Une équipe de chercheurs dirigée par Yingshuang Gao de l'Université Jiao Tong de Shanghai a mis au point DynaTOF, un système d'intelligence artificielle destiné à assister les médecins dans le diagnostic et le suivi des enfants atteints de tétralogie de Fallot. Cette malformation cardiaque congénitale fréquente nécessite des échographies répétées, des examens complexes où l'interprétation peut varier selon les praticiens et la charge de travail. Les résultats de cette étude, publiés en 2026 dans la revue eBioMedicine, démontrent que l'IA peut efficacement soutenir le workflow clinique sans remplacer l'expertise médicale. Le framework DynaTOF opère en plusieurs phases. Il identifie d'abord les vues échographiques standards pour garantir l'analyse des bons segments cardiaques. Il localise ensuite et mesure automatiquement les diamètres cardiaques essentiels, limitant les tâches manuelles répétitives et renforçant la cohérence des données. En fusionnant les caractéristiques visuelles des vidéos échographiques avec ces mesures quantitatives, le modèle adopte une approche multimodale. Cette combinaison s'avère plus performante que l'analyse isolée des images ou des chiffres, reflétant la méthode naturelle des cardiologues qui croisent multiples indicateurs pour poser un diagnostic. Au-delà de l'identification initiale, DynaTOF anticipe la trajectoire postopératoire. En traitant les données échographiques préopératoires, le type de chirurgie et les délais de suivi, le système estime les risques de complications et les schémas de récupération atypiques. Cette prédiction ne constitue pas une garantie absolue, mais sert de repère permettant aux cliniciens d'identifier les enfants nécessitant une surveillance accrue. L'objectif est d'organiser l'information médicale, de réduire les variations d'interprétation et de libérer du temps soignant pour le suivi humain des patients et de leurs familles. La validation s'appuie sur des données multicentriques incluant des enfants en bonne santé, des patients présentant des cardiopathies similaires et des cas confirmés de tétralogie de Fallot. Cette diversité a permis de tester le système dans des conditions réalistes, là où la différence entre les affections est souvent subtiles. Les performances se sont révélées solides pour l'évaluation diagnostique, la prédiction des scores de récupération et la stratification du risque de suivi. Malgré ces résultats prometteurs, les auteurs soulignent la nécessité d'une validation clinique approfondie avant un déploiement généralisé. Les différences d'équipements d'imagerie, de profils de patients et de protocoles hospitaliers peuvent affecter les performances en conditions réelles. Cette étude rappelle que l'intelligence artificielle médicale doit s'inscrire dans le parcours de soin continu. Pour être véritablement pertinente, la technologie doit relier les étapes du diagnostic à la surveillance à long terme. DynaTOF illustre cette orientation en s'intégrant directement aux pratiques cliniques, visant à renforcer l'efficacité des soignants au service des patients vulnérables.