Algorithme d’aide au diagnostic de mélanome en soin primaire : une première évaluation plutôt convaincante

Les mélanomes ne représentent que 5 % des cancers cutanés mais sont responsables de 75 % des décès liés à ces derniers. Il existe une influence majeure sur le pronostic de l’épaisseur du mélanome justifiant un diagnostic précoce, même si les données de l’intérêt du dépistage systématique sont difficiles à interpréter. Plusieurs métaanalyses ont montré que la dermatoscopie est supérieure à la clinique seule pour la performance diagnostique du mélanome. Ces dernières années, nous avons présenté dans cette veille bibliographique plusieurs articles montrant l’intérêt des outils d’algorithme par apprentissage profond (deep learning) montrant des performances au moins égales à celle des dermatologues, en particulier dans le cadre du diagnostic de mélanome par dermoscopie. Il est important de souligner que la plupart de ces études avaient nécessité au préalable un traitement des images et que les résultats ne pouvaient être généralisés à une pratique courante et réelle, empêchant la généralisation des résultats à une utilisation en soin primaire, en particulier par des médecins généralistes. Cet essai clinique prospectif multicentrique a été mené dans 36 centres de soins primaires en Suède. Les médecins ont utilisé une application pour smartphone sur des lésions cutanées suspectées cliniquement d’être des mélanomes, en les photographiant avec un dermatoscope. L’application donnait un résultat dichotomique OUI/NON. Étaient également notées la suspicion clinique du médecin généraliste et l’attitude qu’il aurait eue en l’absence de l’application : surveillance, excision directe, envoi à un chirurgien ou à un dermatologue. Indépendamment du résultat de l’application, toutes les lésions ont eu une procédure diagnostique standardisée (orientation vers un dermatologue et/ou excision chirurgicale). Après la réalisation des investigations, les diagnostics des lésions ont été collectés à partir des dossiers médicaux des patients et comparés avec le résultat de l’application et d’autres données sur les lésions. Au total, 253 lésions suspetes chez 228 patients ont été incluses, dont 21 se sont avérées être des mélanomes, avec 11 mélanomes invasifs et 10 mélanomes in situ. La précision de l’application dans l’identification des mélanomes en utilisant une courbe ROC (Receiver Operating Characteristic) avec une surface sous la courbe (AUROC) de 0,960 (IC95 % : 0,928-0,980), correspondant à une sensibilité maximale et à une spécificité de 95,2 % et 84,5 %, respectivement. Pour les mélanomes invasifs seuls, l’AUROC était de 0,988 (IC95 % : 0,965-0,997), correspondant à une sensibilité maximale et une spécificité de 100 % et 92,6 %, respectivement. Par rapport à l’impact de l’application quant à la suspicion de mélanome des médecins généralistes, la suspicion aurait diminué chez 61 lésions (24 %) et augmenté chez 56 lésions (22 %). En analysant les caractéristiques cliniques des lésions (taille, âge ou sexe du patient), la suspicion clinique du médecin généraliste et le résultat de l’application, c’est ce dernier qui était le plus associé au diagnostic de mélanome confirmant l’intérêt de l’outil. Au total, une application d’aide à la décision clinique évaluée de façon prospective chez les patients en soins primaires montre son intérêt pour le diagnostic de mélanome. Des études à grande échelle restent nécessaires.