Cette étude vise à évaluer différents modèles d’intelligence artificielle (IA) pour prédire le risque de réintervention (révision ou explantation) après la première implantation d’un sphincter urinaire artificiel (SUA) chez des hommes traités pour l’incontinence urinaire d’effort consécutive aux traitements du cancer de la prostate ou de l’hypertrophie bénigne de la prostate.

À partir de la base de données Observapur issue du SNDS, comprenant des données médicales et chirurgicales détaillées de 8475 patients opérés d’un SUA pour incontinence urinaire due aux traitements de l’HBP ou du cancer de la prostate entre 2006 et 2018, nous avons développé divers modèles d’IA, tels que Cox Proportional Hazards avec Multilayer Perceptron (Cox PH MLP), Survival Support Vector Machines (SVM), XGBoost, et Random Survival Forests (RSF). La population a été divisée en ensembles d’entraînement (5085 patients), de validation (1695 patients) et de test (1695 patients). Ces modèles ont été entraînés à prédire le risque de réintervention en fonction des variables préopératoires pertinentes telles que l’âge, les traitements antérieurs et les comorbidités. Le prétraitement des données comprenait l’encodage one-hot pour les variables catégorielles et la normalisation standard pour les variables continues. Les modèles ont été évalués sur leur précision avec des indices tels que l’indice de concordance C-index et le score de Brier.

Les performances des modèles d’IA ont montré un C-index de 0,63 pour le Random Survival Forest (RSF), 0,587 pour le Survival Support Vector Machine (SVM), 0,579 pour le Cox Multilayer Perceptron (MLP) et 0,49 pour le modèle XGBoost. La courbe du score de Brier pour les quatre modèles est initialement très basse, montre une augmentation modérée pour atteindre un pic près de 0,20, et décroît ensuite de manière régulière. Cela indique que les modèles maintiennent une performance assez constante et deviennent progressivement plus précis au fur et à mesure que le temps avance (Fig. 1).

Les modèles d’IA développés montrent des résultats prometteurs dans la prédiction des risques de réintervention, avec un avantage pour le modèle RSF. Après avoir identifié les facteurs affectant les taux de réintervention de l’AUS, cette étude pose les bases du développement d’un outil utilisant l’IA pour l’évaluation personnalisée des risques, en fonction des caractéristiques individuelles des patients.