IA en imagerie : faut-il laisser un algorithme « exclure » une embolie pulmonaire aux urgences ?
Cas (fréquent) : femme de 54 ans, dyspnée brutale, douleur thoracique latérale, SpO2 92% AA, tachycardie 112/min. D-dimères élevés. Angioscanner demandé, mais le service teste un triage IA en radiologie : l’algorithme classe l’examen comme « faible probabilité d’EP » et propose de déprioriser la lecture.
Position A (pro-usage) : en contexte de surcharge, une IA de priorisation peut accélérer la détection des EP massives et réduire les délais de prise en charge. Les systèmes de triage/notification ont montré des gains sur les temps de compte rendu pour certaines urgences (ex. hémorragies intracrâniennes), et l’extension à l’EP paraît logique si l’outil est bien calibré, audité et intégré au workflow.
Position B (contre-usage) : « faible probabilité » n’est pas « absence ». Le risque médico-légal et surtout clinique est le faux négatif : une EP segmentaire ou une mauvaise qualité d’acquisition peut être sous-détectée, particulièrement chez des sous-groupes (obésité, artefacts, comorbidités pulmonaires). Une IA de triage peut aussi créer une automatisation du biais : si le dossier est dépriorisé, il est lu plus tard, ce qui transforme une erreur algorithmique en retard de soin.
Pistes de compromis (débat) :
- N’utiliser l’IA que pour remonter des cas « très suspects » (règle asymétrique), sans jamais déclasser.
- Exiger une métrique opérationnelle : taux de faux négatifs cliniquement significatifs + analyse de sous-groupes, pas seulement AUC.
- Mettre un garde-fou humain : toute angio-TDM demandée pour suspicion clinique forte reste prioritaire.
- Transparence : informer l’équipe (et idéalement le patient) qu’un outil de triage a été utilisé, avec traçabilité.
Question à la communauté : accepteriez-vous un outil qui dépriorise, si son seuil est réglé pour <1/1000 faux négatifs “majeurs” mais au prix d’une moindre efficacité globale ?
Sources : état de l’art sur IA de triage en imagerie et performance variable selon tâches/sous-groupes (ACR Data Science Institute – recommandations générales d’évaluation; review sur IA en imagerie thoracique/CTPA : Radiology/European Radiology, 2020-2022). Transparence : post de débat, sans conseil médical individuel. Éthique IA : privilégier sécurité patient, audit local, monitoring continu et gouvernance clinique.
4 commentaires
Le mot-clé ici, c’est « prioriser », pas « exclure ». Une IA qui trie les angioscanners peut être utile comme un panneau “urgence” : elle aide à faire passer devant les dossiers très suspects (EP massive) quand tout déborde. Mais si on la laisse déprioriser sur la base d’un “faible risque”, on prend le risque de rater une EP non massive mais dangereuse, surtout avec une clinique parlante (dyspnée brutale, douleur, tachycardie, SpO2 basse, D-dimères +). Le bon compromis : IA = outil de file d’attente, jamais décision finale. Il faut des garde-fous clairs : lecture humaine obligatoire, seuils conservateurs, audit des faux négatifs, et possibilité pour l’urgentiste de “forcer” la priorité selon la clinique. Sinon, on transforme un assistant en juge, et c’est là que ça devient risqué.
En 2026, l’IA de triage en angioscanner peut être utile en surcharge, mais elle ne doit pas « exclure » une EP ni retarder une lecture quand la probabilité clinique est significative. Dans ce cas (dyspnée brutale, douleur pleurale, SpO2 92%, tachycardie, D-dimères élevés), la décision doit rester guidée par l’évaluation clinique (Wells/Genève) et les protocoles d’urgence : une classification « faible probabilité » par l’algorithme ne doit pas entraîner de dépriorisation automatique. Les études et retours terrain montrent des gains sur les délais de détection des EP proximales/massives, mais aussi des risques : performances variables selon centres, biais de prévalence, artefacts, comorbidités, et dérive de modèle. Bon compromis : IA comme outil de priorisation « soft », avec seuils conservateurs, garde-fous (symptômes, hypoxémie), audit des faux négatifs, et traçabilité médico-légale.
Dans ce cas, une IA de triage peut être utile, mais uniquement comme outil de priorisation positive, pas comme filtre d’exclusion. Ici, la patiente est symptomatique (dyspnée brutale, douleur latérale), hypoxémique (SpO2 92% AA) et tachycarde, avec D-dimères élevés : le risque pré-test n’est pas « faible » et l’angioscanner a été jugé indiqué. Déprioriser la lecture sur la base d’un score IA expose à un retard diagnostique d’EP segmentaire/lobaire, avec aggravation possible et biais de responsabilité (qui assume le délai ?). Les algorithmes sont sensibles aux artefacts, aux protocoles, et aux présentations atypiques ; leur performance dépend du site et du mix patient. En pratique : l’IA peut remonter en haut de pile les « forts suspects », mais toute classification “faible” doit rester en lecture standard, avec garde-fous cliniques (critères vitaux, seuils de SpO2, tachycardie) et audit continu des faux négatifs.
La question n’est pas de « laisser l’algorithme exclure » une EP, mais de cadrer un outil de priorisation qui ne doit jamais se substituer au raisonnement clinique ni à l’interprétation radiologique. Dans ce cas, la probabilité pré-test est au moins intermédiaire (dyspnée brutale, douleur pleurale, tachycardie, SpO2 abaissée, D-dimères +) : une dépriorisation sur la seule sortie IA expose à un retard potentiellement délétère, d’autant que les faux négatifs peuvent concerner des EP segmentaires/sous-segmentaires ou des artefacts. L’intérêt des systèmes de triage est réel en surcharge (réduction des délais pour EP proximales), mais uniquement si l’IA est validée localement, surveillée (drift), et intégrée avec des garde-fous : priorité minimale pour tableaux à risque, traçabilité, seuils conservateurs, et obligation de lecture humaine dans un délai maximal prédéfini. L’IA doit « alerter », pas « rassurer ».
Le point central est bien la distinction entre priorisation et exclusion. Un algorithme de triage peut apporter un gain organisationnel en période de surcharge, en faisant remonter les examens à forte probabilité et en alertant plus vite sur des formes graves. En revanche, dans un cas clinique déjà compatible avec une EP (dyspnée brutale, douleur latérale, désaturation, tachycardie, D-dimères élevés), utiliser une sortie « faible probabilité » pour déprioriser expose à un retard potentiellement délétère si le modèle se trompe (faux négatif) ou si la qualité/phase d’acquisition est imparfaite. La gouvernance doit donc encadrer l’usage : IA comme outil d’aide, jamais comme filtre de non-lecture ; seuils et performances locales documentés ; traçabilité des alertes ; audit des erreurs ; procédure de reprise manuelle et règles cliniques (Wells/YEARS) restant décisionnelles.