L"IA en médecine d’urgence : applications cliniques

Intelligence artificielle en médecine d’urgence : applications cliniques, niveau de maturité et perspectives.

1. Introduction

La médecine d’urgence repose sur une prise de décision rapide dans un environnement caractérisé par l’incertitude, la multiplicité des patients, l’hétérogénéité des situations cliniques et la nécessité de hiérarchiser continuellement les priorités.

Dans ce contexte, l’intelligence artificielle apparaît comme une technologie particulièrement pertinente. Les algorithmes d’apprentissage automatique peuvent analyser simultanément des données nombreuses et hétérogènes, identifier des associations complexes et générer des estimations de risque en temps réel.

Une revue systématique consacrée à l’IA en médecine d’urgence a identifié 116 publications parmi 380 travaux initialement sélectionnés, illustrant l’ampleur et la diversité croissantes de ce champ [1].

Les applications potentielles couvrent désormais l’ensemble du parcours de soins : régulation des appels, triage, prédiction des événements indésirables, imagerie, aide au diagnostic, organisation des flux hospitaliers et documentation médicale.

Cependant, il convient de distinguer trois niveaux :

1. la faisabilité technique, démontrant qu’un algorithme peut réaliser une tâche ;
2. la validation clinique, démontrant sa performance dans une population de patients ;
3. l’utilité clinique, démontrant que son utilisation améliore effectivement la prise en charge ou les résultats pour les patients.

Cette distinction est fondamentale avant toute généralisation de l’IA dans les services d’urgence.

2. Applications cliniques de l’intelligence artificielle en médecine d’urgence

2.1. Régulation médicale et analyse des appels d’urgence

L’IA peut intervenir dès le premier contact avec le système de soins.

Les techniques de traitement automatique du langage et d’analyse acoustique permettent d’extraire des informations à partir de la conversation entre l’appelant et le régulateur. L’objectif est notamment d’identifier des situations à haut risque, comme l’arrêt cardiaque, et d’assister le régulateur dans la hiérarchisation des appels.

L’analyse automatisée de la parole peut rechercher simultanément des caractéristiques acoustiques, lexicales et conversationnelles susceptibles d’être associées à une situation critique.

Cette approche présente un intérêt particulier pour l’arrêt cardiaque extrahospitalier, dans lequel chaque minute compte. Toutefois, les performances obtenues dans un environnement expérimental ou rétrospectif ne permettent pas à elles seules de conclure à une amélioration du pronostic des patients.

La traduction automatique en temps réel et la transcription automatisée des échanges constituent également des applications potentielles, notamment dans les contextes où les barrières linguistiques compliquent la régulation.

** Niveau de maturité : intermédiaire.

La principale limite réside dans le risque de faux négatifs et de faux positifs. Dans un contexte aussi sensible que la régulation médicale, l’algorithme doit donc être considéré comme un système d’alerte complémentaire et non comme un dispositif autonome de décision.

2.2. Triage et prédiction de la dégradation clinique

Le triage constitue une autre application importante.

Les systèmes d’IA peuvent croiser les constantes vitales, les données démographiques, les antécédents, les traitements, les résultats biologiques et les informations issues du dossier médical afin d’estimer la probabilité d’un événement défavorable.

Les modèles prédictifs peuvent notamment rechercher un risque :

• d’hospitalisation ;
• de transfert en réanimation ;
• de défaillance d’organe ;
• de sepsis ;
• de décès ;
• ou de réadmission.

L’intérêt potentiel est de permettre l’identification précoce d’une trajectoire clinique défavorable avant que celle-ci ne devienne évidente à l’examen clinique.

Cependant, la littérature montre une grande hétérogénéité des modèles et des populations étudiées [1]. Une performance élevée lors d’une validation rétrospective ne garantit pas nécessairement une amélioration des résultats cliniques après déploiement.

L’intégration de ces systèmes doit également tenir compte du phénomène de fatigue liée aux alertes. Un modèle trop sensible peut générer un nombre excessif d’alertes et paradoxalement diminuer l’attention portée aux situations réellement critiques.

** Niveau de maturité : intermédiaire à avancé selon l’application.

2.3. Détection précoce du sepsis

Le sepsis constitue une cible particulièrement étudiée.

Les algorithmes peuvent analyser de manière dynamique les constantes, les résultats biologiques et l’évolution des paramètres cliniques afin d’estimer la probabilité de sepsis ou de détérioration secondaire.

L’intérêt théorique est important : une alerte anticipée pourrait permettre une réévaluation clinique, la réalisation d’examens complémentaires et l’instauration plus précoce d’un traitement approprié.

Néanmoins, la prédiction du sepsis constitue également un exemple des difficultés liées au passage de la performance algorithmique à l’impact clinique. Les populations étudiées, les définitions du sepsis, les variables utilisées et les seuils d’alerte diffèrent considérablement d’une étude à l’autre.

Il est donc nécessaire de privilégier des évaluations prospectives et multicentriques avant d’intégrer ces systèmes dans des protocoles décisionnels.

** Niveau de maturité : intermédiaire.

3. Imagerie médicale : l’application actuellement la plus mature

L’imagerie constitue probablement le domaine dans lequel l’IA a atteint l’un de ses niveaux de maturité clinique les plus élevés en médecine d’urgence.

3.1. Radiographie et détection des fractures

Les algorithmes de détection assistée par ordinateur peuvent analyser les radiographies à la recherche de fractures.

L’outil peut agir comme un « deuxième lecteur », signaler une anomalie et attirer l’attention du médecin ou du radiologue sur une zone suspecte.

BoneView constitue un exemple de solution évaluée dans ce domaine. Une revue systématique publiée en 2025 a analysé les données disponibles sur son utilisation pour la détection des fractures et a retrouvé un bénéfice diagnostique potentiel, notamment en matière de sensibilité chez différents lecteurs [2].

Cependant, l’IA ne doit pas être interprétée comme un remplacement du radiologue. Elle constitue plutôt un mécanisme supplémentaire de sécurisation de la lecture.

** Niveau de maturité : avancé.

3.2. Scanner cérébral et hémorragie intracrânienne

La détection automatisée de l’hémorragie intracrânienne sur scanner cérébral est une autre application particulièrement pertinente pour les urgences. L’algorithme analyse les images dès leur acquisition et peut signaler un examen suspect afin de favoriser sa priorisation dans le flux de lecture.

Une étude portant sur 4 450 scanners avant et après intégration d’un système de détection des hémorragies intracrâniennes a montré la faisabilité de cette approche dans un workflow clinique réel. La performance globale rapportée était de 93 % d’exactitude, avec une sensibilité de 87,2 % et une valeur prédictive négative de 97,8 % [3].

Des travaux plus récents ont également étudié l’implémentation d’algorithmes de détection des hémorragies intracrâniennes traumatiques dans les circuits radiologiques d’urgence [4].

L’intérêt principal n’est donc pas de remplacer l’interprétation médicale, mais de réduire le délai d’identification d’une anomalie critique.

** Niveau de maturité : avancé.

4. AVC : vers une chaîne diagnostique augmentée par l’IA

La prise en charge de l’AVC constitue un modèle particulièrement intéressant d’intégration de l’IA.

Différentes solutions peuvent contribuer à l’analyse du scanner cérébral, à l’identification d’une hémorragie, à l’évaluation de certains marqueurs radiologiques et à la transmission rapide de l’information aux équipes spécialisées. L’intérêt potentiel est de réduire les délais entre l’arrivée du patient, l’imagerie, l’interprétation et la décision thérapeutique.

Dans ce contexte, l’IA peut être considérée comme un élément d’une chaîne de soins augmentée, plutôt que comme un outil isolé. Le bénéfice attendu est particulièrement important lorsque plusieurs établissements doivent collaborer ou lorsqu’une expertise neuroradiologique n’est pas immédiatement disponible sur place.

** Niveau de maturité : avancé pour certaines applications d’imagerie ; intermédiaire pour les systèmes intégrés de bout en bout.

5. Échographie clinique assistée par IA

L’échographie au lit du patient (POCUS) est appelée à devenir un autre domaine d’application important. L’IA peut potentiellement :

• identifier automatiquement des structures anatomiques ;
• évaluer la qualité de l’acquisition ;
• guider le positionnement de la sonde ;
• automatiser certaines mesures ;
• aider à l’interprétation des images.

Cette technologie pourrait faciliter l’apprentissage et la standardisation de certains examens échographiques. Toutefois, la qualité du résultat dépend toujours de la qualité de l’acquisition initiale. Un algorithme performant ne peut pas compenser une mauvaise fenêtre échographique ou une mauvaise orientation de la sonde.

** Niveau de maturité : émergent à intermédiaire.

6. Gestion prédictive des flux hospitaliers

L’IA ne se limite pas à la décision clinique individuelle. Elle peut également être utilisée pour améliorer le fonctionnement du service. Les modèles prédictifs peuvent estimer le volume d’activité à venir à partir des données historiques, des variations saisonnières, des épidémies, des jours de la semaine ou d’autres facteurs contextuels.

Cette information peut contribuer à adapter :

• les effectifs ;
• l’ouverture de secteurs ;
• la disponibilité des lits ;
• l’organisation des admissions ;
• les parcours de sortie.

La gestion prédictive des lits représente une autre application potentielle. L’analyse des trajectoires hospitalières peut permettre d’anticiper certaines sorties et de réduire le délai entre la décision d’hospitalisation et l’affectation d’un lit.

** Niveau de maturité : intermédiaire.

L’évaluation doit toutefois porter sur des critères organisationnels et cliniques : temps d’attente, durée de séjour, taux de patients quittant le service avant prise en charge, occupation des lits et satisfaction des professionnels.

7. IA générative et documentation médicale

L’IA générative constitue actuellement l’un des domaines d’évolution les plus rapides. Les systèmes de documentation clinique automatisée peuvent transformer une conversation médecin-patient en un compte rendu structuré. Dans un service d’urgence, cela pourrait concerner le compte rendu de passage, la lettre de liaison, les consignes de sortie ou la synthèse du dossier.

L’intérêt potentiel est particulièrement important dans une discipline où la documentation informatique représente une part significative de la charge de travail.

Cette application présente cependant un risque spécifique : celui des « hallucinations », c’est-à-dire la génération d’informations plausibles mais absentes du dossier ou non conformes aux données cliniques.

La règle de sécurité doit donc être simple :

"tout document produit par une IA générative doit être considéré comme une proposition soumise à la vérification et à la validation du médecin."

Le système ne doit pas être considéré comme l’auteur de la décision médicale.

** Niveau de maturité : intermédiaire et en évolution rapide.

8. Enjeux de sécurité, responsabilité et gouvernance

L’utilisation de l’IA en médecine d’urgence soulève plusieurs questions fondamentales.

8.1. Le biais algorithmique

Un modèle entraîné sur une population particulière peut présenter des performances différentes lorsqu’il est utilisé dans un autre environnement. Les différences démographiques, épidémiologiques, organisationnelles et technologiques peuvent modifier la performance réelle du système.

L’OMS souligne notamment le risque que des technologies développées dans certains environnements produisent des performances moins satisfaisantes dans d’autres populations et insiste sur la nécessité de préserver l’équité d’accès et de prise en charge [5].

8.2. La responsabilité médicale

L’utilisation d’un algorithme ne transfère pas automatiquement la responsabilité de la décision à la machine. Le médecin doit connaître la fonction du système, ses limites et les conditions dans lesquelles son résultat peut être interprété.

Une alerte algorithmique ne doit donc jamais être considérée indépendamment du contexte clinique.

8.3. La transparence

Plus l'algorithme influence directement une décision médicale, plus la question de son explicabilité devient importante. Un système qui indique qu’un patient est « à haut risque » sans fournir d’information exploitable peut générer une dépendance excessive à l’outil ou, au contraire, être ignoré par les professionnels.

8.4. La surveillance après déploiement

La validation d’un algorithme ne devrait pas s’arrêter au moment de son installation. Il est nécessaire de surveiller régulièrement :

• sa performance ;
• son taux de faux positifs et faux négatifs ;
• son impact sur les délais ;
• son utilisation réelle par les professionnels ;
• les événements indésirables ;
• les éventuelles dérives de performance dans le temps.

L’OMS recommande une approche plaçant l’autonomie humaine, la sécurité, la transparence, la responsabilité, l’équité et la protection des données au centre de la gouvernance de l’IA en santé [5].

9. Discussion

L’IA offre en médecine d’urgence une possibilité nouvelle : transformer une grande quantité de données en information immédiatement exploitable.

Son intérêt est particulièrement évident dans trois situations.

• Premièrement, lorsque le volume de données dépasse les capacités d’analyse humaine en temps réel : imagerie, dossiers complexes ou surveillance continue.
• Deuxièmement, lorsque le temps constitue un facteur pronostique majeur : arrêt cardiaque, AVC, hémorragie intracrânienne ou dégradation hémodynamique.
• Troisièmement, lorsque la tâche est répétitive et chronophage : documentation médicale, transcription ou organisation des flux.

Cependant, la littérature actuelle montre également que la médecine d’urgence ne doit pas être considérée comme un simple terrain d’application de modèles développés ailleurs. Le fonctionnement d’un service d’urgence dépend fortement de son organisation, de ses ressources, de son bassin de population et de son système d’aval. Un modèle performant dans un établissement peut donc perdre une partie de sa pertinence dans un autre.

L’enjeu scientifique des prochaines années sera ainsi de passer d’études essentiellement rétrospectives évaluant la précision algorithmique à des études prospectives, multicentriques et pragmatiques, mesurant des critères cliniquement pertinents : mortalité, morbidité, délais thérapeutiques, durée de séjour, charge cognitive des soignants, événements indésirables et satisfaction des patients et professionnels.

10. Conclusion

L’intelligence artificielle est désormais entrée dans le champ opérationnel de la médecine d’urgence.

Ses applications les plus matures concernent notamment l’analyse de l’imagerie, où elle peut fonctionner comme un second lecteur et contribuer à la priorisation des examens critiques. D’autres applications — prédiction de la dégradation clinique, sepsis, POCUS assisté, régulation téléphonique ou IA générative — sont en développement rapide mais nécessitent encore une validation clinique et organisationnelle approfondie.

La question centrale n’est donc plus de savoir si l’IA sera utilisée en médecine d’urgence, mais comment elle doit être intégrée pour améliorer réellement la sécurité, la rapidité et la qualité des soins.

L’approche la plus pertinente semble être celle d’une médecine « augmentée » : l’algorithme analyse, détecte et prédit ; le médecin examine, contextualise, décide et assume la responsabilité clinique.

Dans cette perspective, la valeur de l’IA ne sera pas déterminée uniquement par sa précision algorithmique, mais par sa capacité à s’intégrer de manière sûre, transparente et utile dans le raisonnement et le travail quotidien des équipes d’urgence.

 Declaration d'utilisation IA : 

♠ La rédaction et la structuration initiales de ce manuscrit ont été réalisées avec l’assistance d’un outil d’intelligence artificielle générative  (ChatGPT, OpenAI). L’outil a notamment été utilisé pour la synthèse, la reformulation et la structuration du contenu. L’auteur a procédé à la vérification critique du texte, des données et des références bibliographiques et assume l’entière responsabilité du contenu final de l’article.

Références bibliographiques

1. Artificial intelligence in emergency medicine. A systematic literature review. Int J Med Inform. 2023;179:105274. doi:10.1016/j.ijmedinf.2023.105274.
2. Kwee RM, Kwee TC. Artificial intelligence-assisted detection of fractures on radiographs with BoneView: a systematic review. Eur J Radiol. 2025;190:112230. doi:10.1016/j.ejrad.2025.112230.
3. Utilization of Artificial Intelligence-based Intracranial Hemorrhage Detection on Emergent Noncontrast CT Images in Clinical Workflow. Radiol Artif Intell. 2022;4(2). doi:10.1148/ryai.210102.
4. Abed S, Hergan K, Pfaff J, Dörrenberg J, Brandstetter L, Gradl J. Artificial intelligence for detecting traumatic intracranial haemorrhage with CT: a workflow-oriented implementation. Neuroradiol J. 2026;39(1):119-125. doi:10.1177/19714009251346477.
5. World Health Organization. Ethics and governance of artificial intelligence for health: WHO guidance. Geneva: World Health Organization; 2021. ISBN 978-92-4-002920-0.
6. World Health Organization. Ethics and governance of artificial intelligence for health: WHO guidance. Executive summary. Geneva: World Health Organization; 2021. ISBN 978-92-4-003740-3.

©2026 - Dr Mounir Gazzah - efurgences.net