L’intelligence artificielle révolutionne les troubles de la motilité : détection automatique des motifs dans la manométrie ano-rectale haute résolution

L’intégration croissante de l’intelligence artificielle (IA) dans le domaine médical pousse de nombreux professionnels à adapter leurs pratiques de travail. La gastro-entérologie ne fait pas exception à cette tendance. Au contraire, la recherche et le développement de modèles d’IA dans ce secteur, utilisant diverses méthodologies, connaissent une hausse exponentielle. Ces avancées sont motivées par la nécessité de relever plusieurs défis, tels que la gestion des ressources et l’offre de soins de qualité aux patients.

À notre connaissance, cette étude est la première à évaluer la performance des modèles d’apprentissage automatique (ML) dans l’identification et la distinction automatiques des troubles du tonus anal et de la contractilité lors des examens d’HR-ARM, en utilisant la classification de Londres. Bien qu’il ait déjà été réalisé deux études avec des modèles d’IA appliqués à la manométrie anorectale, celles-ci reposaient sur des types de manométrie différents. L’une de ces études utilisait la manométrie anorectale conventionnelle, tandis que l’autre se basait sur la manométrie anorectale en trois dimensions. De plus, ces études n’ont pas été effectuées dans le respect du protocole de classification de Londres, ce qui pourrait rendre leurs résultats non réplicables dans les pratiques actuelles de l’HR-ARM.

Les troubles fonctionnels anorectaux constituent un problème de santé majeur, avec des coûts économiques élevés. Les critères diagnostiques Rome IV pour les troubles de l’interaction intestin-cerveau visent à offrir un diagnostic plus précis et répétable de ces troubles fonctionnels. Néanmoins, une approche purement symptomatique s’avère insuffisante pour comprendre la physiopathologie des troubles fonctionnels anorectaux, ce qui est essentiel pour déterminer le traitement le plus approprié. L’HR-ARM permet de diagnostiquer et de suivre ces troubles en mesurant le tonus et la coordination des muscles anorectaux. Le protocole et la classification de Londres ont été créés pour standardiser ce processus de classification et ainsi réduire la variabilité entre les observateurs. Cependant, une variabilité inter-observateur significative demeure, et les limites intrinsèques de l’examen restreignent son utilisation généralisée, ce qui limite l’accès des patients au meilleur diagnostic et aux meilleures options de traitement.

Cette étude visait donc à identifier avec précision les troubles du tonus anal et de la contractilité lors des examens d’HR-ARM. En effet, l’hypotonie anal et l’hypocontractilité anale sont souvent associées à l’incontinence fécale, qui est liée à un dysfonctionnement du sphincter anal, pouvant être objectivement identifié grâce à l’HR-ARM. Par ailleurs, la pression de repos anale traduit la fonction du sphincter anal interne, tandis que la pression de contraction reflète celle du sphincter anal externe. Dès lors, la Partie II de la classification de Londres sert à mesurer ces fonctions, et une identification précise de ces troubles est essentielle pour guider la pratique clinique.

Malgré ses défis, l’HR-ARM est une méthode qui se heurte encore à de nombreuses difficultés au sein de la communauté gastro-entérologique. L’interprétation des résultats est complexe et chronophage, et la variabilité inter-observateur nuit à la précision diagnostics, affectant ainsi l’acquisition et l’analyse des données. Ces défis rendent l’accessibilité de l’examen inégale d’un centre à l’autre, une problématique sur laquelle des efforts sont déployés depuis plusieurs années. L’IA pourrait contribuer à améliorer cette accessibilité en facilitant l’évaluation des données, voire en la rendant plus rentable. L’interopérabilité est également un point clé qui pourrait être atteint grâce aux modèles d’IA.

Cette étude présente des points notables, en particulier la méthodologie adoptée et les résultats obtenus. Elle évalue la performance de plusieurs algorithmes de classification ML dans le cadre de l’HR-ARM, en s’appuyant sur un vaste ensemble de données comprenant 701 examens d’HR-ARM, examinés indépendamment par deux gastro-entérologues, réalisés dans un centre de référence mondial pour les troubles anorectaux fonctionnels, avec toutes les évaluations effectuées conformément à la classification et au protocole de Londres.

Le modèle a été entraîné sur 80 % de l’ensemble de données, et sa performance a été évaluée sur les 20 % restants, en garantissant une répartition équilibrée des examens. Après l’entraînement des modèles, ceux présentant de meilleures performances ont été raffinés pour obtenir des résultats encore plus précis. Dans ce contexte, le classificateur LGBM a identifié les troubles du tonus anal et de la contractilité avec une précision de 87,0 %. Ces résultats suggèrent que les algorithmes d’IA pourraient assurément aider les experts en santé digestive à obtenir le bon diagnostic pour la distinction des troubles de tonus et de contractilité. Ce travail est considéré comme un atout pour améliorer la qualité et la rapidité de la formation dans le domaine de la nérogastroentérologie et de la motricité.

Cependant, bien que ces résultats soient encourageants, il reste pertinent de discuter des limitations de l’HR-ARM. Les résultats sont en effet directement influencés par la coopération du patient et les variations anatomiques, la bonne interprétation dépendant fortement de l’équipe médicale. La nature subjective de l’interprétation des examens de motilité impose la nécessité d’un modèle d’IA fiable. À titre d’exemple, les modèles de ML sont souvent perçus comme des « boîtes noires », une partie significative du processus décisionnel n’étant pas entièrement comprise par le clinicien. C’est dans ce cadre que le concept d’IA explicable intéresse de plus en plus le développement des modèles d’IA en gastro-entérologie. En effet, la méconnaissance du processus décisionnel d’un modèle d’IA limite l’acceptation des erreurs de la machine. Par conséquent, il devient crucial de créer un modèle fiable et explicable, qui suscite la confiance par la compréhension de son processus décisionnel.

Néanmoins, la conception de modèles d’IA explicables présente des difficultés spécifiques pour les troubles fonctionnels, en raison de la subjectivité des résultats des examens. Les classifications de Chicago et de Londres pour les troubles fonctionnels œsophagiens et anorectaux ont été présentées comme un consensus d’experts visant à standardiser tant le protocole d’examen que son interprétation. Cependant, la variabilité d’interprétation persiste. Enfin, bien que les logiciels puissent automatiser la mesure et la classification de valeurs telles que la pression de repos ou de contraction, ces valeurs demeurent sensibles à la coopération des patients et aux interférences d’évaluation par l’opérateur, entraînant des erreurs potentielles. Ainsi, l’IA pourrait constituer une solution pour améliorer la précision diagnostique tout en standardisant l’interprétation des examens. Notre groupe estime que l’IA explicable est une étape nécessaire pour cette mise en œuvre, et les futures études se concentreront sur le développement de mécanismes explicables d’IA spécifiques pour renforcer la fiabilité de notre modèle.

Certaines limitations doivent être reconnues dans cette étude. D’abord, la recherche a été menée sur des données d’HR-ARM provenant d’un seul centre. Pour aborder le défi de l’interopérabilité, l’intégration d’un vaste ensemble de données provenant de différents dispositifs d’HR-ARM est essentielle pour concevoir un modèle performant sur tous les appareils. Ensuite, il est important de prendre en compte l’inclusion de centres diversifiés, avec des contextes démographiques variés, dans le but de développer un modèle précis dans différentes ethnies et régions géographiques, tout en réduisant l’impact des biais démographiques. Enfin, les modèles n’évaluent que la Partie II de la classification de Londres, ce qui limite leur applicabilité dans la pratique clinique. Malgré les résultats prometteurs remarqués, notre prochaine étape consistera à évaluer un modèle capable de fournir des prédictions automatiques pour toutes les parties de la classification de Londres. L’intégration de données cliniques, alliée à la détection et à la différenciation automatiques des motifs de motilité, constitue la première étape dans l’HR-ARM assisté par IA. En définitive, les études futures viseront à incorporer les symptômes des patients, leurs antécédents médicaux, leur âge et leur sexe dans des outils de prédiction multimodaux. Bien que des défis demeurent, cette étude constitue une première étape prometteuse vers l’intégration de l’IA dans le domaine de la motilité anorectale, ouvrant la voie à de futures recherches multicentriques, multi-appareils, aptes non seulement à interpréter les données relatives à toutes les parties de la classification de Londres, mais également à intégrer les données cliniques des patients dans le processus décisionnel, bouleversant ainsi l’analyse, la disponibilité et la précision des tests HR-ARM.

En conclusion, cette étude constitue la première preuve de concept au niveau mondial visant à développer et valider un modèle d’IA pour l’identification et la distinction des troubles du tonus anal et de la contractilité lors des examens d’HR-ARM. Nous croyons que l’HR-ARM assistée par IA peut révolutionner la façon dont les diagnostics sont réalisés et favoriser une large accessibilité à cet examen, permettant ainsi d’égaliser l’accès aux soins de santé.