Développement et validation interne de modèles de prédiction de l'histoire naturelle de la scoliose idiopathique et des résultats du traitement grâce à l'utilisation de l'intelligence artificielle dans une vaste base de données clinique (PREPARE)

La scoliose est une déformation tridimensionnelle de la colonne vertébrale. Dans sa forme la plus courante (environ 70 % des cas), les causes sont inconnues, c'est pourquoi on parle de scoliose idiopathique. Dans la plupart des cas, elle est découverte après l'âge de 10 ans et est définie diagnostiquement par une courbe d'au moins 10°, mesurée sur une radiographie debout selon la méthode Cobb.

Si la scoliose dépasse le seuil critique de 30° Cobb en fin de croissance, le risque de problèmes sanitaires et sociaux augmente progressivement à l'âge adulte. Pour cette raison, l'objectif principal du traitement est de compléter la période de croissance avec une courbure inférieure à 30° et un bon équilibre sagittal, ou du moins bien en dessous de 50°, ce qui représente le seuil chirurgical.

La croissance est un facteur favorisant l’évolution des déformations, c’est pourquoi les patients sont suivis jusqu’à la fin de la croissance. C'est pourquoi la thérapie peut durer de nombreuses années, depuis la découverte de la présence d'une déformation jusqu'à l'obtention de la maturation osseuse.

L'identification précoce de paramètres prédictifs du résultat de la thérapie pour orienter le moins d'agressivité possible vers le résultat nécessaire pour l'avenir du patient, intégrée à l'évaluation de son efficacité (surveillance), est l'un des objectifs les plus importants dans ce domaine pour minimiser le fardeau du traitement dans une phase particulière de la croissance telle que le développement de l'adolescent, ainsi que pour identifier les sujets les plus à risque d'aggravation à l'âge adulte.

La collecte systématique de données cliniques au cours du processus thérapeutique offre la possibilité, grâce à des modèles d'analyse avancés, appliqués rétrospectivement, d'identifier les facteurs prédisposants et les facteurs de protection. Lorsque les données disponibles sont suffisamment nombreuses, il est possible d’obtenir des équations prédictives qui aident les cliniciens dans leurs choix thérapeutiques et aident les patients à comprendre les risques et les bénéfices des thérapies disponibles. Les nouvelles technologies telles que les techniques d’intelligence artificielle offrent des moyens nouveaux et intéressants d’estimer les risques et de calculer les bénéfices et la sécurité de certains choix thérapeutiques par rapport à d’autres.

Cette étude vise à développer et à valider en interne des modèles de stratification et de prédiction basés sur les données pour prédire plusieurs mesures des résultats de fin de soins, notamment l'ampleur de la courbe, mesurée en degrés Cobb, les mesures déterminant l'équilibre sagittal et les mesures de la qualité de vie et de la fonction mesurées. au moyen de questionnaires à remplir soi-même.