Évaluation clinique des DM numériques IA : repenser les cadres méthodologiques
Cette revue narrative publiée dans BMJ Digital Health & AI analyse les défis spécifiques à l'évaluation clinique des dispositifs médicaux numériques (DMN) intégrant l'IA. Les auteurs soulignent que les cadres méthodologiques conçus pour les médicaments sont inadaptés aux DMN, qui évoluent dans le temps, impliquent plusieurs utilisateurs et génèrent des impacts organisationnels complexes. Ils détaillent les enjeux liés au choix des populations d'étude, à la définition des critères de jugement (cliniques, économiques, organisationnels), à la sélection des comparateurs et à l'utilisation des données en vie réelle, appelant à un cadre d'évaluation entièrement repensé.
L'essentiel en 30 secondes
• Les cadres d'évaluation clinique actuels, pensés pour les médicaments, sont insuffisants pour les dispositifs médicaux numériques basés sur l'IA, qui évoluent dans le temps et impliquent de multiples utilisateurs.
• La validation analytique (performance algorithmique) ne suffit pas : la validation clinique via études prospectives et essais interventionnels reste indispensable pour établir le rapport bénéfice-risque.
• Le choix des datasets, des critères de jugement (incluant critères organisationnels et économiques) et du comparateur approprié sont des éléments décisifs pour la généralisabilité des résultats.
• La mise à jour continue des algorithmes pose une question inédite : quand et comment reconduire une évaluation clinique après chaque nouvelle version du dispositif ?