Méthodologie de l'Étude
Développement d'un outil d'aide à la décision basé sur l'intelligence artificielle, à partir d'une cohorte rétrospective de 58 patients opérés pour Hallux Valgus.
Protocole Analytique
L'objectif était de prédire la survenue de complications post-opératoires à moyen et long terme. Pour garantir la fiabilité des prédictions malgré la taille de l'échantillon, nous avons utilisé une procédure de validation croisée stratifiée.
Nous avons comparé les performances de 9 algorithmes d'apprentissage supervisé :
- LightGBM
- Logistic Regression
- XGBoost
- CatBoost
- Multilayer Perceptron (MLP)
- Support Vector Classifier (SVC)
- Random Forest
- Decision Tree
- K-Nearest Neighbors (KNN)
Critères de Performance
Le choix du meilleur modèle pour chaque complication s'est basé sur l'Aire sous la courbe ROC (AUC).
Les métriques cliniques (Sensibilité, Spécificité, VPP, VPN) ont été calculées selon l'indice de Youden optimal. Une attention particulière a été portée à la Valeur Prédictive Négative (VPN) pour permettre d'exclure efficacement le risque de complication.
Résultats par Cible Clinique
1. Résultats Fonctionnels
Pronostic global à moyen et long termeAUC : 0.901
Critère prédit :
- Résultat fonctionnel binaire (Bon vs Mauvais)
2. Complications Précoces
Survenue post-opératoire immédiateAUC : 0.811
Événements prédits :
- Retard de cicatrisation
- Sepsis superficiel
- Sepsis profond
- Paresthésies
3. Complications Secondaires
Moyen termeAUC : 0.810
Événements prédits :
- Nécrose cutanée
- Déplacement secondaire
- Algodystrophie
4. Complications Tardives
Long termeAUC : 0.631
Événements prédits :
- Récidive de la déformation
- Métatarsalgie résiduelle
- Cal exubérant
- Métatarsalgie de transfert
