Comment AGAPLESION ELISABETHENSTIFT utilise Rayvolve pour renforcer la confiance diagnostique en imagerie médicale
L’intelligence artificielle (IA) en radiologie est évaluée d’une manière inédite, alors que le volume d’examens continue d’augmenter et que les services d’imagerie sont submergés de demandes de comptes rendus rapides et précis. Les radiographies thoraciques, les clichés de traumatologie et les radiographies osseuses pédiatriques continuent d’attendre d’être lues à une fréquence croissante, souvent plus vite qu’elles ne peuvent l’être. Les équipes de radiologie sont censées maintenir des interprétations précises tout en complétant les cas urgents dans les délais, afin d’influencer la prise de décision clinique immédiate. Cependant, la fatigue, les distractions fréquentes et les systèmes déconnectés augmentent le risque de comptes rendus retardés et d’erreurs d’interprétation.
Les outils de radiologie dotés d’IA, notamment l’IA pour les radiographies thoraciques et l’IA pour les radiographies montrant des fractures, complètent les compétences du radiologue lecteur en agissant comme un second lecteur entraîné. L’utilisation de l’IA en radiologie priorise les cas urgents par rapport aux cas non urgents et accomplit les tâches répétitives qui empiètent sur le temps de lecture.
Dans cet article, nous présenterons comment tout cela se déroule dans des environnements cliniques réels, tout en démontrant comment la suite IA Rayvolve® d’AZmed aide les radiologues à maintenir la précision diagnostique et le rythme des comptes rendus, même dans des pratiques très sollicitées à travers le monde.
Comment l’IA améliore la précision diagnostique en radiologie
Le premier indicateur clé de performance (KPI) lié aux soins et à la sécurité des patients est la précision, et c’est le premier KPI qui préoccupe chaque radiologue. Dans les contextes d’urgence et de traumatologie, le simple fait de manquer une fracture ou un épanchement pleural peut entraîner des conséquences telles qu’un retard de traitement et de moins bons résultats pour les patients.
Dans les situations d’urgence, les radiologues vivent souvent avec la conscience d’avoir manqué une pathologie subtile en raison de la fatigue ou simplement du volume de travail auquel ils font face.
Les solutions d’IA en radiologie peuvent aider à détecter, entre autres, des cas subtils de pathologie, avec des sensibilités et spécificités que la fatigue humaine ou le simple volume de travail pourraient autrement empêcher les cliniciens d’identifier.
Par exemple, AZtrauma est une solution d’IA en radiologie de référence présentée au sein de la suite IA Rayvolve® ; elle s’appuie sur un jeu de données vaste et unique pour son entraînement. Il a été démontré qu’elle détecte avec précision les fractures, luxations et épanchements, avec une AUC de 89 % et une valeur prédictive négative de 99,7 %, réduisant les résultats faussement négatifs de 67 %.
Et cela signifie que moins de cas passeront entre les mailles des flux de travail diagnostiques, souvent lors des vacations de nuit, lorsque les radiologues peuvent être fatigués.
AZchest*, un autre outil d’IA en radiologie validé, marque et catégorise automatiquement les principales anomalies cardio-thoraciques : nodules pulmonaires, fractures de côtes, cardiomégalie, condensation, épanchement pleural, pneumothorax et œdème pulmonaire.
Les solutions d’IA en radiologie qui standardisent la détection réduisent la variabilité entre les radiologues. Cela crée un parcours diagnostique cohérent et fiable, garantissant à tous les radiologues et patients une meilleure qualité de soins.
Comment l’IA en radiologie accélère les délais de traitement des comptes rendus
La vitesse sans précision a une valeur clinique minimale, car les patients continuent de souffrir si des erreurs retardent les soins appropriés. De même, une précision qui apparaît des heures plus tard peut signifier que l’occasion de traiter ce patient est passée.
L’utilisation conjointe de la vitesse et de la précision permet aux radiologues de traiter le patient à temps tout en prenant les bonnes décisions au moment où cela compte le plus.
Le triage basé sur l’IA joue un rôle essentiel dans ce processus. Dans une charge de travail mixte comportant un volume élevé d’examens de routine, les cas urgents pourraient être enfouis sous le volume des cas courants. L’IA utilise les données antérieures des patients pour signaler de manière appropriée les cas prioritaires aux radiologues, afin qu’ils puissent lire ces cas spécifiques immédiatement après les cas de routine. Un exemple est AZtrauma signalant les suspicions de fractures comme des cas hautement prioritaires à lire pour les radiologues. Dans un contexte clinique, cela a réduit le délai de traitement des patients traumatisés de 83 %.
« Grâce à ses résultats, nos radiologues peuvent considérablement accélérer l’ensemble de leurs comptes rendus tout en augmentant simultanément leur précision. Nous le considérons donc comme notre second avis basé sur l’IA, qui renforce notre qualité et notre performance globales. » dit Henrik Michaely, propriétaire et radiologue en chef à MVZ Radiologie Karlsruhe.
AZchest a également démontré des gains d’efficacité similaires, avec des temps de lecture pour les radiographies thoraciques réduits jusqu’à 35,8 %. Cependant, des outils comme AZmeasure et AZboneage, qui font partie de la suite IA Rayvolve®, peuvent calculer automatiquement les longueurs et angles ostéo-articulaires, et estimer l’âge osseux des patients pédiatriques (selon la méthode Greulich & Pyle) en quelques secondes.
Relier vitesse et précision dans le flux de travail de l’IA en radiologie pour de meilleurs résultats
L’intersection de la vitesse et de la précision est là où l’IA en radiologie a le plus de valeur. Un système qui accélère le délai de traitement des comptes rendus mais augmente les erreurs est un risque ; un système qui augmente la précision mais ralentit les équipes d’imagerie pose problème.
En pratique, l’IA intégrée peut faire les deux :
- Signaler les cas urgents pour un examen immédiat.
- Fournir un soutien à la décision fiable qui réduit les résultats manqués.
Cela permet aux radiologues de poser des diagnostics urgents rapidement et correctement, protégeant à la fois les soins aux patients et les indicateurs de performance du service.
La question suivante est de savoir si ces améliorations tiennent la route en pratique clinique réelle : lorsque la liste de travail est pleine, que les patients arrivent, et que chaque seconde compte. C’est là que l’intégration au flux de travail fait toute la différence pour les bénéfices de l’IA.
Pourquoi l’intégration au flux de travail compte lors de l’utilisation de l’IA en radiologie
Le meilleur outil d’IA en radiologie échouera tout de même s’il interrompt les flux de travail existants. Les services de radiologie utilisent des systèmes PACS et RIS bien ajustés, donc tout outil d’IA qui ajoute plusieurs clics ou nécessite de jongler entre plusieurs plateformes peut potentiellement devenir un frein à l’accélération de la pratique clinique.
C’est pour cette raison que nous avons veillé à intégrer les composants Rayvolve® d’AZmed directement dans les systèmes existants, et dans de nombreux cas, avec une fonctionnalité sans clic.
Cela signifie que les cas apparaissent dans la liste de travail déjà priorisés et annotés avec des mesures présentées dans la visionneuse DICOM, ce qui aide à atténuer le stress perçu de la mise en œuvre et de l’adoption par les établissements de santé, tout en garantissant que tout gain d’efficacité ou amélioration se traduira par une réelle amélioration du délai de traitement.
Comment AZmed offre des gains mesurables en précision diagnostique et en délai de traitement pour les radiologues
Atteindre à la fois une précision diagnostique élevée et un délai de traitement rapide nécessite une IA cliniquement validée, approuvée par les autorités réglementaires, et conçue pour les conditions hospitalières réelles.
La suite IA Rayvolve® d’AZmed, comprenant AZtrauma, AZchest, AZmeasure et AZboneage, est utilisée dans plus de 2 500 établissements de santé dans le monde. Sa performance est étayée par des preuves scientifiques et par un usage quotidien dans des services de radiologie très sollicités.
Pour les chefs de service et les radiologues seniors, ces outils font partie du travail quotidien. Les hôpitaux qui les utilisent lisent davantage d’examens sans pousser leur personnel à la limite de rupture, maintenant une qualité diagnostique élevée même les jours les plus chargés.
En termes pratiques, cela se traduit par :
- Détecter davantage de problèmes dès la première lecture
- Orienter plus rapidement les patients en soins urgents vers le bon traitement
- Réduire les goulots d’étranglement qui ralentissent l’ensemble du service.
Vous voulez voir comment ces outils peuvent s’intégrer dans votre flux de travail ? Réservez une démonstration pour découvrir la suite IA Rayvolve®. Découvrez comment elle peut aider votre service à atteindre à la fois les objectifs de précision et de délai de traitement sans perturber vos systèmes actuels.
Questions fréquentes
Quelle est la valeur de l’IA pour améliorer la précision diagnostique en radiologie ?
L’IA en radiologie constitue essentiellement un second lecteur constant, car elle met en évidence les régions suspectes de l’image qui auraient pu être manquées et réduit le risque de résultat manqué, en particulier lors de lectures à fort volume, des vacations de nuit, et des flux de travail riches en interruptions. La valeur est la plus crédible dans les études de lecteurs comparant la performance des radiologues assistés par un outil d’IA, plutôt que de se fier uniquement aux mesures autonomes de l’algorithme. Pour illustrer ce point, AZmed a publié plusieurs preuves cliniques montrant comment l’assistance par IA peut améliorer la précision diagnostique en radiologie.
Comment l’IA en radiologie aide-t-elle à réduire le délai de traitement des comptes rendus ?
L’IA en radiologie peut améliorer le délai de traitement des comptes rendus en modifiant la priorisation de la liste de travail et la charge d’interprétation requise pour un lecteur. Grâce à l’utilisation d’algorithmes de triage, les examens présentant des résultats suspectés urgents remontent en haut de la liste de travail, de sorte que les cas urgents soient lus plus tôt plutôt que d’attendre derrière les examens de routine. Deuxièmement, l’IA réduit le temps nécessaire pour interpréter une image en fournissant au radiologue les résultats suspectés par l’algorithme, superposés directement sur l’image elle-même, avec des résultats structurés, et en rationalisant les tâches répétitives autant que possible.
Pourquoi la précision diagnostique est-elle importante en imagerie médicale ?
Pour les radiologues, un diagnostic précis influence bien plus que les seuls soins cliniques. Il a un impact direct sur la charge de travail des radiologues ainsi que sur leur productivité et leur efficacité globales. Par exemple, une baisse de précision augmente le nombre de requêtes et ajoute du temps d’interprétation via des addenda. Elle nécessite également plusieurs examens pour clarifier l’interprétation initiale et crée une variabilité lorsque les cliniciens prescripteurs reçoivent des lectures de plusieurs radiologues en raison d’interprétations différentes, en particulier dans des environnements à fort volume, pendant les vacations de nuit, et dans des environnements pluridisciplinaires comportant différents niveaux d’expertise. Les outils d’IA conçus pour améliorer la précision en renforçant la rigueur radiologique ne sont efficaces que s’ils offrent une sensibilité supérieure aux outils de référence sans créer une charge de diagnostics faussement positifs et peuvent s’intégrer de manière transparente au flux de travail existant des radiologues.
Comment les systèmes de triage basés sur l’IA peuvent-ils améliorer les flux de travail en radiologie d’urgence ?
Les systèmes de triage par IA soutiennent la radiologie d’urgence en modifiant la manière dont les examens sont ajoutés à la liste de travail du radiologue, en ne les attribuant pas uniquement selon l’ordre de leur arrivée dans le service, mais en permettant aux examens signalés par l’IA comme présentant des résultats potentiellement urgents de prendre le pas sur les examens non urgents. De plus, comme le système de triage permet de prioriser la liste de travail pour les résultats urgents, il peut soit permettre aux radiologues de réduire le temps nécessaire pour lire les examens urgents, réduisant ainsi les délais de file d’attente, soit permettre au radiologue de communiquer des résultats potentiellement importants pendant les périodes de forte charge de travail et la nuit.
Quels sont les principaux avantages de l’intégration d’outils d’IA dans les flux de travail de radiologie ?
Les avantages des flux de travail de radiologie intégrant des outils d’IA incluent une précision accrue des comptes rendus, un délai de traitement plus rapide, et moins de perturbations du flux de travail. L’IA est intégrée au système PACS/RIS standard afin que les radiologues aient accès en consultation à la fois aux rapports de l’IA et aux comptes rendus générés par le radiologue sans clics supplémentaires pour consulter ces résultats.
Les outils d’IA en radiologie sont-ils cliniquement validés pour un usage en conditions réelles ?
De nombreux facteurs différents doivent être pris en compte lors du déploiement d’outils d’IA en radiologie cliniquement validés, car de nombreux outils sont étiquetés « cliniquement validés » avec presque aucune preuve publiée. Les études de validation doivent tester la performance de l’outil sur un ensemble d’images qui reflète la manière dont l’outil sera utilisé en pratique clinique. Cela devrait idéalement inclure l’utilisation de jeux de données externes et des études de radiologues utilisant l’outil d’IA par rapport à ne pas l’utiliser, afin de mesurer leur performance.
Comment l’IA en radiologie aide-t-elle à prévenir les erreurs de diagnostic ?
L’utilisation de l’IA en radiologie peut améliorer la précision des lectures radiologiques. Elle réduira la probabilité d’oublis en servant de second lecteur constant. L’IA détectera des anomalies ou des résultats dans les examens d’imagerie qui pourraient ne pas être détectés par un radiologue en raison d’un volume de travail élevé et d’interruptions fréquentes. Les meilleurs systèmes disponibles aujourd’hui, comme la suite IA Rayvolve®, aideront la lecture d’images d’un radiologue en lui permettant d’identifier rapidement les régions suspectes (afin de valider ses résultats) et de prioriser les images présentant un potentiel d’anomalie urgente. Par conséquent, les meilleurs systèmes permettent à un radiologue d’examiner et d’interpréter des images d’examens aigus en moins de temps, réduisant ainsi le risque d’interprétations incorrectes dues aux contraintes de temps.
Les petits hôpitaux ou les prestataires de téléradiologie peuvent-ils utiliser l’IA en radiologie efficacement ?
Oui, ils le peuvent. Cependant, cela signifie que la façon dont les radiologues et téléradiologues travaillent doit être adaptée à la façon dont l’IA en radiologie est utilisée. Dans les petits hôpitaux, le principal bénéfice provient de l’amélioration du flux de travail (la capacité à prioriser les examens) et de la cohérence (l’IA produit des résultats cohérents avec un format cohérent, de sorte que le lecteur n’a pas besoin de passer d’un format à l’autre). L’utilisation de l’IA dans les petits hôpitaux peut améliorer la priorisation des cas d’urgence, ce qui signifie qu’un cas d’urgence ne restera pas simplement en file d’attente lorsque les niveaux de personnel sont plus faibles. L’IA peut offrir un moyen de recevoir des informations structurées ou détaillées sur les examens directement dans la visionneuse PACS diagnostique principale.
Comment l’IA en radiologie soutient-elle la formation des jeunes radiologues ?
L’IA en radiologie est utile pour les radiologues en formation car elle sert de vérification de leurs impressions et n’est pas utilisée comme une alternative à la recherche d’anomalies. La façon la plus importante dont l’IA en radiologie aide à la formation d’un interne est son temps de réponse rapide. En un coup d’œil, elle peut trouver des zones d’intérêt et laisser l’interne travailler de manière indépendante sur l’interprétation avant de revoir les zones qu’il aurait pu manquer en raison de contraintes de temps. L’utilisation répétée de ce retour permet aux internes d’améliorer leurs techniques de recherche et de réduire le taux de résultats faussement négatifs ; ils peuvent également reconnaître les examens présentant une probabilité élevée d’erreurs de perception.
Quel est le délai de traitement en radiologie ?
La durée nécessaire pour compléter un examen d’imagerie, également appelée délai de traitement (TAT), est généralement définie comme le temps écoulé entre la fin d’un examen et la signature du compte rendu final ; cependant, de nombreux organismes suivent cette information différemment. Certains organismes suivent le TAT à partir du moment où une commande est passée ou lorsque les images sont disponibles pour lecture dans le PACS. La façon dont vous définissez le TAT fait une différence dans le nombre d’heures que vous pouvez rapporter en moyenne. Il n’existe pas de TAT « correct » unique pour les comptes rendus en radiologie, car de nombreuses variables entrent en jeu : l’urgence, le modèle de dotation en personnel, la couverture par modalité (le scanner, l’IRM et l’échographie ont chacun leur propre TAT distinct), et si l’établissement auquel vous faites référence connaît un arriéré.
Références
- Royal College of Radiologists. Clinical Radiology Workforce Census 2024 (published June 5, 2025).
- OECD. Health at a Glance 2023. Diagnostic technologies: trends in use and availability.
- Winder M, et al. Are We Overdoing It? Changes in Diagnostic Imaging Workload During 2010–2020 (single-center, decade-long trend; CT and US nearly doubled).
- Brady AP. Error and discrepancy in radiology: inevitable or avoidable? Insights Imaging. 2016;8(1):171-82.
- Fawzy NA, et al. Incidence and factors associated with burnout in radiologists: a systematic review (range 33–88%). J Am Coll Radiol (2023).
- Thakore NL, et al. Burnout Is More Than Binary (AJR 2024) — contemporary prevalence data in radiology.
- O’Neill TJ, et al. Active Reprioritization of the Reading Worklist Using AI Flags Reduces Wait and Turnaround Times. Radiology: AI (2020).
- Batra K, et al. AI-driven worklist reprioritization reduces TAT and wait time for PE-positive CTPA (AJR 2023).
- AZmed news: “AZmed im AGAPLESION ELISABETHENSTIFT im Einsatz” (Oct 28, 2025) — deployment of Rayvolve® at AGAPLESION ELISABETHENSTIFT, Darmstadt.
Informations réglementaires
EU - Rayvolve: Medical Device Class IIa in Europe (CE 2797) in compliance with the Medical Device Regulation (2017/745). Rayvolve is a computer-aided diagnosis tool, intended to help radiologists and emergency physicians to detect and localize abnormalities on standard X-rays.Caution: The data mentioned are sourced from internal documents, internal studies and literature reviews. This material with associated pictures is non-contractual. It is for distribution to Health Care Professionals only and should not be relied upon by any other persons. Testimonial reflects the opinion of Health Care Professionals, not the opinion of AZmed. Carefully read the instructions for use before use. Please refer to our Privacy policy on our website For more information, please contact contact@azmed.co.US - Medical devices Class II according to the 510K clearances. Rayvolve: is a computer-assisted detection and diagnosis (CAD) software device to assist radiologists and emergency physicians in detecting fractures during the review of radiographs of the musculoskeletal system. Rayvolve is indicated for adult and pediatric population (≥ 2 years).Rayvolve PTX/PE: is a radiological computer-assisted triage and notification software that analyzes chest x-ray images of patients 18 years of age or older for the presence of pre-specified suspected critical findings (pleural effusion and/or pneumothorax). Rayvolve LN: is a computer-aided detection software device to assist radiologists to identify and mark regions in relation to suspected pulmonary nodules from 6 to 30mm size of patients of 18 years of age or olderAZmed 10 rue d’Uzès, 75002 Paris - www.azmed.co - RCS Laval B 841 673 601© 2025 AZmed – All rights reserved. MM-25-53
