Imagerie aux urgences

L’IA présente une sensibilité modérée pour la détection de fractures

Aux Journées francophones de radiologie (JFR) du 4 au 7 octobre dernier, Maxime Pastor, radiologue au CHU de Montpellier, a présenté les résultats d'une étude comparant les performances d'un logiciel d'IA dans la détection des fractures en radiographie par rapport au scanner. L'intervenant a rapporté une sensibilité modérée de ces logiciels, et rappelé l'importance des radiologues pour détecter les faux négatifs.

icon réservé aux abonnésArticle réservé aux abonnés
Le 24/10/24 à 15:00 Lecture 3 min.

Cette étude ancillaire a été menée dans un sous-groupe de patients provenant du PHRC multicentrique, se présentant aux urgences pour traumatisme. © Solenn Duplessy

Avec un nombre élevé de consultations pour traumatismes aux urgences, les nombreuses radiographies réalisées dans ces cas peuvent présenter des erreurs d’interprétation non négligeables, liées notamment à des conditions de réalisation imparfaites, note Maxime Pastor, radiologue au CHU de Montpellier (34) lors d’une session des Journées francophones de radiologie (JFR) le 7 octobre 2024. « Il y a un volume important de patients âgés ou difficiles à modéliser, ce qui rend l'interprétation au fil de l'eau très compliquée. Ce sont donc souvent les urgentistes ou les internes qui sont en première ligne sur ces lectures », introduit l’intervenant.

Les logiciels de détection des fractures, un espoir ?

Dans ce contexte, le développement de logiciels de détection de fractures apparaît, selon Maxime Pastor, comme un espoir. « Plusieurs études ont montré que ces logiciels fonctionnent bien et ont une bonne sensibilité. Mais souvent, dans ces études, la référence standard utilisée est la lecture

Il vous reste 81% de l’article à lire

Docteur Imago réserve cet article à ses abonnés

S'abonner à l'édition
  • Tous les contenus « abonnés » en illimité
  • Le journal numérique en avant-première
  • Newsletters exclusives, club abonnés

Abonnez-vous !

Docteur Imago en illimité sur desktop, tablette, smartphone, une offre 100% numérique

Offre mensuelle 100 % numérique

23 €

par mois

S’abonner à Docteur Imago

Auteurs

Solenn Duplessy

Voir la fiche de l’auteur

Bibliographie

  1. Pastor M, Dabli D, Lonjon R et al, « Comparison between artificial intelligence solution and radiologist for the detection of pelvic, hip and extremity fractures on radiographs in adult using CT as standard of reference », Diagnostic and Interventional Imaging, 19 septembre 2024. DOI : 10.1016/j.diii.2024.09.004.

Spécialité médicale

Musculo-squelettique Urgence

Modalité d’imagerie

Scanner Radiologie conventionnelle

Mots-clés

intelligence artificielle traumatismes urgences

4 octobre 2024 au 7 octobre 2024

Journées francophones de radiologie 2024

Congrès
Palais des congrès de Paris, 2 place de la Porte Maillot, Paris, France, 75017, Île-de-France

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Dans le dossier

icon réservé aux abonnés L’intelligence artificielle en pratique clinique

Voir le dossier

Le fil Docteur Imago

10 Avr

15:32

Un modèle d’IA à apprentissage profond montre un potentiel en tant qu’outil de dépistage opportuniste de la santé osseuse chez les enfants, selon une étude publiée dans Radiology.

15:00

13:14

Les événements de sécurité des patients en radiologie représentent une faible proportion des incidents (3,2 %), mais révèlent des vulnérabilités importantes, notamment chez les enfants et les personnes âgées, avec un risque élevé lié aux médicaments et aux produits de contraste, selon une étude publiée dans Current Problems in Diagnostic Radiology

7:13

Les patientes atteintes d’un cancer du sein qui développent un dysfonctionnement cardiaque lors d’une chimiothérapie néoadjuvante subissent également une perte de tissu cérébral significativement plus importante que celles dont la fonction cardiaque reste stable, selon une étude publiée dans Academic Radiology.

7:00

09 Avr

16:21

Une étude multicentrique publiée dans European Radiology montre qu’un modèle de deep learning combinant nnU-Net et ConvNeXt-tiny permet d’évaluer avec précision l’invasion musculaire dans le cancer de la vessie à partir d’IRM, avec des performances élevées et stables.
✕
Docteur Imago

GRATUIT
VOIR