Essais internationaux et amélioration d’algorithmes d’IA prédisant les sous-types de leucémie aiguë à partir de données de laboratoire routinières

Pourquoi cela compte pour les patients partout

Pour de nombreuses personnes atteintes de leucémie aiguë, le compte à rebours commence bien avant la consultation d’un spécialiste. Dans les régions où les examens avancés sont rares ou lents, déterminer simplement le type de leucémie peut prendre des jours — un délai qu’elles n’ont parfois pas. Cette étude examine si un programme d’intelligence artificielle (IA), n’utilisant que les analyses sanguines routinières pratiquées presque dans tous les hôpitaux, peut rapidement proposer le sous-type de leucémie le plus probable et aider les médecins à agir plus vite, en particulier dans des contextes de ressources limitées.

Transformer les tests sanguins quotidiens en une alerte précoce

Les chercheurs ont rassemblé les dossiers de 6 206 patients atteints de leucémie aiguë traités dans 20 centres de 16 pays, couvrant tous les continents habités et une large gamme de niveaux de revenu. Plutôt que de s’appuyer sur des examens spécialisés ou des tests génétiques, ils ont alimenté un modèle d’IA existant avec des mesures de laboratoire standard réalisées au moment du diagnostic, comme les hémogrammes, les paramètres de coagulation et les bilans chimiques de base. L’objectif était de vérifier si un outil initialement développé à partir de données françaises pouvait encore reconnaître trois types majeurs de leucémie — la leucémie myéloïde aiguë (LMA), la leucémie promyélocytaire aiguë (LPA) et la leucémie lymphoblastique aiguë (LLA) — dans des hôpitaux, des populations et des tranches d’âge très différents.

Des signaux forts, mais des inégalités quant à qui en bénéficie

Appliqué largement aux adultes, le modèle d’IA a donné de bonnes performances globales : il était particulièrement précis pour la LMA et la LPA, deux formes pour lesquelles une reconnaissance précoce peut fortement influer sur la survie. Cependant, la version originale comportait une règle interne stricte de « confiance » qui ne fournissait un résultat que lorsqu’elle était très sûre. Cela donnait d’excellents chiffres sur le papier, mais signifiait aussi qu’en pratique plus de 90 % des patients pouvaient ne recevoir aucune suggestion de l’IA. Même sans cette règle, les performances variaient fortement entre centres et types de leucémie, reflétant des différences d’âges des patients, de profils locaux de la maladie et même des appareils de laboratoire utilisés.

Apprendre au système à gérer des données réelles et désordonnées

Pour rendre l’outil plus utile en pratique quotidienne, l’équipe s’est penchée sur les raisons de ses échecs dans certains cas. Ils ont comparé les profils de tests sanguins des patients correctement et incorrectement classés et utilisé des méthodes statistiques d’explicabilité pour identifier les mesures les plus influentes. Certains marqueurs de coagulation et des caractéristiques des globules rouges se sont révélés particulièrement importants pour distinguer la LPA des autres types, tandis que des schémas des globules blancs aidaient à séparer la LMA de la LLA. Les chercheurs ont ensuite ajouté une nouvelle étape de prétraitement qui repère les patients « outliers » dont les résultats de laboratoire diffèrent fortement de ce que l’IA a vu auparavant. En combinant deux de ces filtres et en excluant seulement une fraction modeste des cas, ils ont amélioré la précision pour les groupes difficiles — en particulier pour les patients qui étaient auparavant en dessous du seuil de confiance du modèle — tout en conservant des prédictions disponibles pour la plupart des personnes.

Adapter l’IA aux enfants, pas seulement aux adultes

Les enfants atteints de leucémie présentent souvent des profils biologiques différents des adultes, et cela s’est avéré crucial. Lorsque l’IA entraînée sur des adultes a été appliquée à 1 746 patients pédiatriques, ses performances ont chuté, en particulier pour la LMA. L’équipe a montré que certaines valeurs sanguines clés, comme les facteurs de coagulation et les numérations cellulaires, suivaient des plages distinctes chez les plus jeunes patients. Plutôt que d’accepter cette baisse de performance, ils ont réentraîné l’IA spécifiquement sur des données pédiatriques, ce qui a nettement amélioré sa capacité à reconnaître les LLA et LMA infantiles tout en maintenant de bons résultats pour les cas pédiatriques plus rares de LPA. Cela souligne une leçon importante : les systèmes d’IA destinés à soutenir le diagnostic doivent être adaptés aux populations qu’ils visent.

Vers des soins de la leucémie plus rapides et plus équitables

Les auteurs soulignent que cet outil d’IA ne remplace pas les procédures de référence — examen microscopique, cytométrie en flux et tests génétiques — sur lesquelles les médecins s’appuient pour confirmer le type de leucémie et choisir des thérapies précises. Il offre plutôt un moyen de signaler rapidement les sous-types probables de leucémie à partir d’analyses de laboratoire déjà largement disponibles, y compris dans de nombreux pays à revenu faible ou intermédiaire. En affinant le modèle pour qu’il prenne en charge la diversité des hôpitaux, en filtrant les prédictions peu fiables et en créant une version pédiatrique, l’étude montre comment l’IA pourrait contribuer à réduire le délai d’accès aux soins spécialisés et aux traitements salvateurs. Ce travail prépare la voie à des essais futurs visant à tester si ce type d’aide à la décision peut réellement diminuer les décès précoces, rapprochant les bénéfices des soins modernes de la leucémie des patients, quel que soit leur lieu de vie.

Citation: Turki, A.T., Fan, Y., Hernández-Sánchez, A. et al. International testing and refinement of AI algorithms predicting acute leukemia subtypes from routine laboratory data. Nat Commun 17, 2649 (2026). https://doi.org/10.1038/s41467-026-70584-z

Mots-clés: leucémie aiguë, intelligence artificielle, assistance diagnostique, équité en santé, tests de laboratoire