Le mauvais positionnement de la sonde d’intubation orotrachéale (SIOT) expose d’une part au risque de fuites autour du ballonnet (micro-inhalations), voire d’auto-extubation accidentelle si elle se situe trop haut et d’autre part au risque d’intubation sélective et d’atélectasie si elle se situe trop bas dans la trachée. La bonne position de la SIOT doit donc être vérifiée régulièrement, notamment lors de chaque radiographie thoracique (RT). Ce contrôle radiographique peut cependant s’avérer parfois difficile selon les conditions techniques des RT faites au lit. Le mauvais positionnement de la SIOT peut aussi passer inaperçu par défaut d’attention, voire négligence du clinicien. Pour remédier à ce problème, s’aider d’un modèle d’intelligence artificielle (IA) pour interpréter automatiquement et systématiquement la position de la SIOT sur les RT pourrait donc s’avérer utile et pertinent.
Un tel modèle d’IA a donc été développé par une équipe taïwanaise à partir de données issues d’une multitude de RT de patients de réanimation, anonymisées et sélectionnées au hasard pour constituer un set d’entrainement et un set de validation. Le modèle d’IA utilisé (Python et Yolovv5) est capable de détecter la carène, la SIOT et les canules de trachéotomie sur les RT. Il permet aussi de mesurer précisément la distance entre l’extrémité de la SIOT et la carène et déclenche des alertes lorsque cette distance est < 3 cm ou > 5 cm. Pour la validation externe, trois réanimateurs ont évalué l’interprétation du modèle d’IA sur un ensemble supplémentaire de RT. Le set d’entrainement du modèle d’IA a comporté 2 278 RT et a été testé sur 253 RT supplémentaires. Le modèle s’est avéré très performant avec des scores de précision, de rappel, de précision moyenne et d’exactitude de 0,963, 0,964, 0,966 et 0,962, respectivement. Avec le set de validation externe, le modèle atteignait une précision de 90,36 % pour identifier la position optimale de la SIOT. Suite à l’intégration du modèle dans la pratique clinique, le système d’alerte basé sur l’IA a permis de réduire significativement la durée médiane de mauvais positionnement de la SIOT de 3 jours (IQR :1,25-4,00) à 2 jours (IQR :1,00-3,00). Le modèle d’IA développé ici permet donc, de façon automatisée, d’évaluer efficacement avec une grande précision la position de la SIOT sur les RT des patients de réanimation. L’intégration d’un tel modèle dans la pratique clinique quotidienne ne pourrait que permettre d’améliorer la qualité et la sécurité des soins en réanimation.
Christophe Girault, Service de Médecine Intensive et Réanimation, Hôpital Charles Nicolle, CHU-Hôpitaux de Rouen, 37 boulevard Gambetta & UR 3830, Institut de Recherche et d’Innovation Biomédicale (IRIB), Faculté de Médecine et de Pharmacie, Université de Rouen, 76031 Rouen
D’après la communication de Tsai MJ., et al. Utilizing artificial intelligence for enhanced interpretation of endotracheal tube position in chest radiographs. Am J Respir Crit Care Med 2025; 211: A5684. Session C38.
