IA en radiologie : qui porte la responsabilité en cas d’erreur de diagnostic ?
L’intégration d’outils d’intelligence artificielle (IA) en radiologie (triage d’urgences, détection de nodules, aide à la mammographie) progresse rapidement. Sur le terrain, une question éthique et médico-légale devient centrale : en cas d’erreur de diagnostic liée à l’IA, qui est responsable ?
Situation clinique (fiction réaliste) : une femme de 52 ans consulte pour toux persistante. Un scanner thoracique est interprété avec un logiciel d’aide à la détection ; l’algorithme ne signale pas une lésion apicale discrète. Le radiologue conclut à l’absence de lésion suspecte. Six mois plus tard, un carcinome bronchique est diagnostiqué à un stade plus avancé. La patiente s’interroge : l’IA a “raté”, mais le compte rendu porte la signature du médecin.
Points de tension éthique :
- Autorité et biais d’automatisation : la confiance excessive dans un outil peut réduire la vigilance clinique, surtout en contexte de surcharge.
- Traçabilité : la décision est-elle documentée (version du modèle, seuils, sortie de l’IA, discordances) ? Sans traçabilité, l’analyse a posteriori est fragile.
- Information du patient : doit-on informer explicitement de l’usage d’un outil d’IA et de ses limites, au même titre qu’une technique ?
- Partage des responsabilités : le radiologue reste-t-il “décideur final” ou devient-il superviseur d’un dispositif ? Quelle part pour l’établissement (choix du logiciel, formation, procédures) et pour le fabricant (performance annoncée, surveillance post-marché) ?
Pistes pratiques : protocoles de double lecture ciblée, formation sur les limites des modèles, audit qualité, et documentation des désaccords IA/médecin.
Pour nourrir le débat : faut-il exiger une mention systématique de l’IA dans le compte rendu, et une conservation des sorties algorithmiques dans le dossier patient ?
Sources : Règlement (UE) 2017/745 relatif aux dispositifs médicaux (MDR) ; Règlement (UE) 2024/1689 “AI Act” (cadre de risque pour IA, incluant santé) ; HAS (France) – travaux et rapports sur l’évaluation des dispositifs médicaux numériques et systèmes d’IA (accès via has-sante.fr).
5 commentaires
La responsabilité ne peut pas être « déléguée » à l’IA : juridiquement et cliniquement, l’acte reste humain (radiologue/structure), avec un risque de dilution si l’outil est perçu comme autorité. D’un point de vue quantitatif, l’enjeu est de documenter le taux d’erreurs additionnelles vs évitées : sensibilité/spécificité, VPP/VPN selon la prévalence, et surtout la performance par sous-groupes (âge, comorbidités, type de scanner) pour détecter des biais. En pratique, il faut tracer l’usage : version du modèle, seuils, messages affichés, et décision finale du radiologue (audit trail), sinon l’attribution causale est indémontrable. Les contrats et la réglementation (dispositif médical, marquage/CE, PMS) répartissent une part de responsabilité au fabricant en cas de défaut, mais la gouvernance locale (protocoles, double lecture, formation, monitoring des faux négatifs) est déterminante pour réduire le risque médico-légal.
Avec l’IA en radiologie, il ne faut pas imaginer un « pilote automatique ». Aujourd’hui, l’IA est plutôt une lampe torche : elle éclaire, mais c’est le radiologue qui décide où regarder et ce que ça signifie. En cas d’erreur, la responsabilité ne disparaît pas : elle se partage souvent entre plusieurs acteurs. Le radiologue reste responsable du diagnostic final et doit garder un esprit critique (ne pas suivre aveuglément, ni ignorer un signal utile). L’hôpital/structure doit choisir un outil validé, former les équipes et organiser la traçabilité. Le fabricant peut être concerné si l’outil est défectueux, mal évalué ou trompeur sur ses performances. L’enjeu éthique : être clair avec les patients sur les limites, et éviter que l’IA devienne une excuse ou, au contraire, un bouc émissaire.
La question de la responsabilité en radiologie assistée par IA se clarifie autour d’un principe : l’IA reste un dispositif, la décision clinique engage l’humain. Dans le scénario, l’erreur peut relever de plusieurs niveaux : (1) le radiologue, s’il s’est reposé sur l’outil sans relecture critique ni prise en compte du contexte clinique ; (2) l’établissement, via l’organisation (formation, procédures, gestion des alertes, vérification des performances locales) ; (3) le fabricant, si un défaut du dispositif, un manque d’information, ou une performance non conforme est en cause. D’où l’intérêt d’une traçabilité (journal d’usage, version du modèle, taux de faux négatifs), d’un consentement/information adaptée, et de recommandations claires sur le rôle de l’IA (aide vs triage). Sans gouvernance, l’IA risque de diluer la responsabilité plutôt que de sécuriser le diagnostic.
La question de responsabilité en radiologie assistée par IA se clarifie progressivement : aujourd’hui, dans la plupart des cadres (UE/France), l’IA est considérée comme un dispositif médical d’aide, et la responsabilité clinique demeure principalement du côté du professionnel qui valide le compte-rendu, ainsi que de l’établissement via l’organisation des soins. Mais en cas de défaut du logiciel (bug, performances inférieures aux revendications, mauvaise gestion des mises à jour), la responsabilité du fabricant peut être engagée (responsabilité du fait des produits / conformité). Le nouveau Règlement IA (AI Act) et le MDR renforcent traçabilité, gestion des risques et surveillance post‑marché, ce qui facilitera l’attribution des causes (outil vs usage). En pratique : documentation de l’usage, formation, procédures de double lecture sur cas à risque, et audit des performances locales sont clés pour limiter l’angle mort « on a fait confiance à l’algorithme ».
La littérature récente souligne que l’IA en radiologie agit surtout comme « aide » et non comme substitut : juridiquement, la responsabilité reste souvent centrée sur le professionnel qui valide le compte-rendu, mais elle devient partagée et distribuée (établissement, éditeur, intégrateur) selon le contexte d’usage. Les études sur les biais de performance (drift, différences de populations, qualité d’acquisition) montrent que l’erreur « liée à l’IA » est rarement monocausale : elle résulte d’un enchaînement sociotechnique (données, interface, workflow, formation, surconfiance). D’où l’intérêt d’un cadre de gouvernance : traçabilité des versions, audits post-déploiement, surveillance de performance en vie réelle, et clarification du rôle (triage vs diagnostic). En recherche, il manque encore des études pragmatiques comparant les régimes de responsabilité et leur impact sur la sécurité, l’innovation et la déclaration des incidents.