Intelligence artificielle dans la douleur pédiatrique : une revue systématiqueArtificial intelligence in pediatric pain: a systematic review.
- L'IA est principalement utilisée pour l'évaluation de la douleur pédiatrique via l'apprentissage profond (86,7% après 2020) et l'apprentissage automatique classique (83,3% avant 2015).
- Les méthodes multimodales (fusion de données) surpassent significativement les méthodes unimodales pour l'évaluation de la douleur.
- Seules 16,9% des études portent sur la gestion de la douleur, souvent par interventions robotisées avec guidage respiratoire et gamification.
Article pertinent pour la neuropsychologie et les neurosciences cliniques, car l'évaluation et la gestion de la douleur chez l'enfant impliquent des aspects cognitifs et sensoriels. Cependant, le focus n'est pas directement sur les troubles neurodéveloppementaux, ce qui réduit la pertinence maximale pour NeuroWatch.
Près de la moitié des études d'évaluation présentent un risque élevé de biais, limitant la fiabilité des résultats. La plupart des études ont des échantillons de petite taille (<50 participants), ce qui réduit la puissance statistique. Les études d'intervention sont rares et souvent peu robustes, avec 11 sur 12 à haut risque de biais. Il n'y a pas de standardisation des ensembles de données ni de validation prospective dans des contextes cliniques réels. La revue inclut des études jusqu'en mars 2026 mais la recherche évolue rapidement.
Cette revue systématique examine l'utilisation de l'intelligence artificielle (IA) dans la gestion de la douleur pédiatrique. Sur 71 études incluses, 59 se concentrent sur l'évaluation de la douleur via l'apprentissage profond et automatique, principalement par analyse faciale (40,8%), fusion multimodale (25,4%) et signaux physiologiques (9,9%). Les approches multimodales surpassent les unimodales (différence d'AUC : +0,13, p<0,01). Douze études portent sur la gestion de la douleur, notamment par interventions robotiques avec stratégies cognitivo-comportementales. Cependant, 47,5% des études d'évaluation présentent un risque élevé de biais. L'IA améliore l'efficacité de la détection et de l'évaluation de la douleur, mais des efforts sont nécessaires pour standardiser les données et valider les modèles en conditions réelles.
L'IA est principalement utilisée pour l'évaluation de la douleur pédiatrique via l'apprentissage profond (86,7% après 2020) et l'apprentissage automatique classique (83,3% avant 2015). Les méthodes multimodales (fusion de données) surpassent significativement les méthodes unimodales pour l'évaluation de la douleur. Seules 16,9% des études portent sur la gestion de la douleur, souvent par interventions robotisées avec guidage respiratoire et gamification. Plus de 40% des études d'évaluation et 11 des 12 études d'intervention présentent un risque élevé de biais. Les petites et moyennes tailles d'échantillon (42,2% avec <50 participants) limitent la généralisabilité.
L'IA pourrait améliorer l'objectivité et l'efficacité de l'évaluation de la douleur chez les enfants non communicants. Les systèmes d'IA multimodaux intégrant expressions faciales, signaux physiologiques et données contextuelles pourraient être plus précis. Les interventions robotisées basées sur des stratégies cognitivo-comportementales pourraient aider à gérer la douleur procédurale. La standardisation des bases de données et la validation en milieu réel sont nécessaires avant une adoption clinique généralisée. Les cliniciens doivent être conscients des biais potentiels dans les modèles d'IA actuels.
Revue