Comment l’IA orthopédique transforme l’imagerie radiographique en 2026

L’imagerie orthopédique repose principalement sur les radiographies pour détecter les lésions ou anomalies osseuses. Cependant, à mesure que le volume d’imagerie continue d’augmenter, le nombre de radiologues diminue dans de nombreux établissements de santé. Les services d’orthopédie doivent trouver des méthodes pour garantir la précision diagnostique face à des attentes de charge de travail croissantes. Cette demande croissante est ce qui fait de la détection de fractures en orthopédie un domaine important pour l’adoption de l’IA.

De nombreux établissements de santé étudient aujourd’hui l’utilisation de l’IA en imagerie orthopédique pour répondre à leurs besoins diagnostiques. Les algorithmes d’apprentissage profond peuvent examiner les images radiographiques et présenter aux cliniciens des anomalies potentielles à approfondir.

Cet article présente les données cliniques disponibles concernant la détection de fractures par IA en conditions réelles. Il examine également l’efficacité de ces algorithmes dans la pratique orthopédique actuelle.

Points clés à retenir :

• L’IA pour la détection de fractures utilise des algorithmes d’apprentissage profond pour identifier et signaler d’éventuelles anomalies sur les radiographies. Ces résultats sont ensuite présentés à un radiologue pour évaluation, puis, en définitive, à un chirurgien orthopédiste.
• Les données cliniques montrent que l’IA peut améliorer la détection des fractures osseuses en pratique réelle. Par exemple, le NICE a rapporté que la sensibilité moyenne des cliniciens était passée de 86,5 % à 95,5 % avec le soutien de l’IA.
• D’après les données existantes, l’application de l’IA aux fractures axiales (c’est-à-dire du rachis et du bassin) et aux scénarios complexes de fractures multiples semble réalisable en orthopédie clinique. Toutefois, des recherches publiées supplémentaires sont nécessaires pour valider l’IA dans l’évaluation du risque de fracture ostéoporotique, la détection de défaillance d’implant, l’aide à la planification préopératoire, et la détection de fractures pédiatriques sur les radiographies.
• Les chirurgiens orthopédistes devraient procéder à un examen approfondi de la littérature évaluée par les pairs relative à l’IA en imagerie orthopédique avant d’envisager toute technologie spécifique. Ils devraient également évaluer si leur système de santé a obtenu l’autorisation réglementaire de l’outil d’IA et si celui-ci s’intègre aux systèmes PACS/RIS existants.

Quel est le rôle de l’IA en imagerie orthopédique

L’IA en imagerie orthopédique agit comme un assistant diagnostique pour améliorer la précision lors de l’évaluation des patients. L’IA utilise des algorithmes d’apprentissage profond pour examiner les radiographies et identifier les zones suspectes.

L’IA n’est pas conçue pour remplacer les radiologues. Elle sert plutôt de second avis sur l’interprétation des radiographies et d’outil de triage. Elle passe au crible les radiographies de routine à la recherche de zones suspectes afin que les radiologues puissent se concentrer sur les zones les plus critiques.

Parmi les applications les plus fréquentes de l’IA en imagerie radiographique orthopédique, on retrouve :

• La détection des fractures, luxations et épanchements articulaires sur une radiographie
• L’obtention rapide et précise de mesures musculosquelettiques à partir des radiographies
• L’estimation de l’âge osseux (maturité squelettique) d’un enfant à partir d’une radiographie

Ces capacités positionnent l’IA en radiologie musculosquelettique comme un outil pratique pour les services d’orthopédie qui gèrent des volumes d’imagerie élevés.

Intégration et statut réglementaire

De nombreux produits d’IA en imagerie orthopédique s’interfacent directement avec les systèmes PACS et/ou RIS actuels. Les radiologues n’ont besoin d’aucune étape particulière ni d’interface différente pour les utiliser. Comme toutes les technologies d’imagerie cliniquement pertinentes, ces outils disposent d’un marquage CE, d’une autorisation FDA, ou des deux. Leur efficacité a été démontrée dans de nombreuses études cliniques en conditions réelles, et les hôpitaux vont désormais bien au-delà des programmes pilotes.

Par exemple, AZmed propose la suite Rayvolve® AI, qui comprend des outils tels qu’AZtrauma pour la détection de fractures, AZchest pour la détection des pathologies thoraciques, AZmeasure pour les mesures orthopédiques automatisées, et AZboneage pour l’estimation de l’âge osseux. L’entreprise a déployé Rayvolve® dans plusieurs pays, avec une documentation évaluée par les pairs venant appuyer son efficacité. Rayvolve® dispose à la fois du marquage CE et d’une autorisation FDA.

Poursuivez donc votre lecture pour découvrir l’état de l’art de l’IA en radiologie radiographique et ce que montrent les données cliniques disponibles.

Que révèlent les données cliniques sur la détection de fractures par IA en 2026 ?

Les recherches suivantes confirment l’efficacité de la détection de fractures par intelligence artificielle en environnement clinique. De nombreux hôpitaux à travers le monde déploient actuellement ces outils en pratique clinique.

Étude 1 (ampleur de la validation) : Cohen et al. (2026)

Cohen et al. (2026) ont publié l’une des plus vastes évaluations en conditions réelles de l’IA en radiologie radiographique dans Radiography (Elsevier). Titre de l’étude : Worldwide evaluation of an entire suite of AI radiographic technologies on 258,373 X-rays from 26 countries [1].

L’équipe a analysé 258 373 radiographies provenant de 100 hôpitaux répartis dans 26 pays. Il s’agit ainsi de la plus vaste évaluation clinique multicentrique d’une méthode d’IA pour radiographies publiée à ce jour dans des revues à comité de lecture. L’algorithme AZtrauma a montré une AUC de 98,3 %, une sensibilité de 97,4 %, et une spécificité de 96,4 %.

Ces résultats sont importants car les algorithmes entraînés sur un seul site donnent souvent de bons résultats localement. Cependant, ils peuvent ne pas produire de résultats homogènes dans d’autres établissements. Les protocoles d’imagerie, les appareils et les plateformes varient considérablement selon les régions. La démographie des patients et la prévalence des pathologies diffèrent également d’une population à l’autre. Une évaluation multicentrique de cette ampleur permet de valider directement si un algorithme fonctionne de manière homogène d’un centre à l’autre.

Étude 2 (performance en conditions réelles) : Luiken et al. (2025)

Des chercheurs de l’Université technique de Munich ont publié Evaluation of commercial AI algorithms for fractures, effusions, and dislocation detection on clinical data in a real-world setting dans Radiography [2]. Cette étude détaille la performance de différents outils d’IA en radiologie sur des données de patients réels.

L’étude a évalué trois algorithmes commerciaux (dont AZtrauma d’AZmed) à partir de données de 1 037 patients couvrant 22 régions anatomiques. AZmed a démontré la meilleure AUC, à 84,88 %, pour la détection globale des fractures et fractures-luxations. Aucun des outils testés n’a atteint plus de 91 % de précision pour le diagnostic des fractures aiguës. Les outils d’IA en radiologie devraient donc servir de soutien secondaire au processus diagnostique, et non remplacer la décision clinique du radiologue.

Étude 3 (amélioration de la performance des lecteurs) : évaluation de valeur précoce du NICE en janvier 2025

Cette évaluation a examiné l’effet de l’IA sur la performance des lecteurs lors de l’interprétation des radiographies. Le NICE a publié son évaluation de valeur précoce (HTG739) en janvier 2025 [3]. L’évaluation a passé en revue 16 études de précision diagnostique portant sur la détection de fractures assistée par IA.

La sensibilité moyenne des cliniciens est passée de 86,5 % à 95,5 % avec le soutien de l’IA. Les radiologues comme les urgentistes ont identifié davantage de fractures en utilisant l’intelligence artificielle comme second lecteur.

Le NICE a approuvé quatre outils d’IA de détection de fractures pour un déploiement au sein du NHS pendant la phase de génération de données probantes. AZtrauma faisait partie des quatre outils sélectionnés.

Ces résultats démontrent la valeur de l’IA pour les prestataires de soins dans des environnements sous forte pression comme les services d’urgence. Des volumes élevés de patients et des délais d’évaluation courts peuvent conduire à un sous-diagnostic. Les outils d’IA apportent une couche supplémentaire de sécurité diagnostique. Ces résultats renforcent le rôle croissant de l’IA dans la détection des fractures osseuses dans les contextes de soins urgents.

Études 4 et 5 (imagerie orthopédique pédiatrique) : Diagnostic & Interventional Imaging et Springer Nature

Chez les enfants, certaines structures peuvent imiter des traits de fracture en raison de cartilages de croissance ouverts et/ou de variations développementales normales. Les enfants ont également plus de mal à rester immobiles pendant l’imagerie, ce qui entraîne davantage d’artefacts de mouvement que chez les adultes. Le volume de littérature sur la détection de fractures pédiatriques reste plus restreint que pour les adultes. C’est pourquoi la validation externe sur une cohorte pédiatrique revêt une importance particulière. Deux études indépendantes ont évalué la performance d’AZtrauma dans des populations pédiatriques sans limite d’âge appliquée.

1. Étude Diagnostic & Interventional Imaging

Cette étude a inclus 2 549 sujets pédiatriques. Elle a évalué la capacité d’AZtrauma à détecter des fractures sur des radiographies à l’aide d’un algorithme d’apprentissage profond validé en externe et disponible commercialement [5]. L’algorithme a atteint une performance élevée : une sensibilité de 95,7 %, une spécificité de 91,2 %, et une précision de 92,6 %. Ces résultats sont notables compte tenu de la variabilité anatomique inhérente et des difficultés d’imagerie propres aux cas pédiatriques.

2. Étude de validation pédiatrique Springer Nature

Publiée dans Pediatric Radiology, l’étude a validé AZtrauma auprès de 878 sujets pédiatriques [6]. La performance d’AZtrauma a égalé celle d’internes seniors en radiologie et a dépassé celle des urgentistes. AZtrauma a par ailleurs détecté 3 fractures (1,6 %) que des radiologues pédiatriques spécialisés n’avaient pas initialement repérées.

Ce constat est particulièrement important dans les hôpitaux où la couverture par des radiologues spécialisés est limitée en soirée, le week-end, ou pendant les périodes de forte activité.

Étude 6 (impact sur le flux de travail) : étude rétrospective multicentrique SimonMed

Outre la précision diagnostique, les services de radiologie évaluent également l’IA en fonction de son impact sur le flux de travail.

Une vaste analyse rétrospective présentée au RSNA 2023 a examiné les processus de flux de travail avant et après le déploiement de l’IA sur plus de 330 000 examens d’imagerie au sein du réseau SimonMed Imaging [7]. Après le déploiement de l’IA, le délai de rendu des comptes rendus de fracture est passé de 48 heures à 8,3 heures. Le taux de détection de fractures est également passé de 10,4 % à 11,8 %.

Le triage assisté par IA fournit un retour accéléré aux cliniciens pour les résultats urgents. Il aide également à identifier des fractures qui, autrement, pourraient passer inaperçues ou subir des retards de compte rendu.

Où l’IA dispose des données les plus solides en orthopédie

L’IA dispose des données les plus solides pour l’identification des fractures appendiculaires sur radiographie, notamment les fractures du poignet, de la cheville, de l’épaule, du coude et du pied. Ces applications bénéficient de la validation clinique la plus mature dans la littérature et des données les plus étendues quant à leur mise en œuvre réussie en conditions réelles. Plus de détails ci-dessous.

Fractures appendiculaires : les données les plus solides

Les revues systématiques montrent que les algorithmes les mieux validés cliniquement se concentrent sur les fractures du radius distal, de la cheville, du coude, de l’épaule et du pied [8]. Dans des études contrôlées, ces algorithmes atteignent généralement des niveaux de sensibilité supérieurs à 90 %. Plusieurs ont également été testés sur des cohortes de patients multicentriques. Les services d’urgence, les services de téléradiologie et les réseaux d’imagerie ambulatoire à haut volume ont tous démontré une mise en œuvre initiale réussie. La littérature confirme que ces outils d’IA pour fractures osseuses aident les radiologues à identifier des fractures subtiles habituellement manquées lors de l’interprétation initiale.

Fractures axiales et complexes : des données émergentes

De plus en plus de chercheurs examinent l’IA appliquée aux fractures axiales (rachis et bassin) et à l’identification de fractures osseuses multiples. La performance dans ces domaines est plus variable et moins validée que pour les fractures appendiculaires. Le chevauchement des structures, la variation de la morphologie des fractures et la complexité accrue de l’imagerie réduisent la constance des algorithmes [8].

Applications à un stade précoce

La prédiction du risque de fracture ostéoporotique, la détection de défaillance d’implant, et l’aide clinique préopératoire sont des domaines de recherche en cours. Toutefois, la validation commerciale évaluée par les pairs reste limitée.

Considérations spécifiques à la pédiatrie

Identifier des fractures chez les patients pédiatriques est plus difficile que chez les adultes, quelle que soit la formation du radiologue. Les études publiées dans ce domaine se multiplient, mais leur volume ne représente qu’une fraction de ce qui existe pour les patients adultes. Les données sont encourageantes, mais il convient de rester prudent lors de l’application des résultats à la décision clinique.

Les hôpitaux doivent comprendre les exigences liées à une adoption responsable de l’IA. Le respect des bonnes recommandations pour l’adoption de l’IA en imagerie orthopédique permettra de minimiser les risques et de renforcer la sécurité des patients.

À quoi ressemble une adoption responsable de l’IA en orthopédie

Une adoption responsable et réussie de l’IA en orthopédie doit prendre en compte ces cinq principes fondamentaux :

1. Validation par les pairs

Tous les outils d’IA en imagerie orthopédique doivent s’appuyer sur des études évaluées par les pairs et publiées dans des revues indexées, et non uniquement sur des livres blancs de fournisseurs ou des référentiels propriétaires. L’analyse de données cliniques au sein d’études évaluées par les pairs a plus de poids que les livres blancs produits par les fournisseurs, dont la rigueur scientifique est limitée.

2. Autorisation réglementaire

Le marquage CE dans l’UE et/ou l’autorisation FDA aux États-Unis indiquent que le produit d’IA répond aux exigences minimales de sécurité et de validation. Ces certifications ne garantissent pas la manière dont un outil d’IA donné se comportera dans votre établissement ni son intégration aux flux de travail existants. Elles apportent néanmoins une première assurance de sécurité. N’utilisez aucune technologie d’IA sans autorisation réglementaire appropriée, car cela mettrait en danger la sécurité des patients.

3. Recommandations nationales

Les recommandations nationales relatives à la technologie d’IA continuent d’évoluer. Cependant, les organismes de référence reconnaissent désormais comment l’IA en radiologie peut réduire l’épuisement professionnel des radiologues. En janvier 2025, le NICE est devenu le premier organisme national de recommandations à approuver formellement les outils d’IA de détection de fractures pour les soins d’urgence au sein du NHS [3]. D’autres systèmes de santé pourraient bientôt lui emboîter le pas.

4. Intégration au flux de travail

L’un des principaux objectifs de l’IA en radiologie est de faire gagner du temps et de réduire les erreurs diagnostiques en mettant en avant les cas urgents tout en filtrant les radiographies de routine au sein de l’environnement PACS/RIS. Les outils d’IA qui ajoutent des étapes supplémentaires ou modifient les flux de travail existants créent des frictions. Les meilleurs outils s’intègrent aux environnements PACS/RIS existants et fonctionnent en arrière-plan.

5. Suivi continu de la performance

Assurez-vous que l’outil d’IA choisi fasse l’objet d’un suivi continu de sa performance. Il doit permettre une surveillance post-commercialisation continue et autoriser un calibrage local. Les populations de patients, la technologie et les équipements d’imagerie évolueront avec le temps.

Intégrez ces cinq principes lors de l’évaluation des outils d’IA en imagerie orthopédique. Ils vous aideront à passer de la recherche fondée sur des preuves à une pratique clinique fondée sur des preuves dans l’imagerie orthopédique au quotidien.

Conclusion

L’IA en radiologie radiographique a dépassé le simple stade des projets pilotes. Il existe désormais un vaste ensemble de données multicentriques évaluées par les pairs qui soutiennent l’IA dans de nombreux contextes cliniques différents. Les agences nationales de santé ont émis des recommandations formelles, témoignant de leur confiance envers ces technologies.

Les hôpitaux continuent d’utiliser l’IA pour faire face aux pénuries de personnel et à l’augmentation de la charge de travail dans les services d’urgence et de radiologie.

La question n’est plus de savoir si l’IA peut contribuer à l’imagerie orthopédique. Elle est désormais de savoir quels outils disposent de données cliniques suffisantes pour permettre une intégration hospitalière responsable. Pour ceux qui souhaitent explorer davantage de données, les études citées dans cet article constituent un bon point de départ pour évaluer l’IA de détection de fractures osseuses et la détection de fractures en orthopédie au sein de votre service.