Les résumés complets seront bientôt en ligne

Session Clinique 03 : NASH - Jeudi 8 Octobre 2020 - 17h25

Résumé N° : C0_025

Diagnostic non invasif de la NASH fibrosante à l’aide de l’intelligence artificielle

Marie Guyomard (Sophia Antipolis), Dann J. Ouizeman (Nice), Renaud Schiappa (Nice), Cyprien Gilet (Sophia Antipolis), Jocelyn Gal (Nice), Emmanuel Chamorey (Nice), Patouraux Stéphanie (Nice), Thierry Piche (Nice), Albert Tran (Nice), Philippe Gual (Nice), Badia Ianelli (Nice), Lionel Fillatre (Sophia Antipolis), Rodolphe Anty* (Nice)

Introduction : Le diagnostic non invasif de NASH fibrosante est important pour sélectionner des patients particulièrement à risque évolutif de morbi-mortalité hépatique et générale. Aucun test basé sur des paramètres clinico-biologiques simples n’étant actuellement disponible, la biopsie hépatique reste la référence.
L’objectif de ce travail était de construire un test diagnostic de la NASH fibrosante basé sur l’analyse par intelligence artificielle (IA) de nombreux paramètres clinico-biologiques usuels issus d’une cohorte de patients obèses sévères ou morbides candidats à une chirurgie bariatrique.

Patients et méthodes / ou matériel et méthodes : Des patients référés pour une chirurgie bariatrique dans notre centre ayant bénéficié d’une caractérisation clinicobiologique préopératoire et d’une biopsie hépatique peropératoire ont été inclus dans l’étude. L’analyse de la biopsie a été faite selon les critères habituels (SAF, Score NAS, Fibrose évaluée selon la classification du NASH CRN).
La NASH fibrosante était définie comme l’association d’une NASH, avec un score NAS ≥ 4 et une fibrose ≥ F2.
La conception du modèle d’IA a comporté une phase préparatoire et une phase de validation. La phase préparatoire a évalué différentes techniques d’analyse par l’IA afin de sélectionner les variables les plus informatives tout en conservant une efficacité satisfaisante. La phase de validation permet d’évaluer le modèle d’IA sélectionné afin de fournir une estimation de la probabilité qu’un patient ait une NASH fibrosante.

Résultats : 849 patients (139 hommes, 710 femmes) ont été inclus. La NASH fibrosante étaient plus fréquemment observée chez les hommes que chez les femmes (14,4 % vs 5,9 %, P = 0,005).
Les analyses par IA nécessitant un grand nombre de données homogènes, les analyses ultérieures ont été faites seulement chez les 710 patientes (âge médian de 40 [31 – 49] ans, IMC médian de 42,5 [39,9 – 45,9] kg/m2). Différents modèles ont été réalisés à partir de 50, 18 ou 9 variables en conservant les patientes sans donnée manquante pour les variables sélectionnées. Le modèle à 9 variables était le plus performant. Ces 9 variables étaient l’âge, l’ASAT, l’ALAT, le LDL-cholestérol, le HDL-cholestérol, l’insulinémie, le tour de taille, le rapport tour de taille sur tour de hanche, et la somme des éléments du syndrome métabolique. Dans la phase de validation, la performance prédictive moyenne du modèle à 9 variables pour le diagnostic de la NASH fibrosante était caractérisée par une AUROC à 0,78, une proportion globale de patientes bien classées de 0,79, une sensibilité de 0,76 et une spécificité de 0,80.

Conclusion : Une approche par IA basée sur un panel de 9 variables clinico-biologiques utilisées en routine permettrait d’obtenir une bonne performance diagnostique pour la NASH fibrosante.

L’auteur n’a pas transmis de déclaration de conflit d’intérêt

Fermer le menu