Preuves cliniques de l'Endoleak Risk Index (ERI)
Pour valider l'ERI en milieu clinique, une étude rétrospective multicentrique — EnduSim— a été menée dans plusieurs centres européens. Les patients consécutifs ayant subi une procédure EVAR avec des dispositifs Medtronic Endurant II ont été analysés, puis répartis en deux groupes :
- Patients présentant une endofuite de type Ia (EL1A) : Tous les patients ayant développé une endofuite de type Ia après une EVAR, quel que soit le moment où la complication est survenue.
- Patients témoins : Patients sans endofuite de type Ia et ayant bénéficié d'au moins trois ans de suivi.
Pour tous les patients, une simulation de l'implantation EVAR a été réalisée de la même manière que la procédure réelle.
Première version de l'ERI
Les performances de la première version de l'ERI ont été publiées par Derycke et al. (EurJ Vasc Endovasc Surg, 2024). À cette époque, l'apprentissage automatique n'était pas encore intégré à l'algorithme.
L'étude a démontré que les paramètres de dimensionnement conventionnels — y compris ceux recommandés dans la notice d'utilisation (IFU) du dispositif — ne différaient pas de manière significative entre les patients avec et sans endofuite de type Ia. En revanche, la quasi-totalité des paramètres dérivés des jumeaux numériques a révélé des différences significatives entre les deux groupes.
Version actuelle de l'ERI
La version actuelle de l'algorithme ERI intègre l'apprentissage automatique, pour lequel le jeu de données actuel comprend 117 patients dans l'ensemble d'entraînement (83 témoins et 34 avec endofuite de type Ia — 13 précoces et 21 tardives) et 56 patients dans l'ensemble de validation (36 témoins et 20 avec endofuite de type Ia — 6 précoces et 14 tardives).
Les résultats préliminaires de validation démontrent une performance solide :
- Sensibilité : 80 % (16 patients sur 20 atteints d'EL1A correctement identifiés).
- Spécificité : 83 % (30 patients témoins sur 36 correctement identifiés).
Ces résultats confirment que l'ERI permet de distinguer de manière fiable les patients à haut risque des cas à faible risque, offrant aux cliniciens un outil d'aide à la décision pour la planification de l'EVAR.
Preuves cliniques
L'algorithme ERI est un modèle d'apprentissage automatique basé sur des caractéristiques physiques significatives telles que le surdimensionnement, la forme du collet proximal, la conicité, l'apposition, la présence de thrombus et des paramètres dérivés des listes précédentes. Ces caractéristiques ont été sélectionnées car elles caractérisent la zone d'étanchéité proximale et jouent un rôle dans l'évaluation du risque d'endofuite de type IA. L'ERI combine les caractéristiques les plus pertinentes issues de la simulation avec jumeau numérique en un indice de risque unique et facile à interpréter.
- Cho S, Kim H, Joh J. Digital Twin and Artificial Intelligence Technologies to Assess the Type IA Endoleak. Bioengineering (Basel). 2025 Dec 19;13(1):1. doi: 10.3390/bioengineering13010001. PMID: 41595934; PMCID: PMC12837158.
- Keschenau PR, Döring M, Elshafei S, Palacios D, Stark M, Ghazal M, Albertini JN, Kalder J. Early clinical experiences with AI-based EVAR planning using the Endoleak Risk Index support its value for individualized decision-making and education. J Vasc Surg Cases Innov Tech. 2025 Oct 30;12(1):102037. doi: 10.1016/j.jvscit.2025.102037. PMID: 41403761; PMCID: PMC12704054.
Pour plus d'informations sur l'ERI, consultez les articles ci-dessous :