L’IA en radiologie réduit les erreurs, et la transparence réduit les litiges

L’intelligence artificielle passe du stade de prototype de preuve de concept à la pratique clinique quotidienne. Nulle part cette évolution n’est plus visible qu’en IA en radiologie, où les algorithmes interprètent les radiographies, scanners et IRM aux côtés, et parfois avant, des lecteurs humains. Pourtant, à mesure que la performance technique s’améliore, de nouvelles questions émergent sur la responsabilité lorsque la machine et le médecin ne sont pas d’accord. Un nouvel essai randomisé publié dans NEJM AI apporte un poids empirique à ces préoccupations et offre un tremplin pour une réflexion stratégique sur la manière dont des innovateurs tels qu’AZmed devraient naviguer dans ce paysage médico-légal en mutation.¹

Ce que montrent les nouvelles preuves

Dans l’étude de Bernstein et al. (NEJM AI, Vol 2, No 6, 22 mai 2025), 1 334 adultes américains ont lu des vignettes dans lesquelles un radiologue avait manqué soit une hémorragie cérébrale, soit un cancer du poumon. Cinq groupes expérimentaux faisaient varier si un algorithme était également utilisé et si son résultat correspondait à celui du radiologue. Lorsque l’IA en radiologie signalait l’anomalie que l’humain avait manquée (« IA en désaccord »), 72,9 % des jurés ont jugé le radiologue responsable pour l’hémorragie cérébrale, contre 50,0 % lorsque le système l’avait également manquée (« IA en accord »). Le schéma se répétait pour le cancer (78,7 % contre 63,5 %). Fait important, la fourniture de métriques d’erreur atténuait les jugements : divulguer un taux de faux positifs de 50 % a réduit la responsabilité pour les cas d’hémorragie cérébrale de 72,9 % à 48,8 %.

Point clé à retenir : le désaccord entre l’humain et l’algorithme amplifie la perception de négligence, mais des données de performance transparentes peuvent rétablir l’équilibre.

Implications pour la pratique clinique

Ces résultats ont des répercussions bien au-delà de la salle d’audience. Ils suggèrent que l’IA en radiologie introduit un « effet de second observateur » : une fois qu’un algorithme fait partie du processus, les cliniciens sont évalués par rapport à une barre technologique plus élevée. Les radiologues qui outrepassent silencieusement une machine peuvent paraître imprudents même lorsque leur jugement clinique est correct. Inversement, une confiance aveugle dans le logiciel comporte ses propres risques. La voie optimale consiste à documenter le raisonnement, à consigner pourquoi un résultat d’imagerie a été accepté ou rejeté, et à divulguer systématiquement la précision algorithmique.

D’un point de vue de gestion des risques, les organisations de santé devraient :

1. Exiger des champs de justification structurés dans les systèmes de compte rendu chaque fois que le radiologue outrepasse un avis de l’IA.
2. Consigner la confiance de l’algorithme et les taux d’erreur connus dans le système d’archivage et de communication des images (PACS) afin que le contexte suive l’image à travers l’entreprise.
3. Fournir aux jurés et aux patients des informations calibrées sur les incertitudes inhérentes à l’interprétation humaine comme machine, reflétant les données « FDR/FOR » qui ont réduit la responsabilité dans l’essai.

Un contexte réglementaire en évolution rapide

Cette nuance juridique intervient dans un contexte d’activité réglementaire intense. En février 2025, la FDA américaine avait autorisé 758 produits d’IA/apprentissage automatique dédiés à la radiologie, de loin la plus grande part de toute spécialité.² Le projet de directive de janvier 2025 de l’agence sur les « fonctions logicielles de dispositifs activées par l’IA » signale un contrôle plus étroit de la surveillance des performances post-commercialisation et souligne le besoin de supervision humaine.³

Parallèlement, les modèles génératifs se taillent une niche différente. Les grands modèles de langage rédigent désormais des impressions préliminaires et des instructions pour les patients, réduisant le temps de documentation tout en évitant largement les revendications diagnostiques, et donc des contraintes réglementaires plus lourdes.⁴ Pour les innovateurs, le message est clair : la barre pour les algorithmes diagnostiques autonomes s’élève, tandis que les outils de soutien non diagnostiques bénéficient d’une voie d’adoption plus courte.

Le point de vue d’AZmed

Rayvolve®, la suite d’IA phare de l’entreprise, traite des dizaines de milliers de radiographies chaque jour, triant automatiquement les examens en insérant des cadres de délimitation autour des résultats suspects et en signalant les cas urgents pour un examen immédiat par le radiologue.

Du point de vue d’AZmed, les nouvelles données de NEJM AI soulignent deux priorités :

• Transparence radicale. Au-delà de la publication de chiffres de précision, AZmed devrait intégrer des scores de confiance en temps réel spécifiques à chaque cas et mettre en évidence les modes de défaillance connus (par exemple, chevauchement avec des plâtres ou centres d’ossification pédiatriques atypiques).
• Dialogue humain-machine. La création d’un module léger de « motif de rejet » permettra aux utilisateurs d’annoter pourquoi ils ont ignoré une alerte, générant des traces médico-légales qui réduisent le risque de litige et alimentent des boucles d’apprentissage continu.

Recommandations stratégiques

1. Codifier la responsabilité : Adopter un protocole de décision partagée où le radiologue, l’algorithme et, le cas échéant, l’équipe pluridisciplinaire apposent chacun des traces numériques.
2. Sensibiliser les parties prenantes : Utiliser les réunions de service, les simulations de jurés et les infographies destinées aux patients pour démystifier les statistiques algorithmiques. La baisse de 24 points de la responsabilité perçue lorsque les données FOR étaient présentées (scénario d’hémorragie cérébrale) est un argument convaincant pour ce type de sensibilisation.
3. Surveiller en production : Associer chaque modèle d’IA à un « audit fantôme » qui signale la dérive de distribution ; les régulateurs attendent de plus en plus cette vigilance continue.³
4. Exploiter l’IA générative de manière responsable : Déployer des grands modèles de langage pour la rédaction de comptes rendus et la communication, mais les tenir à l’écart des revendications diagnostiques non supervisées afin de rester dans les zones de confort réglementaires actuelles.⁴

Conclusion

L’avenir de l’IA en radiologie ne réside pas seulement dans des algorithmes plus intelligents, mais dans une gouvernance plus intelligente. L’essai Bernstein montre clairement que la perception publique, et par extension l’opinion des jurés, dépend de l’harmonie entre l’expertise humaine et l’intelligence artificielle. Pour AZmed, le mandat est double : continuer à repousser les limites techniques tout en intégrant des fonctionnalités de conception qui rendent la responsabilité explicite et la compréhension intuitive. Réussir cela permettra à l’IA en radiologie non seulement d’accélérer les diagnostics, mais aussi de renforcer la confiance tout au long du parcours de soins.

Lisez l’étude complète ici.