Nantilus
Validation externe des performances diagnostiques d'un logiciel d'intelligence artificielle pour le diagnostic radiologique des fractures du coude de l'enfant
Introduction : Le deep learning, l'une des technologies principales de l'intelligence artificielle, est de plus en plus développé comme outil d'aide au diagnostic pour les cliniciens dans la lecture de radiographie et notamment en traumatologie. Cependant, les études évaluant les perf...
Enregistré dans:
| Auteurs principaux : | , , , |
|---|---|
| Collectivités auteurs : | , |
| Format : | Thèse ou mémoire |
| Langue : | français |
| Titre complet : | Validation externe des performances diagnostiques d'un logiciel d'intelligence artificielle pour le diagnostic radiologique des fractures du coude de l'enfant / Julie Da Costa; sous la direction de Fleur Lorton et Bénédicte Vrignaud |
| Publié : |
Nantes :
Université de Nantes
, 2022 |
| Accès en ligne : |
Accès Nantes Université
|
| Note de thèse : | Reproduction de : Thèse d'exercice : Médecine. Médecine générale : Nantes : 2022 |
| Conditions d'accès : | Thèse soumise à l'embargo de l'auteur jusqu'au 01 octobre 2024. |
| Sujets : | |
| Documents associés : | Reproduction de:
Validation externe des performances diagnostiques d'un logiciel d'intelligence artificielle pour le diagnostic radiologique des fractures du coude de l'enfant |
| LEADER | 05085clm a2200553 4500 | ||
|---|---|---|---|
| 001 | PPN266502407 | ||
| 003 | http://www.sudoc.fr/266502407 | ||
| 005 | 20240430055300.0 | ||
| 029 | |a FR |e 2022NANT196M | ||
| 035 | |a (OCoLC)1355333612 | ||
| 100 | |a 20221219d2022 k y0frey0103 ba | ||
| 101 | 0 | |a fre |d fre |2 639-2 | |
| 102 | |a FR | ||
| 105 | |a y va 000yy | ||
| 135 | |a dr||||||||||| | ||
| 181 | |6 z01 |c txt |2 rdacontent | ||
| 181 | 1 | |6 z01 |a i# |b xxxe## | |
| 182 | |6 z01 |c c |2 rdamedia | ||
| 182 | 1 | |6 z01 |a b | |
| 183 | |6 z01 |a ceb |2 RDAfrCarrier | ||
| 200 | 1 | |a Validation externe des performances diagnostiques d'un logiciel d'intelligence artificielle pour le diagnostic radiologique des fractures du coude de l'enfant |f Julie Da Costa |g sous la direction de Fleur Lorton et Bénédicte Vrignaud | |
| 214 | 2 | |a Nantes |c Université de Nantes |d 2022 | |
| 230 | |a Données textuelles | ||
| 303 | |a Description d'après la consultation, 2022-12-19 | ||
| 304 | |a Titre provenant de l'écran-titre | ||
| 307 | |a L'impression du document génère 26 p. | ||
| 314 | |a Autre(s) contribution(s) : Christèle Gras-Le Guen (Président du jury) | ||
| 320 | |a Bibliogr. 33 réf. | ||
| 328 | 0 | |z Reproduction de |b Thèse d'exercice |c Médecine. Médecine générale |e Nantes |d 2022 | |
| 330 | |a Introduction : Le deep learning, l'une des technologies principales de l'intelligence artificielle, est de plus en plus développé comme outil d'aide au diagnostic pour les cliniciens dans la lecture de radiographie et notamment en traumatologie. Cependant, les études évaluant les performances de ces logiciels pour le diagnostic de fracture dans la population pédiatrique font encore défaut dans la littérature. Objectif : Réaliser une validation externe des performances du logiciel d'intelligence artificielle Boneview pour le diagnostic des fractures du coude dans une population pédiatrique. Méthodes : Tous les enfants âgés de 0 à 15 ans et 3 mois ayant consulté aux urgences pédiatriques du CHU de Nantes entre le 1er janvier 2019 et le 1er avril 2020 pour traumatisme du coude et pour lesquels une paire de radiographies a été réalisée ont été inclus rétrospectivement. Le ground truth , c'est-à-dire le diagnostic radiologique de référence, a été constitué par deux experts (urgentiste pédiatre et radiologue) indépendamment et à l'aveugle du résultat du logiciel et selon deux modalités : normal ou anormal. En cas de désaccord, la radiographie était relue par un troisième expert. Chaque radiographie était classée selon trois modalités par le logiciel : anormale, doute ou normale. Les modalités anormale et doute ont été regroupées dans nos analyses. Les performances diagnostiques du logiciel (sensibilité, spécificité, valeurs prédictives positive et négative) ont été mesurées. Résultats : Nous avons inclus 757 enfants (âge médian 8,3 ans) avec une prévalence d'examens radiologiques du coude anormaux de 46,6% (IC95% 43,1-50,2). Parmi les 757 examens analysés, le logiciel en a classé 54,2% (n=410) en anormaux, 38,2% (n=289) en normaux et 7,7% (n=58) en doute. Le logiciel Boneview avait une sensibilité de 98,0% (IC95% : 96,0 99,2), une spécificité de 69,8% (IC95% : 65,1 74,2), une valeur prédictive positive de 73,9% (IC95% : 71,0 76,7) et négative de 97,6% (IC95% : 95,1 98,8). Conclusion : Le logiciel Boneview a présenté une bonne sensibilité dans une population d'enfants avec traumatisme du coude consultant aux urgences pédiatriques. Des études d'impact devront désormais être menées afin d'évaluer le bénéfice réel pour le patient de l'utilisation en routine de ce logiciel. |2 4e de couverture | ||
| 337 | |a Un logiciel capable de lire un fichier au format PDF | ||
| 371 | 0 | |a Thèse soumise à l'embargo de l'auteur jusqu'au 01 octobre 2024 | |
| 455 | | | |0 266502369 |t Validation externe des performances diagnostiques d'un logiciel d'intelligence artificielle pour le diagnostic radiologique des fractures du coude de l'enfant |f Julie Da Costa |d 2022 |p 1 vol. (23 f.) | |
| 606 | |3 PPN02871427X |a Coude |3 PPN027289877 |x Fractures |3 PPN16719402X |x Chez l'enfant |2 rameau | ||
| 606 | |3 PPN027241882 |a Radiodiagnostic |2 rameau | ||
| 606 | |3 PPN029607728 |a Intelligence artificielle en médecine |2 rameau | ||
| 606 | |3 PPN027282171 |a Algorithmes |2 rameau | ||
| 608 | |3 PPN027253139 |a Thèses et écrits académiques |2 rameau | ||
| 686 | |a 610 |2 TEF | ||
| 700 | 1 | |3 PPN266502245 |a Da Costa |b Julie |f 19..-.... |4 070 | |
| 701 | 1 | |3 PPN110506235 |a Lorton |b Fleur |f 1978-.... |4 727 | |
| 701 | 1 | |3 PPN111528380 |a Vrignaud |b Bénédicte |f 1978- |4 727 | |
| 701 | 1 | |3 PPN073754943 |a Gras-Le Guen |b Christèle |f 1967-.... |4 956 | |
| 711 | 0 | 2 | |3 PPN258086599 |a Nantes Université |c 2022-.... |4 295 |
| 711 | 0 | 2 | |3 PPN076954927 |a Nantes Université |b Pôle Santé |b UFR Médecine et Techniques Médicales |c Nantes |4 295 |
| 801 | 3 | |a FR |b Abes |c 20230405 |g AFNOR | |
| 856 | 4 | |q PDF |s 493 Ko |u https://dumas.ccsd.cnrs.fr/dumas-03921052 |2 Accès au texte intégral de la thèse | |
| 930 | |5 441092101:766543544 |b 441092101 |a 22 NANT 196M |j g | ||
| 998 | |a 937239 | ||