JuViRa

Objectif(s) de la recherche et intérêt pour la santé publique

Finalité de l'étude

Objectifs poursuivis

Domaines médicaux investigués

Bénéfices attendus

Intérêt pour la santé publique :

Les pathologies liées à la déformation de la colonne vertébrale font partie des pathologies les plus invalidantes. Les chirurgies visant à corriger ces déformations font également partie de chirurgies nécessitant fréquemment des révisions.
Le projet JuViRa a pour finalité le développement d'une solution logicielle visant à aider les chirurgiens de la colonne à appréhender l'effet des chirurgies qu'ils effectuent sur le comportement biomécanique de la colonne vertébrale.
Ce logiciel permettant de modéliser l'effet de la chirurgie sur la colonne permettrait de maximiser les effets bénéfiques de cette chirurgie pour le patient et de minimiser le besoin ou la fréquence de révision de ces chirurgies.

Objectifs poursuivis :

L'étude a pour but de :
- vérifier et valider les algorithmes de Deep Learning entrainés sur des données publiques ou en possession de la société MDsim.
- valider le modèle de prédiction/classification

Méthode :

La mise en place d'une chaîne de modélisation du comportement biomécanique de la colonne vertébrale commence par l'acquisition d'images médicales telles que venant de CT-scan, IRM et EOS et leur segmentation et annotation afin de reconstruire des modèles tridimensionnels servant de jumeaux numériques.
Les algorithmes ont besoin de données diverses et variées afin de pouvoir être entraînés et ensuite vérifiés et validés. Les données nécessaires doivent être variées afin de permettre à ces algorithmes de pouvoir segmenter automatiquement aussi bien des colonnes pour lesquelles les pathologies de déformation sont limitées que des colonnes fortement déformées voire déjà opérées. De manière similaire les données doivent être diverses en termes de champ de vue, résolution, ou encore tout autre caractéristique du système d'imagerie pouvant influencer l'image résultante.

Les critères utilisés pour déterminer la précision de la segmentation seront, par exemple (voir une section ultérieure pour plus d’information):
- Des critères mesurant la concordance entre les volumes segmentés et les volumes segmentés correspondants dans l’ensemble de données constituant la réalité de terrain (i.e., ground truth). Par exemple un indicateur de type « Dice score » mesurant le pourcentage de superposition volumique entre le corps segmenté automatiquement et le corps segmenté de référence.
- Des indicateurs discrets mesurant l'exactitude de l'annotation automatique par rapport à l'annotation de référence.

Les critères utilisés pour déterminer la validité de la prédiction faite au chirurgien seront basés sur des critères statistiques de succès (besoin ou non de révision de la chirurgie) et de nature du problème observé (rupture de visses, rupture de vertèbre, rupture de barre, …).

Population

Les critères d’inclusion sont :

- Patients subissant une chirurgie de fusion vertébrale,
- Patients subissant une reprise chirurgicale pour un syndrome d'échec de la chirurgie du dos
(FBSS),
- Patients subissant une correction du réalignement de la colonne vertébrale (scoliose idiopathique
et scoliose de l'adulte),
- Patients suivis et traités de manière conservatrice après l'échec d'une précédente opération du
dos,
- Le patient est âgé de plus de 18 ans au moment de l'opération.

Les critères de non inclusion sont :
- le non accord par le patient de donner accès à ses données,
- les patients pour lesquels il n’y a pas d’imagerie médicale de type EOS et CT scan de la colonne ou
d’un de ses segments.