Le diagnostic de la sarcopénie demeure complexe malgré son importance en termes de santé publique. Les méthodes classiques pour mesurer la masse musculaire sont difficilement utilisables en routine clinique du fait de leur accessibilité ou de leur fiabilité. Depuis une dizaine d’années, la détermination de l’index de surface musculaire à partir de la coupe de scanner au niveau de la troisième vertèbre lombaire (coupe L3) émerge comme une technique simple et reproductible pour le diagnostic de la sarcopénie. Néanmoins, cette détermination nécessite : L’identification manuelle de la coupe L3 parmi toutes les coupes de scanner ; La segmentation manuelle ou semi-automatique des muscles striés squelettiques sur cette coupe, pour l’estimation de la surface musculaire ; Le calcul de l’index de surface musculaire en divisant la surface musculaire estimée par la taille du patient au carré. Ces étapes sont fastidieuses, cette technique n’est donc actuellement pas réalisée en pratique clinique et elle ne permet pas d’étude basée sur de très larges cohortes de patients. En outre, les seuils proposés dans la littérature pour le diagnostic de la sarcopénie à partir de cet index sont controversés. L’émergence des algorithmes d’Intelligence Artificielle (IA) dédiés à l’exploitation des données massives offre aujourd’hui de nouvelles opportunités pour l’assistance au quotidien des pratiques médicales. C’est dans ce contexte que le CHUGA porte ce projet dans le cadre d’une approche en relation avec la réutilisation des données de santé produites par l’hopital dans le cadre du soin. Nous émettons l’hypothèse qu’il est possible d’automatiser partiellement, voire totalement, la détermination de l’index de surface musculaire, par l’utilisation de méthodes innovantes d’intelligence artificielle.
