L’intelligence artificielle (IA) est un ensemble de théories et de techniques permettant de simuler l’intelligence humaine à l’aide de machines utilisant des programmes informatiques complexes. Les différentes méthodes d’apprentissage automatique (ou Machine Learning, ML) ne sont qu’un sous-groupe de l’IA. Elles émanent de la science informatique. Elles utilisent des algorithmes établis à partir de l’analyse de bases de données pour pouvoir accomplir des tâches. Parmi ces méthodes figurent les arbres décisionnels ou forêts aléatoires, les machines à vecteurs de support ainsi que les réseaux de neurones artificiels. Les réseaux de neurones convolutifs s’inspirent du cortex visuel et traitent des combinaisons d’informations utilisées dans la reconnaissance d’images ou la reconnaissance vocale. L’apprentissage profond (ou Deep Learning, DL) regroupe un ensemble de méthodes du ML et sert à modéliser des relations complexes avec un haut degré d’abstraction, en utilisant de multiples couches de neurones artificiels. Les techniques de ML prennent une place croissante en chirurgie du rachis. Les principales applications sont la segmentation d’images réalisées en peropératoire pour les techniques de navigation chirurgicale ou de robotique utilisées pour la visée pédiculaire et l’interprétation d’imagerie de disques intervertébraux et de radiographies du rachis en totalité, qui peut être automatisée en utilisant des algorithmes de ML. Les techniques de ML peuvent également être utilisées comme aide à la décision chirurgicale dans certains domaines complexes tels que l’évaluation préopératoire des déformations rachidiennes de l’adulte. Les algorithmes de ML « apprennent » à partir de larges bases de données cliniques. Ils permettent d’établir le niveau des risques peropératoires ainsi qu’un pronostic sur l’évolution de scores fonctionnels en postopératoire en fonction du profil patient. Ces applications ouvrent un champ nouveau par rapport aux analyses statistiques classiques. Elles permettent d’explorer des relations plus complexes avec de multiples interactions indirectes. Dans le futur, les algorithmes d’IA pourraient prendre une place croissante en recherche clinique, dans l’évaluation des pratiques et dans les analyses médicoéconomiques.