← Retour aux articles
Revue systématiqueVieillissement

Revue systématique de l'intelligence artificielle pour les mesures du vieillissement basées sur l'imagerie oculaire : données probantes, défis et potentiel clinique.

Systematic review of artificial intelligence for ocular imaging-based ageing measures: evidence, challenges, and clinical potential.

PubMed — neurosciences cognitives developpementales · Anglais

L’essentiel

Le vieillissement en bonne santé constitue un enjeu de santé publique mondial majeur face à l'accroissement des maladies chroniques. Cette revue systématique évalue le développement et la validation de mesures du vieillissement dérivées de l'intelligence artificielle appliquée à l'imagerie oculaire, ainsi que leurs associations avec divers facteurs de santé. Soixante-seize études incluant 55 modèles distincts ont été analysées selon une méthodologie rigoureuse. La majorité des modèles ont utilisé l'âge chronologique comme référence, rapportant des erreurs absolues moyennes de 2 à des années sur des ensembles de tests internes. Les phases de validation externe se sont révélées limitées, n'étant rapportées que dans 16 des études sélectionnées. Les analyses d'interprétabilité des modèles basés sur le fond d'œil ont systématiquement mis en évidence une focalisation sur la vasculature rétinienne et les régions maculaires. Des mesures de vieillissement oculaire plus élevées ont généralement été corrélées à des issues de santé défavorables, bien que la plupart des données probantes proviennent d'études transversales. Ces résultats indiquent un potentiel prometteur pour capturer des signaux de vieillissement systémique de manière non invasive. Toutefois, la variabilité des mesures et le manque de robustesse longitudinale soulignent la nécessité de standardiser les méthodologies avant toute application clinique future.

  • Soixante-seize études évaluant des modèles d'intelligence artificielle pour estimer l'âge biologique à partir de l'imagerie oculaire ont été synthétisées dans cette revue.
  • Les erreurs absolues moyennes des modèles testés en interne se situent généralement entre 2 et 6 ans par rapport à l'âge chronologique.
  • La validation externe reste insuffisante car elle n'a été documentée que dans un nombre restreint de publications.
Robustesse de l’étudeNon déterminable

Le texte intégral n’était pas accessible ; aucune faiblesse méthodologique ne peut être déduite de cette absence.

Comprendre l’analyse ↓
Portée de l’analyse NeuroWatchAnalyse partielle

Analyse du résumé uniquement. Confiance faible dans les informations extraites.

Voir les sources ↓

Synthèse détaillée

Synthèse

Le vieillissement en bonne santé constitue un enjeu de santé publique mondial majeur face à l'accroissement des maladies chroniques. Cette revue systématique évalue le développement et la validation de mesures du vieillissement dérivées de l'intelligence artificielle appliquée à l'imagerie oculaire, ainsi que leurs associations avec divers facteurs de santé. Soixante-seize études incluant 55 modèles distincts ont été analysées selon une méthodologie rigoureuse. La majorité des modèles ont utilisé l'âge chronologique comme référence, rapportant des erreurs absolues moyennes de 2 à des années sur des ensembles de tests internes. Les phases de validation externe se sont révélées limitées, n'étant rapportées que dans 16 des études sélectionnées. Les analyses d'interprétabilité des modèles basés sur le fond d'œil ont systématiquement mis en évidence une focalisation sur la vasculature rétinienne et les régions maculaires. Des mesures de vieillissement oculaire plus élevées ont généralement été corrélées à des issues de santé défavorables, bien que la plupart des données probantes proviennent d'études transversales. Ces résultats indiquent un potentiel prometteur pour capturer des signaux de vieillissement systémique de manière non invasive. Toutefois, la variabilité des mesures et le manque de robustesse longitudinale soulignent la nécessité de standardiser les méthodologies avant toute application clinique future.

Résultats principaux

Soixante-seize études évaluant des modèles d'intelligence artificielle pour estimer l'âge biologique à partir de l'imagerie oculaire ont été synthétisées dans cette revue. Les erreurs absolues moyennes des modèles testés en interne se situent généralement entre 2 et 6 ans par rapport à l'âge chronologique. La validation externe reste insuffisante car elle n'a été documentée que dans un nombre restreint de publications. Les cartes d'attention des modèles ciblent principalement la vasculature rétinienne et la région maculaire pour estimer le vieillissement. Des scores de vieillissement oculaire élevés montrent des associations cohérentes mais hétérogènes avec divers marqueurs de santé défavorables.

Repères pour la pratique

L'imagerie oculaire combinée à l'intelligence artificielle pourrait offrir un outil non invasif pour le dépistage précoce de marqueurs de vieillissement systémique. Les cliniciens doivent interpréter ces indices de vieillissement oculaire avec prudence en raison du manque de standardisation actuelle des métriques de performance. La recherche future doit privilégier des validations externes rigoureuses et des suivis longitudinaux pour confirmer la valeur prédictive de ces biomarqueurs.

Limites et précautions

Il s'agit d'une revue systématique rigoureuse portant sur l'intelligence artificielle et l'imagerie oculaire en lien avec le vieillissement, offrant un intérêt modéré à élevé pour les cliniciens et chercheurs en neurosciences s'intéressant aux biomarqueurs non invasifs. La grande majorité des études incluses présentent une conception transversale qui ne permet pas d'établir de causalité temporelle directe. Il existe une hétérogénéité marquée dans la déclaration des résultats et des performances métriques entre les différents travaux analysés. La généralisabilité des modèles reste limitée par le faible nombre de validations menées sur des populations diversifiées à l'échelle externe.

Analyse méthodologique

Non déterminable — Le texte intégral n’était pas accessible ; aucune faiblesse méthodologique ne peut être déduite de cette absence.

Le texte intégral ouvert n’était pas accessible. Cela rend la robustesse non déterminable : l’absence d’information n’est pas interprétée comme une faiblesse de l’étude.

Une anomalie documentaire ou méthodologique a été détectée. L’article reste disponible et doit être interprété avec prudence.

Examiner les critères point par point

Cette synthèse automatisée repose exclusivement sur l'analyse du résumé de la publication sélectionnée. La recherche documentaire a été menée dans PubMed, Web of Science et SCOPUS jusqu'au 1er février 2026, et le risque de biais a été évalué par deux examinateurs indépendants via PROBAST+AI. Le protocole de l'étude n'est pas rapporté dans la source analysée, ce qui ne constitue pas la preuve que cette méthode n'a pas été appliquée. Concernant les résultats de la revue, les auteurs rapportent une erreur absolue moyenne de 2 à 6 ans pour la prédiction de l'âge chronologique sur les ensembles de test internes, à partir de 76 études incluant 55 modèles. Les auteurs notent également un manque de validation externe, observée dans seulement 16 études, ainsi que des données longitudinales limitées. L'analyse NeuroWatch souligne que l'interprétation globale est restreinte par l'examen exclusif du résumé et l'hétérogénéité des performances rapportées. Aucune recommandation clinique n'est formulée dans le cadre de cet examen automatisé.

protocolNon déterminable

Aucune information concernant l'enregistrement ou la publication préalable d'un protocole n'est mentionnée dans le texte.

L’information nécessaire n’est pas rapportée dans la source analysée.
risk of biasFavorable

Le risque de biais a été évalué par deux examinateurs indépendants en utilisant l'outil PROBAST+AI.

Un élément méthodologique adéquat est explicitement documenté.
search strategyFavorable

La recherche documentaire a été menée dans les bases de données PubMed, Web of Science et SCOPUS depuis leur création jusqu'au 1er février 2026.

Un élément méthodologique adéquat est explicitement documenté.
study selectionFavorable

La sélection des études a été réalisée par deux examinateurs de manière indépendante.

Un élément méthodologique adéquat est explicitement documenté.
synthesis methodFavorable

La synthèse évalue le développement, la validation des mesures du vieillissement dérivées de l'IA et leurs associations avec des facteurs de santé, malgré l'hétérogénéité des métriques rapportées.

Un élément méthodologique adéquat est explicitement documenté.

Cette analyse est produite automatiquement par une IA à partir des sources indiquées, puis l’appréciation est calculée avec des règles versionnées (scientific_analysis_v2). Elle ne constitue ni une validation par un professionnel ni une recommandation clinique. Consulter la méthodologie.

Classification détaillée

Lecture multiaxiale

Ce que l’article étudie

Taxonomie 2026_10

L'article est une revue systématique évaluant l'intelligence artificielle pour l'estimation du vieillissement biologique via l'imagerie oculaire, ce qui relève directement de la thématique du vieillissement et des biomarqueurs.