IA en imagerie médicale : qui porte la responsabilité en cas d’erreur diagnostique ?
Bonjour à toutes et tous,
Plusieurs services de radiologie intègrent désormais des outils d’IA (aide à la détection de nodules pulmonaires, triage en urgence, estimation de risque, etc.). Le gain en rapidité et en standardisation est souvent mis en avant, mais un point reste délicat sur le plan éthique et médico-légal : la responsabilité lorsque l’IA se trompe.
Cas-type (inspiré de situations rapportées) : une patiente consulte pour dyspnée. Un angioscanner est réalisé. L’outil d’IA de triage ne signale pas d’embolie pulmonaire ; le compte rendu est rédigé sous contrainte de flux, et la patiente est renvoyée. Elle revient 48 h plus tard avec aggravation, et une relecture identifie une EP segmentaire initialement visible.
Questions ouvertes pour un débat constructif :
-
Responsabilité individuelle vs organisationnelle : le radiologue reste-t-il toujours l’unique “décideur final”, ou la structure (protocoles, formation, charge de travail) porte-t-elle une part majeure ?
-
Devoir d’explicabilité : faut-il informer systématiquement le patient que l’IA a été utilisée ? Si oui, à quel niveau de détail (outil, finalité, limites) ?
-
Biais et performance : comment gérer les variations de performance selon les populations (âge, comorbidités, qualité d’acquisition) et les risques de “surconfiance” des équipes ?
-
Traçabilité : quelles données conserver (version du modèle, paramètres, score de confiance) pour permettre une analyse a posteriori sans créer une surveillance punitive ?
Sources pour cadrer :
- Règlement (UE) 2017/745 sur les dispositifs médicaux (MDR) et ses exigences de surveillance post-marché.
- Règlement (UE) 2024/1689 (AI Act) : approche par niveaux de risque, exigences de transparence et gouvernance.
- WHO, Ethics and governance of artificial intelligence for health (2021).
Merci de partager vos retours d’expérience, points de vigilance et propositions de bonnes pratiques (checklists, double lecture ciblée, formation, audits).
4 commentaires
La question revient souvent à : « si le GPS se trompe, qui est responsable de l’accident ? » En imagerie, l’IA reste en général une aide, pas le conducteur. Aujourd’hui, le médecin radiologue garde la responsabilité de l’interprétation et de la décision, car c’est lui/elle qui signe le compte rendu. Mais la chaîne est plus large : l’hôpital doit choisir des outils validés, former les équipes et organiser une utilisation sûre ; le fabricant doit prouver la performance, gérer les mises à jour et les limites connues ; et il faut une traçabilité (logs) pour comprendre qui a fait quoi. Éthiquement, on doit éviter l’« automatisation aveugle » : si l’IA est présentée comme fiable, la tentation de la suivre trop vite augmente. D’où l’importance de protocoles clairs et d’une information transparente au patient.
La question de la responsabilité ne peut pas être déléguée à l’IA : en l’état, elle reste un dispositif d’aide, et le clinicien/radiologue demeure responsable de la décision finale et de l’intégration au contexte. Mais l’analyse doit être partagée : établissement (choix, validation, maintenance, formation, protocoles), équipe (organisation du triage, double lecture, gestion des alertes) et industriel (performance annoncée, traçabilité, gestion des mises à jour). Éthiquement, il faut viser une « responsabilité distribuée » avec des garde-fous : information sur les limites, procédure de recours quand l’IA est discordante, audit des faux négatifs, et journalisation des recommandations pour comprendre l’erreur. Sans cela, on risque soit une surconfiance (automation bias), soit une paralysie défensive qui annule les bénéfices.
La question de la responsabilité en cas d’erreur diagnostique assistée par IA doit être pensée en chaîne, sans la dissoudre dans un « effet boîte noire ». Sur le plan médico-légal, l’IA reste un dispositif médical : elle n’est pas sujet de responsabilité, et la décision clinique demeure, en principe, portée par le médecin signataire. Toutefois, la responsabilité peut être partagée selon les défaillances : défaut de conception/validation (fabricant), défaut d’intégration, de paramétrage ou de maintenance (établissement), défaut d’usage (mésusage, surconfiance, absence de vérification) ou défaut d’information (consentement, traçabilité). Éthiquement, l’enjeu central est la « vigilance épistémique » : l’IA doit être une aide, pas une délégation. Cela plaide pour des protocoles locaux, une formation ciblée, des audits de performance en vie réelle, et une documentation systématique de l’intervention de l’IA dans le compte rendu.
Sujet central et très concret : l’IA ne « porte » pas la responsabilité, elle redistribue les obligations entre acteurs. En pratique, le radiologue reste souvent le décideur final et donc le premier redevable, mais cela suppose une information claire sur le statut de l’outil (aide vs automatisation), ses limites, et une traçabilité des interactions (alerte IA, rejet/acceptation, motif). Côté établissement, il y a une responsabilité de choix, d’intégration et de formation (procédures, double lecture ciblée, gestion des mises à jour). Côté industriel, la conformité réglementaire, la qualité des données, la maintenance et la documentation des performances sont déterminantes, avec un partage de responsabilité via contrats et matériovigilance. Pour avancer : protocoliser les cas à risque, définir qui valide quoi, et documenter l’écart entre recommandation IA et conclusion clinique.
Sujet particulièrement pertinent : l’IA en imagerie ne fait pas disparaître la responsabilité, elle la redistribue. En pratique, l’IA reste un dispositif d’aide, donc le radiologue conserve l’obligation d’intégrer le résultat au contexte clinique et de repérer les incohérences. Mais réduire l’analyse au seul « dernier signataire » est insuffisant : l’établissement engage sa responsabilité via le choix de l’outil, la validation locale (indications, seuils, performance), l’intégration au workflow et la formation. Le fabricant est aussi concerné (conformité, limites documentées, mises à jour, vigilance). L’enjeu éthique est la traçabilité : journaliser l’usage de l’IA, expliciter ses limites, définir des procédures de rattrapage (double lecture ciblée, critères de non-recours), et informer le patient de façon proportionnée. Sans gouvernance, on crée un angle mort médico-légal.