P. Scherdela (Mme), B. Heudeb (Mme), A. Wernerc (Dr), R. Braunerd (Dr), B. Frandjie (Dr), M. Chalumeau*f (Dr)

a CRESS, INSERM 1153, équipe Epopé, Université de Paris, Paris, FRANCE ; b CRESS, INSERM 1153, équipe EARoH, Université de Paris, Paris, FRANCE ; c Association Française de Pédiatrie Ambulatoire, Commission Recherche, Pediatric office, Villeneuve-Lès-Avignon, FRANCE ; d Unité d’Endocrinologie Pédiatrique, Fondation Ophtalmologique Adolphe de Rothschild, Université Paris Descartes, Paris, FRANCE ; e CompuGroup Medical France, Nanterre, FRANCE ; f CRESS, INSERM 1153, équipe Epopé, Université de Paris; Department of General Pediatrics and Pediatric Infectious Diseases, Necker-Enfants malades hospital, AP-HP, Université de Paris, Paris, FRANCE

* martin.chalumeau@gmail.com

La surveillance de la croissance des enfants (SCE) est une activité universelle qui a pour objectif de repérer précocement des maladies graves afin d’en améliorer le pronostic. Les performances actuelles de la SCE sont sous-optimales avec de longs délais diagnostiques pour certaines maladies et des référencements à tort d’enfants sains (Scherdel Lancet Endocrinol Diab 2016). Cette sous-optimalité est liée au relatif empirisme de la SCE (Scherdel J Clin Endocrinol Metab 2019). L’optimisation des performances de la SCE nécessite une standardisation et notamment l’identification d’affections cibles prioritaires, la production de courbes de croissance calibrées et la construction puis la validation d’algorithmes pour définir une croissance anormale. Nous avons obtenu par une méthode Delphi un consensus national sur les huit maladies cibles prioritaires de la SCE : syndrome de Turner, déficit en hormone de croissance avec syndrome d'interruption de la tige pituitaire, maladie cœliaque, maladie de Crohn, néphronophtise juvénile, cystinose infantile, craniopharyngiome et astrocytome hypothalamo-optochiasmatiques (Scherdel PLoS One 2017). Nous avons produit de nouvelles courbes de croissance françaises de référence, calibrées, en utilisant une modélisation mathématique complexe de plus de trois millions de données de croissance de 238 000 enfants contemporains obtenues par extraction automatique des ordinateurs de médecins de soins primaires français (Heude Lancet Health Digital 2019). Nous avons construit et validé un algorithme d’intelligence artificielle de SCE en utilisant le modèle mixte linéaire de Jenss-Bayley pour caractériser les trajectoires individuelles de croissance, puis en comparant différents modèles de prédiction (machine learning). Ces avancées devraient permettre d’optimiser les performances de la SCE.

L’auteur a déclaré le(s) conflit(s) d’intérêt suivant(s) :

PS, BH, AW, MC co-détenteurs du brevet des courbes « AFPA/Inserm/CGM », subventions de recherche (PS, BH, MC) ou des honoraires pour des interventions (MC) de fabricants d’hormone de croissance (Novo Nordisk, Merck)