Progrès de l'IA dans les maladies rénales : imagerie rétinienne, risque d'hospitalisation et néphrite lupique

L'intelligence artificielle est de plus en plus appliquée aux soins des maladies rénales, de nouvelles recherches démontrant la capacité de l'IA à prédire la néphropathie diabétique à partir d'images rétiniennes, à signaler les patients hémodialysés présentant un risque imminent d'hospitalisation, et à faire progresser le diagnostic et le traitement de la néphrite lupique. Ces résultats proviennent d'études présentées lors de congrès médicaux et publiées dans des revues à comité de lecture.

Un système d'apprentissage profond basé sur l'imagerie rétinienne (DeepDKD Plus) prédit avec précision à la fois l'incidence et la progression de la néphropathie diabétique (DKD), surpassant les modèles cliniques traditionnels, selon les résultats d'une étude présentée au congrès annuel 2026 de l'Association for Research in Vision and Ophthalmology (ARVO) à Denver, CO, du 3 au 7 mai 2026. Cette étude rétrospective multicentrique a développé DeepDKD Plus pour effectuer deux tâches : prédire l'incidence de la DKD à 5 ans — définie comme une baisse du débit de filtration glomérulaire estimé (DFGe) à <60 mL/min/1,73 m² ou un rapport albumine/créatinine (ACR) >30 mg/g — chez les personnes ayant une fonction rénale préservée ; et prédire la progression de la DKD à 5 ans — définie comme un déclin ≥40 % du DFGe ou une insuffisance rénale — chez les patients atteints d'une maladie rénale préexistante.

Le modèle a été entraîné sur 11 116 images rétiniennes de 5 558 patients chinois diabétiques, suivi d'une validation interne et d'une validation externe sur cinq cohortes multiethniques de Chine, du Mexique et du Royaume-Uni (n=13 935). Pour la prédiction de l'apparition de la DKD à 5 ans, DeepDKD Plus a montré une forte discrimination lors des tests internes avec une aire sous la courbe (AUC) de 0,814 (IC à 95 %, 0,789–0,838), dépassant les performances du modèle basé sur les métadonnées cliniques, qui a atteint une AUC de 0,760 (IC à 95 %, 0,733–0,786 ; P<0,001). Lorsque l'imagerie rétinienne a été combinée aux variables cliniques, les performances se sont encore améliorées pour atteindre une AUC de 0,828 (IC à 95 %, 0,804–0,850). Dans les cohortes externes, le modèle d'apprentissage profond a maintenu une précision constante, avec des AUC allant de 0,722 à 0,797, contre 0,676 à 0,735 pour l'approche basée sur les métadonnées. Pour la prédiction de la progression de la DKD à 5 ans, DeepDKD Plus a atteint une AUC interne de 0,762 (IC à 95 %, 0,732–0,788), surpassant là encore le modèle de métadonnées (AUC 0,712 ; IC à 95 %, 0,684–0,743 ; P<0,001), tandis que le modèle combiné a atteint une AUC de 0,797 (IC à 95 %, 0,772–0,820). Les résultats de validation externe étaient similaires, DeepDKD Plus produisant des AUC comprises entre 0,726 et 0,772, contre 0,656 à 0,731 pour le modèle clinique seul.

Dans un autre développement, des modèles d'apprentissage automatique pilotés par l'IA pourraient identifier les patients sous hémodialyse à risque d'hospitalisation pour infection ou anomalies liées à l'état hydrique dans les 7 jours. Une grande organisation de dialyse a utilisé 2 modèles de prédiction d'hospitalisation imminente (IHPM) – 1 pour la surcharge hydrique et 1 pour l'infection – pour identifier les patients susceptibles d'être hospitalisés après leur séance d'hémodialyse en centre. Les modèles ont intégré les dossiers médicaux électroniques de dialyse et les données de sinistres, et chacun a généré un score de risque (plage : 0-1), avec un score seuil de 0,64 ou plus prédisant une hospitalisation immédiate. Pour les patients à score élevé, des infirmières gestionnaires de cas ont examiné les 5 principales raisons du score ainsi que les données cliniques, qui apparaissaient sur un tableau de bord. Sur la base de l'évaluation, les infirmières pouvaient organiser des interventions, notamment la gestion de l'hydratation (par exemple, réévaluation du poids sec, prolongation ou séance supplémentaire de dialyse) ; la révision des médicaments (par exemple, initiation, arrêt ou ajustement de traitements tels que les antibiotiques ou les diurétiques) ; l'orientation vers un spécialiste ; la mise en œuvre d'algorithmes de traitement en clinique (par exemple, gestion de l'anémie, supplémentation nutritionnelle, surveillance de l'accès vasculaire) ; et d'autres soins de soutien (par exemple, orientation vers des ressources communautaires, transport, soins à domicile, santé comportementale ou évaluation pour une greffe). Les chercheurs ont étudié 10 294 patients fournissant 83 928 scores de risque. Les chances d'hospitalisation ont été significativement réduites de 8 % avec l'intervention pilotée par l'IA (OR 0,92 ; P=0,025), dont 7 % avec des soins gérés à distance par une infirmière et 9 % avec des soins gérés en clinique. Les résultats ont été rapportés dans NEJM Catalyst.

L'IA montre également des promesses dans la néphrite lupique (LN). Une revue complète des dernières avancées dans le diagnostic et le traitement de la LN, avec un accent sur l'application des technologies d'IA et d'apprentissage automatique, a été publiée dans The Lancet. La biopsie rénale est considérée comme l'outil de diagnostic de référence ; cependant, en raison de la nature invasive de cette procédure, seuls les candidats appropriés doivent être envisagés. La variabilité entre observateurs découlant des limites humaines est une préoccupation, et la numérisation de l'analyse des biopsies rénales peut améliorer la précision des lectures. Lorsqu'elle est couplée à l'IA et à l'apprentissage automatique, les subtilités du diagnostic des sous-groupes peuvent être identifiées, améliorant ainsi la personnalisation des parcours de traitement. Les chercheurs ont fait référence à un nouvel algorithme évolutif sphérique, fondé sur un supervolume brut binaire combiné à un échantillonnage intelligent groupé (bRGSE), qui a atteint un niveau de précision de 96,687 % et une sensibilité de 97,833 % pour distinguer la néphrite lupique proliférative de la néphrite lupique membraneuse.

La revue a également couvert les traitements biologiques ciblés pour la LN, y compris les produits biologiques ciblant les cellules B et les plasmocytes, les cellules T, les cytokines et la cascade du complément. Les décisions de traitement pourraient être éclairées par une analyse basée sur l'IA des données multiomiques, qui intègre des informations de plusieurs niveaux biologiques, notamment la génomique, la transcriptomique, la protéomique et la métabolomique. Deux sujets suscitant un vif intérêt sont la dégradation ciblée des protéines et la pharmacogénomique. La pharmacogénomique dans le traitement de la LN serait appliquée pour comprendre comment les polymorphismes génétiques affectent le métabolisme des médicaments, leur efficacité et la présentation des réactions indésirables. Les chercheurs concluent que la médecine de précision, qui pourrait un jour être obtenue grâce à l'application de l'IA et de l'apprentissage automatique dans le traitement de la LN, est très prometteuse.

Plus largement, l'intelligence artificielle en néphrologie couvre une gamme d'approches de modélisation, selon une revue de pointe publiée dans l'International Journal of Molecular Sciences. Pour les données médicales enregistrées sous forme tabulaire (telles que les résultats de tests, l'âge et les paramètres cliniques), des modèles comme la régression logistique, les forêts aléatoires et XGBoost fonctionnent très bien. Des solutions intermédiaires, comme le perceptron multicouche, combinent les avantages des modèles classiques avec ceux de méthodes plus complexes. Les modèles les plus avancés – les réseaux neuronaux profonds – sont utilisés lorsque les données sont plus complexes, par exemple dans l'analyse d'images médicales, et peuvent reconnaître des structures et des modèles indépendamment de leur disposition, ce qui est particulièrement important dans le diagnostic histopathologique. La direction la plus innovante consiste à combiner l'intelligence artificielle avec l'analyse biologique moderne, comme la protéomique ou la métabolomique, permettant la détection de signes très précoces de maladie avant l'apparition des symptômes ou avant que des changements ne deviennent visibles dans les tests standard. Comme l'a souligné un professeur de l'Université de médecine de Wrocław : « Le plus grand potentiel de ces méthodes réside dans leur capacité à analyser de vastes ensembles de données biologiques et à identifier des modèles invisibles dans le diagnostic classique. En pratique, cela signifie la possibilité d'une détection plus précoce de la maladie et d'une meilleure prédiction de son évolution avant que des lésions rénales irréversibles ne surviennent. »