IA aux urgences : Comment l'intégrer concrètement dans notre pratique quotidienne ?

Volumes élevés, exigence de rapidité, garde de nuit, pathologies engageant le pronostic vital : c'est précisément là que la promesse d'une IA « qui trie, détecte et priorise » devrait le plus se faire sentir. C'est tout l'objet de cette séance SFR Urgences - SFR Digitale, qui réunira quatre orateurs pour explorer les usages de l'IA aux urgences avant de refermer la séance par une question : ces outils changent-ils réellement notre pratique quotidienne, ou restent-ils une promesse technologique ?

Trois éclairages disciplinaires pour une même urgence

Mathieu Lederlin (CHU de Rennes) ouvrira la séance sur l'imagerie thoracique, où les algorithmes de détection automatisée sont aujourd'hui les plus matures : pneumothorax, foyers évocateurs de pneumopathie, priorisation des suspicions d'embolie pulmonaire sur l'angioscanner. Il reviendra sur ce qui distingue une aide diagnostique réellement utile en garde d'un simple gadget algorithmique.

Ingrid Millet (CHU de Montpellier) prendra le relais sur l'abdomen aigu, terrain plus hétérogène où l'IA progresse davantage comme aide à la décision que comme détecteur autonome : appendicite, perforation, dissection aortique, urgences uro-néphrologiques. Elle interrogera la manière dont ces algorithmes peuvent structurer un compte rendu ou orienter une seconde lecture, sans se substituer au raisonnement clinico-radiologique. Elle montrera aussi les premiers champs d'application des modèles de fondation en radiologie des urgences avec en particulier des fondation model portant sur les scanner abdominopelviens urgents.

Joseph Benzakoun (GHU Paris – Sainte-Anne) abordera enfin la neuroradiologie d'urgence, sans doute le champ où l'impact organisationnel de l'IA est le plus documenté, avec la détection automatisée des occlusions de gros vaisseaux et des hémorragies intracrâniennes, et la manière dont ces outils contribuent à coordonner le parcours du patient, de l'alerte au geste de revascularisation.

De la preuve de concept à la pratique : les leçons du terrain

La quatrième intervention, confiée à Guillaume Herpe (CHU de Poitiers), changera de focale : non plus « que peut détecter l'IA ? » mais « comment la faire vivre dans un service ? ». Il structurera son propos en quatre temps — prouver, utiliser, contrôler, passer à l'échelle — et l'illustrera par des données locales du CHU de Poitiers qui questionneront parfois la notion d'impact.

Sur 3 700 patients, un logiciel de détection automatisée des fractures a réduit de 17 % les discordances de lecture entre urgentistes et radiologues (5,1 % contre 6,6 % sans IA) sans pour autant modifier le taux de discordances cliniquement significatives. Sur les hémorragies intracrâniennes post-traumatiques au scanner, associer un interne et l'IA en garde de nuit (682 examens) a permis d'atteindre une valeur prédictive négative de 99,3 % et un F1-score de 97 %, homogénéisant la performance diagnostique entre le jour et la nuit.

Mais le principal enjeu du succès réside dans le post-déploiement. Une comparaison entre plusieurs vendeurs de logiciels de détection de fractures, menée dans trois centres distincts, a révélé un écart de près de 16 % de précision entre solutions pourtant toutes marquées CE (de 91,1 % à 75,2 %). De manière similaire, le taux de faux positifs d'une IA de détection d'hémorragie intracrânienne s'est révélé directement impacté par la marque du scanner.

Enfin, une étude en cours de rédaction au CH du Havre démontre qu'un changement de la population consultant aux urgences impacte directement les performances d'un algorithme de détection des fractures (cette dérive est appelée un drift algorithmique).

Une performance publiée dans la littérature ne garantit donc jamais une performance élevée ou stable une fois l'outil déployé localement, d'où l'importance d'un suivi continu, y compris d'une éventuelle dérive dans le temps.

Reste la question de l'adoption. Une enquête menée auprès des équipes du CHU de Poitiers montre une confiance élevée envers l'IA et une forte intention de l'utiliser, mais une utilité perçue plus modérée : le principal obstacle n'est plus l'acceptation, mais la démonstration d'un impact clinique réel.

Un essai randomisé récent sur 700 000 patients évaluant un stéthoscope assisté par IA (étude TRICORDER, The Lancet) l'illustre bien : malgré de bonnes performances algorithmiques, 40 % des praticiens avaient abandonné l'outil au bout de douze mois, et c'est le taux d'usage réel — plus que la précision de l'algorithme — qui a déterminé son impact en population. Un enjeu d'autant plus sensible pour le radiologue des urgences que les outils dédiés à sa discipline représentent, à eux seuls, plus de la moitié du marché des solutions d'IA déjà commercialisées en imagerie.

La table ronde : promesse technologique ou impact réel ?

Ces quatre interventions serviront de socle à la table ronde qui suivra, animée avec un partenaire industriel : « L'IA aux urgences : promesse technologique ou impact réel sur la prise en charge ? ». L'objectif est moins de trancher que d'outiller les participants pour évaluer eux-mêmes, dans leur propre structure, la pertinence d'un outil avant de l'adopter et après son installation.

Ce qu'il faut retenir

• Trois disciplines (thorax, abdomen, neuroradiologie) illustreront des maturités, des perspectives et des usages différents de l'IA aux urgences, de la détection automatisée à l'aide à la décision et à la coordination des parcours.
• Le passage de la preuve de concept à la pratique clinique quotidienne reste l'étape la plus délicate : un écart de près de 16 points de précision a été mesuré entre solutions commerciales pourtant marquées CE, ce qui impose un contrôle qualité local continu plutôt qu'une confiance aveugle dans la certification initiale.

Références

1. Crombé A, Bourillon C, Chaillou S, Bechet C, Dupont J, Bone A, Louvet-de Verchère F, Luciani A, Bellin MF, Aubé C, Lassau N. Understanding the challenges to implementing AI solutions in radiology departments and how to overcome them: a comprehensive review endorsed by CERF and SFR. Diagn Interv Imaging. 2026 https://doi.org/10.1016/j.diii.2025.12.002.
2. Herpe G, Nelken H, Vendaves T, Guenezan J, Mimoz O, Fayd'Herbe A, Tasu JP, Guillevin R, Giraud C. Effectiveness of an Artificial Intelligence Software for Limb Radiographic Fracture Recognition in an Emergency Department. https://doi.org/10.3390/jcm13185575
3. Mabit L, Lepoittevin M, Valls M, Thomas C, Guillevin R, Herpe G. Real-Life Performance of a Commercially Available AI Tool for Post-Traumatic Intracranial Hemorrhage Detection on CT Scans: A Supportive Tool. https://doi.org/10.3390/jcm14134403
4. Herpe G, et al. Inter-vendor accuracy variability of commercially available fracture-detection AI software across three emergency departments. AJR Am J Roentgenol. 2026.https://doi.org/10.2214/AJR.26.34550
5. Rohren E, et al. Factors associated with false-positive intracranial hemorrhage detection by an AI algorithm: a multivariate analysis. Acad Radiol. 2026.
6. TRICODER Study Group. Cluster-randomized trial of an AI-guided digital stethoscope for structural heart disease screening in primary care. Lancet. 2026.

Auteurs

Pr Guillaume HERPE (radiologue, CHU de Poitiers) – Pr Ingrid MILLET (radiologue, CHU de Montpellier) – Pr Mathieu LEDERLIN (radiologue, CHU de Rennes) – Dr Joseph BENZAKOUN (radiologue, GHU Paris Psychiatrie et Neurosciences – Sainte-Anne).