Vous planifiez un projet d’IA de détection de fractures osseuses ? Commencez ici

Dans la plupart des cas, le point de départ d’un projet de détection de fractures osseuses repose sur un problème clinique ou opérationnel bien réel. Par exemple, l’un des objectifs des hôpitaux souhaitant mettre en œuvre un outil d’IA de détection de fractures osseuses est de réduire leur taux de fractures manquées sur les radiographies, tandis qu’un autre objectif est d’améliorer la constance de l’interprétation entre lecteurs.

Par ailleurs, les hôpitaux souhaitent souvent soutenir leur personnel clinique confronté à la pression de travailler rapidement lors des examens d’imagerie diagnostique ; ou ils peuvent vouloir mettre en œuvre une technologie de détection de fractures en raison de la demande croissante d’imagerie, alors que le nombre de personnel réalisant ces examens continue de diminuer.

Les estimations actuelles des effectifs aux États-Unis et du nombre d’examens d’imagerie réalisés prévoient des taux de croissance plus élevés entre 2025 et 2055, ainsi qu’une pression à la hausse continue sur la demande de services et de technologies pour assurer les services d’imagerie dans les années à venir.¹ ²

C’est pourquoi un projet de détection de fractures osseuses fondé sur des images radiographiques doit inclure un processus structuré de bout en bout.

Avant de commencer des démonstrations, de formuler des affirmations générales fondées uniquement sur la communication commerciale d’un fournisseur d’IA, ou d’examiner des preuves cliniques définies, les hôpitaux doivent commencer leurs projets par :

• déterminer le périmètre d’une étude ou d’un projet d’utilisabilité clinique ;
• obtenir des preuves de bonne qualité ;
• évaluer l’adéquation de la technologie avec le flux de travail existant ;
• examiner le statut réglementaire de la technologie ;
• évaluer la valeur locale de la technologie pour l’hôpital ;

tous ces points devant être traités avant l’évaluation de plusieurs offres de produits ou d’un produit spécifique comme AZtrauma.

Cet article explore comment commencer à planifier un projet de détection de fractures osseuses à partir d’images radiographiques, en créant un modèle d’utilisabilité clinique dès le développement initial du projet, puis en évaluant les offres/modèles afin, en définitive, d’évaluer la pertinence clinique des images de fracture.

Pourquoi les projets de détection de fractures osseuses suscitent l’intérêt des hôpitaux

Les hôpitaux mettent en œuvre des projets de détection de fractures osseuses pour améliorer la prise en charge des patients.

Ils tiennent compte de divers facteurs, notamment l’imagerie de routine mais critique, le volume important de radiographies musculosquelettiques prescrites par les services d’urgence, ambulatoires, et hospitaliers, ainsi que la variation entre les types de fractures observées.

Certaines fractures peuvent être facilement identifiées, tandis que d’autres, comme les fissures fines ou les fractures occultes, peuvent être difficiles à détecter, en particulier si les cliniciens travaillent rapidement ou gèrent des charges de patients élevées avec des niveaux d’expérience variables.

Ces projets sont également liés à l’amélioration des processus de flux de travail du service de radiologie.

Outre l’évaluation de la capacité d’un logiciel à détecter des fractures, les hôpitaux évalueront également si ce logiciel apporte un soutien aux radiologues lors de la relecture des radiographies musculosquelettiques.

Un hôpital peut mettre en œuvre un projet de détection de fractures osseuses lorsque son service de radiologie souhaite une seconde relecture pour l’interprétation, des priorités de relecture plus claires, ou une meilleure constance dans l’évaluation des radiographies musculosquelettiques.

La question clé n’est pas de savoir si un algorithme peut détecter des fractures, mais plutôt comment le logiciel s’intègre au flux de travail actuel des radiologues.

Étape 1 : définir le périmètre clinique de votre projet de détection de fractures osseuses

Il est surprenant de constater combien d’équipes demandent des outils d’IA de détection de fractures osseuses sans définir où ils seront appliqués, quelles radiographies seront utilisées, ou quel problème le logiciel est censé résoudre.

Les équipes devraient commencer par 3 questions clés :

• Quels types d’examens seront priorisés en premier ?
• Quels contextes de soins sont les plus importants ?
• Quel résultat l’équipe souhaite-t-elle améliorer ?

Certains projets se concentreront sur les radiographies des extrémités aux urgences ; d’autres se concentreront sur les examens musculosquelettiques ambulatoires à fort volume.

Un pilote plus restreint peut débuter par n’importe quelle combinaison d’examens du poignet, de la cheville, du pied, ou de l’épaule.

La réponse à ces questions dépend largement de la région dans laquelle votre projet est mis en œuvre, ainsi que de la charge de fractures, du risque clinique, et de la pression sur le flux de travail qui y règnent.

Par ailleurs, les équipes devraient définir le rôle de l’outil d’IA au sein de leur projet de détection de fractures osseuses.

Un projet peut être conçu pour assister un médecin interprétant lors de la relecture d’un examen, pour aider à prioriser les examens suspects, ou pour réduire les faux négatifs au sein d’une étude.

Bien que ces objectifs soient liés, ils sont clairement distincts les uns des autres.

Lorsque le rôle d’un outil est vague, l’évaluation du projet aura elle aussi tendance à l’être. Lorsque le rôle d’un projet de détection de fractures osseuses est clairement défini, il devient possible de fixer des objectifs mesurables.

Ces critères peuvent inclure une sensibilité améliorée, une confiance accrue des lecteurs, une réduction de la variation des comptes rendus entre les gardes, ou un délai de traitement plus court pour l’évaluation de groupes d’examens sélectionnés.

L’objectif n’est pas de forcer chaque établissement à s’inscrire dans un cadre unique, mais de développer des référentiels permettant de mesurer le succès avant la mise en œuvre du logiciel dans le flux de travail de l’établissement.

Étape 2 : examiner les preuves à l’appui du projet de détection de fractures osseuses

L’examen de la recherche appuyant une initiative de détection de fractures osseuses constitue l’étape suivante du processus.

C’est généralement à ce stade que la plupart des équipes commettent des erreurs ; plus précisément, elles acceptent trop rapidement les preuves fournies par le fournisseur, ou elles rejettent toute preuve qui n’est pas issue d’une étude randomisée parfaitement conçue.

Ces deux réactions sont erronées.

Une question plus appropriée serait : quel type de preuve est suffisamment solide pour être utilisé dans cette application clinique ?

En général, les preuves les plus solides comprennent une validation évaluée par les pairs, des données issues de plusieurs centres ou zones géographiques, et des études incluant des indicateurs de performance interprétables dans un contexte pertinent.

Dans le cas de la détection de fractures, les indicateurs de performance courants incluent l’aire sous la courbe, la sensibilité, et la spécificité.

Bien que ces indicateurs comptent certainement, ils ne devraient être pris en compte que si l’équipe connaît également la population incluse dans l’étude, la répartition des cas, et la norme de référence.

Un excellent exemple de source de preuves multicentrique et multi-géographique serait une étude récente intitulée « Performance of a complete AI radiographic suite across 258,373 X-rays from 26 countries: A worldwide evaluation », dans laquelle les auteurs ont évalué 258 373 radiographies provenant de 26 pays sur 5 continents différents.

L’utilisation de l’algorithme AZtrauma a démontré une aire sous la courbe de 98,3 %, une sensibilité de 97,4 %, et une spécificité de 96,4 %.³

Ces résultats sont pertinents pour un projet de détection de fractures osseuses en raison à la fois de la taille de l’échantillon et de l’étendue géographique de l’étude.

La documentation réglementaire peut également être utilisée dans le cadre de l’examen des preuves existantes et peut aider à évaluer la pertinence des indicateurs des études publiées.

Par exemple, le résumé FDA 510(k) de Rayvolve® indique que le dispositif Rayvolve® est destiné à assister les radiologues et urgentistes dans la détection de fractures lors de la relecture de radiographies musculosquelettiques chez des patients âgés de 2 ans ou plus.

Par ailleurs, le résumé indique que le logiciel Rayvolve® est destiné à fournir une aide au diagnostic, mais n’est pas destiné à remplacer la relecture de l’image par le médecin.⁴

Pour les hôpitaux, cette information aide à clarifier l’usage prévu du système et détermine ce que les médecins peuvent en attendre.

Indépendamment de cette information, un hôpital ne devrait pas considérer les résultats publiés comme la fin du processus d’évaluation.

Dans le cas d’un projet de détection de fractures osseuses, les questions à prendre en compte incluent :

• Les séries de radiographies utilisées dans les études sont-elles similaires à celles lues par vos médecins dans votre établissement ?
• Les résultats étaient-ils constants selon les tranches d’âge des patients examinés, et étaient-ils constants selon les différents types d’examens ?
• Les évaluations reflétaient-elles les environnements de lecture réels ?

Un excellent processus d’acquisition ne consiste pas seulement à identifier des preuves valides ; il consiste également à savoir les interpréter correctement.

Étape 3 : vérifier l’adéquation au flux de travail dans le projet de détection de fractures osseuses

Dans un projet de détection de fractures osseuses, le succès ou l’échec dépend souvent davantage du flux de travail que des indicateurs phares.

Un très bon algorithme peut facilement devenir un fardeau pour le flux de travail s’il ajoute des clics supplémentaires, des interfaces peu efficaces, ou un parcours de lecture distinct auquel un clinicien n’accordera pas sa confiance.

C’est pourquoi l’adéquation au flux de travail est l’un des principaux tests au sein d’un projet de détection de fractures osseuses.

Les équipes doivent se poser des questions telles que : où l’IA s’exécute-t-elle, comment les images sont-elles routées, comment les résultats reviennent-ils, et que voit réellement le radiologue ?

Si les réponses à ces questions ne sont pas claires, l’évaluation sera incomplète.

Les standards jouent également un rôle important dans ce processus.

La norme DICOM fournit le cadre de base pour communiquer et gérer les informations et données liées à l’imagerie médicale.⁵

En pratique, le projet devrait donc examiner comment les examens circulent dans l’environnement d’imagerie, et si l’IA s’y intègre comme un élément utilisable de cet environnement plutôt que comme un ajout perturbateur.

Selon le résumé FDA du logiciel Rayvolve®, celui-ci a été conçu pour fonctionner avec l’édition la plus récente de la norme d’image DICOM.⁴

Un projet de détection de fractures osseuses doit malgré tout évaluer comment l’outil s’interface avec le PACS, comment ses annotations ou résultats seront présentés à l’utilisateur, et si le jeu de données original restera intact.

Questions de flux de travail à poser pendant le projet de détection de fractures osseuses

Par exemple, le routage par l’IA des images radiographiques vers les radiologues pour analyse peut-il se faire automatiquement ?

Si oui, les résultats de l’analyse de l’IA peuvent-ils être restitués dans le visualiseur PACS où les cliniciens examinent actuellement les images ?

Par ailleurs, les radiologues peuvent-ils utiliser le résultat de l’IA sans perturber leurs habitudes de flux de travail ?

Enfin, existe-t-il des méthodes définies pour gérer l’indisponibilité du service d’IA ?

Ces questions sont essentielles non seulement pour le succès technique de la mise en œuvre de l’IA, mais aussi pour la viabilité à long terme de l’outil de détection de fractures dans les environnements cliniques quotidiens.

Une nouvelle technologie peut bien performer en validation, mais devenir inefficace si elle interfère avec la façon dont les radiologues effectuent leur travail.

Étape 4 : examiner le statut réglementaire dans le projet de détection de fractures osseuses

L’examen du statut réglementaire est une partie importante, mais non suffisante, de tout projet de détection de fractures osseuses.

Les hôpitaux doivent également vérifier que l’usage prévu de l’outil correspond au plan clinique réel, et que l’outil est autorisé ou marqué pour les marchés dans lesquels il sera utilisé.

Selon le dossier 510(k) de Rayvolve®, la FDA a autorisé et classé le dispositif sous la référence K240845.

La date d’autorisation est le 17 juillet 2024.

La classification est « détection et diagnostic assistés par ordinateur des fractures en radiologie ».⁴

Le rapport de la FDA indique également que ce logiciel assiste les radiologues et urgentistes lors de la relecture de radiographies musculosquelettiques.

Le logiciel n’est donc pas destiné à un usage autonome.

Cette formulation est importante, car un projet de détection de fractures osseuses ne peut pas revendiquer des usages au-delà de ce que le logiciel est autorisé à soutenir.

L’étape suivante du processus consiste à obtenir la déclaration d’usage prévu, les documents réglementaires applicables, et la documentation technique pour une revue locale.

Ces informations aident à garantir que le déploiement clinique envisagé est cohérent avec ce que le dispositif est autorisé ou marqué à soutenir.

Certaines équipes pensent qu’une fois qu’un dispositif dispose d’une autorisation réglementaire, l’évaluation est terminée.

C’est inexact ; ces projets nécessitent une gouvernance locale et une revue technique, ainsi qu’une compréhension de ce que l’outil peut changer et ne peut pas changer dans le flux de travail existant.

Étape 5 : planifier la validation locale dans le projet de détection de fractures osseuses

Un projet de détection de fractures osseuses ne devrait pas passer instantanément de la signature d’un contrat à l’acceptation clinique.

L’approche la plus appropriée serait que chaque établissement local valide la technologie avant son déploiement dans son hôpital.

La validation locale est importante en raison de la variation des environnements d’imagerie.

Cette variation s’explique par des différences dans les types d’appareils, la logique de routage, les volumes de dossiers, la culture de compte rendu, et les schémas d’effectifs.

Les hôpitaux peuvent voir le même type de radiographies relues dans des études publiées, mais l’expérience en conditions réelles peut ne pas être similaire.

Généralement, un projet de détection de fractures osseuses adéquat commencera par un cadrage technique et une validation rétrospective.

Cela permet à l’hôpital de vérifier si l’IA performe comme prévu avec ses données/son infrastructure, tout en offrant aux radiologues et au personnel informatique l’occasion d’examiner la qualité des résultats, les problèmes d’affichage, et les cas limites avant la mise en production du projet.

Un projet n’ayant pas fait l’objet d’une validation locale sera plus susceptible de rencontrer des résistances, les cliniciens pouvant penser que l’outil a été introduit dans leur flux de travail sans avoir démontré sa valeur.

Étape 6 : fixer des attentes réalistes de mise en production pour le projet de détection de fractures osseuses

Lors du déploiement d’un outil de détection de fractures osseuses, assurez-vous que vos attentes de mise en production sont réalistes et ancrées dans l’opérationnel plutôt que symboliques ; définissez quelles équipes verront les résultats et dans quelles circonstances ; définissez comment les retours seront recueillis après la mise en production ; et veillez à mettre en place des mécanismes facilitant les retours des utilisateurs cliniques, afin que des améliorations rapides de l’outil de détection de fractures puissent avoir lieu.

Les parcours d’escalade devraient faire partie de votre plan de mise en production. Les questions clés incluent :

• Quelles procédures sont suivies en cas de problème de routage ?
• Comment les indicateurs de disponibilité sont-ils recueillis ?
• Qui recueille les retours des utilisateurs ?
• Quels cas seront examinés pour suivre si l’outil apporte réellement un bénéfice ?

Disposer de bonnes réponses à ces questions avant le traitement du premier examen en production renforcera votre crédibilité en tant qu’équipe projet.

Évitez de surévaluer les bénéfices tirés de l’utilisation de l’outil de détection de fractures osseuses lors des premières semaines suivant la mise en production.

Bien que l’utilisation de l’outil en pratique de routine se mette probablement en place tôt et apporte aux cliniciens une confiance et une constance accrues dans leur pratique quotidienne, une véritable adoption durable reposera sur la confiance des médecins, à la fois envers l’utilisabilité de l’outil lui-même et envers la valeur qu’il apporte au flux de travail, telle qu’observée en pratique.

La confiance, l’utilisabilité, et la valeur démontrée pour le flux de travail se développent généralement à travers un processus de mise en œuvre rigoureuse et d’encouragement.

Étape 7 : suivre le projet de détection de fractures osseuses après le déploiement

Le suivi après la mise en production est l’un des éléments les plus négligés d’un projet de détection de fractures ; il ne devrait pas l’être.

La mise en production de votre logiciel ne marque pas la fin de votre évaluation. Elle marque le début de la phase suivante.

Vous devriez disposer d’un petit nombre d’indicateurs de performance pertinents à suivre après le déploiement d’un projet de détection de fractures.

Cela peut inclure le comportement d’adoption, la disponibilité, la performance du routage, les retours des utilisateurs, et les résultats de relecture des fractures pour les cas sélectionnés.

Bien que les indicateurs spécifiques diffèrent d’un hôpital à l’autre, le principe général reste le même : mesurer ce qui est cliniquement et opérationnellement pertinent par rapport à la raison qui a motivé le lancement du projet.

À l’inverse, le projet devrait permettre de comprendre dans quelle mesure il a créé des frictions, de l’incertitude, ou une fatigue liée aux alertes chez les cliniciens.

Le suivi aide également les équipes à déterminer si elles doivent étendre, réviser, ou suspendre un projet de détection de fractures.

Un projet de détection de fractures devrait avoir l’occasion de faire ses preuves, et ne devrait jamais être à l’abri d’un examen critique en raison de l’investissement financier ou du temps déjà consacré.

Comment AZtrauma s’inscrit dans un projet de détection de fractures osseuses

Lorsque les équipes envisagent l’utilisation d’AZtrauma, la même structure peut être utilisée pour déterminer si AZtrauma répond aux besoins d’un projet de détection de fractures osseuses.

Le périmètre clinique, les preuves, l’adéquation au flux de travail, le statut réglementaire, la validation locale, et le suivi après mise en production seront toujours évalués.

AZtrauma est pertinent car son usage prévu soutient la détection de fractures sur les radiographies musculosquelettiques.⁴

Les données de performance internationales à grande échelle issues de l’étude Radiography de 2026 peuvent également faciliter les évaluations à un stade précoce, applicables à un projet de détection de fractures osseuses.³

Ces mesures peuvent servir de données d’entrée pour l’évaluation.

Elles ne devraient toutefois pas être considérées comme une alternative à l’évaluation locale ; elles peuvent plutôt en constituer le point de départ.

Conclusion

Il est important que les hôpitaux évaluent la manière dont ils comptent utiliser les radiographies, rassemblent des preuves à l’appui de l’utilisation de l’IA, évaluent son adéquation avec les flux de travail existants, vérifient auprès des agences réglementaires compétentes, réalisent une validation dans le contexte où la technologie sera mise en œuvre, et assurent un suivi continu après le déploiement.

Ces étapes devraient se dérouler dans cet ordre, plutôt que de s’appuyer sur des affirmations générales sur l’IA.

La question à se poser lors de l’achat d’une solution d’IA de détection de fractures osseuses n’est pas la terminologie technique associée à la technologie d’IA utilisée ; elle est de savoir si cet outil d’IA apportera un soutien cliniquement utile et opérationnellement réalisable pour la relecture des images radiographiques.

C’est cela, le véritable critère qui compte.