Un outil prédictif basé sur l’intelligence artificielle pour le dépistage précoce de l’amylose à transthyrétine en chirurgie de la main

L’amylose à transthyrétine (ATTR) est une maladie systémique progressive caractérisée par le dépôt extracellulaire de fibrilles amyloïdes issues de la protéine transthyretine malformée. Longtemps considérée comme rare, elle est aujourd’hui reconnue comme largement sous-diagnostiquée, notamment dans sa forme sauvage (ATTRwt) affectant principalement les sujets âgés. L’atteinte cardiaque constitue la complication la plus grave, souvent diagnostiquée tardivement, lorsque des lésions irréversibles sont déjà présentes.

Des études cliniques ont montré que le syndrome du canal carpien (SCC) peut précéder l’atteinte cardiaque de 5 à 10 ans, constituant ainsi un signal d’alerte précoce. Cependant, en pratique clinique, le dépistage systématique de l’amylose chez les patients opérés pour un SCC n’est pas réalisé en raison du coût, de la faible rentabilité diagnostique en population non ciblée, et de l’absence d’outil de stratification fiable.

Ce projet vise à développer un outil prédictif basé sur l’intelligence artificielle permettant d’identifier, parmi les patients présentant un syndrome du canal carpien, ceux à haut risque d’amylose sous-jacente. L’approche reposera sur la constitution d’une base de données multimodale intégrant des variables cliniques (âge, sexe, SCC bilatéral), chirurgicales (aspect per-opératoire), biologiques, électrophysiologiques et éventuellement histologiques.

Des modèles d’apprentissage automatique seront entraînés afin de détecter des patterns complexes et des combinaisons de facteurs de risque difficiles à identifier par analyse conventionnelle. Une attention particulière sera portée à l’intelligence artificielle explicable (XAI), afin de garantir la transparence des prédictions et leur acceptabilité clinique.

L’objectif final est de fournir un système d’aide à la décision clinique capable d’orienter les chirurgiens de la main vers un dépistage ciblé (biopsie synoviale, scintigraphie cardiaque, biomarqueurs) uniquement chez les patients à risque élevé. En exploitant la fenêtre temporelle offerte par les manifestations précoces du SCC, ce projet ambitionne de transformer une intervention chirurgicale courante en opportunité de diagnostic précoce d’une maladie systémique grave, avec un impact direct sur la survie et la qualité de vie des patients.

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Transthyretin amyloidosis (ATTR) is a progressive systemic disease caused by extracellular deposition of misfolded transthyretin protein fibrils. Once considered rare, it is now recognized as largely underdiagnosed, particularly in its wild-type form (ATTRwt), which mainly affects older individuals. Cardiac involvement is the most severe complication and is often diagnosed at an advanced stage, when irreversible damage has already occurred.

Clinical studies have shown that carpal tunnel syndrome (CTS) may precede cardiac involvement by 5 to 10 years, representing an early warning sign. However, routine screening for amyloidosis in patients undergoing CTS surgery is not currently performed due to cost, low diagnostic yield in unselected populations, and the absence of reliable risk stratification tools.

This project aims to develop an artificial intelligence–based predictive tool to identify, among patients with CTS, those at high risk of underlying amyloidosis. The approach will rely on building a multimodal database integrating clinical variables (age, sex, bilateral CTS), surgical findings, biological markers, electrophysiological data, and potentially histological results.

Machine learning models will be trained to detect complex patterns and combinations of risk factors that are difficult to identify using conventional statistical methods. Particular attention will be given to explainable artificial intelligence (XAI) to ensure transparency and clinical acceptability of predictions.

The ultimate goal is to provide a clinical decision-support system that guides hand surgeons toward targeted screening (synovial biopsy, cardiac scintigraphy, biomarkers) only in high-risk patients. By leveraging the early time window offered by CTS manifestations, this project seeks to transform a routine surgical procedure into an opportunity for early diagnosis of a severe systemic disease, with direct impact on patient survival and quality of life.

The Engineering science, computer science and imaging laboratory created in 2013, the laboratory brings together researchers of the University of Strasbourg, the CNRS (French National Center for Scientific Research), the ENGEES and the INSA of Strasbourg in the fields of engineering science and computer science, with imaging as the unifying theme. With around 650 members, ICube is a major driving force for research in Strasbourg whose main areas of application are biomedical engineering and the sustainable development.

Nous recherchons un(e) candidat(e) fortement motivé(e), avec un intérêt marqué pour la recherche interdisciplinaire à l’interface entre médecine et intelligence artificielle.

Formation requise

• Master (M2 ou équivalent)  obtenu ou en cours de préparation en Data Science, Intelligence Artificielle, Informatique, Mathématiques appliquées ou domaine connexe.
• Solides connaissances en apprentissage automatique (apprentissage supervisé, évaluation de modèles, validation croisée).
• Maîtrise de Python (Scikit-learn, TensorFlow, PyTorch) et de l'ingénierie des données.
• Bonnes bases en statistiques et analyse de données.
• Connaissances en gestion et structuration de bases de données.

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

We are seeking a highly motivated candidate with a strong interest in interdisciplinary research at the interface of medicine and artificial intelligence.

Required background

• Master’s degree (MSc or equivalent) obtained or currently in preparation in Data Science, Artificial Intelligence, Computer Science, Applied Mathematics, or a related field.
• Solid knowledge of machine learning methods (supervised learning, model evaluation, cross-validation).
• Proficiency in Python (Scikit-learn, TensorFlow, PyTorch) and data engineering.
• Good understanding of statistics and data analysis.
• Knowledge of database management and structuring.