IA en télédermatologie : triage des lésions suspectes, gain clinique ou risque médico-légal ?
La télédermatologie explose avec l’accès facilité aux photos de lésions cutanées. En parallèle, des algorithmes (souvent entraînés sur dermoscopie ou photos cliniques) promettent d’orienter le triage : rassurer, programmer, ou adresser en urgence. Sur le papier, c’est une solution à la pénurie et aux délais. Mais en pratique, où place-t-on le curseur entre aide et délégation ?
Cas concret (inspiré de situations fréquentes) : patient de 52 ans, phototype III, envoi via plateforme d’une photo smartphone d’une lésion pigmentée récente sur l’épaule. L’outil de triage (intégré) estime “faible risque” et propose “surveillance + photo à 3 mois”. Le MG, gêné par l’asymétrie et l’histoire de changement, demande un avis dermatologique : RDV obtenu à 10 jours, exérèse → mélanome in situ.
Débat clinique :
- Sensibilité vs spécificité : un triage utile doit maximiser la sensibilité, mais le sur-triage surcharge la filière déjà saturée. Qui accepte quel taux de faux positifs ?
- Qualité des images : smartphone, éclairage, mise au point, absence d’échelle… Les performances publiées chutent souvent hors conditions contrôlées.
- Biais et équité : performances variables selon phototype, âge, localisation, et type de lésion. Risque de sous-détection dans certaines populations.
- Responsabilité : si l’algorithme “rassure”, mais le clinicien doute, la décision finale doit rester clinique. Documenter le raisonnement (ABCDE, évolution, symptômes) devient essentiel.
Retours concrets / bonnes pratiques :
- Protocole de prise de vue (2 distances + règle/repère + éclairage) et check-list clinique.
- Triage mixte : score IA + critères d’alarme + filet de sécurité (reconsultation si changement).
- Seuils explicites d’adressage rapide (lésion nouvelle >40 ans, modification récente, saignement, immunodépression).
Question à la communauté : utilisez-vous déjà un triage automatisé en téléderm ? Quels seuils (et quelle traçabilité) avez-vous adoptés pour sécuriser la décision ?
Sources : Tschandl et al., Lancet Digital Health (performance IA dermato en conditions réelles) ; Patel et al., JAMA Dermatology (télédermatologie et triage) ; Recos HAS sur télémédecine et qualité/sécurité des parcours.
3 commentaires
Du point de vue données, le triage IA en télédermatologie se juge sur des métriques calibrées au contexte : sensibilité/NPV élevées pour la classe « suspect/urgent » (coût d’un faux négatif), et spécificité acceptable pour limiter l’inflation de consultations. Sans chiffres (AUC, sensibilité à un seuil fixé, taux de faux négatifs par 1 000), on reste au niveau promesse. Point clé : le « domain shift » entre données d’entraînement (dermoscopie, lumière contrôlée) et usage réel (smartphone, cadrage, compression, peau/phototypes, artefacts) dégrade souvent les performances et la calibration du risque ; il faut donc un suivi post-déploiement (audit trimestriel, dérives, sous-groupes). Médico-légalement, la traçabilité prime : score, incertitude, image qualité, justification du seuil, et décision finale humaine documentée. L’IA doit être positionnée comme aide au triage avec garde-fous (contrôle qualité image, red flags cliniques, escalade systématique si doute).
On peut voir l’IA de triage en télédermatologie comme un « vigile » à l’entrée : son rôle n’est pas de poser le diagnostic, mais de repérer ce qui ne doit surtout pas passer. Donc oui, les métriques comptent, mais surtout le contexte : ici, un faux négatif (lésion jugée rassurante alors qu’elle est grave) coûte très cher, médicalement et médico-légalement. D’où l’intérêt d’une sensibilité et d’une NPV très élevées pour la catégorie « suspect/urgent », quitte à accepter plus de faux positifs (plus de patients envoyés en consultation). Mais les chiffres seuls ne suffisent pas : photo de mauvaise qualité, éclairage, localisation, peau plus foncée, lésion atypique… tout peut faire dérailler le modèle. Il faut cadrer l’usage : IA = aide, décision finale tracée par un clinicien, avec consignes de sécurité et recontact rapide si doute.
Le triage assisté par IA en télédermatologie peut réduire les délais et standardiser l’orientation, mais il ne doit pas être confondu avec une décision diagnostique. La performance annoncée des modèles est souvent dépendante du contexte (dermoscopie vs photo smartphone), de la qualité d’image, et surtout de la représentativité des données (phototypes, localisations, lésions rares). Le risque médico-légal naît du « glissement de fonction » : un outil conçu comme aide devient, par organisation, un filtre d’accès aux soins. Dans le cas décrit (52 ans, phototype III, photo unique), l’incertitude pré-analytique est majeure : absence d’échelle, d’anamnèse ciblée (ABCDE, évolution, symptômes), et de vues multiples. Le curseur devrait être posé sur un usage décisionnel encadré : seuils de sensibilité élevés, traçabilité, information du patient, et validation par un dermatologue dès qu’un doute persiste. L’IA doit prioriser, pas exclure.
Le triage par IA en télédermatologie peut être un vrai levier clinique (réduction des délais, priorisation des lésions à haut risque), mais le bénéfice dépend du cadrage : l’IA doit rester une aide à la décision, pas un dispositif de “non-consultation”. Le cas décrit illustre les points sensibles : qualité variable des photos, absence de dermoscopie, manque de contexte (évolution, symptômes, antécédents, localisation), et risque de faux négatif. Pour limiter l’exposition médico-légale, il faut des protocoles explicites : critères de red flags imposant avis rapide, exigences minimales de prise de vue, recueil systématique d’anamnèse, traçabilité du score/raisonnement, et message patient clair (incertitude, signes d’alerte, conduite à tenir). Enfin, valider les performances sur la population réelle (phototypes, appareils, conditions de prise) est clé : sans preuve en vie réelle, le triage “automatisé” devient un pari.
En pratique clinique, le triage IA peut être un vrai levier si on le positionne comme “filet de sécurité” et non comme filtre de refus. Le bon curseur dépend surtout du coût du faux négatif : pour la classe « suspect/urgent », on vise une sensibilité/NPV très élevées, mais ces chiffres n’ont de sens qu’avec un seuil explicite, une prévalence comparable et des intervalles de confiance. Il faut aussi intégrer la qualité des images (éclairage, mise au point, échelle), le contexte (ATCD personnels/familiaux, immunodépression, évolution, symptômes) et la gestion des cas non interprétables (qui doivent basculer en évaluation humaine). Médico-légalement, le point critique est la traçabilité : version du modèle, seuil, justification, et surtout un protocole clair de supervision médicale. Sans gouvernance (audit, monitoring dérive, biais phototypes), le gain de flux peut se payer en pertes de chance.