Les recommandations sur les stratégies diagnostiques de l’EP sont nombreuses mais il existe encore des controverses et pas d’unanimité. Le cœur de la démarche diagnostique reste la sélection des patients qui ont les meilleures probabilités pré-test Ainsi s’invite l’intelligence artificielle (IA).
IA et indication d’angioscanner
Une étude réalisée par Banerjee et al montre qu’en collectant automatiquement les données du dossier médical du patient, l’IA permet d’évaluer la probabilité pré-test d’EP de façon plus précise qu’avec les scores habituels permettant de mieux cibler les indications d’angioscanner 1.
IA et détection des thrombi
Concernant l’apport de L’IA dans la détection des thrombi à l’angioscanner, selon une méta-analyse réalisée par Soffer, l’IA a démontré une sensibilité de 88% et une spécificité de 86%. L’IA pourrait aider à identifier jusqu’à 77% des EP manquées en pratique clinique mais ne pas remplacer le radiologue 2.
IA et Scintigraphie
Il y a plus de 30 ans il y a déjà eu des algorithmes automatiques de détection de l’EP sur la base de la perfusion. De nouvelles études viennent montrer que les principes de l’IA actuelle s’appliquent également à la détection de l’EP via la scintigraphie avec des performances diagnostiques équivalentes voire supérieures aux nucléaristes 3.
L’IA peut également quantifier les thrombi et repérer des signes de dysfonction cardiaque droite et donc prédire le pronostic 4.
Les questions de la responsabilité médico-légale et cout bénéfice vont se poser.
Les techniques d’imagerie dans le diagnostic de l’embolie pulmonaire vont également évoluer. Le but est la réduction de l’irradiation et du produit de contraste. Des techniques comme le Dual Energy CT et le Photon-counting computed tomography (PCCT) sont en cours d’étude.
Edem Kunakey, Service de Pneumologie, CHU de la Guadeloupe
D’après la session 22 et la communication de Laurent GODINAS, Belgique
- Banerjee I, Sofela M, Yang J, et al. Development and Performance of the Pulmonary Embolism Result Forecast Model (PERFORM) for Computed Tomography Clinical Decision Support. JAMA Netw Open. 2019;2(8):e198719. ↩
- Soffer S, Klang E, Shimon O, Barash Y, Cahan N, Greenspana H, Konen E. Deep learning for pulmonary embolism detection on computed tomography pulmonary angiogram: a systematic review and meta-analysis. Sci Rep. 2021 Aug 4;11(1):15814. ↩
- Jabbarpour A, Ghassel S, Lang J, Leung E, Le Gal G, Klein R, Moulton E. The Past, Present, and Future Role of Artificial Intelligence in Ventilation/Perfusion Scintigraphy: A Systematic Review. Semin Nucl Med. 2023 Nov;53(6):752-765. ↩
- Konstantinides SV, Meyer G. The 2019 ESC Guidelines on the Diagnosis and Management of Acute Pulmonary Embolism. Eur Heart J. 2019 Nov 1;40(42):3453-3455. ↩
