitude des données probantes. Nous nous sommes appuyés sur le cadre d’évaluation des technologies de la santé (ETS) du Scottish Health Technologies Group.
• Nous avons souligné les répercussions de l’utilisation de RapidAI dans la détection des AVC sur les plans de l’éthique et de l’équité relevées dans la documentation clinique, et avons veillé à inclure ces considérations dans l’ensemble de l’examen.
• Nous avons consulté une patiente ayant subi un AVC hémorragique pour recueillir son expérience, ses points de vue et ses priorités. De plus, nous avons tenu compte de la rétroaction d’experts en clinique et en éthique, du fabricant ainsi que d’autres parties intéressées.

Qu’avons-nous trouvé?

• Nous avons repéré 2 études de cohorte et 11 études d’exactitude diagnostique se penchant sur l’efficacité et l’exactitude de RapidAI dans la détection des AVC. Trois des études évaluent l’outil utilisé comme prévu en pratique clinique (soit en complément de l’interprétation d’une personne clinicienne), tandis que les dix autres évaluent l’outil utilisé seul.
• La patiente consultée a souligné des critères d’évaluation importants des soins après un AVC, notamment l’amélioration de la rapidité et de l’exactitude du diagnostic, la réduction des effets néfastes de l’AVC et la réduction du taux de mortalité. Elle a également mis de l’avant des facteurs éthiques relatifs au recours à l’IA en soins de santé, notamment la nécessité d’assurer la confidentialité des données et l’équité d’accès ainsi que d’informer les patients du recours à l’IA dans le cheminement clinique.
• D’après des données probantes de faible degré de certitude, l’évaluation d’images d’angiographie par TDM au moyen du module Rapid LVO combinée à l’interprétation d’une personne clinicienne pourrait être associée à une réduction d’importance clinique du temps de production de rapports de radiologie en cas d’AVC soupçonné, comparativement à la seule interprétation d’une personne clinicienne. En ce qui concerne la détection des hémorragies intracrâniennes, des données probantes de faible degré de certitude indiquent que le module Rapid ICH combiné à l’interprétation d’une personne clinicienne a une sensibilité de 92 % (intervalle de confiance [IC] à 95 % de 78 % à 98 %) et une spécificité de 100 % (IC à 95 % de 98 % à 100 %), si l’on prend l’interprétation d’une personne clinicienne comme norme de référence. Cependant, les estimations de la sensibilité et de la spécificité dans la détection de l’obstruction de gros vaisseaux sanguine varient selon des études utilisant différents modules de RapidAI seuls, et l’on ne dispose que de données indirectes sur l’exactitude.
• L’effet de RapidAI sur les paramètres relatifs au temps écoulé avant l’intervention, sur les mesures de la fonction physique et cognitive et sur la réponse au traitement (p. ex. taux de nouvelle perfusion) est très incertain. Nous n’avons pas trouvé de données probantes concernant l’effet de RapidAI sur plusieurs résultats cliniques importants, notamment les effets néfastes pour les patients, la mortalité, la qualité de vie liée à la santé, la durée du séjour à l’hôpital ou l’incidence sur les ressources en soins de santé.
• Nous n’avons pas trouvé d’études sur le rapport cout/efficacité de RapidAI dans la détection des AVC répondant aux critères de cet examen.
• Les facteurs éthiques et d’équité concernant l’autonomie des patients, la vie privée, la transparence, l’accès et le biais algorithmique ont une incidence du début à la fin du cycle de vie technologique lorsqu’il est question du recours à RapidAI dans la détection des AVC.

Qu’est-ce que ça signifie?

• RapidAI pourrait améliorer les soins aux personnes ayant subi un AVC durant la phase aigüe, comme il améliorerait l’efficacité du processus diagnostique. Cependant, on ne connait pas avec certitude l’incidence de cet outil sur plusieurs critères d’évaluation, notamment des critères importants pour les patients, en raison des limites des données probantes disponibles.
• Pour pouvoir formuler des constats ayant un degré de certitude supérieur, il faut des données probantes issues d’études rigoureuses présentant un faible risque de biais, portant sur des populations diversifiées, mesurant des critères d’évaluation importants pour les patients, et faisant l’objet de rapports de qualité.
• À l’heure actuelle, on ne connait pas le rapport cout/efficacité de RapidAI dans la détection des AVC.
• In addition to the evidence on the effectiveness and accuracy of RapidAI for detecting stroke, decision-makers may wish to reflect on the ethical and equity considerations that arise during the deployment of AI-enabled technologies, such as those related to autonomy, privacy, transparency, and explainability of machine-learning models, and the need for considerations related to equity and access in their design, development, and deployment.