Evidence-Based Growth Monitoring (EBGM) : surveillance de la croissance basée sur des preuves

La surveillance de la croissance permet de repérer très tôt les maladies pédiatriques graves et d’améliorer leur pronostic. D’importantes preuves empiriques démontrent que les pratiques actuelles de surveillance de la croissance sont moins qu’optimales, avec de très longs délais de diagnostic (2,3 à 5,2 ans en moyenne) pour certaines maladies graves, et un grand nombre de renvois vers des spécialistes d’enfants (95 % en moyenne) présentant des variantes de croissance non pathologiques. Peut-être cela vient-il d’un manque d'outils validés, personnalisés et efficaces pour identifier une croissance anormale chez les enfants.

Le projet EBGM, porté par Pauline Scherdel, vise à évaluer et affiner en externe un algorithme d’intelligence artificielle (IA) chargé de détecter une croissance anormale chez les enfants. Nous avons commencé par développer et évaluer en interne un algorithme afin de dépister deux conditions cibles prioritaires chez les enfants âgés de 1 à 12 ans : le syndrome de Turner et le déficit en hormone de croissance. L’algorithme IA enregistre de bonnes performances de diagnostic, avec une sensibilité supérieure à 90 %, une spécificité d’environ 95 % et une réduction théorique médiane du délai de diagnostic de 2 à 4 ans. Le but est désormais de réaliser une évaluation externe de cet algorithme IA en s’appuyant sur des données d’enfants malades issues de l’entrepôt de données cliniques AP-HP, et sur celles d’enfants apparemment sains extraites de la cohorte nationale mère-enfant ELFE.

L’intégration au logiciel des généralistes d'un algorithme IA personnalisé et validé optimisera la surveillance de la croissance en améliorant le pronostic des conditions de santé graves et réduira les adressages inutiles auprès de spécialistes.