L’IA peut-elle améliorer la relecture des radiographies de traumatologie dans les petits services d’urgence ?

Aux urgences, la plupart des fractures suspectées sont d’abord évaluées par radiographie standard. Cet examen est rapide, peu coûteux, et facilement disponible en tant qu’examen d’imagerie de première intention lorsque les patients se présentent pour la première fois aux urgences. Cependant, des erreurs surviennent souvent dans l’interprétation de ces radiographies, en particulier lorsque des fractures sont manquées parce que la présentation clinique et l’interprétation de la radiographie ne concordent pas. Cette divergence diagnostique est l’une des raisons pour lesquelles l’interprétation des radiographies aux urgences demeure vulnérable dans les contextes à volume élevé.

Ces divergences surviennent souvent avec des fractures subtiles sur les radiographies ; ces fractures présentent généralement un risque plus élevé d’être manquées. Les fractures non déplacées, les fractures mal projetées, et les fractures masquées par un chevauchement anatomique augmentent toutes la probabilité d’une erreur.

De nombreuses publications ont systématiquement rapporté les mêmes raisons de fractures manquées sur les radiographies : erreurs perceptives, projections incomplètes, chevauchement anatomique, pathologies de fond distrayantes, et absence d’ajustement clinique lorsque les résultats radiographiques ne correspondent pas au tableau clinique.¹ ² ³

Des fractures manquées peuvent survenir dans n’importe quel parcours d’imagerie de traumatologie ; cependant, le risque est plus élevé lorsque les radiographies de traumatologie sont interprétées par un radiologue généraliste, un urgentiste, un lecteur junior, ou une équipe de relecture de traumatologie composée de niveaux d’expertise variables, plutôt que par un radiologue sous-spécialisé en pathologie musculosquelettique sur le site de soins.

Dans les petits établissements, la première lecture d’une radiographie de traumatologie est généralement réalisée aux urgences, en raison des contraintes de temps, d’antécédents patients limités, et de niveaux d’expertise variables, avec peu ou pas de soutien immédiat d’un sous-spécialiste musculosquelettique.

La question centrale est de savoir si l’intelligence artificielle peut être utilisée pour aider à réduire le nombre de fractures manquées en améliorant la relecture des radiographies de traumatologie, ou en standardisant leur interprétation grâce à la réduction de la variabilité du processus de flux de travail et des niveaux d’expertise.¹ ⁴ ¹⁰

Les recommandations actuelles concernant l’IA en radiologie indiquent qu’avant toute utilisation dans un contexte clinique donné, l’IA devrait être examinée quant à son usage prévu, son adéquation avec le processus de flux de travail, sa performance dans des conditions de test correspondant à l’usage réel, et la question de savoir si une supervision humaine resterait nécessaire.

Lors de l’évaluation d’un modèle d’IA pour la radiologie d’urgence, plutôt que de considérer uniquement la performance du modèle d’IA, le véritable test consiste à savoir si l’utilisation de l’IA dans l’interprétation des radiographies soutient les cliniciens là où les résultats manqués sont les plus susceptibles de se produire. Dans ce contexte, la valeur de l’IA en radiologie d’urgence dépend de sa capacité à apporter un soutien clinique à l’interprétation des radiographies dans les contextes où les erreurs sont les plus probables.⁴

La complexité et la difficulté de détecter des fractures sur l’imagerie radiographique

La détection de fractures sur les radiographies n’est pas également difficile selon les cas. Pour les fractures des os longs, la décision de la présence ou non d’une fracture est généralement facile à établir.

Le degré de difficulté peut augmenter lorsqu’une radiographie montre une rupture corticale subtile, une petite fracture par avulsion, des signes indirects sans trait de fracture visible, une fracture pelvienne non déplacée, un chevauchement important de plusieurs structures, un examen incomplet, par exemple l’absence de toutes les incidences appropriées, ou des erreurs cognitives dues à des idées préconçues sur l’anatomie normale ou à un renforcement mental perçu après avoir observé des images apparemment normales.

Tous ces facteurs conduisent à des fractures manquées en radiologie d’urgence.¹ ²

Les fractures de certaines structures anatomiques présentent un risque plus élevé d’être manquées que d’autres types de fractures. Les fractures occultes du scaphoïde en sont un exemple clinique fréquent, pouvant être manquées sur la radiographie initiale et apparaître ultérieurement sous forme d’œdème osseux à l’IRM.

D’autres exemples fréquents de fractures manquées incluent les fractures de la tête radiale, parfois identifiables uniquement par un signe du coussinet graisseux postérieur sans preuve directe de fracture sur le cliché standard, les lésions de l’articulation de Lisfranc en l’absence de radiographies en charge adéquates ou de signes visuels de diastasis, et les lésions de l’anneau pelvien chez les patients âgés considérés comme ostéopéniques ou lorsque des gaz intestinaux masquent une fracture potentielle.

Tous ces exemples illustrent les difficultés à détecter de petites fractures indirectes en contexte d’urgence, en particulier lorsque les antécédents cliniques sont incomplets et la charge de travail élevée.

Une étude néerlandaise portant sur 25 957 fractures aux urgences a révélé que 289 fractures avaient été initialement manquées, et que le taux de fractures manquées variait selon l’âge et la localisation.

La prise en charge des fractures était également affectée par le retard diagnostique, montrant que les schémas de fractures manquées ne sont pas aléatoires et que certaines parties du corps présentent un risque plus élevé d’être manquées.³

Bien que la relecture des dossiers de traumatologie vise principalement à identifier des fractures, le relecteur doit également décider si une imagerie complémentaire est nécessaire, et si un scanner ou une IRM se justifie, même lorsque la radiographie est négative.

Cette décision relèvera en définitive du jugement clinique, fondé sur le contexte dans lequel la radiographie est interprétée, et non sur une simple qualification de l’image. En imagerie de traumatologie, l’interprétation radiographique doit donc être reliée au tableau clinique.¹ ⁴

Où la variabilité s’introduit dans la première lecture

Dans la plupart des services d’urgence, la première relecture, ou première lecture, des radiographies de traumatologie est réalisée par un radiologue généraliste, un urgentiste, ou un médecin junior, un sous-spécialiste apportant une confirmation souvent quelques heures après cette première lecture.

Dans de nombreux cas, les patients ont déjà été pris en charge avant la confirmation par un sous-spécialiste de la première lecture, ce qui réduit considérablement la fenêtre d’intervention rapide si une fracture subtile a été initialement manquée.¹ ⁴

Plusieurs facteurs augmentent la variabilité entre les premières lectures, notamment, sans s’y limiter, l’expérience du lecteur, le moment de la garde, et le volume de travail du service de radiologie.

Lorsqu’un lecteur fait face à une charge de dossiers routiniers, il peut être moins minutieux face aux lésions atypiques, et la qualité de la note de triage influencera également la manière dont ce relecteur mène sa recherche de lésions.

En l’absence de documentation suffisante sur les antécédents cliniques d’une lésion, il devient difficile pour ce relecteur d’identifier une zone de lésion potentielle, augmentant ainsi la probabilité de manquer une lésion en dehors de la zone d’attention initiale.

Ces facteurs ont été identifiés comme des causes contribuant aux fractures manquées, tant dans les services d’urgence communautaires qu’universitaires. Ils contribuent également à la variabilité du flux de travail en imagerie d’urgence.¹ ²

Comparés aux grands centres tertiaires disposant d’une couverture musculosquelettique continue, les petits services d’urgence présentent un degré de variabilité plus élevé.

Dans les services d’urgence plus petits ou plus généralistes, l’interprétation radiologique initiale sera souvent la seule interprétation réalisée avant que le soignant ne prenne sa décision clinique initiale.

Un outil d’assistance n’a pas besoin de surpasser le sous-spécialiste musculosquelettique pour être bénéfique dans ces contextes. Il lui suffit d’améliorer raisonnablement la première interprétation, suffisamment pour identifier une lésion négligée ou provoquer une seconde relecture des examens validés trop rapidement.¹ ⁴ ⁶

Données à l’appui de l’utilisation de l’IA pour la détection de fractures sur les radiographies de traumatologie

Plusieurs systèmes et études soutiennent l’utilisation de l’intelligence artificielle pour la relecture des radiographies de traumatologie. Dans une étude menée en 2020 par Jones et al., un modèle d’apprentissage profond pour la détection de fractures en radiographie musculosquelettique a montré de bonnes performances.

Les fractures manquées étant relativement fréquentes, des efforts continus devraient être déployés pour améliorer leur détection.⁶

La littérature sur ce sujet continue de s’étoffer, avec notamment des revues systématiques et des méta-analyses. En 2022, une méta-analyse publiée dans Radiology a comparé la performance diagnostique des systèmes d’IA à celle des cliniciens dans de nombreuses études portant sur la relecture de radiographies de traumatologie.

Cette analyse a révélé que la performance diagnostique de l’IA était comparable à celle des cliniciens dans la majorité des études. Cependant, des biais étaient présents dans la majorité des études, indiquant qu’une validation externe supplémentaire était nécessaire.

Bien que le potentiel technique de la relecture des radiographies assistée par l’IA soit manifeste, cette relecture assistée ne devrait pas être considérée comme validée pour un usage clinique tant qu’elle n’a pas été démontrée en conditions réelles.⁷

La question pertinente concernant l’utilisation de l’interprétation de radiographies assistée par l’IA est de savoir comment cette assistance affecte la performance du clinicien lorsqu’il relit activement la radiographie, par rapport à la performance des algorithmes isolément du clinicien.

Une revue systématique et méta-analyse de la littérature publiée en 2026 a montré que l’assistance par IA améliorait la sensibilité groupée de détection des fractures de 77 % à 87 %, la spécificité groupée de 88 % à 92 %, et l’AUC synthétique de 0,90 à 0,95.

Malgré le degré élevé d’hétérogénéité entre les études et le risque élevé de biais dans nombre des études incluses dans la méta-analyse, la tendance globale de l’effet a montré que les cliniciens assistés par l’IA étaient plus précis que les cliniciens sans assistance par IA.⁸

Toutes les données externes ne soutiennent pas l’utilisation de l’IA pour aider à l’évaluation des radiographies musculosquelettiques en vue de détecter des fractures.

Une publication de 2025 a rapporté qu’un modèle d’IA affichait une sensibilité et une spécificité inférieures lors de l’évaluation de fractures du bassin, de la hanche et des extrémités dans une population clinique, avec le scanner comme référence, par rapport au radiologue.

De bonnes performances sur le jeu de données de développement du modèle ne garantissent pas que l’IA aura une performance comparable sur l’ensemble des parcs d’appareils, des populations de patients, ou des types de fractures.

C’est l’une des raisons pour lesquelles des recommandations multi-organisationnelles suggèrent une validation locale de l’IA plutôt que le recours aux référentiels publiés, lors de son application à différents systèmes de prestation de soins de santé.⁴ ⁹

Pourquoi les études d’assistance au lecteur sont importantes

Les études d’assistance au lecteur offrent une évaluation plus solide des outils d’IA que les seuls référentiels de performance. L’AUC ou la sensibilité isolément, calculées sur un jeu de test réservé, démontrent la capacité discriminante du modèle.

Cependant, cela ne démontre pas comment le modèle modifie le comportement d’un clinicien lors de l’interprétation des examens. La question pratique est de savoir si l’utilisation d’un modèle d’IA modifierait l’interprétation des résultats par le clinicien : s’arrêterait-il pour réévaluer un résultat subtil ? Signalerait-il ce cas pour un suivi ?

Cette question ne peut trouver de réponse par le simple référencement des algorithmes ; des études d’assistance au lecteur sont donc nécessaires pour évaluer pleinement l’évolution du comportement clinique lors de l’utilisation d’un outil. C’est pourquoi l’assistance au lecteur est centrale dans l’évaluation de l’IA d’interprétation des radiographies.⁴ ⁸ ¹⁰

Les études d’assistance au lecteur apportent des données complémentaires aux mesures de performance de l’algorithme, permettant d’identifier les différences entre types de lecteurs affectés par l’IA.

Un radiologue musculosquelettique spécialisé dans la lecture de radiographies des extrémités, qui lit ce type de dossiers quotidiennement, se situe généralement à un niveau de reconnaissance des schémas où l’IA a peu de marge pour améliorer davantage son interprétation de ces examens.

À l’inverse, un urgentiste ou un radiologue généraliste qui lit une série de traumatologie en dehors de sa sous-spécialité principale peut avoir moins d’expérience en reconnaissance des schémas et pourrait tirer davantage bénéfice d’un outil d’IA, par exemple en mettant en évidence une irrégularité corticale ou en attirant l’attention sur une zone d’intérêt qu’il n’aurait pas priorisée autrement.

Ainsi, la pertinence clinique des résultats des études d’assistance au lecteur, qui démontrent des améliorations plus marquées chez les lecteurs de radiologie générale et les radiologues non spécialisés en musculosquelettique que chez les sous-spécialistes, apporte un soutien plus important au processus d’interprétation des images de traumatologie en première ligne que les seules mesures de performance du modèle.

Lorsque vous envisagez une IA pour l’interprétation de radiographies, plutôt que de vous demander « quelle est la performance du modèle seul ? », vous devriez vous demander « comment le clinicien performe-t-il avec le modèle ? »¹⁰

Base de données probantes d’AZmed

La plus vaste étude de validation d’AZmed pour la suite Rayvolve AI a évalué 258 373 radiographies réalisées dans 100 établissements de 26 pays sur 5 continents, entre janvier 2022 et avril 2025.

Pour AZtrauma, la performance en AUC a été rapportée à 98,3 %, la sensibilité à 97,4 %, et la spécificité à 96,4 %.

La taille et la diversité géographique de ce jeu de données apportent des preuves solides de la généralisabilité technique à travers différents équipements, groupes de patients, et protocoles d’imagerie.⁵

AZmed a également mené une étude de registre prospective externe à l’Université technique de Munich, qui représente une exigence plus élevée en offrant une comparaison directe et externe de 3 systèmes d’IA commerciaux pour l’imagerie d’urgence, à partir de données réelles de relecture d’images de traumatologie issues de 1 037 patients adultes, 2 926 radiographies, et 22 régions anatomiques d’intérêt distinctes.

Dans cette étude, Rayvolve a obtenu la meilleure AUC, à 84,88 %, et la meilleure sensibilité pour l’ensemble des fractures, à 79,48 %. Un autre système a obtenu une spécificité légèrement supérieure à celle de Rayvolve.

Une variabilité a également été observée dans la performance entre les fractures, les luxations et les épanchements articulaires. Cette variabilité attendue selon les catégories de lésions s’explique par les caractéristiques d’image propres à chaque lésion, la morphologie des fractures, et les taux de fractures manquées associés.¹¹

AZmed a réalisé l’étude la plus pertinente cliniquement pour répondre à la question posée ici. Dans une étude de lecteurs de 2024 publiée dans Academic Radiology, évaluant un outil de détection de fractures par apprentissage profond à l’aide de 2 626 radiographies d’extrémités anonymisées, 24 lecteurs, dont 8 urgentistes, 8 radiologues non musculosquelettiques, et 8 radiologues musculosquelettiques, ont lu les radiographies avec et sans assistance de l’IA.

L’assistance par l’IA a permis d’améliorer la sensibilité globale, passant de 86,5 % à 95,5 %, ainsi que la précision moyenne des lecteurs, tandis que le temps de lecture moyen diminuait de 27 %.

L’assistance par l’IA s’est révélée avoir un impact plus important sur le diagnostic des urgentistes et des radiologues non musculosquelettiques, comparativement aux radiologues musculosquelettiques.¹⁰

L’un des principaux constats de cette étude concernait la variation entre les différents groupes de lecteurs. L’assistance par l’IA a produit son effet le plus important chez les groupes de lecteurs les plus susceptibles de réaliser les premières évaluations de traumatologie dans des contextes d’expertise mixte.

Par ailleurs, l’amélioration de la précision n’était pas uniforme parmi tous les lecteurs ; elle semble en réalité provenir principalement des lecteurs présentant, avant l’intervention de l’IA, la plus forte probabilité de poser un diagnostic incorrect.

En 2025, AZmed a publié une nouvelle étude de lecteurs portant sur des populations pédiatriques, démontrant le même schéma d’amélioration de la précision. Des évaluations de lecteurs ont été menées, avec et sans assistance de l’IA, sur un total de 3 016 radiographies musculosquelettiques pédiatriques recueillies dans 4 centres d’imagerie américains.

La précision des lecteurs a augmenté dans tous les groupes, et le temps de traitement des lecteurs a diminué de 26,1 % par rapport aux mesures de référence.

En raison des différents stades de développement physique, les difficultés d’identification des fractures peuvent être très différentes entre l’imagerie pédiatrique et adulte, ce qui soutient l’idée que les évaluations d’images assistées par l’IA peuvent offrir de meilleurs résultats à travers différentes populations cliniques, malgré les variations du développement anatomique liées à l’âge.¹²

Limites de l’IA

Comme indiqué précédemment, il existe des cas où des fractures resteront indétectables même après plusieurs relectures attentives de la radiographie initiale.

Par exemple, les patients présentant une fracture du scaphoïde, une fracture de stress précoce, une fracture non déplacée de la tête radiale, ou une fracture occulte de la hanche peuvent ne présenter aucun signe de leur lésion sur la radiographie initiale.

Si un praticien a une forte suspicion de fracture alors que la radiographie semble négative, l’action appropriée est de recourir à un scanner, une IRM, ou une nouvelle imagerie, et non de rassurer le patient sur la base du résultat d’un algorithme. Il s’agit là d’une limite essentielle du soutien de l’IA à la relecture des radiographies de traumatologie.¹ ⁴ ⁹

D’autres limites à la détection des lésions, tant pour les professionnels de la radiologie que pour les systèmes d’IA, incluent l’absence d’incidence de profil en complément d’une incidence antéropostérieure adéquate, des séries de l’épaule incomplètes, et une qualité d’image inadéquate en raison de mouvements du patient pendant l’examen.

Ainsi, pour que les professionnels de la radiologie comme les systèmes d’IA disposent d’informations diagnostiques et cliniques précises à partir des images radiographiques standards, une imagerie adéquate est nécessaire.

Une imagerie adéquate dépend de 3 facteurs : 1) la qualité de l’examen radiographique réalisé par le manipulateur, 2) l’état clinique du patient, et 3) la qualité de l’équipement radiologique utilisé pour réaliser l’examen.

Une sensibilité accrue peut entraîner une augmentation des taux de faux positifs, des relectures supplémentaires, et des changements dans les habitudes de lecture.

Toutes ces considérations devraient être prises en compte lors de la décision d’utiliser une technologie d’IA, afin d’apporter un soutien sûr et efficace à la relecture des radiographies et une interprétation plus sûre.

L’impact clinique variera selon le contexte d’utilisation. Un taux plus élevé d’interprétations faussement positives entraînera des besoins accrus en ressources pour assurer une prise en charge appropriée dans le processus de relecture des radiographies aux urgences.⁴ ⁸ ¹¹

Les recommandations cliniques pour l’utilisation de la technologie d’IA comportent des exigences clés : un test cliniquement valide fondé sur une définition claire de l’usage prévu, une validation locale complète et qualifiée, une supervision humaine régulière, et un suivi continu après le déploiement.

Il existe une base de données probantes importante soutenant la validité de la technologie d’IA pour un usage clinique, fondée sur de vastes bases de données d’études rétrospectives multi-institutionnelles.

Malgré cela, ces vastes bases de données rétrospectives ne suffisent pas, à elles seules, à démontrer de façon concluante la validité technique des technologies d’IA ; des études supplémentaires sont donc nécessaires, notamment des études de comparaison prospectives et des études de lecteurs contrôlées.

En définitive, aucune technologie d’IA ne peut prédire ou prendre en compte de manière totale et précise l’influence des variables locales sur l’issue clinique des lésions détectées par évaluation radiographique.

Conclusion

La technologie d’IA apporte une valeur significative à l’amélioration des évaluations radiographiques de traumatologie dans les petits services d’urgence ou ceux à expertise mixte, lorsqu’elle est utilisée comme outil de soutien à la décision clinique aux côtés du jugement clinique, plutôt que pour le remplacer entièrement. Cela est particulièrement pertinent pour l’imagerie de traumatologie et la relecture radiologique dans les petits services d’urgence où le soutien immédiat d’un sous-spécialiste est limité.

Il existe suffisamment de données pour soutenir ce rôle, notamment des études sur la performance autonome de l’IA, des revues systématiques sur la détection de fractures assistée par IA, et des études de lecteurs contrôlées auprès de populations adultes comme pédiatriques.

Ces données appuient la conclusion selon laquelle la technologie d’IA réduira le plus efficacement les fractures manquées dans les contextes cliniques où la première lecture est la plus exposée aux résultats manqués : lecteurs non sous-spécialisés, flux de travail sous pression temporelle, et environnements sans couverture immédiate par un sous-spécialiste. Dans ces conditions, la relecture non spécialisée des radiographies de traumatologie peut tirer le plus grand bénéfice du soutien de l’IA.

Les résultats de l’étude de lecteurs d’AZmed, la comparaison prospective de Munich, et l’ensemble des données méta-analytiques apportent des preuves cliniques solides que la valeur clinique de l’IA est la plus significative lorsqu’elle améliore la détection chez les lecteurs les plus susceptibles de manquer une lésion.

La force de la technologie d’IA dans l’amélioration de l’évaluation clinique des lésions réside principalement dans la détection de lésions mineures difficilement identifiables sur les radiographies traditionnelles, telles qu’une marche corticale, un signe du coussinet graisseux postérieur, ou une fissure fine de la taille du scaphoïde.⁵ ⁸ ¹⁰ ¹¹