Pourquoi les cliniques d’urgence orthopédique remplacent la relecture médicale du lendemain par l’IA

À travers les États-Unis, les médecins des cliniques d’urgence orthopédique examinent systématiquement les radiographies de la veille. La plupart du temps, ces relectures valident ce qui a déjà été identifié par le prestataire de pratique avancée (APP). Certaines identifient une divergence ; un petit nombre de ces divergences concerne un patient rentré chez lui, ayant reçu une réassurance provisoire, et qui doit désormais recevoir un appel téléphonique pour revenir.

C’est la boucle de relecture du lendemain. Ce n’est pas un échec du modèle de dotation en APP. C’est un élément structurel de la radiologie d’urgence orthopédique qui ne peut être entièrement résolu par la seule compétence clinique ; le problème n’est pas qui lit l’image, mais quand. L’introduction d’un second lecteur par intelligence artificielle (IA) dans les contextes de radiographie d’urgence change le calendrier de ce processus ; l’IA évalue chaque examen diagnostique dès son acquisition et fournit à l’APP un contrôle indépendant avant que le patient ne quitte le cabinet.

Cet article explique pourquoi la boucle de relecture existe, présente les résultats d’études évaluant la précision de lecture des radiographies de fracture par les APP, et examine comment l’utilisation de l’IA comme second lecteur peut modifier le paysage clinique et de responsabilité pour les cabinets qui utilisent ces outils.

L’expansion des soins d’urgence orthopédique assurés par des APP aux États-Unis

Les services de soins d’urgence orthopédique représentent aujourd’hui l’un des modèles de prestation de soins de santé à la croissance la plus rapide aux États-Unis. Ces dernières années, les visites en soins d’urgence assurées par des APP sont passées de 282 408 en 2013 à 2 188 228 en 2019, représentant un taux de croissance annuel composé (TCAC) de 40,7 %, tandis que les visites assurées par des médecins n’ont augmenté que de 2,8 %.¹ L’utilisation d’imagerie avancée dans les contextes assurés par des APP a également augmenté avec un TCAC de 30,5 %, reflétant un changement plus large dans les flux de travail radiologiques des prestataires de pratique avancée.¹

Les États présentant la plus forte concentration de croissance des effectifs d’APP sont également des marchés importants pour la prestation de soins orthopédiques. La hausse du nombre d’assistants médicaux (PA) se reflète dans la croissance des effectifs de 2020 à 2024, avec la Floride en hausse de 34,3 %, la Californie de 31,9 %, l’Oregon de 27,8 %, et l’Illinois de 25,9 %.² Une analyse distincte de la demande en soins orthopédiques utilisant Google Trends montre que le comportement de recherche en ligne peut aider à quantifier la demande orthopédique régionale à travers les États-Unis.⁴ Ensemble, ces chiffres montrent un changement structurel dans qui fournit les soins orthopédiques et pourquoi la dotation en personnel des soins d’urgence orthopédique devient un enjeu opérationnel de long terme.

Les données de résultats sur cinq ans d’un centre de soins d’urgence orthopédique réel en Floride montrent que les médecins non chirurgiens et les prestataires de pratique avancée ont traité et pris en charge la grande majorité des patients se présentant, dans le cadre de leur champ clinique, avec très peu de patients nécessitant un transfert d’urgence.³ Ce modèle est efficace ; les APP disposent de la formation clinique et de l’expérience nécessaires pour prendre en charge la plupart des présentations liées à un traumatisme dans un environnement de soins d’urgence. Cependant, le manque d’accès à un radiologue physiquement présent crée des lacunes au niveau de l’interprétation diagnostique pour l’imagerie des soins d’urgence orthopédique.

L’American Academy of Orthopaedic Surgeons prévoit que les États-Unis connaîtront une pénurie de 23 000 médecins orthopédistes d’ici 2040.⁵ L’écart entre le volume d’imagerie et la disponibilité de spécialistes sera une réalité structurelle pour les 20 prochaines années, et non une fluctuation de dotation à court terme. Les modèles assurés par des APP pourront être mis à l’échelle au niveau de l’infrastructure grâce à l’IA en radiologie de soins d’urgence en tant qu’appui aux processus existants, en particulier à mesure que le déploiement de l’IA en soins d’urgence orthopédique s’intègre à la planification habituelle des flux de travail.

Ce que coûte réellement la boucle de relecture

Les flux de travail de relecture en soins d’urgence sont bien établis. En 2015, 58 % des centres de soins d’urgence envoyaient tous les examens en relecture à un radiologue, contre 51 % l’année précédente.⁶ Le flux de travail dominant est la révision du lendemain. Les APP lisent les clichés sur place, prennent des décisions cliniques, et le lendemain matin, un radiologue confirme ou corrige l’interprétation clinique faite par l’APP. Ce flux de travail de relecture médicale en soins d’urgence est le fondement du flux de travail radiographique actuel des soins d’urgence.

La limite du modèle de révision du lendemain n’est pas le taux de divergence de relecture ; la plupart des lectures sont correctes. Une étude en hôpital communautaire portant sur 16 111 lectures de radiographies standards a révélé 1 044 divergences entre les interprétations du médecin urgentiste et du radiologue, représentant un taux de divergence global d’environ 6,5 %. La plupart étaient mineures : seulement 1,7 % des divergences nécessitaient un retour aux urgences pour un traitement complémentaire, soit environ 0,1 % de la cohorte totale.⁷ Bien que ces taux puissent paraître faibles, l’échelle en change le sens. Si 50 radiographies sont lues par jour dans une clinique de soins d’urgence, un taux de retour pour traitement de 0,1 % signifie environ 1 rappel de patient tous les 18 à 20 jours de clinique. Sur un réseau de soins d’urgence à 10 sites, cela devient environ 1 divergence de retour pour traitement tous les 2 jours de clinique.

Le coût le plus significatif du modèle de révision du lendemain est le délai. Dans une étude sur les divergences diagnostiques d’imagerie cliniquement importantes détectées par des internes en radiologie dans un service d’urgence, 67,9 % des patients avaient déjà quitté le service avant l’envoi de la notification de divergence.⁸ Les principales conséquences cliniques étaient un changement d’orientation vers une sous-spécialité clinique dans 57,1 % des cas de divergence, un changement de prise en charge clinique dans 25 %, et un changement de prise en charge chirurgicale dans 21,4 %.⁸ C’est là le problème de la relecture radiologique du lendemain que la réduction de la relecture nocturne vise à résoudre.

La boucle de relecture est à son pire, non pas nécessairement en raison d’une lecture incorrecte, mais parce qu’une lecture précise intervient après que le patient a déjà été renvoyé chez lui sur la base de l’interprétation préliminaire. La région anatomique est également un facteur. Dans une étude portant sur 2 947 radiographies de cheville réalisées dans un service d’urgence, les fractures du naviculaire étaient manquées lors des comptes rendus initiaux dans 40 % des cas, et les fractures du cuboïde dans 33,3 % des cas.⁹ Les divergences mineures étaient significativement plus fréquentes entre 20h00 et minuit, tandis que les divergences majeures étaient numériquement plus élevées pendant la nuit.⁹ Cette période correspond aux types de fractures observées lors des vacations chargées en soins d’urgence orthopédique, où des fractures subtiles des extrémités se présentent après les heures normales et où seul un APP peut être le clinicien principal lisant le cliché.

Cela peut créer une exposition accrue à la responsabilité pour le médecin superviseur, car les infirmiers praticiens et les assistants médicaux peuvent prendre des décisions diagnostiques basées sur la radiographie.¹⁰ Dans une analyse de réclamations pour faute professionnelle en orthopédie, le fait de manquer un diagnostic radiographique de fracture osseuse a été identifié comme une erreur clé dans les réclamations impliquant des équipes pluridisciplinaires composées d’orthopédistes et de radiologues.¹² Deux des États où le nombre d’APP croît le plus rapidement, la Californie et la Floride, figurent également parmi les États affichant les indemnisations totales pour faute professionnelle les plus élevées du pays, à 2,7 milliards de dollars et 3,1 milliards de dollars respectivement.¹¹ Le coût total des indemnisations pour faute professionnelle des assistants médicaux aux États-Unis a été d’environ 678 millions de dollars.¹¹ Lorsqu’il n’y a pas de second lecteur par IA dans l’interprétation des radiographies en soins d’urgence et qu’une divergence survient le lendemain matin après le départ du patient, la chaîne de responsabilité peut impliquer le médecin superviseur. Cela illustre en termes pratiques le risque de responsabilité du médecin de soins d’urgence lié aux radiographies.

Comment les APP performent-ils réellement sur les radiographies de fracture sans IA

La cohérence entre les recherches précédentes concernant la capacité des APP à lire des images pour l’identification de fractures montre que les APP ne sont pas de mauvais lecteurs de ces clichés ; ils ne sont simplement pas spécialistes. Cela crée un écart de précision mesurable pour la confiance nécessaire des équipes de soins d’urgence dans les lectures radiographiques, ainsi que pour le soutien de confiance diagnostique par radiographie dont les APP ont besoin en clinique.

Une étude multi-lecteurs comparant 24 lecteurs sur 12 sites anatomiques dans 12 hôpitaux a démontré que les lecteurs sans formation musculo-squelettique (MSK) adéquate, tels que les assistants médicaux, les médecins de soins primaires et les urgentistes, avaient un taux d’oubli réduit de 61 % lorsqu’ils bénéficiaient d’un soutien par IA. Par comparaison, un groupe de lecteurs disposant d’une formation spécialisée MSK adéquate, comme les radiologues et les chirurgiens orthopédistes, a connu une baisse de 38 % du taux d’oubli avec un soutien par IA.¹³ Ainsi, le plus grand bénéfice en précision a été observé chez ceux qui en avaient le plus besoin : un APP prenant en charge un patient de soins d’urgence orthopédique sans soutien par IA. C’est là que le soutien de l’IA à la détection de fractures pour les flux de travail des APP devient important en clinique.

Une autre étude a évalué la performance autonome de l’IA sur 2 626 radiographies des extrémités provenant d’un seul établissement dans l’Ohio, et incluait une étude multi-lecteurs avec 24 lecteurs : 8 urgentistes, 8 radiologues non spécialisés en MSK, et 8 radiologues spécialisés en MSK. La sensibilité globale des lecteurs s’est améliorée de 86,5 % sans assistance par IA à 95,5 % avec le soutien de l’IA. La précision des lecteurs a augmenté de 0,047, et le temps de lecture moyen a diminué de 27 %, soit environ 7,1 secondes par examen.¹⁴ Les urgentistes et les radiologues non spécialisés en MSK ont montré une plus grande amélioration que les radiologues spécialisés en MSK, rendant la sensibilité des urgentistes à la détection de fractures et la précision radiographique des assistants médicaux directement pertinentes pour ce cas d’usage.

Une autre étude multicentrique a évalué le taux d’oubli et la sensibilité pour les groupes d’internes en radiologie et de spécialistes à travers leurs comptes rendus radiologiques, montrant un taux d’oubli total de 6,7 % et une sensibilité globale de 0,86. Pour certaines régions du corps, la sensibilité globale des lecteurs était inférieure à 90 %, indiquant que ces études n’étaient pas des valeurs aberrantes mais reflétaient bien la norme actuelle pour l’interprétation de radiographies par des non-spécialistes dans des services à fort volume.¹⁵ Elles concernent directement les APP interprétant des clichés radiographiques en contexte de soins d’urgence orthopédique à la fin d’une vacation d’après-midi chargée. Ainsi, le soutien de l’IA pour radiographies aux cliniciens non-radiologues est désormais une considération importante pour l’imagerie en soins d’urgence.

Ce qui change lorsque le soutien d’un second lecteur par IA pour radiographies en soins d’urgence est déployé

Dans les établissements de soins d’urgence qui utilisent des interprètes de radiographies, l’utilisation d’un second lecteur par IA ne modifiera pas qui est responsable de déterminer le parcours de traitement. L’APP restera responsable de l’interprétation de la radiographie, de la documentation des résultats dans le dossier médical du patient, et de la prise en charge du patient. Cependant, un algorithme d’apprentissage profond validé interprétera également la radiographie et mettra en évidence les zones clés de préoccupation peu après l’acquisition de l’image, avant que le patient ne quitte le parcours de soins. Ce scénario reflète le cas d’usage direct d’un flux de travail avec second lecteur par IA pour radiographies en soins d’urgence.

En fournissant une évaluation quasi en temps réel de la radiographie, le second lecteur par IA remédie aux inefficacités de la boucle de relecture actuelle. Plutôt que d’attendre l’évaluation d’un radiologue le lendemain matin après le départ du patient de la clinique, le second lecteur par IA effectue cette révision au moment même où l’image est acquise. Par conséquent, les divergences peuvent être immédiatement reconnues par l’APP et peuvent être réévaluées, orientées, ou confirmées selon le contexte clinique pendant que le patient est encore présent.

Pour les APP ayant une formation antérieure limitée en interprétation d’images MSK, l’IA offre une réduction relative de 61 % des fractures manquées. Ainsi, environ 3 fractures sur 5 qui seraient autrement manquées peuvent désormais être identifiées et évaluées au point de soin, plutôt que le lendemain.¹³ Cela se traduit par un flux de travail avec second lecteur en temps réel générant une valeur opérationnelle grâce à la réduction des fractures manquées.

Pour le médecin superviseur, l’exigence de relire les interprétations des APP le jour suivant le rendez-vous du patient passe d’un filet de sécurité clinique à un processus d’assurance qualité. Le médecin n’a plus besoin de revenir en arrière après le départ du patient pour voir ce que l’APP aurait pu manquer, mais peut confirmer l’interprétation de l’APP sur la base d’un examen déjà vérifié en temps réel au moment où la radiographie originale a été prise. Ainsi, la relecture matinale du médecin superviseur passe d’une méthode de minimisation de la responsabilité juridique à un processus d’audit de routine.

Il existe également une composante juridique à ce processus. Dans un essai randomisé publié dans NEJM AI, lorsqu’un système d’IA signalait un résultat anormal qu’un radiologue avait manqué, 72,9 % des participants à l’étude jugeaient le radiologue responsable. Lorsque le radiologue et l’IA échouaient tous deux à détecter l’anomalie, seulement 50 % des participants jugeaient le radiologue responsable.²¹ La norme de soins évolue ; si un centre de soins d’urgence orthopédique a accès à un second lecteur par IA pour la révision de radiographies en situation de soins d’urgence mais ne l’utilise pas, son calcul de responsabilité pourrait être sensiblement différent de celui d’un centre n’ayant jamais eu accès à ce système d’IA. C’est également pourquoi les discussions sur la responsabilité liée aux fractures manquées en soins d’urgence incluent désormais de plus en plus la disponibilité de l’IA.

Pourquoi cela est important pour les présentations pédiatriques en soins d’urgence

Les centres de soins d’urgence orthopédique prennent souvent en charge des enfants. Les fractures du coude et du poignet chez les enfants figurent parmi les régions les plus touchées par les erreurs d’interprétation radiographique dans les contextes d’urgence pédiatrique.²³ Les enfants ont une anatomie osseuse différente de celle des adultes ; ainsi, l’APP ou l’urgentiste sans formation sous-spécialisée en musculo-squelettique pédiatrique fait face à un véritable écart de précision. Le même problème s’applique au soutien de l’IA pour les infirmiers praticiens lorsque les schémas de fracture pédiatrique sont subtils ou difficiles à interpréter.

Dans une étude multicentrique publiée dans Academic Radiology en novembre 2025, qui évaluait spécifiquement AZtrauma pour l’identification de fractures musculo-squelettiques chez les enfants, AZtrauma a démontré une sensibilité de 96 %, une spécificité de 86 %, et une AUC de 0,94 chez les patients pédiatriques.¹⁷ Une autre étude pédiatrique portant sur 878 patients a déterminé que la performance d’AZtrauma était équivalente à celle des internes seniors en radiologie et supérieure à celle des urgentistes sans IA. La sensibilité des urgentistes sans IA était de 82 %. AZtrauma a identifié 3 fractures qu’un radiologue pédiatrique spécialiste avait initialement manquées.¹⁸ Le bénéfice du second lecteur par IA pour les présentations pédiatriques est un schéma documenté et constant à travers plusieurs jeux de données pédiatriques.

Rayvolve® a obtenu l’autorisation FDA 510(k) en 2024 pour une utilisation chez les patients adultes et pédiatriques âgés de 2 ans et plus. Le résumé de la FDA rapporte des tests autonomes pédiatriques sur 3 016 radiographies, avec une sensibilité de 96,1 %, une spécificité de 86,0 %, et une AUC de 94,0 %.¹⁹ Il s’agit d’un outil validé et autorisé pour la population pédiatrique généralement prise en charge par les cliniques de soins d’urgence orthopédique.

Cadre réglementaire pour le soutien de l’IA aux radiographies dans les contextes non radiologiques

Les indications d’utilisation FDA 510(k) de Rayvolve® concernent directement le soutien radiographique en soins d’urgence, car le logiciel est autorisé en tant qu’outil de détection et de diagnostic assisté par ordinateur pour aider les radiologues et les urgentistes à détecter les fractures lors de la révision de radiographies musculo-squelettiques chez des patients âgés de 2 ans et plus. Les urgentistes et les radiologues sont spécifiquement mentionnés comme utilisateurs prévus.¹⁹ Pour les flux de travail de soins d’urgence dirigés par des APP, le déploiement doit être aligné sur l’étiquetage du produit, le modèle de médecin superviseur, la formation des utilisateurs, et les règles locales de champ de pratique.

L’évaluation précoce de la valeur de NICE portant sur les technologies d’IA pour aider à détecter les fractures sur les radiographies en soins d’urgence a révélé que ces outils pourraient améliorer la détection de fractures sans augmenter le risque de diagnostics incorrects. NICE a également noté que les technologies d’IA pourraient aider à réduire la variabilité des soins standards en fournissant une base de référence cohérente pour l’interprétation des radiographies entre des centres disposant d’expérience ou de ressources en personnel différentes.²²

L’une des plus grandes études de validation clinique jamais réalisées concernant l’utilisation d’un outil d’IA pour radiographies est celle de Cohen et al. 2026, qui a évalué la suite complète IA Rayvolve®, y compris AZtrauma. L’évaluation a été réalisée sur la suite d’IA entière à l’aide de 258 373 radiographies prises dans 100 centres cliniques répartis dans 26 pays. Chaque radiographie incluse dans l’étude a été révisée par consensus à double lecture. AZtrauma a atteint une AUC de 98,3 %, une sensibilité de 97,4 %, et une spécificité de 96,4 %.¹⁶ Cette preuve documentée sert de base à l’utilisation de l’IA pour fournir un soutien clinique en tant que second lecteur pour les radiographies en soins d’urgence. Cet outil est cliniquement autorisé pour l’usage et validé à l’échelle internationale.

À quoi ressemble le déploiement de l’IA en tant que second lecteur

Pour ceux qui fournissent des soins d’urgence via une clinique orthopédique, le déploiement est simple si cette organisation dispose déjà d’un système d’archivage et de communication des images (PACS) existant. AZtrauma, issu de la suite IA Rayvolve®, s’intègre au PACS via le standard Digital Imaging and Communications in Medicine (DICOM). À mesure que les radiographies sont prises et envoyées directement au PACS, l’IA évalue l’image dans le cadre du flux de travail d’imagerie. Un fichier de sortie DICOM secondaire contenant les résultats annotés peut ensuite être affiché dans la liste de travail actuelle de l’APP.²⁰ Lorsqu’il est déployé au sein du flux de travail PACS existant, le résultat de l’IA peut être consulté aux côtés de l’examen d’imagerie, réduisant le besoin d’un environnement de lecture séparé.

L’IA identifie les zones d’intérêt et met en évidence les fractures, luxations et épanchements articulaires potentiels pour que l’APP les interprète. L’APP conserve l’entière responsabilité clinique de l’interprétation des clichés et de la décision concernant le patient pour cet examen. Ce qui change, c’est que le clinicien humain dispose désormais d’un second avis validé, immédiat et exempt de fatigue sur chaque image avant de sortir le patient des soins. En termes pratiques, le soutien de l’IA pour le compte rendu de fracture le jour même modifie le calendrier de révision, et non la responsabilité du compte rendu.

Dans les cabinets où le médecin superviseur constitue le mécanisme d’identification des divergences, la question devient de savoir si le modèle actuel peut continuer à soutenir la sécurité des patients à mesure que le volume de visites de soins d’urgence assurées par des APP augmente. Avec des visites assurées par des APP croissant à un taux annuel de 40,7 %¹ et un déficit prévu de médecins orthopédistes atteignant 23 000 d’ici 2040,⁵ le nombre de relectures du lendemain que devra effectuer un médecin superviseur continuera d’augmenter. Le second lecteur par IA pour la révision de radiographies en soins d’urgence ne supprime pas le rôle du médecin superviseur. Il fournit un mécanisme par lequel la relecture du lendemain ne sert plus de dernière occasion de réviser chaque examen avant que les soins du patient ne soient corrigés.

Une solution structurelle à un problème structurel

La boucle de relecture existe parce que les soins d’urgence assurés par des APP étaient fondés sur la disponibilité d’un médecin le lendemain matin. Elle a servi de solution pratique à une limitation existante de la pratique. Elle n’a pas été établie pour résoudre le problème créé pour le patient rentré chez lui après avoir été vu par l’APP et qui avait besoin de quelque chose de différent avant que le radiologue ne révise l’examen.

Le soutien d’un second lecteur par IA pour les examens radiographiques en soins d’urgence résout cet écart de manière systémique plutôt qu’individuelle. L’utilisation d’un second lecteur par IA pour l’APP ne nécessite pas que l’APP développe des compétences avancées de radiologue musculo-squelettique. L’APP bénéficie d’un équivalent en temps réel d’un second avis d’expert pour chaque radiographie qu’il prescrit, dans le même flux de travail qu’il utilise déjà, avant que le patient ne quitte l’établissement.

En Californie, en Floride, en Oregon et en Illinois, où la croissance des APP est parmi les plus rapides du pays et où la demande en orthopédie est élevée, les cliniques déployant des outils de soutien complémentaire par IA développent l’infrastructure nécessaire à un modèle de soins évolutif. Les cliniques qui continuent de fonctionner uniquement sur la base de la méthode de relecture du lendemain créent un goulot d’étranglement.

AZtrauma est autorisé par la FDA américaine pour aider les urgentistes et les radiologues à détecter les fractures, épanchements articulaires et luxations. Il a été validé dans l’une des plus grandes études publiées sur l’IA pour radiographies, inclus dans l’évaluation précoce de la valeur de NICE pour la détection de fractures en soins d’urgence, et spécifiquement validé pour les patients pédiatriques. Le second lecteur par IA d’AZmed pour les radiographies en soins d’urgence est conçu pour un soutien clinique complémentaire et montre comment le soutien complémentaire par IA à la pratique clinique peut combler un écart structurel sans remplacer la responsabilité clinique.