Pronostic de l'AVC : six neurologues, un modèle classique et un modèle d'apprentissage profond comparés sur l'essai MR CLEAN

Une équipe des hôpitaux universitaires de Zurich, d'Amsterdam et de Maastricht a organisé une confrontation rare : sur les données de l'essai randomisé MR CLEAN, six neurologues ont prédit le handicap à trois mois de patients victimes d'un AVC par occlusion d'un gros vaisseau, et leurs pronostics ont été comparés à ceux de deux modèles — un modèle statistique classique et un modèle d'apprentissage profond lisant directement l'imagerie. Sur l'échelle complète du handicap, les deux modèles devancent nettement les médecins, dont les prédictions souffrent d'un optimisme systématique et d'une grande variabilité. Le résultat n'est pas « la machine remplace le neurologue » : c'est que l'erreur humaine vient surtout d'une lecture imprécise de l'imagerie, et qu'un modèle de bout en bout, en supprimant cette étape manuelle, pourrait servir de second avis fiable — sans jamais devenir le gardien qui décide seul d'un traitement.

Le contexte

L'accident vasculaire cérébral par occlusion d'un gros vaisseau (en anglais large vessel occlusion, LVO) est une urgence où chaque minute compte : un caillot bouche une artère cérébrale majeure, et le pronostic se joue en partie sur la rapidité du traitement. La thrombectomie mécanique (endovascular treatment, EVT — retirer le caillot par cathéter) a transformé la prise en charge, mais les trajectoires restent très hétérogènes : à trois mois, environ la moitié seulement des patients traités retrouvent leur autonomie.

Pour anticiper l'évolution, l'étalon de mesure est l'échelle de Rankin modifiée (modified Rankin Scale, mRS), graduée de 0 (aucun symptôme) à 6 (décès). Prédire ce score à trois mois est utile pour décider, et pour informer le patient et sa famille. Or les études montrent depuis des années que même des cliniciens expérimentés peinent à le faire avec précision. Des scores statistiques (THRIVE, DRAGON, MR PREDICTS) ont été proposés et battent souvent les médecins ; plus récemment, des modèles d'apprentissage profond intègrent directement l'imagerie brute. Mais une question restait peu explorée : que valent vraiment les médecins face à ces outils, comment l'assistance d'un modèle modifie leur jugement, et d'où vient précisément l'erreur humaine ? C'est ce que ce préprint, signé Lisa Herzog, Nelly Blindenbacher et leurs collègues, cherche à démonter pièce par pièce.

La méthode

Les auteurs utilisent les données de l'essai randomisé MR CLEAN (500 patients atteints d'occlusion d'un gros vaisseau, traités dans les six heures, randomisés entre thrombectomie et absence de thrombectomie), un essai historique de la thrombectomie. La tâche : prédire le mRS à trois mois, à la fois sur l'échelle ordinale complète (0–6) et sous forme binaire (0–2, autonomie « favorable », contre 3–6, « défavorable »).

Six neurologues de l'hôpital universitaire de Zurich (4 à 20 ans d'expérience, médiane 10,5 ans) ont prédit l'évolution de 40 cas, sélectionnés par appariement sur score de propension pour équilibrer traités et non-traités. Chacun a procédé en deux tours : d'abord à partir des seules données cliniques et d'imagerie (scanner sans injection et angioscanner), puis une seconde fois avec l'aide de MR PREDICTS, en devant cette fois estimer lui-même les paramètres d'imagerie exigés par l'outil.

Deux modèles servent de comparateurs. MR PREDICTS est un outil d'aide à la décision validé et public : une régression ordinale qui combine des variables cliniques et des caractéristiques d'imagerie extraites manuellement — le score ASPECTS (qui quantifie l'étendue des lésions précoces sur le scanner), la localisation de l'occlusion et le score de collatéralité (la qualité des circuits sanguins de secours). Détail crucial pour la lecture : MR PREDICTS a été développé à l'origine sur MR CLEAN, si bien qu'il joue ici à domicile. Le second modèle est un réseau d'apprentissage profond multimodal qui lit directement l'angioscanner brut via une architecture de type transformeur (un réseau spécialisé dans l'analyse de données structurées par des relations, ici l'image), combiné aux variables cliniques, dans un cadre de régression ordinale dit interprétable (les effets des variables cliniques s'expriment en rapports de cotes lisibles). Il a été entraîné sur 449 patients en validation croisée à cinq plis. Les performances sont mesurées par le kappa pondéré quadratique (QWK, l'accord avec le vrai score en pénalisant d'autant plus les écarts qu'ils sont grands), l'exactitude à un point près, l'AUC (aire sous la courbe ROC, capacité à séparer favorable et défavorable) et le score de Brier (qualité de calibration des probabilités). L'étude suit les recommandations de report TRIPOD et CONSORT-AI.

Les résultats

Sur l'échelle ordinale complète, les modèles l'emportent franchement. Dans le sous-groupe de comparaison (40 cas), MR PREDICTS atteint un QWK de 0,51 et le modèle profond de 0,49, contre 0,27 seulement pour les neurologues sans aide — un écart net. Surtout, les médecins divergent énormément entre eux : l'accord inter-juges (Fleiss κ) n'est que de 0,11, signe d'un pronostic très instable d'un praticien à l'autre. Sur la cohorte plus large (404 cas complets), MR PREDICTS obtient un QWK de 0,48 et le modèle profond de 0,41 ; pour la prédiction binaire, le modèle profond atteint 71,3 % d'exactitude contre 66,8 % pour MR PREDICTS, avec une AUC de 0,74 (contre 0,78) mais une meilleure calibration (Brier 0,17 contre 0,20).

Le point le plus éclairant n'est pas le score, mais la dissection de l'erreur humaine. Les neurologues sont systématiquement optimistes : ils prédisent des handicaps plus légers que ceux réellement observés, un biais présent chez tous les évaluateurs, avec ou sans assistance, alors que les modèles ont une erreur symétrique. Et lorsqu'ils doivent extraire eux-mêmes les paramètres d'imagerie, ils échouent souvent : la localisation de l'occlusion n'est correcte que dans 65,8 % des cas, le score de collatéralité dans 44,6 %, et leur estimation du score ASPECTS s'écarte en moyenne de 3,4 points de la valeur confirmée. Donner accès à MR PREDICTS améliore modestement et surtout harmonise les prédictions (l'accord inter-juges binaire passe de 0,25 à 0,40, l'exactitude binaire à 68,8 %), sans hisser les médecins au niveau des modèles seuls sur l'échelle ordinale.

La traduction clinique honnête : pour le tri binaire « le patient sera-t-il autonome ou non », humains et machines se valent à peu près (autour de 64 à 71 % d'exactitude). C'est sur la nuance — prédire le degré exact de handicap — que les modèles creusent l'écart, là précisément où se jouent les décisions et les conversations difficiles avec les familles. Une AUC autour de 0,77 reste cependant modeste : les auteurs rappellent qu'il existe sans doute un plafond biologique, car des événements survenant après la phase aiguë (récidive, complications) ne sont pas inscrits dans les données initiales.

Ce qui est bien

Un comparateur humain, et pas n'importe lequel. La plupart des articles d'IA-santé se comparent à un score ou à rien. Ici, six neurologues en exercice prédisent dans des conditions contrôlées, et l'on mesure aussi l'interaction homme-modèle. C'est la bonne question clinique : non pas « le modèle est-il bon ? » mais « que change-t-il pour le médecin qui décide ? »

Une dissection des sources d'erreur. Plutôt que de proclamer une supériorité, l'étude identifie pourquoi les humains se trompent : optimisme systématique et, surtout, incapacité à extraire fiablement les paramètres d'imagerie qu'exigent les modèles classiques. C'est un argument fort, et nuancé, en faveur des modèles de bout en bout qui suppriment cette étape manuelle.

Transparence et reproductibilité partielle. Le code est public sur GitHub, l'étude suit les grilles de report TRIPOD et CONSORT-AI, le modèle profond est strictement évalué sur des données de test non vues, et les auteurs déclarent une absence de financement et de conflits d'intérêts. Autant de signaux de sérieux méthodologique.

Ce qui est moins bien

Un comparateur qui joue à domicile : le mode d'échec du comparateur biaisé. MR PREDICTS a été développé sur l'essai MR CLEAN ; l'évaluer sur ce même jeu de données gonfle vraisemblablement sa performance par surapprentissage, comme le reconnaissent les auteurs. La comparaison avec le modèle profond, lui testé sur des données non vues, n'est donc pas à armes égales : le score du modèle classique est probablement optimiste.

Un seul essai, une cohorte ancienne : le mode d'échec du biais de population. Toutes les données viennent de MR CLEAN, recueillies entre 2010 et 2014, avant les dispositifs et protocoles de thrombectomie actuels. La population est essentiellement néerlandaise. Rien ne garantit que le modèle profond, qui n'a pas encore de validation externe, tienne sur des patients d'aujourd'hui, d'autres pays ou d'autres scanners — les auteurs le disent clairement.

Un échantillon de comparaison minuscule et une mise en scène artificielle. L'expérience repose sur 40 cas et 6 médecins : les intervalles de confiance sont larges (l'AUC du modèle profond sur ces 40 cas va de 0,42 à 0,91). Et l'exercice — prédire sur dossier, sans la pression du temps réel ni le contact direct avec le patient — ne reproduit pas les conditions de la garde, où l'intuition clinique se nourrit d'éléments absents des données. Le « pronostic » mesuré ici a aussi une limite intrinsèque : une partie de l'évolution dépend d'événements postérieurs qu'aucune donnée initiale ne contient.

Ce que ça change

Pour la communauté de recherche, l'étude déplace le débat. Elle confirme que les modèles battent les cliniciens sur le pronostic fin de l'AVC, mais montre surtout que le goulot d'étranglement humain est la lecture d'imagerie — ce qui plaide pour des modèles de bout en bout, qui éliminent l'extraction manuelle de variables, plutôt que pour des scores qui en dépendent. Elle invite aussi à mesurer non la seule performance du modèle, mais l'interaction homme-modèle, car la supériorité d'un outil ne se traduit pas automatiquement en meilleure décision humaine.

Pour les cliniciens, rien n'est déployable en l'état : modèle mono-essai, rétrospectif, sans validation prospective ni externe. Mais la direction est claire — un modèle de bout en bout pourrait offrir un « second avis » objectif et rapide, utile pour contrer l'optimisme spontané et harmoniser des pronostics aujourd'hui très variables d'un médecin à l'autre. Les auteurs insistent sur le cadrage éthique : un tel outil doit soutenir la décision et le dialogue avec les familles, jamais servir de gardien qui refuserait un traitement. Pour les patients et le public, le message est mesuré : la machine ne « voit » pas l'avenir, elle estime des probabilités à partir des données du premier jour ; elle peut aider le médecin à être plus juste et plus cohérent, mais le pronostic d'un AVC reste incertain par nature, et la décision demeure humaine.

Pour aller plus loin

Le préprint est disponible sur medRxiv (DOI 10.64898/2026.06.12.26355559), et le code d'analyse sur le dépôt GitHub des auteurs. Sur l'IA pronostique après un AVC sous d'autres angles, voir nos décryptages du graphe hétérogène pour la mortalité après AVC et du pronostic cognitif par neuroimagerie.

Transparence éditoriale : version française rédigée et signée par la rédaction de Tatakoto à partir de la lecture du préprint. Traductions anglaise, espagnole et chinoise produites avec assistance IA et relues.