Développement de l'Intelligence Artificielle pour le pré-diagnostic de la rétinopathie diabétique : Défis et opportunités dans le contexte des déserts médicaux en Afrique de l'Ouest.

Laval JACQUIN, Soda MBAYE, Aissatou AW, Guillaume LE VEZOUET, Papa Amadou NDIAYE

Résumé


La rétinopathie diabétique (RD) est une complication majeure du diabète pouvant entraîner la cécité si elle n'est pas détectée et traitée à temps. En Afrique de l'Ouest où les déserts médicaux et l'accès aux soins sont limités, l'utilisation de l'Intelligence Artificielle (IA) en santé offre des perspectives prometteuses pour le pré-diagnostic de cette maladie. Le logiciel d'IA Gaiha Prio Retino+™, développé en partenariat avec le service d'ophtalmologie clinique du CHU Abass Ndao au Sénégal, permet d'analyser avec précision les images rétiniennes pour détecter deux classes de RD : la RD référable et la RD menaçant la vision. Une étude clinique a été réalisée pour évaluer les performances du logiciel, et les résultats ont montré une sensibilité et une spécificité respectivement supérieure ou égale à 92% et 99% quelle que soit la classe de RD. Les résultats de l'aire sous la courbe ROC proches de 1 confirment l'efficacité du logiciel dans la distinction des individus malades des non malades. Ces résultats ouvrent des perspectives prometteuses pour le dépistage précoce de la RD en Afrique de l'Ouest. Cependant, des collaborations et des partenariats entre gouvernements, organisations internationales, établissements de santé publics et entreprises privées sont essentiels pour garantir un accès équitable à cette technologie et améliorer la prise en charge des patients atteints de RD dans la région. L'IA peut véritablement transformer la manière dont les soins de santé sont dispensés et contribuer à réduire les conséquences dévastatrices de la RD sur la population d'Afrique de l'Ouest.


Mots-clés


Rétinopathie diabétique ; Afrique de l'Ouest ; Intelligence Artificielle ; Logiciel d’IA ; Pré-diagnostic ; Ophtalmologie ; Étude Clinique ; Collaboration ; Partenariats ; Santé Publique

Texte intégral :

PDF

Références


Padhy SK, Takkar B, Chawla R, Kumar A. Artificial intelligence in diabetic retinopathy: A natural step to the future. Indian J Ophthalmol. 2019 Jul ; 67(7) :1004-1009. doi: 10.4103/ijo.IJO_1989_18. PMID : 31238395 ; PMCID : PMC6611318.

Grzybowski A, Brona P, Lim G, Ruamviboonsuk P, Tan GSW, Abramoff M, Ting DSW. Artificial intelligence for diabetic retinopathy screening : a review. Eye (Lond). 2020 Mar ;34(3) : 451-460. doi: 10.1038/s41433-019-0566-0. Epub 2019 Sep 5. Erratum in : Eye (Lond). 2019 Dec 10 ; : PMID : 31488886 ; PMCID : PMC7055592.

Li S, Zhao R, Zou H. Artificial intelligence for diabetic retinopathy. Chin Med J (Engl). 2021 Dec 8 ; 135(3) : 253-260. doi: 10.1097/CM9.0000000000001816. PMID : 34995039 ; PMCID : PMC8812665.

Abràmoff MD, Lou Y, Erginay A, et al. Improved Automated Detection of Diabetic Retinopathy on a Publicly Available Dataset Through Integration of Deep Learning. Invest Ophthalmol Vis Sci., 2016 ; 57(13) : 5200‑6.

Bellemo V, Lim ZW, Lim G, et al. Artificial intelligence using deep learning to screen for referable and vision-threatening diabetic retinopathy in Africa: a clinical validation study. Lancet Digit Health., 2019 ; 1(1) : 35-44.

Bhaskaranand M, Ramachandra C, Bhat S, et al. Automated Diabetic Retinopathy Screening and Monitoring Using Retinal Fundus Image Analysis. J Diabetes Sci Technol., 2016 ; 10(2) : 254-61.

Quellec G, Bazin L, Cazuguel G, et al. Suitability of a Low-Cost, Handheld, Nonmydriatic Retinograph for Diabetic Retinopathy Diagnosis. Transl Vis Sci Technol. The Association for Research in Vision and Ophthalmology, 2016 ; 5(2) : 1‑11.

Rajalakshmi R, Subashini R, Anjana RM, et al. Automated diabetic retinopathy detection in smartphone-based fundus photography using artificial intelligence. Eye. Nature Publishing Group, 2018 ; 32(6) : 1138‑44.

Rakhlin A. Diabetic Retinopathy detection through integration of Deep Learning classification framework. Pathology, 2017 : 1-11.

Ting DSW, Cheung CY-L, Lim G, et al. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA, 2017 ; 318(22) : 2211‑23.


Renvois

  • Il n'y a présentement aucun renvoi.