Quand l’IA aide à gérer l’urgence : le retour d’expérience français

Sur le plan des performances, les chiffres présentés sont désormais compatibles avec un usage clinique ciblé : selon les modalités et les pathologies, les algorithmes atteignent des AUROC comprises entre 0,87 et 0,96, avec des sensibilités supérieures à 90 % pour plusieurs applications déjà validées en multicentrique, notamment en hémorragie intracrânienne et en embolie pulmonaire.

Pour autant, les intervenants ont insisté sur un point fondamental : une bonne AUC ne suffit pas à faire un bon outil clinique. En situation réelle, ce sont aussi la stabilité dans le temps, la capacité à gérer les artefacts, la compatibilité avec les protocoles locaux, la traçabilité et la qualité d’intégration RIS/PACS qui déterminent l’utilité réelle de l’IA.

Thorax : des gains rapides sur les examens à haut volume et à haut risque

Pneumothorax, embolie pulmonaire, aortopathies : où l’IA est déjà utile

Dans la session consacrée aux urgences thoraciques, Mathieu Lederlin a rappelé que le thorax constitue un terrain particulièrement favorable au déploiement de l’IA, car il combine fort volume d’examens, enjeux temporels importants et pathologies à risque immédiat.

Pneumothorax : un cas d’usage déjà très mature

Sur les radiographies thoraciques au lit, les performances rapportées sont particulièrement convaincantes. Après calibration locale, les systèmes évalués ont atteint une sensibilité de 94 % et une spécificité de 88 %, avec parfois, dans les communications commerciales, des sensibilités annoncées allant jusqu’à 100 %.

L’intérêt principal n’est pas tant de “faire mieux que le radiologue expert” que de réduire les retards de détection, notamment dans les contextes de surcharge ou lorsque les premiers lecteurs sont des juniors ou des non-radiologues. L’IA agit ici comme un accélérateur de vigilance.

Embolie pulmonaire : un outil de triage et de filet de sécurité

En angio-TDM, les algorithmes dédiés à l’embolie pulmonaire affichent des performances jugées comparables à celles des radiologues pour les formes les plus significatives. Leur intérêt clinique se situe à deux niveaux :

• prioriser les examens suspects dans la worklist,
• servir de “filet de sécurité” pour limiter les embolies non détectées à la première lecture.

Un apport supplémentaire réside dans la quantification automatique de la charge thrombotique, corrélée à des scores établis tels que le score de Mastora, ce qui ouvre la voie à des aides plus fines à la stratification.

Aortopathies aiguës : un potentiel réel, mais encore hétérogène

Les algorithmes appliqués aux CTA aortiques montrent une bonne capacité de détection de la dissection aortique et de classification Stanford A/B, mais leurs limites restent importantes pour les hématomes intramuraux et les ulcères pénétrants. Les faux positifs augmentent notamment en l’absence d’ECG-gating.

L’une des données les plus intrigantes évoquées pendant la session concerne l’imagerie non injectée, où une étude publiée dans Nature Medicine a suggéré une valeur prédictive négative quasi parfaite chez des patients à bas risque. Une piste prometteuse, mais qui nécessite encore une validation en vraie vie avant toute généralisation.

Un impact organisationnel déjà perceptible

L’un des enseignements les plus concrets concerne l’effet sur le flux de travail : dans certaines implémentations, l’IA a permis une réduction de 22 % du temps jusqu’à la première lecture pour les radiographies thoraciques urgentes.

Cette efficacité repose sur une logique simple : l’algorithme n’interprète pas “à la place” du radiologue, il aide à faire arriver plus vite les bons examens aux bonnes personnes. Lorsqu’il est connecté au RIS/PACS avec un système de notifications critiques, l’outil peut être adopté par les équipes en 6 à 8 semaines, à condition que son usage reste lisible et qu’il ne surcharge pas inutilement le workflow.

Des limites techniques à ne pas sous-estimer

Les experts ont toutefois rappelé plusieurs écueils : dépendance à la qualité des acquisitions, à la distribution du contraste, difficultés sur les emboles distaux ou chroniques, artefacts de respiration ou de flux, et pièges anatomiques tels que certains shunts pouvant mimer une embolie pulmonaire.

Le besoin d’algorithmes spécifiquement entraînés sur les formes aiguës et chroniques, et validés de manière multicentrique, reste donc majeur.

Abdomen : un fort potentiel, mais une aide encore inégale selon les indications

Occlusion, appendicite, pneumopéritoine : des outils prometteurs, pas encore uniformément matures

Dans le champ abdominal, Ingrid Millet a proposé une lecture nuancée : l’IA peut déjà accélérer certains diagnostics, mais son utilité reste très dépendante du niveau de granularité clinique attendu.

Occlusion intestinale : bien détecter n’est pas encore bien localiser

Pour l’occlusion intestinale, les performances en détection des formes high-grade sont solides, avec des AUROC comprises entre 0,90 et 0,93. En revanche, dès que l’on attend de l’algorithme qu’il localise précisément la zone de transition, les résultats chutent, avec des performances inférieures à 60 % dans une étude.

Autrement dit, l’IA peut déjà être utile pour repérer rapidement qu’un examen est probablement pathologique, mais elle reste encore insuffisante lorsqu’il s’agit d’orienter finement la décision chirurgicale.

Appendicite : une forte valeur pour exclure rapidement

Dans les flux tendus, l’un des apports les plus pragmatiques concerne l’appendicite, où certains modèles atteignent une valeur prédictive négative supérieure à 95 %. Cela peut permettre d’accélérer l’exclusion des cas peu probables et de mieux hiérarchiser les examens.

Là encore, la valeur ajoutée varie selon les organisations : dans certains services, la localisation ou la classification automatisée apportera un vrai gain ; dans d’autres, un simple triage fiable suffira à améliorer la fluidité.

Pneumopéritoine : un intérêt théorique fort, mais une difficulté persistante sur les petits volumes

Le pneumopéritoine constitue un cas d’usage intuitivement séduisant, car les conséquences d’un manqué peuvent être importantes. Cependant, les performances diminuent lorsque les volumes d’air libre sont minimes, ce qui limite encore la robustesse des outils disponibles.

Les discussions ont insisté sur le fait que ce type d’application nécessitera probablement une standardisation plus stricte des protocoles d’acquisition et des validations prospectives en pratique réelle avant d’atteindre une place de routine.

Un effet concret sur le temps de rendu

Malgré ces limites, l’impact opérationnel semble déjà mesurable. Dans certaines expériences rapportées, l’IA a permis une baisse de 18 % du temps de compte rendu préliminaire en période de garde.

L’un des messages forts de cette session est que l’IA abdominale n’a pas vocation à être un “lecteur automatique”, mais plutôt un assistant de workflow. Le schéma d’intégration jugé le plus crédible comprend :

• l’analyse de la demande clinique,
• l’aide au choix du protocole TDM,
• le repérage de flags vitaux,
• des quantifications automatiques,
• des pré-rapports structurés,
• et des alertes contextualisées, éventuellement transmises par messagerie sécurisée.

Une aide au diagnostic, pas à la décision opératoire

Le point de vigilance principal reste la gestion des faux positifs, souvent liés aux artefacts de mouvement ou à la distribution du contraste. Les experts ont insisté sur la nécessité d’une QA post-déploiement, de recalibrages locaux et d’entraînements multi-sites.

En résumé, l’IA peut déjà réduire le temps au diagnostic, mais elle ne remplace ni le raisonnement clinique ni la décision chirurgicale.

Neuroradiologie d’urgence : l’IA n’a de valeur que si elle va plus vite que la maladie

Quand “Time is Brain” devient un critère technique

La session de Joseph Benzakoun a sans doute été celle où le lien entre performance algorithmique et impact clinique a été le plus directement explicité. En neuroradiologie d’urgence, et en particulier dans l’AVC, le temps n’est pas seulement un indicateur organisationnel : c’est un déterminant pronostique majeur.

La vitesse d’inférence est une condition clinique

Le premier enseignement est simple mais décisif : un algorithme utile en AVC doit délivrer son résultat en 30 à 60 secondes. Au-delà, notamment à 5 minutes, son intérêt devient très limité dans les circuits de thrombolyse ou de thrombectomie.

Cette exigence déplace le débat. Il ne s’agit plus seulement de demander : “Quelle est la sensibilité ?”, mais aussi : “À quelle vitesse cette information arrive-t-elle dans le parcours de soins ?”

Hémorragie intracrânienne : une utilité déjà démontrée

Pour la détection de l’hémorragie intracrânienne, les sensibilités rapportées se situent entre 92 et 96 %, avec un impact très concret sur le terrain : une réduction de 7 à 10 minutes du délai entre acquisition et alerte neurovasculaire.

Dans certains environnements, cette accélération a même été associée à une augmentation du taux de thrombectomies réalisées dans les fenêtres thérapeutiques, ce qui rappelle que la valeur d’un algorithme ne se mesure pas seulement en pixels ou en courbes ROC, mais aussi en patients traités à temps.

Une spécificité française : la place centrale de l’IRM

L’un des points les plus intéressants concerne la spécificité du parcours français. Contrairement à d’autres pays où le scanner domine largement l’évaluation initiale de l’AVC, environ deux tiers des suspicions d’AVC en France passent par l’IRM.

Cela change profondément les besoins en IA. Les attentes ne se limitent plus à la détection d’hémorragie ou d’occlusion, mais concernent aussi :

• l’optimisation des séquences (FLAIR, T2*, perfusion),
• la segmentation automatique du core ischémique,
• la quantification de la pénombre,
• et l’assistance à l’interprétation pour les non-spécialistes.

L’IA générative entre dans le débat

Autre perspective marquante : l’usage de modèles génératifs en IRM, capables de proposer des substitutions FLAIR ou T2* à partir d’images de diffusion, notamment chez les patients agités ou dans les acquisitions dégradées.

Le potentiel est important, en particulier pour la visualisation de certaines transformations hémorragiques, mais les experts ont rappelé que ces outils exigent un très haut niveau de prudence méthodologique, car ils produisent des images “synthétiques” susceptibles d’influencer fortement la lecture.

Explicabilité et protocole “human-first”

L’un des messages les plus forts de cette session concerne la manière d’intégrer l’IA dans la décision médicale. Plusieurs équipes défendent des protocoles “human-first”, dans lesquels la lecture humaine primaire précède l’exposition aux sorties IA, afin de limiter les biais d’ancrage.

Les outils les plus acceptables sont ceux qui proposent des heatmaps explicatives, une logique de traçabilité, une robustesse multicentrique, et surtout une intégration pensée avec les équipes neurovasculaires, plutôt qu’ajoutée a posteriori.

De la preuve de concept à la vraie vie : le vrai défi est organisationnel

Pourquoi l’implémentation compte souvent plus que la performance brute

Dans une présentation particulièrement structurante, Guillaume Herpe a replacé le débat sur son terrain le plus important : l’implémentation réelle.

Car si la littérature regorge de performances prometteuses, ce qui détermine l’impact populationnel, ce n’est pas l’algorithme seul — c’est son usage effectif dans un écosystème clinique.

Ce qu’il faut réellement mesurer

L’un des apports les plus utiles de cette intervention est d’avoir rappelé que l’évaluation d’un outil d’IA en radiologie d’urgence doit aller au-delà des métriques classiques.

Trois familles de critères doivent être suivies :

1. Les indicateurs de processus

• temps jusqu’à la première lecture,
• temps jusqu’à l’alerte critique,
• délai jusqu’à la prise de décision clinique.

2. Les indicateurs de résultats

• mortalité,
• complications,
• traitements administrés dans les bonnes fenêtres temporelles.

3. Les indicateurs d’acceptabilité

• satisfaction et confiance des radiologues,

• taux réel d’usage,
• effets sur la charge cognitive et la qualité perçue.

Les données présentées sont parlantes : en routine, certains déploiements ont permis une baisse de 12 à 20 % des temps de lecture aux heures de pointe, une réduction des comptes rendus incomplets, et une stabilité des performances sur 12 mois, à condition de maintenir des audits trimestriels de drift et des recalibrages réguliers.

La gouvernance devient un prérequis

L’implémentation de l’IA en radiologie d’urgence ne peut plus être pensée comme un simple achat logiciel. Elle nécessite une gouvernance dédiée, articulée autour de plusieurs briques :

• un comité IA,

• une cartographie des cas d’usage,

• une clarification des contrats, responsabilités et responsabilités médico-légales,

• la conformité réglementaire et le RGPD,

• la maintenance,

• la formation continue,

• et une intégration technique fluide avec le RIS/PACS, la messagerie d’alerte et les solutions de SSO.

Le problème majeur : la dérive en conditions réelles

L’un des points les plus importants soulevés concerne la variabilité des performances selon les environnements techniques. Des écarts liés aux constructeurs ont été observés, pouvant aller jusqu’à 16 % de différence de performance. Une étude externe a même rapporté un odds ratio d’environ 7 pour la détection de l’hémorragie intracrânienne entre certains scanners Philips et GE.

Autrement dit : un modèle qui fonctionne très bien dans un centre peut se dégrader fortement ailleurs, simplement en raison de différences de machines, de protocoles, de reconstruction ou de populations.

À cela s’ajoute le drift temporel, avec des dérives observées sur deux ans dans certains contextes. D’où la nécessité d’une surveillance continue, et non d’une validation ponctuelle unique.

L’exemple le plus convaincant : l’embolie pulmonaire incidente

Parmi les cas les plus parlants, celui de l’embolie pulmonaire incidente (IPE) illustre bien la valeur du modèle “radiologue augmenté”. Sur plus de 1000 TDM, l’IA a permis d’identifier 9 embolies pulmonaires incidentes initialement manquées, faisant passer la prévalence détectée de 0,8 % à 1,3 %.

Ce type de résultat est particulièrement intéressant, car il montre que l’IA peut agir là où la fatigue, la charge de travail ou l’effet tunnel augmentent le risque de manqué.

Le modèle qui semble aujourd’hui le plus robuste n’est donc pas celui du “radiologue remplacé”, mais celui du radiologue augmenté : l’IA pré-filtre, hiérarchise, quantifie ; le radiologue valide, contextualise et décide.

Vers une IA utile, mesurée, interopérable et européenne

En conclusion, Alain Luciani a synthétisé ce qui ressort avec force de l’ensemble de la session : l’IA en radiologie d’urgence n’a de sens que si elle améliore concrètement la sécurité, l’efficience et la qualité des parcours de soins.

À ce stade, son apport le plus crédible est clairement situé dans :

• le triage des examens,
• la priorisation intelligente des worklists,
• la détection des événements critiques,
• l’aide à la quantification,
• et l’homogénéisation des comptes rendus.

En revanche, la session a également rappelé que les promesses les plus ambitieuses doivent encore être démontrées. Pour passer d’une amélioration de workflow à un bénéfice clinique dur, il faudra désormais produire davantage d’essais prospectifs à large échelle, avec des endpoints robustes : temps vers traitement, morbidité, mortalité, complications évitées.

Les priorités identifiées sont nettes :

• standardiser les métriques d’évaluation,
• renforcer l’interopérabilité,
• réduire les biais et les écarts inter-sites,
• harmoniser les cadres de validation,
• et construire un cadre européen partagé d’évaluation clinique de l’IA.

Conclusion

L’IA en radiologie d’urgence est en train de sortir de la phase de promesse pour entrer dans celle de la preuve d’utilité ciblée. Les résultats présentés lors de la session “ESR meets France” montrent qu’elle peut déjà réduire les délais critiques, sécuriser certains diagnostics à fort enjeu et fluidifier les organisations, à condition d’être utilisée pour ce qu’elle sait faire aujourd’hui : prioriser, signaler, assister.

La leçon la plus importante n’est peut-être pas technique, mais clinique et organisationnelle : l’IA n’est pas performante parce qu’elle est “intelligente” ; elle devient utile lorsqu’elle s’intègre proprement dans un système de soins gouverné, audité et centré sur l’humain.

En radiologie d’urgence, le futur qui se dessine n’est donc pas celui d’une automatisation sans médecin, mais celui d’un workflow augmenté, plus rapide, plus homogène et potentiellement plus sûr — à condition de rester, résolument, human-first.