Intelligence artificielle appliquée à l’électromyographie et aux études de conduction nerveuse : état de l’art et perspectives - 11/03/26
Artificial intelligence applied to electromyography and nerve conduction studies: State of the art and perspectives
Résumé |
Contexte et objectif |
L’intelligence artificielle (IA) suscite un intérêt croissant en neurophysiologie clinique. Cette revue narrative évalue l’état de l’art des applications d’apprentissage automatique (ML) et profond (DL) à l’électromyographie à l’aiguille (EMG) et aux études de conduction nerveuse (ECN) en analysant leur niveau de preuve et leurs limites.
Méthodes |
Une recherche systématique (PubMed, 2010–2025, recommandations PRISMA-ScR) a identifié 78 études (56 EMG, 22 ECN).
Résultats |
Le ML domine (92 % des études ; SVM 53 %, KNN 31 %) ; le DL reste minoritaire (8 %). La classification ternaire des PUM (normal/neurogène/myopathique) atteint 75–88 % de précision dans les études méthodologiquement rigoureuses, contre 95–99 % dans les études souffrant de biais de partitionnement. En ECN, des avancées concernent la neuropathie diabétique, la polyradiculoneuropathie inflammatoire démyélinisante chronique le syndrome du canal carpien et le syndrome de Guillain-Barré. L’analyse des ondes F par IA constitue un biomarqueur prometteur pour la SLA (AUC 0,95). Toutefois, le seul essai contrôlé randomisé n’a pas démontré de bénéfice clinique significatif. La validation externe reste rare (14 %).
Conclusion |
L’IA en électrodiagnostic relève d’un paradigme d’intelligence augmentée. Son adoption clinique nécessite des validations prospectives multicentriques, des jeux de données diversifiés et des cadres d’explicabilité adaptés.
Le texte complet de cet article est disponible en PDF.Summary |
Background and objective |
Artificial intelligence (AI) is generating growing interest in clinical neurophysiology. This narrative review assesses the state of the art of machine learning (ML) and deep learning (DL) applications in needle electromyography (EMG) and nerve conduction studies (NCS), analyzing their level of evidence and limitations.
Methods |
A systematic search (PubMed, 2010–2025, PRISMA-ScR guidelines) identified 78 studies (56 EMG, 22 NCS).
Results |
ML dominates (92% of studies; SVM 53%, KNN 31%); DL remains underrepresented (8%). Three-class MUP classification (normal/neuropathic/myopathic) achieves 75–88% accuracy in methodologically rigorous studies, compared with 95–99% in studies affected by data partitioning bias. In NCS, advances concern diabetic neuropathy, chronic inflammatory demyelinating polyradiculoneuropathy, carpal tunnel syndrome, and Guillain-Barré syndrome. AI-based F-wave analysis represents a promising biomarker for ALS diagnosis (AUC 0.95). However, the only published randomized controlled trial failed to demonstrate significant clinical benefit. External validation remains rare (14% of studies).
Conclusion |
AI in electrodiagnosis falls within an augmented intelligence paradigm. Its clinical adoption requires prospective multicenter validation, diverse training datasets, and appropriate explainability frameworks.
Le texte complet de cet article est disponible en PDF.Mots clés : Intelligence artificielle, Électromyographie, Potentiel d’unité motrice, Étude de conduction nerveuse, Neuromusculaire
Keywords : Artificial intelligence, Electromyography, Motor unit potential, Nerve conduction study, Neuromuscular
Plan
Vol 17 - N° 1
P. 47-60 - mars 2026 Retour au numéro
Article précédent
- Les biomarqueurs d’intérêt dans les maladies neuromusculaires
- É. Fortanier
- Phénomènes transitoires épileptiques : quand y penser ? L’épilepsie comme diagnostic différentiel d’évènements neurologiques transitoires : focus sur les céphalées, les vertiges et les déficits neurologiques focaux
- J. Benoit, F. Bartolomei
Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.
Déjà abonné à cette revue ?