Pertinence de l’intelligence artificielle dans les lectures radiographiques des fractures non diagnostiquées aux urgences : une étude multicentrique et rétrospective

Objectif(s) de la recherche et intérêt pour la santé publique

Finalité de l'étude

Objectifs poursuivis

Domaines médicaux investigués

Bénéfices attendus

L’étude va montrer si le logiciel d’intelligence artificielle permet de diminuer le nombre d’erreur diagnostique sur les fractures et donc permettre une meilleure prise en charge du patient

Rationnel scientifique : L’intelligence artificielle (IA) a été mise en place pour compléter les radiologues dans leurs tâches répétitives et permet donc d’améliorer l’efficacités des radiologues. L’IA fonctionne en 6 étapes, saisie de commande pour des images optimisés, protocole d’image rationalisé, acquisition des images, traitement des images, aide à la décision finale et aide à la décision clinique.
L’intelligence artificielle peut donner l’emplacement, la direction des rayons X, identifier la fracture et nous donner la gauche et la droite de la radiographie.
La précision de l’identification des fractures est de 83%, environ le même pourcentage qu’un chirurgien orthopédique spécialisé. L’étude de Oka et al rapporte également que l’IA permet une réduction des erreurs diagnostiques des seniors des urgences d’environ 47%.
L’étude de Olczak et al retrouve également un taux de précision de fracture de 83% avec les causes les plus courantes d’erreurs qui sont le manque d’information dans l’image testée et l’ambiguïté de l’image. En conclusion de cette étude, ils proposent d’utiliser l’IA pour les lectures de radiographies aux urgences surtout dans les petits hôpitaux qui n’ont pas facilement de radiologue ou de chirurgien orthopédique.

Hypothèse du travail : l’intelligence artificielle permet une meilleure lecture des radiographies et donc une diminution des erreurs diagnostiques. Cela permettrait donc une diminution du nombre de plainte des patients

Objectifs : déterminer si l’intelligence artificielle permettrai de diminuer les erreurs diagnostiques en regardant les plaintes en traumatologie des années précédant l’installation de l’intelligence artificielle dans notre région.

Méthode et analyse des données :
Lecture des plaintes du service des urgences dans les différents centres, pour établir un listing de patient.
Puis ouverture des dossiers du passage aux urgences
Et relecture de la radiographie par le logiciel d’intelligence artificielle pour voir si l’erreur diagnostique aurait pu être évitée

Population ciblée : Patient ayant porté plainte contre le service des urgences pour une erreur diagnostique de fracture entre 2016 et 2019