Fractures aux urgences : l’IA qui relit les radios

Une chute, un poignet douloureux, une radio. La fracture paraît parfois évidente. D’autres fois, elle se réduit à un trait discret, noyé dans la superposition des os. Aux urgences, cette première lecture peut se faire alors que les patients s’accumulent et que le radiologue n’est pas immédiatement disponible. La nuit, la fatigue et les interruptions compliquent encore le travail [1].

Des logiciels d’intelligence artificielle proposent désormais une seconde lecture des radiographies. Ils signalent les zones où une fracture semble probable, pour attirer l’attention du médecin. Plusieurs solutions françaises sont déjà évaluées ou déployées à l’hôpital. Les études montrent un bénéfice pour la détection, mais elles ne prouvent pas que toutes les fractures seront repérées ni que tous les patients sortiront plus vite [1–4].

Verdict : Validé, pour une aide à la détection intégrée au travail médical. Pas pour une décision autonome, ni pour une confiance aveugle dans une radio estampillée « sans anomalie ».

Les points clés
– L’IA peut aider à repérer des fractures discrètes sur les radiographies.
– Les études de lecture montrent généralement une amélioration de la détection, avec des performances variables.
– Un gain de temps de lecture est parfois mesuré ; il ne garantit pas une attente plus courte aux urgences.
– Les indications dépendent du logiciel, de sa version, de l’âge et de la région du squelette.
– Le médecin reste décideur. Une suspicion clinique persistante doit être réévaluée, même sans signalement de l’IA.

Pourquoi une fracture peut passer inaperçue

Une radiographie n’est pas une photographie parfaite de l’os. Elle projette des structures en trois dimensions sur une image plane. Une petite fracture peut être difficile à distinguer, notamment selon son emplacement et les incidences, c’est-à-dire les angles sous lesquels les clichés sont réalisés. Certaines fractures restent même invisibles sur les premières radios : on parle alors de fractures occultes [10,11].

Il faut distinguer deux situations. Dans la première, l’anomalie est visible mais n’a pas été repérée. Une aide à la lecture peut améliorer ce repérage. Dans la seconde, la radio ne montre pas suffisamment la fracture. L’IA ne dispense alors pas d’une autre stratégie diagnostique [1,10,11].

Le risque d’erreur dépend aussi de l’organisation. Le médecin doit relier les images à la douleur, au mécanisme du traumatisme et à l’examen du patient. Une équipe moins expérimentée, les interruptions et un accès différé à l’interprétation spécialisée peuvent rendre cette étape plus difficile [1].

La nuit : un intérêt particulier, pas une garantie particulière

L’IA ne se fatigue pas après plusieurs heures de garde. Elle peut donc apporter une aide régulière lorsque les conditions de lecture humaine sont moins favorables. NICE, l’organisme britannique d’évaluation des technologies de santé, souligne cet intérêt potentiel hors des horaires habituels [1].

Il serait pourtant excessif d’en déduire un taux précis de fractures manquées la nuit dans les urgences françaises. Les travaux disponibles ne justifient pas un chiffre national universel. L’intérêt de l’outil doit s’évaluer dans chaque service, en tenant compte de la présence du radiologue et du circuit de relecture.

Lorsque l’interprétation spécialisée est disponible immédiatement, le bénéfice supplémentaire peut être plus limité. Lorsqu’elle est différée, une alerte pertinente peut aider l’urgentiste avant la décision initiale de prise en charge. Elle ne remplace pas le compte rendu radiologique [1].

Comment l’IA relit une radio

Ces outils ne fonctionnent pas comme un chatbot auquel on demanderait : « Est-ce cassé ? » Ce sont des logiciels spécialisés d’analyse d’images. Ils ont été entraînés à reconnaître des motifs associés aux fractures et peuvent afficher un repère autour d’une zone suspecte [2,5,6].

La radiographie est analysée dans le circuit d’imagerie du service. Selon le produit et son intégration, le résultat apparaît dans l’environnement de consultation des images. Le médecin peut comparer l’image originale et la proposition de l’algorithme, puis vérifier si le signalement correspond au contexte clinique [5,6].

L’alerte ne signifie pas automatiquement « fracture certaine ». Elle peut correspondre à une vraie fracture, à une variante anatomique ou à une anomalie interprétée à tort. Inversement, l’absence de repère ne permet pas d’exclure toute fracture. C’est la raison pour laquelle l’image native et l’examen du patient restent indispensables [1,6].

En deux phrases

L’IA attire l’attention sur une zone qui mérite d’être vérifiée. Le médecin interprète cette proposition, pose le diagnostic et choisit la prise en charge.

Une alerte IA doit être confrontée à la radio originale et au contexte clinique. L’absence de signalement n’exclut pas une fracture.

Des outils français déjà utilisés à l’hôpital

Deux exemples sont BoneView, développé par Gleamer, et AZtrauma, le module de traumatologie de la suite Rayvolve d’AZmed. Leurs fabricants déclarent un marquage CE de classe IIa et les présentent comme des aides à l’interprétation médicale, pas comme des systèmes autonomes [5,6].

Leur existence ne se limite pas à une démonstration de laboratoire. Selon des retours de déploiement publiés par AZmed, AZtrauma est utilisé au CHU de Reims depuis 2021, et la suite Rayvolve au centre hospitalier de Condom depuis 2022. À Condom, l’usage décrit soutient notamment la première lecture des radios aux urgences hors présence du radiologue. Ces témoignages documentent des usages concrets ; leur origine commerciale doit cependant être gardée à l’esprit [8,9].

Des équipes hospitalières françaises ont aussi évalué ces logiciels sur des patients des urgences. À Lariboisière, une étude rétrospective publiée en 2023 a analysé les versions alors étudiées de trois algorithmes commerciaux, dont BoneView et Rayvolve, sur 1 500 ensembles de radiographies provenant de 1 210 patients. Les résultats variaient selon l’algorithme, l’âge et la région examinée ; ils ne sont pas automatiquement généralisables aux versions plus récentes [7].

Cette étude illustre un point essentiel : « l’IA » n’est pas un produit unique. Une évaluation d’une version donnée ne vaut pas automatiquement pour une autre. Elle ne suffit pas non plus à déduire que l’outil étudié est utilisé en routine permanente dans l’hôpital concerné.

Ce que montrent les études : mieux détecter, sans supprimer les erreurs

Pour juger ces outils, la comparaison la plus utile n’est pas seulement « IA contre médecin ». C’est aussi médecin avec IA contre médecin sans IA. Elle mesure le bénéfice de l’assistance, qui correspond à l’usage prévu aux urgences [1–4].

Une amélioration de la sensibilité

La sensibilité mesure la proportion de cas avec fracture que la lecture identifie correctement. Plus elle augmente, moins ces cas sont manqués. La spécificité mesure la proportion de cas sans fracture reconnus comme tels : elle renseigne sur les fausses alertes.

Dans une étude française rétrospective publiée en 2021, 600 adultes avaient été sélectionnés dans 17 centres. Elle portait sur les fractures du squelette appendiculaire, c’est-à-dire des membres et de leurs attaches au tronc. Six radiologues et six urgentistes ont lu les clichés avec ou sans aide IA. L’assistance a amélioré la sensibilité de 8,7 points de pourcentage et la spécificité de 4,1 points [2].

Une autre étude, publiée en 2022, a fait relire 480 examens par 24 professionnels. La sensibilité par patient est passée de 64,8 % à 75,2 % avec l’IA, soit un gain de 10,4 points. La spécificité est passée de 90,6 % à 95,6 % [3].

Certains coauteurs de ces deux études étaient affiliés à Gleamer, le fabricant du logiciel évalué. Cette information ne rend pas les résultats inutilisables, mais elle compte dans leur appréciation critique [2,3].

Ces résultats sont encourageants, mais ils ne décrivent pas directement le risque d’un patient entrant dans une urgence française. Les jeux de cas étaient sélectionnés, avec une proportion de fractures plus élevée qu’en pratique courante. Les lecteurs ne disposaient pas toujours de tout le contexte d’une consultation réelle [1–3].

Une méta-analyse, c’est-à-dire une synthèse statistique de plusieurs études, a regroupé 26 travaux. La sensibilité moyenne estimée des cliniciens est passée de 77 % sans aide à 87 % avec l’IA. Cette tendance appuie l’intérêt de l’assistance, mais les résultats étaient hétérogènes et huit études présentaient un risque élevé de biais [4].

Moins de cas manqués n’est pas encore toute la preuve clinique

Les études de lecture établissent un bénéfice diagnostique. Elles ne suffisent pas à démontrer, à elles seules, une réduction des complications, des opérations tardives ou des retours aux urgences dans toutes les organisations.

Cette distinction explique la prudence de NICE. Sa recommandation de janvier 2025 permet l’utilisation de quatre outils dans le système de santé britannique pendant une période de génération de preuves, sous conditions. Elle demande notamment des données sur les décisions de traitement, les orientations, les pannes et les résultats dans différentes populations [1].

Ce n’est ni une recommandation française, ni la preuve que tous les logiciels se valent. C’est une reconnaissance de leur intérêt potentiel, accompagnée d’exigences pour mieux mesurer leur bénéfice en pratique.

Le gain de temps existe-t-il vraiment ?

Dans l’étude de 2022, l’IA a réduit le temps moyen de lecture de 6,3 secondes par examen. C’est un gain mesuré sur une tâche précise, pas sur l’ensemble du passage aux urgences [3].

L’étude française de 2021 rapportait une réduction moyenne de 15 % du temps de lecture, mais celle-ci n’était pas statistiquement significative. Autrement dit, le résultat ne permettait pas d’écarter suffisamment l’hypothèse d’une absence de gain [2].

L’évaluation NICE souligne, elle aussi, que les variations observées pouvaient représenter seulement quelques secondes, parfois gagnées, parfois perdues. Vérifier une alerte demande du temps ; une alerte bien placée peut en faire gagner. Le résultat dépend du logiciel et de la manière dont il est utilisé [1].

Pour un patient, l’attente dépend également de l’examen clinique, de la disponibilité des traitements, d’un éventuel avis spécialisé ou d’une imagerie complémentaire. Une lecture accélérée ne garantit donc pas une sortie accélérée. L’argument le plus solide reste aujourd’hui l’amélioration du repérage des fractures.

Le bénéfice pour la détection ne garantit pas un passage plus court aux urgences. Les âges et régions couverts dépendent de la notice du logiciel.

Les limites : enfants, zones complexes et radios trompeuses

Chez l’enfant, les règles ne sont pas celles de l’adulte

Le squelette en croissance présente des particularités qui compliquent la lecture. Les cartilages de croissance et les variations liées à l’âge ne doivent pas être interprétés avec les seuls repères de l’adulte. Les preuves sont plus limitées chez les très jeunes enfants et en cas de suspicion de maltraitance [1].

Certains logiciels couvrent une population pédiatrique, d’autres imposent un âge minimal. Dans l’évaluation NICE, BoneView est envisagé à partir de 2 ans, tandis que la page du fabricant consultée indique « au-delà de 2 ans ». Cette différence de formulation est une raison supplémentaire de vérifier la notice de la version effectivement utilisée, plutôt que d’appliquer un seuil de mémoire [1,5].

La notice publique de Rayvolve décrit un usage adulte et pédiatrique, mais demande une prudence particulière chez l’enfant. L’article ne permet donc pas de considérer tous les outils comme interchangeables chez tous les enfants. Une suspicion de maltraitance conserve son circuit d’évaluation spécialisée, indépendamment du résultat IA [1,6].

Les performances varient selon la région du squelette

Un algorithme n’analyse pas nécessairement toutes les zones anatomiques. La couverture annoncée dépend du produit : membres, bassin, côtes ou certaines parties du rachis, par exemple. Une fonction de détection des fractures ne doit pas être confondue avec d’autres modules, comme l’évaluation de l’âge osseux [5,6].

Même lorsqu’une zone entre dans l’indication, le bénéfice n’est pas uniforme. Dans l’étude de 2022, le gain de sensibilité n’était pas statistiquement significatif pour l’épaule et la clavicule, ni pour le rachis. Cela ne prouve pas que l’IA n’y sert à rien, mais interdit de promettre partout le même résultat [3].

L’étude de Lariboisière retrouvait également des variations selon la région examinée. Des versions évaluées en 2023 ne doivent pas être utilisées pour établir un classement commercial actuel : les algorithmes évoluent [7].

Une radio rassurante ne clôt pas toujours le diagnostic

Une fracture du scaphoïde, un petit os du poignet, ou une fracture de hanche peut nécessiter une autre imagerie lorsque la suspicion clinique persiste. Les recommandations britanniques envisagent l’imagerie par résonance magnétique (IRM) pour une suspicion de fracture du scaphoïde après un examen clinique approfondi. Pour la hanche, elles recommandent une IRM si une fracture reste suspectée malgré des radios normales de qualité suffisante ; elles prévoient d’envisager un scanner si l’IRM est contre-indiquée ou indisponible dans les 24 heures [10,11].

Ces exemples ne prescrivent pas un examen à distance. Ils montrent simplement pourquoi « l’IA n’a rien vu » ne suffit pas à conclure. La conduite à tenir dépend du patient, de l’examen et de l’organisation locale.

Ce que cela change pour le patient

Le bénéfice attendu est concret : une fracture discrète peut attirer plus tôt l’attention, avant qu’une décision initiale inadaptée ne soit prise. Le patient n’a pas à choisir un logiciel ou à vérifier lui-même l’écran. Il doit surtout recevoir une explication compréhensible du diagnostic, du traitement et des consignes de suivi [1,10].

L’IA ne décide ni de l’immobilisation, ni de l’appui autorisé, ni de la nécessité d’une opération. Ces décisions dépendent du type de fracture, de son déplacement, de l’état du patient et de l’évaluation médicale. Une même alerte peut donc conduire à des prises en charge différentes.

Si la douleur ne s’améliore pas comme prévu, ou si la fonction reste très limitée, il faut suivre les consignes de réévaluation données par l’équipe. Une sortie avec une radio initialement rassurante n’interdit pas de revoir le diagnostic. L’enjeu n’est pas de refaire systématiquement les examens, mais de ne pas laisser une suspicion persistante sans réponse [10,11].

Verdict : Validé, dans son rôle d’assistant

La détection des fractures sur les radios fait partie des usages de l’IA médicale qui disposent d’études cliniques encourageantes et de logiciels effectivement utilisés. L’aide à la lecture améliore généralement le repérage dans les études, sans rendre l’interprétation infaillible [1–4].

Le verdict « Validé » porte donc sur l’intérêt d’une seconde lecture sous contrôle médical, dans les indications prévues et avec un circuit de recours. Il ne constitue pas une validation universelle de chaque logiciel, de chaque population ou de chaque organisation.

Le gain de temps est plus variable, et l’effet sur le parcours complet reste à mieux mesurer. Le meilleur usage n’est pas de déléguer la décision : c’est de donner au médecin une occasion supplémentaire de vérifier ce qui aurait pu passer inaperçu.

Pour aller plus loin sur Okimydoc

Une douleur articulaire ou rachidienne n’a pas toujours une origine fracturaire. Pour explorer d’autres situations, consulte les articles sur l’arthrose et sur la lombalgie et la hernie discale. Ces lectures ne remplacent pas l’évaluation d’une douleur survenue après un traumatisme.

Références

[1] National Institute for Health and Care Excellence. Artificial intelligence (AI) technologies to help detect fractures on X-rays in urgent care: early value assessment. HTG739. 14 janvier 2025 ; page de discussion mise à jour le 23 octobre 2026. Recommandations et discussion consultées le 26 octobre 2026. Recommandations ; évaluation des preuves.

[2] Duron L, Ducarouge A, Gillibert A, et al. Assessment of an AI Aid in Detection of Adult Appendicular Skeletal Fractures by Emergency Physicians and Radiologists: A Multicenter Cross-sectional Diagnostic Study. Radiology. 2021;300(1):120–129. doi:10.1148/radiol.2021203886.

[3] Guermazi A, Tannoury C, Kompel AJ, et al. Improving Radiographic Fracture Recognition Performance and Efficiency Using Artificial Intelligence. Radiology. 2022;302(3):627–636. doi:10.1148/radiol.210937.

[4] Qin H, Ding Y, Ju J, Qu Z, Peng L. Enhanced fracture detection on radiographs with AI assistance for clinicians: a systematic review and meta-analysis. Annals of Medicine. 2026;58(1):2610079. Mise en ligne le 30 décembre 2025. doi:10.1080/07853890.2025.2610079.

[5] Gleamer. BoneView : indications, couverture anatomique et population cible ; Company : historique du marquage CE. Documentation fabricant, consultée le 26 octobre 2026. Page produit ; entreprise.

[6] AZmed. Our products ; Informations réglementaires et avertissements d’utilisation de Rayvolve. Documentation fabricant, consultée le 26 octobre 2026. Produits ; notice publique.

[7] Bousson V, Attané G, Benoist N, et al. Artificial Intelligence for Detecting Acute Fractures in Patients Admitted to an Emergency Department: Real-Life Performance of Three Commercial Algorithms. Academic Radiology. 2023;30(10):2118–2139. doi:10.1016/j.acra.2023.06.016.

[8] AZmed. Five years of AI-assisted X-rays with AZmed at CHU de Reims. Retour de déploiement publié par le fabricant, consulté le 26 octobre 2026. Lire le témoignage.

[9] AZmed. At Centre Hospitalier de Condom, AZmed’s AI supports the first read of X-rays in the emergency. Retour de déploiement publié par le fabricant, consulté le 26 octobre 2026. Lire le témoignage.

[10] National Institute for Health and Care Excellence. Fractures (non-complex): assessment and management. NG38. 17 février 2016. Sections imagerie et information du patient, consultées le 26 octobre 2026. Recommandations.

[11] National Institute for Health and Care Excellence. Hip fracture: management. CG124. Mise à jour le 6 janvier 2023. Section 1.1, imagerie d’une fracture occulte, consultée le 26 octobre 2026. Recommandations.

Article rédigé par le Dr Michel Bensadoun, L’auteur ne déclare aucun conflit d’intérêts concernant cet article.

Note : Cet article a été rédigé avec l’aide de l’intelligence artificielle, notamment pour l’assistance à la rédaction et à l’illustration. Le contenu a été soigneusement relu, validé et complété par l’auteur pour garantir sa fiabilité et sa pertinence.

Important : Cet article n’a pas vocation à remplacer une consultation médicale. Chaque situation est unique et nécessite une prise en charge individualisée.

Le texte de cet article, les infographies et les photos sont protégés par les droits d’auteur ©okimydoc, et ne peuvent être utilisés sans l’accord de l’auteur.