( Kidney International October 2021, Volume 100Issue 4SupplementS1-S276, KDIGO 2021 Clinical Practice Guideline for the Management of Glomerular Diseases)
Une étude multicentrique pour développer un modèle radiomique non-invasif pour identifier la pierre d'infection urinaire in vivo à l'aide de l'apprentissage automatique.
Comme d'autres technologies omiques, la radiomique utilise des données à haute densité pour caractériser une maladie ou un processus pathologique. Plus précisément, dans le domaine radiologique, les données quantitatives sont extraites d'images radiographiques pour identifier les caractéristiques de la maladie qui ne sont pas facilement visualisées. Zhenget al. a appliqué des techniques radiomiques suivies d'un apprentissage automatique sur les calculs rénaux pour différencier l'infection des calculs non in vivo. Des tomodensitométries ont été analysées et 1 300 caractéristiques ont été extraites de chaque image de pierre. Plus de 1 000 patients atteints de calculs constituaient des cohortes d'entraînement et de validation et la composition des calculs a été vérifiée par spectroscopie après ablation chirurgicale. En fin de compte, les chercheurs ont couplé leur signature radiomique au pH de l'urine et à la présence ou à l'absence de bactéries productrices d'uréase dans l'urine pour développer un modèle présentant une excellente discrimination entre les calculs d'infection et de non-infection. Cette procédure non-invasive peut améliorer la gestion de la pierre.