Un besoin évident :
L’activité radiologique va continuer à augmenter du fait de l’enrichissement des capacités de l’imagerie, et d’une demande croissante liée au vieillissement de la population, tant dans les activités de dépistage, de diagnostic que de suivi des patients. Les radiologues et les manipulateurs, s’ils ne remettent pas en question leur organisation de travail, leur mode de fonctionnement, ne pourront pas faire face à cette demande. L’IA, que ce soit pour fluidifier et accélérer le parcours patient, ou pour aider à l’interprétation et au traitement des images, est une des briques essentielles pour répondre à ce défi.
Un modèle financier à stabiliser
Quelle est la cohérence des investissements IA par rapport aux modèles financiers existants ?
Les modèles actuels ne sont pas encore stabilisés et nécessitent une restructuration. Alors que dans le passé la numérisation des archives radiologiques a été un succès relatif (accompagnement financier pour assurer la transition), il est dommage qu’une solution de ce type n’ait pas été proposée pour l’IA, mettant ainsi en lumière les faiblesses des systèmes de financement.
Les coûts liés à l’introduction des outils d’IA en radiologie sont un facteur déterminant dans la lenteur de leur adoption. Le développement de ces technologies demande des investissements importants, non seulement pour leur création mais aussi pour leur déploiement à grande échelle. Le coût des développements augmente à mesure que l’accès aux bases de données et aux systèmes devient plus complexe. Par conséquent, les solutions basées sur des systèmes SaaS, très populaires, deviennent difficilement viables à mesure que l’activité augmente.
Pour contrer cela, il faudrait que les nouveaux modèles économiques soient adaptés à la réalité des cabinets de radiologie. Une approche proposée est la mutualisation des coûts à travers des réseaux de cabinets ou des collaborations inter-hospitalières. Cela permettrait de partager les charges d’investissement tout en assurant une diffusion plus large des technologies. Ces modèles financiers devront être discutés et coconstruits avec les représentants légitimes de la profession, les hôpitaux et les autorités compétentes, afin de garantir une tarification équitable et un accès généralisé aux outils d’IA.
Les défis de l’intégration des outils d’IA
Quels sont les usages de l’IA aujourd’hui ?
L’IA en radiologie a déjà fait ses preuves, en particulier dans l’aide à l’interprétation ou le post traitement d’images, mais son intégration complète reste un défi de taille. Les outils disponibles actuellement offrent des performances déjà impressionnantes, comme la détection automatique de fractures, ou la réalisation de mesures en orthopédie, la détection et le suivi de nodules. Ces outils utilisés sous leur responsabilité permettent aux radiologues de se concentrer sur des tâches plus complexes, améliorant ainsi à la fois leur efficacité et la qualité des soins.
Toutefois, la fiabilité des outils d’IA est encore perfectible. Par exemple, dans le cas du dépistage du cancer du sein, le taux de faux positifs demeure trop élevé. Pour que l’IA devienne une aide fiable dans ce domaine, il est nécessaire d’améliorer les logiciels de comparaison entre examens successifs, afin de réduire les faux positifs. Une des premières applications attendues dans ce domaine serait de réaliser la seconde lecture du dépistage avec IA dans environ 40 ou 60 % des cas. Pour y arriver, il faut que la dématérialisation de la deuxième lecture soit opérationnelle sur l’ensemble du territoire. Un autre aspect de l’intégration de l’IA est l’optimisation du workflow allant de la prise de rendez-vous à la génération de comptes-rendus.
Un autre besoin, fondamental pour s’assurer du bon usage de l’imagerie, et auquel l’IA pourrait répondre est :
- la pertinence des demandes d’examens ;
- la structuration et la qualité des demandes.
Comment l’IA permettrait d’améliorer le workflow ?
L’optimisation du workflow grâce à l’IA est un domaine à perfectionner et améliorer car le nombre d’examens ne cesse d’augmenter pour les radiologues en activité.
A titre d’exemple, pour le suivi de patients en rémission : ils doivent être suivi chaque année avec un scanner de contrôle, et avec comparaison au scanner de l’année précédente. Ces patients sont nombreux. L’IA pourrait identifier ces patients dès leur prise de rendez-vous, programmer l’examen et le protocole scanner, comparer les images et proposer une pré-compte rendu. Le radiologue supervise et signe le compte-rendu en fin d’examen. Cela éliminerait les processus administratifs lourds et permettrait un gain de temps considérable, tant pour le patient que pour le radiologue. L’objectif est de réduire la charge de travail des radiologues tout en garantissant une précision et une efficacité accrues.
En optimisant les processus et en réduisant les tâches répétitives, les radiologues pourraient traiter un plus grand nombre de patients sans sacrifier la qualité des soins. Dans un contexte où le nombre de pathologies à diagnostiquer, notamment en cancérologie, ne cesse d’augmenter, cette optimisation du workflow est perçue comme un élément clé pour répondre aux besoins futurs de la profession.
Quels sont les usages de l’IA en oncologie ?
Aujourd’hui, l’IA a montré son potentiel en orthopédie ou en imagerie d’urgences mais son utilisation en oncologie est à perfectionner. Par exemple, les outils d’IA pour le suivi des tumeurs et des nodules ne sont pas encore largement utilisés, malgré leur potentiel énorme. La comparaison d’images dans le temps, pour détecter la croissance ou la régression d’une tumeur, est l’un des domaines où l’IA pourrait faire la différence mais les solutions existantes ne sont pas encore déployées à grande échelle.
Se réorganiser : une nécessité pour accéder à l’IA
Comment s’assurer, pour demain, d’un déploiement et d’un usage réussis de l’IA ?
Pour que l’intégration de l’IA dans la radiologie soit possible et réussie, il est impératif de repenser organisations et modes de fonctionnement. En particulier il faut une coopération accrue entre les différents acteurs du secteur. Il est important de mutualiser les investissements et de partager les ressources, que ce soit entre cabinets privés, réseaux d’hôpitaux ou régions entières. La création de réseaux de radiologues utilisant des plateformes partagées permettrait de diminuer les coûts d’accès aux technologies d’IA, tout en garantissant une meilleure répartition des outils à travers les territoires.
Cette mutualisation est importante pour éviter les inégalités dans l’accès aux soins. En effet, le risque est de voir se créer un système à deux vitesses, où les grands groupes de radiologie et les établissements de santé bien financés auraient accès aux dernières technologies, tandis que les petites structures ou les régions moins développées resteraient en marge de cette évolution. Une telle situation pourrait entraîner des disparités dans la qualité des soins et dans la capacité à diagnostiquer efficacement certaines pathologies. La mutualisation des ressources permettrait de garantir une répartition plus équitable des technologies, rendant ainsi leur coût supportable pour l’ensemble des acteurs du secteur.








