Résumés CPLF 2026
Association entre la quantification tomodensitométrique thoracique par machine learning et la dyspnée persistante chez les patients post Covid-19
Auteur correspondant : email
Introduction
La dyspnée figure parmi les symptômes les plus fréquemment rapportés dans le syndrome post-aigu de la COVID-19 (PASC). Les examens classiques, tels que les explorations fonctionnelles respiratoires (EFR) et l’évaluation visuelle des scanners thoraciques, échouent souvent à expliquer la sévérité des symptômes, ce qui souligne la nécessité de recourir à des biomarqueurs d’imagerie plus sensibles.
Méthodes
Nous avons analysé les scanners thoraciques sans injection chez 139 patients atteints de PASC. Les scanners inspiratoires ont été segmentés à l’aide d’un algorithme de machine learning afin de quantifier les différentes atteintes pulmonaires (verre dépoli, verre dépoli dense, condensations, poumon normal) en terme de volume, densité moyenne et déviation standard. Un recalage élastique a été effectué entre les images expiratoires et inspiratoires pour extraire des paramètres fonctionnels tels que ventilation régionale et classer les voxels par parametric response mapping (PRM) ; emphysème, atteinte fonctionnelle des petites voies aériennes, poumon normal. Nous avons analysé les associations entre ces mesures quantitatives et la dyspnée rapportée par les patients (échelle visuelle analogique) par régression linéaire, en analyse univariée. Une analyse multivariée ajustée sur l’âge, le sexe, le BMI et le nombre de paquets-années a ensuite été réalisée.
Résultats
La segmentation automatique a été réalisée avec succès chez 124 patients (89%), et 123 patients (88%) disposaient d’un CT inspiration/expiration de qualité suffisante pour l’analyse fonctionnelle. Dans le modèle multivarié ajusté, une proportion plus élevée d’atteinte des petites voies aériennes (fSAD) définie par PRM (β=0,261 ; p=0,005), une hétérogénéité plus faible des condensations pulmonaires droites (β=–0,182 ; p=0,042) et un volume pulmonaire inspiratoire réduit (β=–0,299 ; p=0,003) étaient associés à une dyspnée plus importante.
Conclusion
Chez les patients PASC, l’analyse quantitative des scanners thoraciques par machine learning a mis en évidence des associations significatives entre la dyspnée persistante et plusieurs marqueurs CT quantitatifs, incluant l’atteinte des petites voies aériennes, l’homogénéité des condensations et la réduction de volume pulmonaire. Ces résultats suggèrent que l’imagerie quantitative peut jouer un rôle clé dans la caractérisation des symptômes du COVID long.
Figure 1. TDM thoracique axiale et coronale, cartes de segmentation et images fusionnées chez un patient de 79 ans ; vert : normal ; rose : verre dépoli ; marron : verre dépoli dense ; rouge : vaisseaux ; violet : condensation ; bleu : tissus mous ; bleu claire : os.
Cohen J.G. * ; Estopier-Castillo V. * ; Olivier C. * ; Destors M. * ; Ferretti G.R. * ; Pepin J.L. * ; Tamisier R. * ; Bayat S. *
*Déclarent ne pas avoir de lien d'intérêt en rapport avec ce résumé.