ECHO NET-RCT : L’intelligence artificielle fait mieux que l’écho standard pour évaluer la FEVG !

Auteur :
Emmanuelle Lointier
Membre du Collège des Cardiologues en Formation,
Toulouse

Relecteur :
Théo Pezel
Membre du Collège des Cardiologues en Formation,
Paris

Sous la supervision de :
Albert Hagège
Président du Comité Éditorial de Cardio-online,
Paris

En direct de l'ESC Congress 2022

D'après la présentation de David Ouyang (Los Angeles, United States of America) : "EchoNet-RCT - Safety and Efficacy Study of AI LVEF"

Messages clés

• L’évaluation de la FEVG par intelligence artificielle automatique est supérieure à celle réalisée par un sonographer (paramédical spécialisé en échocardiographie aux USA).
• L’une des premières études randomisées en aveugle concernant l’application de l’intelligence artificielle en échocardiographie cardiaque.
• L’intelligence artificielle pour la mesure de la FEVG permet d’augmenter la fiabilité des évaluations en diminuant la variabilité inter-observateur et de diminuer le temps de l’examen.

Introduction

Alors que de nombreux progrès ont été réalisés dans l’application de l’intelligence artificielle (IA) à la cardiologie, la grande majorité des études conduite précédemment consiste en des données exclusivement rétrospectives, monocentriques, non randomisées.

Aux États-Unis, les cardiologues ne réalisent pas eux-mêmes les échocardiographies. En effet, il existe une spécialité d’assistant paramédical que l’on appelle « sonographer » dont le rôle est de se concentrer sur l’acquisition des boucles d’écho incluant une évaluation standardisée de la FEVG.

Après le développement récent d’un modèle d’IA full-automatique pour l’évaluation de la FEVG, l’essai EchoNet-RCT se positionne en tant que première étude randomisée, en aveugle, visant à étudier les performances diagnostiques de l’IA full-automatique pour l’évaluation de la FEVG comparé à l’évaluation par un sonographer.

Méthodologie et résultats

EchoNet-RCT est une étude randomisée, en aveugle, monocentrique, visant à évaluer le degré de changement de la mesure de la FEVG entre une mesure par IA automatique et l’évaluation par un sonographer, en prenant comme gold-standard l’évaluation d’expert échocardiographiste.

L’étude a été réalisée au Smidt Heart Institute à Cedars-Sinai (Los Angeles), où le procédé habituel d’évaluation de la FEVG est représenté par l’acquisition de l’examen par le sonographer, une évaluation initiale de la FEVG par ce dernier, puis une analyse et un rapport final par le cardiologue, qui peut ainsi décider de modifier la valeur proposée.

Le design de l’étude consiste en la relecture d’échocardiographies déjà précédemment enregistrées par un sonographer, avec une randomisation en 1 pour 1 en vue d’une estimation de la FEVG par l’IA ou le sonographer lui-même. L’évaluation ainsi réalisée est ensuite étudiée et éventuellement rectifiée par le cardiologue expert, celui-ci étant en aveugle de la technique attribuée. (Figure 1)

Figure 1.

Source: présentation de David Ouyang (Los Angeles, United States of America), ESC 2022

L’analyse était prévue en non-infériorité, prévoyant une différence de 8 % pour l’IA contre 5 % pour l’échographiste, avec une puissante de 0,9, puis a été réalisée en supériorité devant les résultats obtenus.

Le critère de jugement principal était la prévalence de changement significatif entre l’évaluation initiale par IA ou sonographer de plus de 5 % de FEVG par rapport à l’évaluation de référence par le cardiologue expert. 

Les critères de jugement secondaire quant à eux étaient représentés par l’analyse du temps d’analyse par le sonographer et le cardiologue ainsi que l’analyse de la prédiction de la méthode d’évaluation.

Enfin, le critère de sécurité consistait en la comparaison de l’évaluation de la FEVG par le cardiologue, entre le rapport initial et celui de l’étude, établissant un test-retest precision.

En ce qui concerne le critère de jugement principal, les résultats mettent en évidence une proportion de changement significatif de 16,8 % dans le groupe IA, contre 27,2 % dans le cas du groupe sonographer, soit une différence de -10,4 % (-13,2 - -7,7 %), p< 0,001.

La différence absolue moyenne des différences de FEVG est en faveur de l’IA, avec 2,79+- 5,53 pour celle-ci, contre 3,77 +- 5,22 du côté du sonographer, soit une différence finale de -0,97 (1,31 – 0,61) p< 0,001.

Le critère de sécurité est également significatif, avec une proportion de 50,1 % - groupe AI – versus 54,5 % - groupe sonographer - soit une différence entre les évaluations initiale et celles de l’étude de -4,5 % (-7,8 – -1,2) p< 0,008.

Enfin, l’étude du temps d’interprétation via l’IA fait état d’un gain de temps chez le cardiologue avec une réduction de 8 secondes en moyenne (-12 – -4) p< 0,001, mais plus encore chez le sonographer, avec une réduction de -131 secondes (-134 – -127) p<0,001.

Figure 2.

Source: présentation de David Ouyang (Los Angeles, United States of America), ESC 2022

Conclusion

L’estimation de la FEVG par l’IA conduit à une diminution de la modification entre l’évaluation initiale proposée et le rapport final par le cardiologue, en comparaison avec l’évaluation par le sonographer. Ceci suggère que la mesure obtenue par IA est donc plus fiable.

Par ailleurs, le gain de temps via l’utilisation de l’IA est significatif, quoi que bien supérieur pour le sonographer – réduction de plus de deux minutes en moyenne- que pour le cardiologue, qui économise en moyenne 8 secondes d’interprétation.

Un point fort est l’utilisation d’un modèle d’IA dont le code source est accessible publiquement. Par ailleurs, EchoNet-RCT se positionne comme la première étude randomisée et en aveugle, dans le domaine d’étude de l’application d’une IA en cardiologie, ouvrant la porte à de prochaines études de méthodologie plus stricte.

Il faut noter qu’il s'agit d’une étude monocentrique et rétrospective, d’un centre Américain, dont l’organisation du système de soin diffère grandement du nôtre, à commencer par la réalisation des échographies cardiaques par un sonographer dédié. Le choix du Simpson – par ailleurs majoritairement monoplan – est également questionnable, à l’heure du développement croissant des évaluations volumiques 3D de la FEVG.

Références bibliographiques

1. EchoNet- RCT : Blinded, randomized controlled trial of sonographer vs. Artificial Intelligence Assessment of cardiac function
2. Ouyang D, He B, Ghorbani A, et al. Video-based AI for beat-to-beat assessment of cardiac function. Nature. 2020;580:252–256.

Pour en savoir plus, consultez les hotlines complètes, en langue anglaise, présentées lors de l'ESC 2022 :

Toute l'actualité de l'ESC 2022

Ce compte rendu de l'ESC 2022 vous est proposé avec le soutien institutionnel de :