Fractures : l’IA aide un peu, le soignant reste décisif

Une étude publiée le 27 octobre dans npj Digital Medicine montre ce que l’intelligence artificielle peut réellement apporter à la lecture de radiographies aux urgences : un petit nombre d’erreurs corrigées, mais pas un remplacement du professionnel. Le résultat vient d’un seul service à Singapour et ne doit pas être généralisé à tous les hôpitaux.

Ce que l’étude a mesuré

Pendant trois mois, chaque radiographie a d’abord été lue par un radiographe formé, sans connaître la réponse de l’IA. Le professionnel a ensuite vu le résultat du logiciel et a pu modifier sa décision. L’avis final d’un radiologue a servi de référence.

Cette méthode est dite « prospective » : elle suit les examens au moment où ils arrivent, plutôt que de tester le logiciel après coup sur une collection choisie. Elle se rapproche davantage du fonctionnement quotidien d’un service d’urgence.

L’IA seule a repéré 75,6 % des fractures. Pour les fractures subtiles, sa sensibilité — la capacité à trouver un cas réellement positif — est tombée à 46,2 %. Les radiographes atteignaient 91,6 % avant de voir le logiciel. Avec l’aide de l’IA, ils ont corrigé onze erreurs et en ont ajouté une, soit dix corrections nettes.

Pourquoi un petit gain peut compter

Une amélioration de 0,4 point paraît faible. Pour une personne dont la fracture est finalement repérée, elle peut éviter un retard de prise en charge. Mais le chiffre doit être lu avec son contexte : les professionnels étaient déjà très performants, et l’étude n’a pas mesuré les conséquences sur la douleur, le traitement ou la guérison.

Autre limite pratique : dans 8,8 % des examens, le système n’a produit aucun résultat ou un résultat incomplet. Un outil médical utile doit fonctionner au bon moment, pas seulement afficher une bonne moyenne dans un laboratoire.

Le risque de l’automatisation aveugle

Les professionnels ont rarement changé d’avis lorsque le logiciel les contredisait. Cela a évité plusieurs mauvaises corrections, mais certaines bonnes alertes de l’IA n’ont pas été suivies. L’étude décrit donc une relation de complémentarité difficile : croire automatiquement la machine est dangereux, l’ignorer systématiquement l’est aussi.

Dans un hôpital ivoirien, un exemple concret serait d’utiliser un tel outil comme deuxième regard lorsque le radiologue n’est pas immédiatement disponible. Avant tout achat, il faudrait toutefois le tester sur les appareils, les patients et l’organisation locale, puis conserver une validation humaine et une procédure en cas de panne.

Ce que l’étude ne prouve pas

Un seul établissement, treize professionnels et un seul produit ne permettent pas de conclure que tous les logiciels donnent le même bénéfice. Les auteurs n’ont pas mesuré les résultats pour les patients. Ils déclarent ne pas avoir de conflit d’intérêts ; les entreprises AZmed et CARPL ont apporté un soutien technique pendant le déploiement.

Sources

- npj Digital Medicine — étude prospective complète, 27 octobre 2026
- BMJ Open — protocole indépendant rappelant les risques de biais d’automatisation et le besoin d’essais multicentriques, août 2026

Sources consultées le 28 octobre 2026. Cet article informe sur une étude et ne constitue pas un conseil médical.