AZtrauma : l'IA au service de la détection et de la prise en charge des fractures
La prise en charge des traumatismes dans les services d'urgence repose sur une détection rapide et précise des fractures, afin de soulager la douleur des patients et de prévenir des complications graves. C'est là que l'intelligence artificielle (IA) est devenue un outil transformateur, améliorant le processus diagnostique et permettant un flux de travail clinique fluide.
De nombreuses études soulignent la capacité de l'IA à détecter de minimes fractures qui pourraient autrement passer inaperçues. Une étude présentée au RSNA 2023 a par exemple montré que l'IA était plus efficace que les radiologues pour détecter les fractures couramment manquées, suggérant qu'une approche associant radiologue et IA pourrait améliorer la détection1. Les normes nationales commencent également à reconnaître le rôle de l'IA dans les flux diagnostiques. L'IA a démontré son utilité pour la détection de fractures en soins urgents, comme en témoigne le National Institute for Health and Care Excellence (NICE) au Royaume-Uni. Le NICE a validé Rayvolve®, qui regroupe quatre volets : AZtrauma, AZchest, AZmeasure, et AZboneage, pour sa capacité à réduire les erreurs diagnostiques (nice.org.uk)2.
La détection des fractures pilotée par l'IA n'est qu'un point de départ, marquant un nouveau seuil dans l'amélioration de la précision diagnostique et l'accélération du parcours de soins des patients. Cet article examine le fonctionnement de la détection des fractures par IA et ses avantages en contexte clinique.
Utiliser l'IA pour la détection des fractures en imagerie médicale
AZtrauma, logiciel d'IA MDaaS pleinement certifié pour la détection des fractures développé par AZmed, utilise des algorithmes sophistiqués pour analyser et détecter les fractures osseuses, les luxations et les épanchements articulaires sur les images médicales. Grâce à des technologies avancées d'apprentissage profond et de vision par ordinateur, AZtrauma améliore significativement la productivité et la précision du diagnostic pour les radiologues.
En tant qu'aide au diagnostic, AZtrauma offre plusieurs avantages par rapport aux méthodes diagnostiques traditionnelles :
Techniques avancées d'apprentissage automatique
Un support de haute qualité est assuré par des réseaux de neurones convolutifs (CNN), des transformeurs visuels et d'autres modèles avancés d'apprentissage profond, qui alimentent le logiciel. La suite d'IA Rayvolve® d'AZmed est entraînée sur l'un des plus grands jeux de données de radiographies (plus de 15 millions), annotées avec minutie par des radiologues experts certifiés, permettant à l'IA d'identifier avec précision des schémas de fracture complexes. Cet entraînement exhaustif fait d'AZtrauma une ressource puissante. Voici un aperçu du développement du modèle :
- Création d'un jeu de données : la première étape consiste à rassembler un large ensemble de radiographies, incluant à la fois des cas de fracture et des cas normaux.
- Annotation : des radiologues experts annotent les fractures sur les images, ce qui constitue une base fiable pour l'entraînement.
- Entraînement du modèle : à partir des données annotées, les algorithmes apprennent à distinguer les schémas de fracture par itérations successives.
- Validation : vérification de la précision et de la fiabilité du modèle à l'aide d'images nouvelles ou jamais testées auparavant.
Avantages de la détection des fractures par IA
AZtrauma utilise des algorithmes pour analyser les images médicales, offrant une meilleure détection des fractures subtiles ainsi qu'une réduction des faux positifs et des faux négatifs, tout en garantissant des lectures cohérentes d'un cas à l'autre. C'est cette rapidité associée à cette précision qui permet une priorisation plus rapide des cas critiques, réduisant les délais d'attente et permettant une prise en charge en temps voulu. AZtrauma automatise les tâches routinières, libérant les radiologues des charges de travail répétitives, leur permettant de se concentrer sur les cas plus complexes, de réduire l'épuisement professionnel et d'améliorer le débit du service de radiologie.
Lors du RSNA 2023, le Dr Sean Raj, Chief Innovation Officer chez SimonMed, a présenté une étude validant la performance de Rayvolve®[3]. Cette étude a porté sur des données d'examens extraites de 2022 (sans IA) et de 2023 (avec IA), soit respectivement 159 601 et 170 703 examens. Les résultats ont montré une amélioration des taux de détection, avec une prévalence des fractures de 10,4 % sans IA contre 11,8 % avec IA. Le délai moyen de traitement des comptes-rendus (TAT) pour les cas positifs pour fracture a été significativement réduit, passant de 48 heures sans IA à 8,3 heures avec IA, soit une réduction moyenne de 39 heures.
Mise en œuvre en contexte hospitalier
L'approche d'AZmed consiste à offrir aux professionnels de santé une formation approfondie sur les principes de base de l'IA, une expérience directe du logiciel AZtrauma, ainsi qu'une formation à la lecture des comptes-rendus diagnostiques assistés par IA et à l'utilisation de ces informations dans la prise de décision clinique. En fonction des besoins variés en matière d'infrastructure et de sécurité, AZmed propose trois modèles de déploiement : sur site & VPN, VPN, et sur site. Chaque modèle est conçu pour sécuriser les données des patients et prévenir les fuites de données, en fournissant et en gérant des systèmes réseau sécurisés et des solutions de stockage de données contrôlées. Cette flexibilité permet aux établissements de santé de choisir l'option la mieux adaptée à leur infrastructure existante et à leurs politiques de sécurité.
Intégration aux systèmes d'imagerie médicale existants
AZtrauma s'intègre de façon transparente aux flux de travail hospitaliers, en se connectant directement aux systèmes d'imagerie médicale pour une détection assistée par IA :
Processus d'identification des fractures en temps réel
Lorsqu'une nouvelle radiographie est réalisée :
- Le système d'IA reçoit l'image
- Le modèle entraîné analyse l'image à la recherche de schémas de fracture
- Les résultats sont générés en quelques secondes, mettant en évidence les fractures potentielles
- Les radiologues examinent les résultats assistés par IA sur la capture secondaire pour l'interprétation finale
Conclusion
Grâce à des algorithmes d'apprentissage profond entraînés sur de vastes jeux de données, AZtrauma analyse les radiographies en quelques secondes pour détecter des fractures osseuses parfois difficiles à interpréter. Les bénéfices de cette technologie sont évidents : une meilleure précision diagnostique, des résultats plus rapides et un potentiel d'économies pour les systèmes de santé.
Malgré le potentiel prometteur de l'IA dans la détection des fractures, il reste essentiel de surmonter les enjeux liés à la qualité des données, aux biais algorithmiques et à l'intégration dans les systèmes de santé existants. AZmed s'engage à relever ces défis afin qu'AZtrauma conserve sa haute performance et sa fiabilité en usage clinique. Grâce à une recherche continue, les technologies futures devraient encore optimiser le rôle de l'IA dans le diagnostic des fractures, élargir son champ d'application et renforcer la prise en charge des patients.
Pour en savoir plus sur la solution AZtrauma, consultez les preuves cliniques ici.
AZtrauma est désormais installé dans les centres d'imagerie SimonMed. Visionnez l'interview complète réalisée par JT Radiologue : Interview RSNA 2024 avec SimonMed Imaging
Preuves cliniques
La plus vaste étude jamais menée sur la détection des fractures par IA valide AZtrauma sur 195 706 radiographies musculo-squelettiques provenant de 26 pays
Objectif
L'objectif de cette évaluation était d'analyser la première étude internationale multicentrique de la suite d'IA Rayvolve®, portant sur sa performance en conditions réelles dans divers environnements cliniques et populations de patients, AZtrauma constituant l'essentiel du jeu de données.
Méthodes
Entre 2022 et avril 2025, des images radiographiques ont été collectées auprès de 100 centres médicaux dans 26 pays et sur 5 continents, soit un total de 258 373 images. Le jeu de données AZtrauma en représentait 75,7 %, soit 195 706 radiographies musculo-squelettiques. Treize évaluateurs experts ont annoté toutes les images par consensus selon un modèle de double lecture ; un troisième évaluateur rendait la décision finale en cas de désaccord. Les critères principaux étaient l'aire sous la courbe (AUC), la sensibilité, la spécificité, la valeur prédictive positive (VPP) et la valeur prédictive négative (VPN), avec des analyses de sous-groupes réalisées par tranche d'âge, sexe, partie du corps et pays.
Résultats
AZtrauma a obtenu une AUC globale de 98,3 % (IC 95 % : 98,2 %–98,4 %), une sensibilité de 97,4 %, une spécificité de 96,4 % et une VPN de 99,7 %. L'AUC pour les fractures était de 98,7 %, avec une sensibilité et une spécificité respectives de 98,2 % et 93 %. L'AUC pour la détection des luxations était de 95,6 %, avec une sensibilité et une spécificité respectives de 93,4 % et 96,7 %. L'AUC pour la détection des épanchements articulaires était de 97,5 %, avec une sensibilité et une spécificité respectives de 96,1 % et 98,8 %. Une performance robuste et élevée a été observée dans tous les sous-groupes du jeu de données, y compris toutes les tranches d'âge pédiatriques, les plus de 60 ans, ainsi que les hommes et les femmes ; pour les 17 parties du corps étudiées, et dans toutes les régions géographiques, avec une AUC > 96 %, une sensibilité > 93 % et une spécificité > 93 %.
Conclusion
Il s'agit de la validation la plus vaste et la plus diversifiée sur le plan géographique jamais publiée pour un outil de détection des fractures par IA. Le jeu de données AZtrauma a démontré une performance constamment élevée, fiable et généralisable en conditions cliniques réelles, confirmant la fiabilité de cet outil d'aide au diagnostic pour l'ensemble des populations de patients, des parties du corps et des conditions d'acquisition d'images.
En savoir plus : Publié dans Radiography
Évaluer le potentiel d'un outil d'apprentissage profond pour améliorer la détection des fractures par les radiologues et les médecins urgentistes sur les radiographies des extrémités
Objectif
Évaluer la performance autonome d'un outil de détection des fractures basé sur l'apprentissage profond (DL) sur des radiographies des extrémités, et évaluer la performance des radiologues et des médecins urgentistes dans l'identification des fractures des extrémités, avec et sans l'aide de l'IA.
Méthodes
L'outil d'IA avait été préalablement développé à partir de 132 000 radiographies du squelette appendiculaire, réparties en 87 % pour l'entraînement, 11 % pour la validation et 2 % pour le test. La performance autonome a été évaluée sur 2 626 radiographies anonymisées provenant d'un seul établissement de l'Ohio, incluant au moins 140 examens par région anatomique. Un consensus de trois radiologues musculo-squelettiques (MSK) certifiés aux États-Unis a servi de référence. Une étude rétrospective multi-lecteurs a été menée, dans laquelle 24 lecteurs (huit médecins urgentistes, huit radiologues non-MSK et huit radiologues MSK) ont identifié des fractures sur 186 cas lors de deux sessions indépendantes, avec et sans l'aide de l'IA, séparées par une période de wash-out d'un mois. La précision (aire sous la courbe ROC), la sensibilité, la spécificité et le temps de lecture ont été comparés avec et sans l'aide du modèle.
Résultats
Le modèle a atteint une précision autonome de 0,986, une sensibilité de 0,987 et une spécificité de 0,885, avec une précision élevée (> 0,95) selon les strates de partie du corps, d'âge, de sexe, d'incidence radiographique et de type de scanner. Avec l'aide de l'IA, la précision des lecteurs a augmenté de 0,047 (IC 95 % : 0,034–0,061 ; p = 0,004) et la sensibilité s'est significativement améliorée, passant de 0,865 (IC 95 % : 0,848–0,881) à 0,955 (IC 95 % : 0,944–0,964). Le temps de lecture moyen a été réduit de 7,1 secondes (27 %) par examen. Cette amélioration était plus marquée chez les médecins urgentistes et les radiologues non-MSK.
Conclusion
L'outil d'IA a démontré une précision autonome élevée, a amélioré la précision diagnostique des médecins et a réduit le temps d'interprétation.
En savoir plus : Publié dans Academic Radiology
Validation externe d'un algorithme d'apprentissage profond commercialisé pour la détection des fractures chez l'enfant
Objectif
L'objectif de cette étude était de réaliser une validation externe d'un algorithme d'apprentissage profond d'évaluation des fractures (Rayvolve®) à partir de radiographies numériques issues d'une cohorte réelle d'enfants se présentant aux urgences.
Méthodes
Cette étude rétrospective a porté sur 2 634 ensembles de radiographies (5 865 images) provenant de 2 549 enfants (1 459 garçons, 1 090 filles ; âge moyen 8,5 ± 4,5 [ÉT] ans ; tranche d'âge 0–17 ans) adressés aux urgences pédiatriques pour traumatisme. Pour chaque ensemble, il a été noté si une ou plusieurs fractures avaient été trouvées, leur nombre, ainsi que leur localisation par les radiologues seniors et par l'algorithme. En utilisant le diagnostic du radiologue senior comme référence, la performance diagnostique de l'algorithme d'apprentissage profond (Rayvolve®) a été calculée selon trois approches distinctes : une approche de détection (présence/absence de fracture en variable binaire), une approche d'énumération (nombre exact de fractures détectées) et une approche de localisation (portant sur la localisation correcte des fractures détectées). Des analyses en sous-groupes ont été réalisées selon la présence ou non d'un plâtre, la catégorie d'âge (0–4 ans vs 5–18 ans) et la région anatomique.
Résultats
Concernant l'approche de détection, l'algorithme d'apprentissage profond a obtenu une sensibilité de 95,7 % (IC 95 % : 94,0–96,9), une spécificité de 91,2 % (IC 95 % : 89,8–92,5) et une précision de 92,6 % (IC 95 % : 91,5–93,6). Concernant les approches d'énumération et de localisation, l'algorithme a obtenu une sensibilité de 94,1 % (IC 95 % : 92,1–95,6), une spécificité de 88,8 % (IC 95 % : 87,3–90,2) et une précision de 90,4 % (IC 95 % : 89,2–91,5) pour les deux approches. Concernant les analyses par sous-groupe d'âge, l'algorithme a obtenu une sensibilité et une valeur prédictive négative plus élevées dans le groupe des 5–18 ans que dans celui des 0–4 ans, pour l'approche de détection (p < 0,001 et p = 0,002) ainsi que pour les approches d'énumération et de localisation (p = 0,012 et p = 0,028). La valeur prédictive négative élevée s'est révélée robuste dans l'ensemble des analyses en sous-groupes, à l'exception des patients porteurs d'un plâtre (p = 0,001 pour l'approche de détection et p < 0,001 pour les approches d'énumération et de localisation).
Conclusion
L'algorithme d'apprentissage profond Rayvolve® est très fiable pour détecter les fractures chez l'enfant, en particulier chez ceux de plus de 4 ans et sans plâtre.
En savoir plus : Publié dans Diagnostic and Interventional Imaging
Cas cliniques réels d'analyse radiographique assistée par IA
Cas clinique 1 : coude pédiatrique
Le module AZtrauma de Rayvolve® a analysé une série de 3 images de radiographies du coude pédiatrique pour la détection des fractures par IA. Le module a trié les 3 images avec un niveau de suspicion élevé et a signalé la zone d'intérêt au niveau de l'avant-bras distal, présentant un discret bombement cortical compatible avec une fracture en motte de beurre (torus), une lésion spécifique à l'enfant. Ces résultats ont conduit à une évaluation ciblée par le clinicien et ont également facilité une priorisation rapide dans la liste de travail du flux d'imagerie.
Ce cas, pris isolément, illustre comment la détection des fractures par IA peut aider à diriger l'attention vers de petites discontinuités qui ne sont pas toujours facilement visibles dans des articulations complexes comme le coude. L'IA a fourni une localisation au pixel près de la zone d'intérêt, de façon cohérente sur les 3 images, ce qui a contribué à l'interprétation des images et améliorerait le compte-rendu clinique en pratique courante.
Cas clinique 2 : épanchement du coude (signe des liserés graisseux)
Une radiographie unique du coude a été analysée à l'aide du module AZtrauma de Rayvolve®, un système d'analyse de fracture par IA. Une suspicion accrue d'épanchement a été relevée, avec deux zones d'intérêt mises en évidence au niveau des liserés graisseux antérieur et postérieur. Un signe du liseré graisseux était visible, indiquant la possibilité d'une lésion intra-articulaire primaire, souvent associée à des fractures occultes du coude.
Le système d'analyse de fracture par IA a permis aux cliniciens d'identifier des signes indirects de traumatisme associés à un épanchement articulaire, ainsi qu'une anomalie qui aurait pu ne pas apparaître sur la radiographie standard. Lorsque des signes indirects sont présents sans fracture évidente, les cliniciens peuvent compléter l'évaluation par un scanner. Il est manifeste que l'IA a un rôle à jouer dans le renforcement de la vigilance diagnostique, l'aide à l'interprétation des radiographies et le soutien à la prise en charge des patients en imagerie musculo-squelettique.
Cas clinique 3 : atteintes de la clavicule et des côtes
Dans ce cas, le module AZtrauma de Rayvolve® a réalisé une évaluation par IA d'une série radiographique comprenant des incidences de l'épaule et du thorax. Le système a pu identifier une fracture claviculaire évidente, déjà repérée lors de la lecture initiale, ainsi qu'une fracture costale facilement susceptible d'être manquée en raison du chevauchement des structures thoraciques.
La localisation automatique des deux lésions a démontré que l'analyse de fracture par IA offre une véritable « seconde paire d'yeux », renforçant la confiance diagnostique, aidant le radiologue à rester exhaustif après la détection d'une fracture évidente, et réduisant le risque de méconnaître de tels résultats. Ce cas illustre la capacité de l'IA à aider les radiologues à identifier plusieurs lésions sur un même examen, tout en améliorant potentiellement la précision et en garantissant une efficacité fiable et constante.
Questions fréquentes
L'IA peut-elle détecter les fractures ?
Oui, l'IA peut détecter les fractures à partir d'images médicales, y compris les radiographies. Certaines solutions basées sur l'IA, comme AZtrauma, reposent sur des modèles d'apprentissage profond entraînés sur d'immenses volumes de données pour identifier les fractures, les luxations et les épanchements articulaires. Des études présentées au RSNA cette année montrent que l'IA peut détecter les fractures avec une précision supérieure aux méthodes traditionnelles et aider à éviter les diagnostics manqués.
Comment l'IA est-elle utilisée en radiographie ?
L'utilisation de l'IA en radiographie aide les radiologues en assistant l'analyse des images pour détecter des anomalies telles que les fractures. Cela est rendu possible par des algorithmes d'IA entraînés à reconnaître des schémas à partir de millions d'images annotées, tels que des fractures, des cas critiques, et les éléments diagnostiques que Rayvolve® peut fournir en quelques secondes. Cela améliore l'efficacité du flux de travail, réduit le taux d'erreurs diagnostiques et facilite la prise de décision clinique.
L'IA va-t-elle remplacer les radiologues ?
Non, les radiologues ne seront pas remplacés par l'IA. Elle fonctionne plutôt comme un outil d'assistance, renforçant la certitude diagnostique et allégeant la charge de travail, en particulier dans les environnements cliniques à forte activité. L'IA est capable de détecter rapidement des fractures et d'autres anomalies, mais l'interprétation et la décision restent du ressort de l'humain.
L'IA est-elle plus précise que les radiologues ?
Les recherches ont montré que l'utilisation de l'IA augmente les chances de détecter des fractures susceptibles d'être manquées. Les études présentées au RSNA ont montré que les radiologues assistés par IA obtenaient une précision supérieure à ceux travaillant seuls. Une étude menée par SimonMed Imaging a indiqué que le taux de détection des fractures est passé de 10,4 % (sans IA) à 11,8 % (avec IA), et que le délai moyen de traitement des comptes-rendus est passé de 48 heures à 8,3 heures grâce à l'IA. Néanmoins, la meilleure performance a été observée lorsque l'IA était utilisée en complément des radiologues, et non à leur place.
Qu'est-ce qui distingue AZtrauma des autres solutions d'IA de détection des fractures ?
AZtrauma se distingue par sa validation clinique, ayant obtenu à la fois l'autorisation de la FDA et le marquage CE, répondant ainsi aux normes réglementaires nécessaires. Il est entraîné sur l'un des plus grands jeux de données radiographiques, annotées par des radiologues experts. Alors que certains modèles d'IA se concentrent uniquement sur les fractures, AZtrauma détecte également les luxations et les épanchements articulaires, ce qui en fait une solution diagnostique plus précise. AZtrauma s'intègre de façon transparente aux systèmes d'imagerie médicale existants, garantissant son bon fonctionnement au sein des flux de travail en radiologie. En conditions réelles, comme dans les centres d'imagerie SimonMed, il a démontré une réduction des délais de traitement et une augmentation des taux de détection, confirmant sa fiabilité.
Quelle est la meilleure IA pour la détection des fractures sur radiographie ?
D'après les preuves cliniques comparatives les plus récentes issues du journal Radiography, l'IA de détection des fractures d'AZmed (commercialisée sous le nom d'AZtrauma) se situe au niveau du meilleur outil d'IA testé pour la détection des fractures musculo-squelettiques sur radiographie, y compris pour les cas complexes avec matériel métallique et fractures multiples.
Informations réglementaires
US - Medical device Class II according to the 510K clearance. 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). EU - 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. AZboneage is an uncertified feature currently under development. For more information, please contact contact@azmed.co. AZmed 10 rue d’Uzès, 75002 Paris - www.azmed.co - RCS Laval B 841 673 601© 2024 AZmed – All rights reserved. MM-25-38
