- Une nouvelle étude suggère qu’un modèle d’IA peut identifier les personnes présentant un risque plus élevé de cancer du pancréas jusqu’à 5 ans avant le diagnostic, en utilisant les dossiers de santé électroniques de routine et les données de laboratoire.
- Les résultats montrent des performances prédictives prometteuses, suggérant que le modèle d’IA pourrait efficacement distinguer les personnes présentant un risque plus élevé ou plus faible de cancer du pancréas.
- Cependant, des recherches supplémentaires sont encore nécessaires et des tests prospectifs sont en cours, avec des projets visant à évaluer le modèle d’IA au sein d’un système de santé avant de déterminer s’il pourrait jouer un rôle dans les soins cliniques de routine.
Le cancer du pancréas est relativement rare mais entraîne une mortalité disproportionnée. Aux États-Unis, les estimations suggèrent qu’environ
Bien que le cancer du pancréas représente environ 3 % de tous les nouveaux cas de cancer, il est responsable d’environ
Le cancer du pancréas peut être
Aujourd’hui, des recherches suggèrent qu’un modèle d’intelligence artificielle (IA) pourrait identifier les personnes présentant un risque accru de cancer du pancréas dès 5 ans avant que celui-ci ne devienne cliniquement apparent, en utilisant les informations régulièrement collectées dans les dossiers de santé électroniques.
Les résultats ont été présentés au congrès clinique 2026 de l’American College of Surgeons (ACS) à Washington, DC, par des chercheurs de la Mayo Clinic. Il est donc important de noter que les résultats n’ont pas encore été évalués par des pairs.
Indices précoces du cancer du pancréas dans les données de santé de routine
Les chercheurs ont développé le modèle en utilisant des informations longitudinales sur la santé provenant du système de santé de la Mayo Clinic. Selon le communiqué de presse, il s’agissait des dossiers de santé électroniques de près de 40 000 patients et des résultats d’analyses de laboratoire de routine collectées sur de nombreuses années.
Cela comprenait 6 066 personnes ayant développé un cancer du pancréas et 33 396 personnes ayant servi de contrôle. Les participants disposaient de 7,5 à 19 ans d’antécédents cliniques disponibles pour analyse. L’objectif des chercheurs était de déterminer si les modèles de données médicales de routine pouvaient révéler des signes subtils associés à un risque futur accru de cancer du pancréas.
Le cancer du pancréas peut se développer sur plusieurs années. Cependant, les signes cliniques qui inciteraient un médecin ou un patient à examiner la maladie pourraient n’apparaître que bien plus tard.
Le cancer du pancréas étant relativement rare dans la population générale, le dépistage systématique de la maladie chez tout le monde n’est actuellement pas considéré comme réalisable. Ainsi, une approche permettant d’identifier les personnes présentant un risque élevé pourrait permettre de poursuivre l’évaluation en se concentrant sur ce groupe.
« La découverte la plus importante était que des modèles subtils tout au long du parcours de soins d’un patient pouvaient révéler un risque élevé de cancer du pancréas jusqu’à cinq ans avant que le diagnostic ne soit documenté pour la première fois », a déclaré l’auteur principal de l’étude, Chris Varghese, MBChB, analyste de données chirurgicales à la Mayo Clinic. Actualités médicales aujourd’hui.
« Cela crée une fenêtre potentielle pour déplacer la détection en amont – de la réaction aux symptômes à l’identification proactive des patients qui pourraient bénéficier d’un dépistage plus précoce et ciblé ou d’une évaluation plus approfondie – une approche qui a toujours été difficile parce que le cancer du pancréas est relativement rare et que les tests de dépistage existants ne sont pas pratiques pour une utilisation au sein d’une large population. »
— Chris Varghese, MBChB
Avec quelle précision le modèle d’IA a-t-il identifié le risque ?
Les chercheurs ont évalué la capacité du modèle à faire la distinction entre les personnes qui développeraient plus tard un cancer du pancréas et celles présentant un risque plus faible.
Varghese informé MNT que le résumé a été mis à jour avec plus de données. Cinq ans avant un diagnostic de cancer du pancréas, le modèle a atteint une aire sous la courbe caractéristique de fonctionnement du récepteur (AUROC) de 0,853 dans une cohorte de patients légèrement plus petite. Les chiffres mis à jour sont 0,84 pour 1 an, 0,80 pour 2 ans et 0,76 pour 3 ans avant le diagnostic.
Les valeurs AUROC vont de 0,5, ce qui indique une performance qui n’est pas meilleure que le hasard, à 1,0, ce qui représente une discrimination parfaite.
Le modèle avait également une aire sous la courbe précision-rappel (AUPRC) de 0,712, une mesure qui peut être particulièrement utile lors de l’étude de résultats relativement rares tels que le cancer du pancréas.
Les chercheurs ont en outre évalué l’étalonnage, c’est-à-dire dans quelle mesure le risque prévu du modèle correspondait à ce qui s’est passé dans la population étudiée. La pente rapportée du tracé d’étalonnage était de 1,08.
« Un AUROC dans cette fourchette signifie que le modèle est raisonnablement efficace pour distinguer les personnes présentant un risque plus élevé de cancer du pancréas de celles présentant un risque plus faible », a expliqué Varghese à MNT. « Mais pour une utilisation clinique, l’étalonnage, c’est-à-dire si le risque prédit par le modèle correspond réellement au taux de cancer du pancréas que nous observons dans la pratique, est également très important. »
« Compte tenu de ces résultats prometteurs et des recherches en cours susceptibles d’améliorer encore les performances à l’aide de modèles d’IA plus avancés, le prochain défi consiste à déterminer quel niveau de risque prévu devrait déclencher une évaluation supplémentaire. Ce seuil peut différer en fonction du test en aval envisagé, de ses risques et de ses coûts, ainsi que de l’avantage potentiel d’une détection précoce du cancer. «
— Chris Varghese, MBChB
« Définir ces seuils et tester les performances du modèle dans le cadre d’un parcours de dépistage réel sont les prochaines étapes importantes », a déclaré Varghese.
Dans le communiqué de presse, les chercheurs ont donné un exemple de la façon dont le risque prédit pourrait potentiellement être interprété : parmi les personnes pour lesquelles le modèle estimait un risque supérieur à 50 % de cancer du pancréas, 88 % ont reçu un diagnostic de maladie dans l’année.
Il est important de noter que ces résultats décrivent les performances du modèle dans l’ensemble de données de recherche. Ils n’établissent pas encore que l’utilisation du système d’IA dans les soins cliniques de routine améliorera la détection du cancer du pancréas ou les résultats pour les patients.
« Nous avons constaté que les prédictions du modèle étaient fortement éclairées par des tests sanguins de routine, en particulier des composants de la formule sanguine complète, qui sont souvent obtenus pour d’autres raisons ou dans le cadre de soins de routine », a déclaré le co-auteur de l’étude Cornelius Thiels, DO, MBA, oncologue chirurgical à la Mayo Clinic. MNT.
« Les associations cliniques attendues telles que le diabète, la pancréatite et d’autres affections pancréatiques étaient également importantes. En outre, les modèles d’interactions de soins de santé apparemment sans rapport ont fourni des informations utiles. Aucun de ces signaux à lui seul ne suffirait à suggérer un futur diagnostic de cancer du pancréas, mais le modèle d’IA a pu apprendre de la façon dont ils sont apparus et ont changé au fil du temps dans le dossier de santé longitudinal d’un patient. »
— Cornelius Thiels, DO, MBA
Le modèle pourrait-il être utilisé en pratique clinique ?
Les résultats actuels ne constituent qu’une première étape et ne constituent pas une preuve que le modèle d’IA est prêt à être utilisé comme test de dépistage du cancer du pancréas.
Les chercheurs affirment avoir conçu le système pour qu’il s’appuie principalement sur les informations déjà régulièrement collectées dans les établissements de soins de santé.
Les chercheurs déplacent désormais le modèle au-delà de l’analyse rétrospective et dans la recherche prospective à la Mayo Clinic. L’équipe prévoit également d’évaluer le modèle dans un système de santé non-Mayo et étudie de nouvelles approches d’apprentissage automatique susceptibles d’améliorer encore ses performances.
La validation prospective sera importante car un modèle d’IA peut fonctionner différemment lorsqu’il est appliqué à des patients en dehors de l’ensemble de données sur lequel il a été développé. Les chercheurs devront également déterminer les performances du modèle dans différents systèmes de santé et populations de patients.
Qu’arrive-t-il aux personnes identifiées comme présentant un risque plus élevé ?
Une autre question importante est de savoir ce qui devrait se passer une fois qu’une personne est identifiée comme présentant un risque élevé. Un outil de prédiction pourrait potentiellement conduire à des tests ou à des images supplémentaires, mais un tel suivi devrait équilibrer les avantages potentiels d’une détection précoce du cancer par rapport aux risques, aux coûts et à l’anxiété associés aux résultats faussement positifs.
Si d’autres études confirment que le modèle peut identifier de manière fiable les personnes susceptibles de développer un cancer du pancréas avant l’apparition de symptômes ou de signes cliniques conventionnels, il pourrait éventuellement fournir aux cliniciens un autre outil pour décider qui pourrait bénéficier d’une surveillance plus étroite ou d’une évaluation plus approfondie.
« Identifier ce qui devrait se passer une fois qu’une personne est signalée comme à haut risque est l’une des prochaines étapes les plus complexes et les plus importantes, et nous ne connaissons pas encore l’approche optimale », a expliqué Thiels à MNT.
« Nous espérons qu’en identifiant d’abord une population plus petite et à risque plus élevé, les tests de dépistage en aval, tels que la tomodensitométrie, l’IRM, l’échographie endoscopique ou les tests de biomarqueurs sanguins, pourront être plus efficaces et devenir plus pratiques. Nous et d’autres travaillons activement pour déterminer la meilleure façon de combiner la prédiction numérique des risques avec ces tests en aval et de valider ces stratégies de manière prospective avant qu’elles ne soient prêtes à être déployées auprès des patients. »
— Cornelius Thiels, DO, MBA