The use of artificial intelligence algorithms to guide surgical treatment of adolescent idiopathic scoliosis

La scoliose idiopathique de l’adolescent (SIA) est une déformation tri-dimensionelle du rachis. Son traitement comprend l’observation, l’utilisation de corsets pour limiter sa progression ou la chirurgie pour corriger la déformation squelettique et cesser sa progression. Le traitement chirurgical reste controversé au niveau des indications, mais aussi de la chirurgie à entreprendre. Malgré la présence de classifications pour guider le traitement de la SIA, une variabilité dans la stratégie opératoire intra et inter-observateur a été décrite dans la littérature. Cette variabilité s’accentue d’autant plus avec l’évolution des techniques chirurgicales et de l’instrumentation disponible. L’avancement de la technologie et son intégration dans le milieu médical a mené à l’utilisation d’algorithmes d’intelligence artificielle informatiques pour aider la classification et l’évaluation tridimensionnelle de la scoliose. Certains algorithmes ont démontré être efficace pour diminuer la variabilité dans la classification de la scoliose et pour guider le traitement. L’objectif général de cette thèse est de développer une application utilisant des outils d’intelligence artificielle pour intégrer les données d’un nouveau patient et les évidences disponibles dans la littérature pour guider le traitement chirurgical de la SIA. Pour cela une revue de la littérature sur les applications existantes dans l’évaluation de la SIA fut entreprise pour rassembler les éléments qui permettraient la mise en place d’une application efficace et acceptée dans le milieu clinique. Cette revue de la littérature nous a permis de réaliser que l’existence de “black box” dans les applications développées est une limitation pour l’intégration clinique ou la justification basée sur les évidence est essentielle. Dans une première étude nous avons développé un arbre décisionnel de classification de la scoliose idiopathique basé sur la classification de Lenke qui est la plus communément utilisée de nos jours mais a été critiquée pour sa complexité et la variabilité inter et intra-observateur. Cet arbre décisionnel a démontré qu’il permet d’augmenter la précision de classification proportionnellement au temps passé à classifier et ce indépendamment du niveau de connaissance sur la SIA. Dans une deuxième étude, un algorithme de stratégies chirurgicales basé sur des règles extraites de la littérature a été développé pour guider les chirurgiens dans la sélection de l’approche et les niveaux de fusion pour la SIA. Lorsque cet algorithme est appliqué à une large base de donnée de 1556 cas de SIA, il est capable de proposer une stratégie opératoire similaire à celle d’un chirurgien expert dans prêt de 70% des cas. Cette étude a confirmé la possibilité d’extraire des stratégies opératoires valides à l’aide d’un arbre décisionnel utilisant des règles extraites de la littérature. Dans une troisième étude, la classification de 1776 patients avec la SIA à l’aide d’une carte de Kohonen, un type de réseaux de neurone a permis de démontrer qu’il existe des scoliose typiques (scoliose à courbes uniques ou double thoracique) pour lesquelles la variabilité dans le traitement chirurgical varie peu des recommandations par la classification de Lenke tandis que les scolioses a courbes multiples ou tangentielles à deux groupes de courbes typiques étaient celles avec le plus de variation dans la stratégie opératoire. Finalement, une plateforme logicielle a été développée intégrant chacune des études ci-dessus. Cette interface logicielle permet l’entrée de données radiologiques pour un patient scoliotique, classifie la SIA à l’aide de l’arbre décisionnel de classification et suggère une approche chirurgicale basée sur l’arbre décisionnel de stratégies opératoires. Une analyse de la correction post-opératoire obtenue démontre une tendance, bien que non-statistiquement significative, à une meilleure balance chez les patients opérés suivant la stratégie recommandée par la plateforme logicielle que ceux aillant un traitement différent. Les études exposées dans cette thèse soulignent que l’utilisation d’algorithmes d’intelligence artificielle dans la classification et l’élaboration de stratégies opératoires de la SIA peuvent être intégrées dans une plateforme logicielle et pourraient assister les chirurgiens dans leur planification préopératoire.Adolescent idiopathic scoliosis (AIS) is a three-dimensional deformity of the spine. Management of AIS includes conservative treatment with observation, the use of braces to limit its progression or surgery to correct the deformity and cease its progression. Surgical treatment of AIS remains controversial with respect to not only indications but also surgical strategy. Despite the existence of classifications to guide AIS treatment, intra- and inter-observer variability in surgical strategy has been described in the literature. Technological advances and their integration into the medical field have led to the use of artificial intelligence (AI) algorithms to assist with AIS classification and three-dimensional evaluation. With the evolution of surgical techniques and instrumentation, it is probable that the intra- and inter-observer variability could increase. However, some AI algorithms have shown the potential to lower variability in classification and guide treatment. The overall objective of this thesis was to develop software using AI tools that has the capacity to integrate AIS patient data and available evidence from the literature to guide AIS surgical treatment. To do so, a literature review on existing computer applications developed with regards to AIS evaluation and management was undertaken to gather all the elements that would lead to usable software in the clinical setting. This review highlighted the fact that many applications use a non-descript “black box” between input and output, which limits clinical integration where management based on evidence is essential. In the first study, we developed a decision tree to classify AIS based on the Lenke scheme. The Lenke scheme was popular in the past, but has recently been criticized for its complexity leading to intra and inter-observer variability. The resultant decision tree demonstrated an ability to increase classification accuracy in proportion to the time spent classifying. Importantly, this increase in accuracy was independently of previous knowledge about AIS. In the second study, a surgical strategy rule-based algorithm was developed using rules extracted from the literature to guide surgeons in the selection of the approach and levels of fusion for AIS. When this rule-based algorithm was tested against a database of 1,556 AIS cases, it was able to output a surgical strategy similar to the one undertaken by an expert surgeon in 70% of cases. This study confirmed the ability of a rule-based algorithm based on the literature to output valid surgical strategies. In the third study, classification of 1,776 AIS patients was undertaken using Kohonen Self-Organizing-Maps (SOM), which is a kind of neural network that demonstrates there are typical AIS curve types (i.e: single curves and double thoracic curves) for which there is little variability in surgical treatment when compared to the recommendations from the Lenke scheme. Other curve types (i.e: multiple curves or in transition zones between typical curves) have much greater variability in surgical strategy. Finally, a software platform integrating all the above studies was developed. The interface of this software platform allows for: 1) the input of AIS patient radiographic measurements; 2) classification of the curve type using the decision tree; 3) output of surgical strategy options based on rules extracted from the literature. A comparison of surgical correction obtained by patients receiving surgical treatment suggested by the software showed a tendency to obtain better balance -though non-statistically significant - than those who were treated differently from the surgical strategies outputted by the software. Overall, studies from this thesis suggest that the use of AI algorithms in the classification and selection of surgical strategies for AIS can be integrated in a software platform that could assist the surgeon in the planning of appropriate surgical treatment