médical IA

Échographie abdominale assistée par IA : un essai croisé randomisé mesure 52 secondes gagnées et 39 % de déplacement de main en moins, pour 48 valeurs corrigées sur 184

Publié le 23 août 2026 · 14 min lecture

Dix auteurs de Queensland University of Technology et de CQUniversity, à Brisbane, ont fait passer à 32 volontaires sains deux échographies de l'abdomen supérieur chacun — une manuelle, une assistée par le logiciel embarqué AI Abdomen 3.5 de la plateforme ACUSON Sequoia de Siemens — en ordre randomisé, chaque examen étant réalisé par un échographiste différent, avec une caméra de profondeur mesurant les gestes de la main sur la console. L'assistance IA réduit la durée d'examen de 52,4 secondes (−9 %), les frappes clavier de 28 % et la distance parcourue par la main de 39 %, sans que le score composite de charge de travail NASA-TLX bouge significativement (−3,9 points ; p = 0,17), même si les sous-échelles « exigence mentale » et « effort » baissent. Le chiffre qui mérite d'être retenu est ailleurs : les échographistes ont corrigé 48 des 184 mesures générées par l'IA, et un seul des 32 examens assistés n'a demandé aucune intervention.

Le contexte

L'échographie est la seule imagerie où l'image n'existe pas avant qu'un opérateur ne la fabrique. Le radiologue qui lit un scanner reçoit un examen déjà constitué ; l'échographiste, lui, tient la sonde, optimise en direct, reconnaît le plan de coupe, gèle, mesure, étiquette, enregistre. Cette dépendance à l'opérateur est aussi la contrainte du métier : les troubles musculosquelettiques liés au travail sont très fréquents chez les échographistes, et la littérature récente les impute non seulement aux facteurs mécaniques — gestes répétitifs, postures statiques, interaction prolongée avec la console — mais aussi à la charge cognitive et psychosociale.

Les fabricants ont répondu par des logiciels d'assistance embarqués. Ces systèmes tournent sur le flux d'images en direct, reconnaissent le plan anatomique affiché, y apposent une étiquette et positionnent des curseurs de mesure pour produire une valeur biométrique préliminaire que l'opérateur accepte, ajuste ou rejette. C'est une catégorie d'IA médicale distincte de la majorité : la plupart des IA d'imagerie interprètent un examen déjà stocké, alors que celle-ci agit pendant l'acquisition, sous la même incertitude clinique que l'opérateur, et redistribue son travail plutôt qu'elle ne le remplace.

L'état de l'art indépendant est mince. En échocardiographie, une étude de 2025 avait rapporté une réduction de la durée d'examen et de l'interaction console. Surtout, l'essai PROMETHEUS, publié en 2025 dans NEJM AI, avait testé une IA d'assistance sur l'échographie morphologique fœtale : durée médiane ramenée de 19,7 à 11,4 minutes, NASA-TLX composite de 46,5 à 35,2. C'est le comparateur naturel de ce papier — et, on le verra, il ne dit pas la même chose.

La méthode

Le dispositif. Essai croisé randomisé prospectif conduit en janvier et février 2026 dans un laboratoire d'échographie universitaire, approuvé par le comité d'éthique de QUT le 15 décembre 2025 (n° 10419), rapporté selon CONSORT 2025, son extension aux essais croisés, et la grille DECIDE-AI — la liste de contrôle dédiée à l'évaluation clinique précoce des systèmes d'aide à la décision par IA. Un essai croisé (crossover) signifie que chaque participant sert de son propre témoin : c'est la parade contre la source de variance dominante en échographie, la morphologie du patient.

Les opérateurs et les participants. Deux échographistes accrédités, 11 et 25 ans d'expérience en abdominal adulte, aucun n'ayant utilisé le système auparavant, chacun formé par une unique session standardisée du fabricant plus un examen d'entraînement. Trente-deux volontaires sains recrutés par convenance dans la communauté universitaire : 20 femmes (62,5 %), âge moyen 25,3 ans (écart-type 8,9 ; étendue 18–48), IMC moyen 22,6 (3,6 ; 16,4–31,3). Retenir ce dernier chiffre : c'est une cohorte jeune et mince.

La randomisation. Quatre séquences de 8 participants, avec l'ordre des conditions (IA d'abord ou manuel d'abord) et l'ordre des échographistes randomisés et équilibrés indépendamment. Chaque participant est scanné une fois par chaque échographiste, l'examen assisté et l'examen manuel étant réalisés par des opérateurs différents, séparés de cinq minutes. Chaque échographiste a donc réalisé 16 examens assistés et 16 manuels. La séquence était détenue par un assistant de recherche et non communiquée avant le scan. L'aveugle était impossible : le flux de travail IA est visuellement distinct sur la console.

Le système. AI Abdomen Release 3.5 (VB30), logiciel intégré par le fabricant sur une plateforme ACUSON Sequoia (Siemens Medical Solutions), sonde curviligne 5C1, préréglage abdominal standard. Aucun entraînement ni réglage n'a été effectué par l'équipe. Point important : la classe d'algorithme, la population d'entraînement et les performances précliniques ne sont pas divulguées publiquement par le fabricant. Le protocole couvre les vues longitudinales et transversales du pancréas, de l'aorte, de la veine cave inférieure, du foie, de la vésicule, du cholédoque, des reins et de la rate, limité aux mesures que l'IA sait produire. Le Doppler est exclu — il n'existe pas dans le flux assisté.

La mesure. C'est l'originalité du travail. Une caméra de profondeur Intel RealSense D435 fixée au-dessus de la console filme en 848 × 480 à 30 images par seconde. Les échographistes portent des gants nitrile bleu foncé ; un seuillage en espace colorimétrique teinte-saturation-valeur isole les pixels du gant, puis une transformation de canaux les ramène vers le profil de teinte de peau attendu par le détecteur de main MediaPipe, qui rend 21 points de repère par image. La trajectoire est débruitée puis lissée par filtre One Euro, d'où quatre métriques : distance cumulée parcourue par la main, temps de survol de la zone clavier, à-coup moyen (jerk, la dérivée de l'accélération — un indicateur de la fluidité du geste) et durée d'examen. Les frappes clavier sont comptées en direct par un observateur indépendant. La charge de travail perçue est mesurée après chaque examen par le NASA-TLX pondéré, questionnaire à six dimensions (exigence mentale, physique, temporelle, performance, effort, frustration) assorti d'une procédure de pondération par comparaisons deux à deux.

L'analyse. Modèles linéaires à effets mixtes — condition, échographiste et ordre d'examen en effets fixes, participant en intercept aléatoire. Durée d'examen et NASA-TLX pondéré étaient les deux critères principaux préspécifiés ; frappes, distance, survol et à-coup les critères secondaires ; tout le reste est exploratoire, sans correction pour comparaisons multiples. Aucun calcul de puissance a priori ; a posteriori, 32 paires donnent 80 % de puissance pour détecter un effet de 7,9 points de NASA-TLX. L'étude n'est pas enregistrée dans un registre d'essais cliniques, les auteurs justifiant que l'intervention ne portait pas sur un critère de santé.

Les résultats

L'efficience. Les cinq critères opérationnels vont dans le même sens, tous significatifs sous test paramétrique et sous Wilcoxon apparié. Durée d'examen : 592,4 s en manuel contre 540 s en assisté, soit −52,4 s (IC 95 % −81,2 à −23,7 ; −9 % ; p = 0,001). Frappes clavier : 197 → 142, soit −55 (−28 % ; p < 0,001). Distance parcourue par la main : 11,81 → 7,24 m, soit −4,57 m (−39 % ; p < 0,001). Temps de survol du clavier : 64,4 → 31,1 s (−52 % ; p < 0,001). À-coup moyen : 3,06 → 2,23 m/s³ (−27 % ; p < 0,001). Ces gains reflètent une exécution plus rapide du même protocole : 192/192 mesures obtenues en manuel, 189/192 en assisté.

La charge de travail. Le critère principal n° 2 est négatif. Le NASA-TLX pondéré passe de 45,8 à 41,9, soit −3,9 points (IC 95 % −9,3 à +1,5 ; p = 0,17) : l'intervalle contient zéro, l'étude était sous-dimensionnée pour un effet de cette taille. En analyse de sous-échelles — exploratoire — l'exigence mentale baisse de 6,3 points (p = 0,03) et l'effort de 7,0 points (p = 0,04), les quatre autres dimensions ne bougent pas. Les auteurs soulignent le point qui les intéresse : aucune sous-échelle n'augmente, donc aucun report visible de la charge vers une activité de supervision. Par ailleurs, la durée d'examen est associée à la charge perçue à l'intérieur de chaque participant (0,089 point de NASA-TLX par seconde ; IC 95 % 0,060–0,118 ; p < 0,001).

Les corrections. L'IA a produit une valeur pour 184 des 189 mesures obtenues ; dans les cinq cas restants (paroi vésiculaire ×2, cholédoque ×2, longueur du rein droit ×1) elle n'a rien généré et l'opérateur a mesuré à la main. Les échographistes ont modifié 48 des 184 valeurs et corrigé 33 étiquettes anatomiques. Un seul des 32 examens assistés n'a demandé aucune intervention. Le taux de modification est très inégal selon la mesure : hauteur du foie 18/31 (58 % ; IC 95 % 41–74), épaisseur de la paroi vésiculaire 11/30 (37 % ; 22–55), diamètre du cholédoque 7/29 (24 % ; 12–42). Les deux opérateurs corrigent une proportion globale voisine (21/90 et 27/94) mais pas les mêmes mesures. Les erreurs d'étiquetage se concentrent sur des structures voisines et sonographiquement confondables de la région épigastrique — la paire la plus fréquente étant pancréas corrigé en veine cave inférieure (n = 4) — puis sur les organes controlatéraux, rein droit corrigé en rein gauche (n = 3).

Traduction opérationnelle. Neuf pour cent de durée gagnée sur un examen abrégé de dix minutes, c'est moins d'une minute. Sur une vacation de vingt échographies abdominales, cela ferait environ dix-sept minutes — de quoi caser un examen de plus, à condition que le gain survive chez des patients réels et que le temps épargné retourne au planning plutôt qu'à la journée de travail. À l'inverse, un taux de correction de 58 % sur la hauteur du foie signifie que, pour cette mesure précise, l'opérateur reprend l'IA plus d'une fois sur deux : la valeur proposée y sert de point de départ, pas de résultat.

Ce qui est bien

Le comptage des gestes est instrumenté, pas déclaré. La quasi-totalité de la littérature sur la charge de travail en imagerie repose sur des questionnaires. Ici, quatre des six métriques sortent d'une caméra de profondeur avec un pipeline entièrement décrit — segmentation du gant en espace TSV, transformation de canaux pour tromper un détecteur de main entraîné sur des mains nues, restriction au 40 % central du champ pour éliminer les reflets d'écran, débruitage à 0,3 m par image, filtre One Euro — et le logiciel de suivi est publié sur GitHub. Les frappes sont comptées séparément par un observateur humain, ce qui fournit une vérification croisée du même phénomène par un canal indépendant. C'est un niveau de détail méthodologique qu'on voit rarement sur ce type de mesure.

Le design croisé est utilisé pour ce qu'il vaut, et les analyses de robustesse suivent. Chaque participant est son propre témoin, l'ordre des conditions et l'ordre des opérateurs sont randomisés et équilibrés séparément, et les auteurs vont chercher les confusions résiduelles : modèles avec terme d'interaction condition × échographiste, covariable de séquence d'étude, re-ajustements en leave-one-participant-out sur les 32 participants, tests non paramétriques appariés en contrôle. Ils y détectent d'ailleurs une dérive gênante pour eux — la charge perçue baisse au fil de l'étude dans les deux conditions (−0,93 point par participant en assisté, p < 0,001 ; −0,55 en manuel, p = 0,04) — l'identifient comme une familiarisation générale, et précisent que le croisement protège le contraste mais pas l'amplitude absolue de l'effet cognitif.

Le résultat négatif n'est pas repeint, et l'inventaire des corrections est publié. Le NASA-TLX composite était un critère principal préspécifié ; il est non significatif, et le résumé le dit avant de mentionner les sous-échelles, en rappelant que celles-ci sont exploratoires et sans correction de multiplicité. La conclusion des auteurs — les gains « se lisent mieux comme une reconfiguration du travail de l'opérateur que comme sa suppression » — est plus prudente que leurs propres chiffres ne l'exigeraient. Quant aux corrections, elles sont données mesure par mesure, avec intervalles de Wilson, ventilation par opérateur, et une table complète des paires d'étiquettes corrigées : c'est-à-dire la matière première dont un service aurait besoin pour décider quelles fonctions activer et lesquelles désactiver.

Ce qui est moins bien

Le biais de population est ici quasi maximal. IMC moyen 22,6, âge moyen 25,3 ans, volontaires sains sans pathologie abdominale, à jeun, protocole abrégé sans Doppler. Or la difficulté d'une échographie abdominale vient précisément de ce qui a été exclu : surcharge pondérale, gaz digestifs, anatomie remaniée par la chirurgie, pathologie à caractériser. Un modèle de reconnaissance de plan entraîné sur des données non divulguées peut très bien voir sa fiabilité s'effondrer chez un patient obèse — et c'est exactement là que le gain de temps serait le plus utile. Les auteurs le reconnaissent explicitement, mais l'écart entre la population testée et la population cible reste le principal facteur limitant l'extrapolation.

Le taux d'erreurs non rattrapées est structurellement inconnu. Le protocole ne comporte aucun étalon de référence indépendant : la vérification par l'échographiste est le processus de référence. Chaque modification enregistrée est donc une erreur d'IA que l'opérateur a attrapée, et le design ne peut rien dire de celles qu'il n'a pas attrapées. C'est le mode d'échec du biais d'automatisation — la tendance documentée d'un opérateur à accepter une proposition machine plausible — et deux échographistes de 11 et 25 ans d'expérience sont le profil le plus résistant qui soit ; le papier note lui-même qu'un opérateur moins expérimenté serait plus exposé. S'ajoute l'absence totale d'évaluation de la qualité d'image et de l'exactitude des mesures, que les auteurs renvoient à un travail séparé : un arbitrage qualité contre vitesse ne peut donc pas être écarté. La comparaison avec PROMETHEUS est ici instructive — dans cet essai, la qualité des images sélectionnées par l'IA était initialement jugée inférieure aux images acquises manuellement, et ce déficit n'était visible que parce qu'une évaluation qualité indépendante avait été prévue, ce qui n'est pas le cas ici.

Deux opérateurs, un appareil, et une significativité fragile sur les sous-échelles. Avec deux échographistes seulement, condition et opérateur sont partiellement confondus au niveau du participant ; les auteurs le traitent par équilibrage et modèles d'interaction, mais reconnaissent que le gain de temps et l'effet NASA-TLX sont concentrés chez un seul des deux. Un effet dont la moitié de la population d'opérateurs ne bénéficie pas n'est pas généralisable en l'état. Par ailleurs, six sous-échelles ont été testées à α = 0,05 sans correction de multiplicité, et les deux résultats positifs ressortent à p = 0,03 et p = 0,04 : sous correction de Bonferroni élémentaire, aucun des deux ne survivrait. Enfin, un seul système et un seul fabricant : rien ne dit que les résultats se transportent à une autre plateforme. Sur les intérêts, la déclaration est franche — Siemens Healthineers a fourni l'accès au logiciel évalué, sans rôle dans la conception, l'analyse ou la décision de soumettre, et le financement (bourse de vacances de recherche de QUT, Australasian Sonographers Association pour les frais de transport des participants) est modeste et sans conflit apparent. Reste que l'algorithme évalué est une boîte noire commerciale dont ni la classe, ni les données d'entraînement, ni les performances précliniques ne sont publiques.

Ce que ça change

Pour la communauté de recherche. Le papier apporte deux choses réutilisables. La première est méthodologique : un dispositif instrumenté et ouvert pour mesurer objectivement l'interaction opérateur-console, là où la discipline se contentait de NASA-TLX déclaratifs. La seconde est un contre-point empirique à PROMETHEUS. Les deux études évaluent une IA d'assistance à l'acquisition ; l'une trouve une baisse franche de la charge composite, l'autre non. Les auteurs proposent une explication opérationnelle plutôt qu'un désaccord : PROMETHEUS automatisait le cycle gel-enregistrement-mesure sur 13 plans standards et capturait silencieusement pendant l'acquisition, la revue humaine étant différée à la fin de l'examen ; le système testé ici affiche étiquettes et curseurs sur l'image en direct et demande une validation concurrente de l'acquisition. Si cette lecture est juste, alors le moment où l'on demande à l'humain de vérifier compte autant que la performance du modèle — hypothèse testable, et qui vaut bien au-delà de l'échographie.

Pour les cliniciens. Rien ne change aujourd'hui : préprint non relu par les pairs, sur volontaires sains, sans évaluation de qualité d'image, et l'entête medRxiv rappelle que ces résultats ne doivent pas guider la pratique. La lecture utile est ailleurs. D'abord, les gains d'efficience mesurés sont réels mais modestes, et concentrés sur un opérateur ; personne ne devrait acheter ce type de logiciel sur une promesse de débit sans une mesure locale. Ensuite, et surtout, la distribution des corrections dit où l'outil est fiable et où il ne l'est pas : accepter d'emblée une hauteur de foie que l'IA propose serait imprudent quand elle est reprise dans 58 % des cas, alors que d'autres mesures ne le sont presque jamais. Un déploiement raisonnable active les fonctions fiables et désactive les autres, plutôt que d'activer le paquet.

Pour les patients et le grand public. Cette étude ne parle pas de diagnostic mais de conditions de travail, et c'est ce qui la rend intéressante. Une IA qui réduit de 39 % la distance parcourue par une main sur une console agit sur une pénibilité documentée dans une profession où les troubles musculosquelettiques sont endémiques — mais les auteurs sont clairs sur le fait que leurs métriques ne concernent que la main du clavier, pas la posture du bras qui tient la sonde ni la force appliquée, et que rien ici ne doit se lire comme une preuve de réduction du risque de blessure. Quant au temps économisé, il n'atteindra les patients — sous forme d'attente réduite ou d'examens supplémentaires — que si trois conditions tiennent : que le gain persiste sur des examens cliniquement représentatifs, que la qualité et l'exactitude des mesures ne se dégradent pas, et que le temps gagné soit rendu au planning. Aucune des trois n'est établie.

Pour aller plus loin