Une étude publiée dans la revue médicale Jama Network Open explore comment l'intelligence artificielle, via le Deep Learning, parvient à esquisser l'évolution probable de la myopie d'un enfant sur le long terme.

Ces travaux ouvrent la voie à une prise en charge précoce et une personnalisation rapide des protocoles de freination grâce aux outils prédictifs.

Identifier les risques de bascule vers la myopie forte

L'objectif de cette recherche est de fournir une aide à la décision pour passer d'une approche systématique à une prévention ciblée.

Le défi pour les praticiens consiste à repérer, parmi les jeunes patients, ceux dont la myopie risque de progresser de manière alarmante. L'algorithme aide à estimer si un enfant présente un risque élevé de devenir « fort myope » à l'âge adulte.

Cette évaluation statistique s'avère d'une grande précision : le modèle a démontré une capacité de détection de la myopie forte avec un score de fiabilité (AUC*) compris entre 0,91 et 0,95 selon les scénarios de prédiction.

Une analyse fondée sur une cohorte importante

La force de cet algorithme repose sur les données de l'étude de la myopie d'Anyang, en Chine. La cohorte est constituée de 3 330 élèves, recrutés aléatoirement dans onze écoles primaires urbaines.

Âgés de 6 à 9 ans au début du suivi, ces enfants ont été examinés régulièrement sur une période de dix ans. Les enfants ayant déjà reçu un traitement de contrôle de la myopie (comme l'atropine ou l'orthokératologie) ont été exclus de l'étude.

Ce choix méthodologique a permis à l'IA d'analyser l'évolution naturelle de la réfraction pour identifier des motifs d'évolution que l'œil humain ne peut pas toujours synthétiser, corrélant des variables comme l'âge et la réfraction initiale pour calculer une trajectoire théorique.

Une étude menée en Asie

Précisons que ces travaux ont été menés exclusivement sur une population asiatique, où la prévalence de la myopie est l'une des plus élevées au monde.

Si cette cohorte spécifique a permis de modéliser la croissance oculaire avec une marge d'erreur moyenne très faible (entre 0,35 D et 0,44 D selon les modèles), les auteurs soulignent sa limite.

La validation du modèle sur d'autres populations, notamment caucasiennes, sera une étape nécessaire pour confirmer l'universalité de ces prédictions.

De même, cette projection reste un outil d'aide au diagnostic : elle ne remplace pas l'expertise clinique mais permet de hiérarchiser les niveaux de risque et nécessite une validation externe.

 

*L'aire sous la courbe ROC (AUC) mesure la performance globale d'un modèle, avec des valeurs comprises entre 0,5 et 1. Une valeur de 0,5 suggère que le modèle ne fait pas mieux que le hasard (50% de bonnes réponses soit 1 chance sur 2), alors qu'une valeur de 1 indique une fiabilité parfaite.