Les traumatismes musculo-squelettiques représentent la première cause de consultation aux urgences pédiatriques. Dans ce contexte, l’interprétation initiale des radiographies est souvent confiée à des médecins non spécialisés en radiologie (internes, urgentistes, chirurgiens pédiatres en formation), exposant ainsi les patients à un risque d’erreur diagnostique dû à la particularité osseuse des enfants. Une fracture manquée chez l’enfant n’est pas anodine, elle peut engendrer des séquelles fonctionnelles durables, des troubles de la croissance osseuse, et des contentieux médico-légaux aux conséquences lourdes.
Face à cette réalité clinique, l’intelligence artificielle (IA) s’impose progressivement comme un outil d’aide à la décision en imagerie médicale. Les algorithmes de détection automatique des fractures, fondés sur des réseaux de neurones convolutifs (deep learning), promettent d’agir comme un « second regard » capable de repérer ce que l’œil humain fatigué ou inexpérimenté pourrait manquer.
Mais ces systèmes sont-ils réellement performants en conditions réelles, dans une population pédiatrique aux particularités anatomiques si distinctes de l’adulte ?
La radiologie pédiatrique : un terrain particulièrement exigeant pour l’IA
L’os de l’enfant n’est pas un os adulte en miniature. Il présente des caractéristiques anatomiques évolutives qui complexifient considérablement l’interprétation radiographique, y compris pour les systèmes d’IA entraînés principalement sur des cohortes adultes.
Les cartilages de croissance (physes), les noyaux d’ossification secondaires, les apophyses encore en cours de maturation et les variantes anatomiques normales propres à chaque tranche d’âge constituent autant de pièges potentiels. Un noyau apophysaire peut simuler une avulsion, ligne physaire pouvant être confondue avec un trait de fracture. Ces subtilités expliquent pourquoi, en Europe, très peu de logiciels commerciaux de détection des fractures déclarent explicitement couvrir la population pédiatrique, sur l’ensemble des outils certifiés CE pour la radiologie musculo-squelettique.
La recherche en IA pédiatrique musculo-squelettique a longtemps été concentrée sur l’évaluation de la maturité osseuse (l’âge osseux), domaine où les outils commerciaux existent depuis plus d’une décennie avec des performances bien établies. En revanche, la détection des fractures appendiculaires et vertébrales en pédiatrie restait largement du domaine de la recherche.
L’évaluation des performances d’un outil d’IA ne se résume pas à ses métriques sur des jeux de données standardisés. La vraie question est celle de son comportement dans un flux de patients consécutifs, non sélectionnés, tels qu’ils se présentent aux urgences. C’est ce que les chercheurs appellent la « cohorte en vie réelle ».
Les résultats atteignent une sensitivité supérieure à 90%. Cette performance est comparable à celle rapportée pour les adultes, ce qui constitue en soi un résultat remarquable compte tenu de la complexité anatomique pédiatrique.
Cependant, ces performances varient significativement selon la région anatomique. Le poignet, l’avant-bras et la jambe affichent les meilleures précisions, tandis que la cheville et l’épaule présentent les résultats les plus faibles. Ces disparités reflètent en partie la densité des structures de croissance dans certaines zones articulaires.
De façon générale, la valeur prédictive négative, c’est-à-dire la capacité de l’IA à exclure une fracture, est supérieur à sa valeur prédictive positive. Autrement dit, un résultat négatif de l’IA est plus fiable qu’un résultat positif. Cela plaide pour une utilisation de l’IA davantage comme outil de réassurance que comme outil de confirmation.
S’agissant de l’impact sur les médecins non spécialisés, les données disponibles montrent une amélioration statistiquement significative mais modeste : la précision diagnostique globale des résidents progresse d’environ 2 à 3 points de pourcentage grâce à l’assistance de l’IA. Ces gains, bien que limités en valeur absolue, peuvent représenter des dizaines de fractures supplémentaires correctement diagnostiquées à l’échelle d’un service d’urgences sur une année.
Un effet secondaire indésirable mérite toutefois d’être souligné : le phénomène de « déférence excessive » où des médecins ont modifié un diagnostic initialement correct après consultation du résultat de l’IA, pour adopter une conclusion erronée. Ce phénomène de « déférence excessive » à l’algorithme, parfois qualifié d’automation bias, rappelle que l’IA ne peut pas se substituer au jugement clinique du médecin, mais doit rester un outil d’aide à la décision.
Quand la sensibilité de l’IA devient critique
Toutes les fractures ne sont pas équivalentes du point de vue de leurs conséquences en cas de diagnostic manqué. Certaines lésions, discrètes radiographiquement mais aux séquelles potentiellement sévères, constituent un enjeu médico-légal particulier en pédiatrie.
Parmi ces fractures à « haute vigilance » figurent notamment les fractures du condyle radial, les fractures de la malléole interne et les fractures métaphysaires proximales du tibia, toutes caractérisées par des traits peu déplacés, une morphologie subtile, et un risque élevé de complications en l’absence de traitement adapté : troubles de croissance, déformations axiales, raideur articulaire. Dans certaines études de contentieux médico-légaux, les erreurs diagnostiques sur fractures de l’enfant représentent plus du quart des poursuites contre les chirurgiens pédiatriques, avec une proportion importante de préjudices permanents liés à une mauvaise interprétation radiographique initiale.
Ces résultats soulignent la nécessité d’un entraînement ciblé des algorithmes sur des sous-populations de fractures à fort enjeu clinique, plutôt que de se satisfaire d’une performance globale satisfaisante sur des cohortes hétérogènes.
Conclusion : un outil prometteur, un déploiement à encadrer
Les preuves s’accumulent : l’intelligence artificielle appliquée à la détection des fractures en pédiatrie fonctionne. Elle affiche des performances globales solides dans des conditions de pratique réelle, améliore la précision des médecins inexpérimentés, et peut jouer un rôle régulateur face à des situations complexes.
Ces résultats encourageants s’accompagnent naturellement d’axes d’amélioration qui dessinent la feuille de route des années à venir. Les variations de performance selon la région anatomique, notamment sur certaines fractures à fort enjeu médico-légal, indiquent précisément où concentrer les efforts d’entraînement et de validation. Le phénomène d’automation bias, cette tendance à suivre l’algorithme sans esprit critique, est aujourd’hui bien identifié et peut être adressé par une formation adaptée des utilisateurs.
L’IA en imagerie pédiatrique musculo-squelettaire doit donc être pensée comme un outil d’aide à la décision, non comme un système autonome de remplacement du radiologue ou du clinicien. Sa valeur réside dans la complémentarité avec l’expertise humaine, pas dans sa substitution.
Vers un déploiement responsable
L’intégration responsable de l’IA en radiologie pédiatrique suppose de relever plusieurs défis qui structureront l’agenda des prochaines années.
Du côté des industriels, les attentes se précisent et se durcissent. Il ne s’agit plus seulement de valider des performances globales, mais de démontrer une robustesse sur des sous-populations pédiatriques réellement représentatives, de progresser sur les fractures dont le manque de détection expose à des conséquences médico-légales.
Du côté des équipes cliniques et radiologiques, l’enjeu est d’ordre culturel autant que pratique. Intégrer ces outils dans les workflows quotidiens exige de former les utilisateurs non pas à leur utilisation passive, mais à leur lecture critique, c’est-à-dire savoir reconnaître les situations où l’algorithme est fiable, celles où il doit être remis en question, et comment tracer ses recommandations dans le dossier patient. Définir ces protocoles avec rigueur, et les faire évoluer à mesure que les outils progressent, sera l’une des missions clés des sociétés savantes et des services de radiologie dans les années à venir.
L’IA ne remplacera pas le radiologue pédiatrique. Mais elle peut, bien utilisée, en amplifier les capacités, sécuriser les diagnostics dans les maillons les plus fragiles de la chaîne de soins, et contribuer à une médecine plus équitable pour les enfants les plus vulnérables.
Sources
Offiah AC. Current and emerging artificial intelligence applications for pediatric musculoskeletal radiology. Pediatr Radiol. 2022 Oct;52(11):2149-2158. doi: 10.1007/s00247-021-05130-8. Epub 2021 Jul 16. PMID: 34272573; PMCID: PMC9537230. https://pubmed.ncbi.nlm.nih.gov/34272573/
Pauling C, Laidlow-Singh H, Evans E, Garbera D, Williamson R, Fernando R, Thomas K, Martin H, Arthurs OJ, Shelmerdine SC. External validation of an artificial intelligence tool for fracture detection in children with osteogenesis imperfecta: a multireader study. Eur Radiol. 2026 Jan;36(1):515-525. doi: 10.1007/s00330-025-11790-z. Epub 2025 Jul 7. PMID: 40624375; PMCID: PMC12712034. https://pubmed.ncbi.nlm.nih.gov/40624375/
Ziegner M, Pape J, Lacher M, Brandau A, Kelety T, Mayer S, Hirsch FW, Rosolowski M, Gräfe D. Real-life benefit of artificial intelligence-based fracture detection in a pediatric emergency department. Eur Radiol. 2025 Oct;35(10):5881-5890. doi: 10.1007/s00330-025-11554-9. Epub 2025 Apr 7. PMID: 40192806; PMCID: PMC12417293. https://pubmed.ncbi.nlm.nih.gov/40192806/
