Dans un cas fictif, un homme de 52 ans atteint de diabète de type 2 depuis six ans se rend dans une unité de soins primaires pour renouveler ses ordonnances. Il voit bien, n'a aucune plainte visuelle et n'a pas fait d'examen du fond d'œil depuis trois ans, car l'ophtalmologiste le plus proche se trouve à deux heures de trajet. Dans la salle voisine du cabinet se trouve une caméra rétinienne. Un technicien de l'unité elle-même photographie les deux yeux, un programme analyse les images et, quelques minutes plus tard, le résultat apparaît dans le dossier médical : rétinopathie diabétique plus que légère détectée, adresser au spécialiste.

Le résultat est sorti avant qu'un médecin ait regardé les photos. C'est ce qu'on appelle un diagnostic autonome par intelligence artificielle (IA) : le système décide seul si l'examen est positif ou négatif, et la personne qui opère la caméra n'a pas besoin de savoir interpréter la rétine. L'Organisation mondiale de la Santé (OMS) classe l'examen des yeux pour dépister la rétinopathie, qui cause la cécité, parmi les soins supplémentaires dont la personne diabétique peut avoir besoin (OMS, Diabetes).

Ce texte prend l'OMS comme axe et parcourt trois questions : comment est apparu le premier diagnostic autonome, ce que signifient sensibilité et spécificité lorsque l'objectif est de dépister, et ce qui arrive au patient après que le système a envoyé la demande d'adressage.

Points principaux

• En 2016, un algorithme d'apprentissage profond a détecté une rétinopathie diabétique nécessitant une orientation dans des photographies avec une sensibilité de 97,5 pour cent et une spécificité de 93,4 pour cent à un seuil choisi pour le dépistage, dans une étude rétrospective (Gulshan et al., 2016).
• L'étude pivot de 2018, menée dans dix services de soins primaires aux États-Unis, a montré une sensibilité de 87,2 pour cent et une spécificité de 90,7 pour cent, et a conduit à l'autorisation du premier diagnostic autonome par IA (Abràmoff et al., 2018).
• Dans un essai randomisé auprès de jeunes de 8 à 21 ans, l'examen autonome réalisé sur place a fait passer la réalisation de l'examen des yeux en six mois de 22 à 100 pour cent (Wolf et al., 2024).
• Pour l'OMS, dépister exige un parcours complet, avec adressage, confirmation et traitement, et pas seulement un test (OMS Europe, guide de dépistage de la rétinopathie diabétique, 2020).

• Pourquoi dépister la rétinopathie diabétique
• Ce que l'OMS attend d'un programme de dépistage
• De l'algorithme au diagnostic autonome
• Sensibilité et spécificité dans le dépistage
• Performance en dehors de l'étude originale
• Ce qui se passe avec l'adressage
• Limites et précautions
• Comment NEXO aide à entraîner ce raisonnement
• Questions fréquentes
• Take-home messages

Pourquoi dépister la rétinopathie diabétique

Le nombre de personnes vivant avec le diabète est passé de 200 millions en 1990 à 830 millions en 2022, et l'augmentation a été plus rapide dans les pays à revenu faible et intermédiaire (OMS, Diabetes). En 2022, 14 pour cent des adultes de 18 ans et plus vivaient avec le diabète (OMS, Diabetes).

La rétinopathie diabétique figure parmi les principales causes de déficience visuelle et de cécité dans le monde, aux côtés des erreurs de réfraction, de la cataracte, du glaucome et de la dégénérescence maculaire liée à l'âge (OMS, Blindness and vision impairment). Parmi le milliard de personnes dont la déficience visuelle aurait pu être évitée ou n'a pas encore été traitée, l'OMS attribue 3,9 millions à la rétinopathie diabétique (OMS, Blindness and vision impairment).

Le point central pour le dépistage est que la maladie est souvent silencieuse au début. L'OMS souligne que, dans des conditions comme la rétinopathie diabétique, la détection précoce et le traitement opportun sont décisifs pour éviter une perte visuelle irréversible (OMS, Blindness and vision impairment). Le guide européen de l'OMS définit l'objectif du dépistage comme la réduction du risque de déficience visuelle et de cécité chez les personnes diabétiques sans symptômes visuels, par l'identification et le traitement de la rétinopathie menaçant la vision (OMS Europe, guide de dépistage de la rétinopathie diabétique, 2020).

Le contrôle de la glycémie, de la pression artérielle et des lipides reste une partie des soins, et ce qui a changé dans les recommandations générales sur le diabète est résumé dans ADA 2026 : ce qui a changé dans le diabète. Ici, l'accent est ailleurs : qui regarde la rétine, et comment.

Le goulot d'étranglement du spécialiste

L'examen traditionnel dépend d'une personne formée pour examiner ou photographier le fond d'œil et interpréter ce qu'elle observe. Le guide de l'OMS cite une revue systématique dans laquelle la sensibilité de l'ophtalmoscopie directe réalisée par des médecins de famille variait de 25 à 66 pour cent, contre 43 à 79 pour cent lorsqu'elle était réalisée par des ophtalmologistes (OMS Europe, guide de dépistage de la rétinopathie diabétique, 2020). Lorsque les ressources le permettent, le même guide désigne la photographie numérique de la rétine comme méthode préférée, car elle produit des images de qualité qui peuvent être stockées et auditées.

L'adhésion à l'examen est également faible. Leong et ses collaborateurs rapportent qu'aux États-Unis, l'adhésion aux recommandations d'examen oculaire chez les personnes diabétiques n'atteint que 20 pour cent dans certaines études (Leong et al., 2026).

Ce que l'OMS attend d'un programme de dépistage

Le guide européen de 2020 applique à la rétinopathie diabétique les dix principes de dépistage de Wilson et Jungner, publiés par l'OMS en 1968 (OMS Europe, guide de dépistage de la rétinopathie diabétique, 2020).

Le guide affirme qu'un dépistage efficace exige un parcours, et pas seulement un test (OMS Europe, guide de dépistage de la rétinopathie diabétique, 2020). Ce parcours va de l'identification de la population à l'invitation, au test, à l'orientation des positifs, à la confirmation diagnostique, au traitement et à l'enregistrement des issues. Le guide général des programmes de dépistage de l'OMS répète la même logique : les positifs sont orientés, les faux positifs sont identifiés à l'étape du diagnostic et les issues sont analysées pour reconnaître les faux négatifs (OMS Europe, guide des programmes de dépistage, 2020).

Seuil d'orientation et intervalle

Le degré de rétinopathie à partir duquel le patient est orienté s'appelle seuil d'orientation, et il peut varier d'un pays à l'autre (OMS Europe, guide de dépistage de la rétinopathie diabétique, 2020). Un seuil bas, comme la rétinopathie non proliférative légère, peut surcharger les services ; un seuil élevé, comme la rétinopathie non proliférative sévère, risque de retarder la détection d'une maladie avancée.

Quant à l'intervalle, la plupart des études citées par l'OMS concluent que le dépistage doit être répété tous les un ou deux ans (OMS Europe, guide de dépistage de la rétinopathie diabétique, 2020).

La couverture comme indicateur

Le programme de l'Angleterre a dépisté 2 847 149 personnes diabétiques en 2018 et 2019, avec une couverture de 83 pour cent, selon le guide (OMS Europe, guide de dépistage de la rétinopathie diabétique, 2020). Le même document rapporte qu'après sept ans de dépistage, la rétinopathie diabétique a cessé d'être la cause la plus fréquente de cécité dans la population anglaise en âge de travailler.

De l'algorithme au diagnostic autonome

L'étude de 2016

Les travaux de Gulshan et ses collaborateurs, publiés en 2016, ont entraîné un réseau de neurones avec 128 175 photographies de rétine gradées de trois à sept fois par 54 ophtalmologistes et internes de dernière année (Gulshan et al., 2016). La cible était la rétinopathie diabétique à orienter, définie comme une rétinopathie modérée ou pire, un œdème maculaire à orienter, ou les deux. La validation a utilisé deux ensembles : 9 963 images de 4 997 patients de services de dépistage des États-Unis et 1 748 images de 874 patients de trois hôpitaux de France.

L'algorithme a été évalué sur deux seuils. Au seuil choisi pour une spécificité élevée, la sensibilité était de 90,3 pour cent et la spécificité de 98,1 pour cent dans le premier ensemble (Gulshan et al., 2016). Au seuil choisi pour une sensibilité élevée, la sensibilité montait à 97,5 pour cent et la spécificité descendait à 93,4 pour cent (Gulshan et al., 2016). Les auteurs expliquent qu'ils ont choisi le second seuil, avec une sensibilité de 97 pour cent dans l'ensemble de développement, parce qu'une sensibilité élevée est un prérequis d'un outil de dépistage (Gulshan et al., 2016).

L'étude était rétrospective, et la référence était la décision de la majorité des ophtalmologistes qui ont lu les images. Les auteurs concluent qu'il restait à savoir si l'algorithme fonctionnerait en pratique clinique et s'il améliorerait les soins (Gulshan et al., 2016).

L'étude pivot de 2018

La réponse prospective est venue de l'étude d'Abràmoff et de ses collaborateurs. Entre janvier et juillet 2017, 900 personnes diabétiques sans antécédent de rétinopathie ont été incluses dans dix services de soins primaires des États-Unis (Abràmoff et al., 2018). La caméra a été utilisée par l'équipe déjà présente dans les services, après une formation standardisée, et la référence a été exigeante : des photographies stéréoscopiques grand champ et une tomographie par cohérence optique de la macula, réalisées par des photographes certifiés et gradées par un centre de lecture indépendant.

La cible était la rétinopathie plus que légère, définie comme un niveau 35 ou plus sur l'échelle de l'étude ETDRS, un œdème maculaire, ou les deux, dans au moins un œil (Abràmoff et al., 2018). Sur les 900 participants, 819 ont pu être analysés complètement, et 198 d'entre eux, soit 23,8 pour cent, présentaient ce degré de maladie (Abràmoff et al., 2018).

Le système a dépassé les trois objectifs définis avant l'étude : une sensibilité de 87,2 pour cent, au-dessus de l'objectif de 85 pour cent ; une spécificité de 90,7 pour cent, au-dessus de l'objectif de 82,5 pour cent ; et un taux d'images analysables de 96,1 pour cent (Abràmoff et al., 2018). Pour obtenir un résultat, 23,6 pour cent des participants ont eu besoin d'une dilatation de la pupille (Abràmoff et al., 2018). Sur la base de ces données, l'agence réglementaire des États-Unis a autorisé l'utilisation du système par des professionnels de santé, ce qui en fait le premier système diagnostique autonome par IA autorisé dans n'importe quel domaine de la médecine.

Sensibilité et spécificité dans le dépistage

Le guide de l'OMS définit la sensibilité comme la capacité du test à détecter la maladie lorsqu'elle est présente, et la spécificité comme la capacité à indiquer qu'il n'y a rien d'anormal lorsque la maladie est absente (OMS Europe, guide de dépistage de la rétinopathie diabétique, 2020).

Dans le dépistage, les deux erreurs ont des conséquences différentes. Le guide des programmes de dépistage de l'OMS rappelle que les résultats des personnes saines et malades se chevauchent toujours, de sorte que certaines personnes saines reçoivent un résultat positif, les faux positifs, et certaines personnes malades reçoivent un résultat négatif, les faux négatifs (OMS Europe, guide des programmes de dépistage, 2020). Le faux négatif renvoie à l'intervalle de routine quelqu'un qui avait besoin d'un traitement ; le faux positif occupe une place chez le spécialiste et génère de l'anxiété.

Le même algorithme, deux seuils

L'étude de 2016 montre que la sensibilité et la spécificité ne sont pas des propriétés fixes de l'algorithme. En changeant le seuil, le même modèle est passé de 90,3 pour cent de sensibilité avec 98,1 pour cent de spécificité à 97,5 pour cent de sensibilité avec 93,4 pour cent de spécificité (Gulshan et al., 2016). Celui qui implante le système choisit où se situer dans cet arbitrage, et le dépistage privilégie généralement la sensibilité.

Prévalence et valeur prédictive

La prévalence change la lecture du résultat. Avec environ 8 pour cent de rétinopathie à référer sur les images, l'algorithme de Gulshan avait une valeur prédictive négative de 99,8 pour cent dans l'ensemble américain (Gulshan et al., 2016). Le raisonnement est le même que pour tout test de dépistage, où le résultat doit être lu à la lumière de la probabilité pré-test, comme dans le texte sur AUDIT, CAGE et ASSIST comme probabilité pré-test.

Un calcul illustratif aide. En appliquant la sensibilité de 87,2 pour cent et la spécificité de 90,7 pour cent de l'étude pivot à la prévalence de 23,8 pour cent observée dans celle-ci (Abràmoff et al., 2018), sur mille personnes dépistées, environ 238 auraient la maladie : environ 208 seraient détectées et 30 recevraient un résultat négatif. Parmi les 762 sans la maladie, environ 71 seraient adressées sans nécessité.

Images que le système ne parvient pas à lire

Il existe un troisième résultat en plus de positif et négatif : l'image de qualité insuffisante. Dans l'étude pivot, parmi les 33 participants dont les images ont été jugées insuffisantes par le système, 30 pour cent avaient une rétinopathie plus que légère, une proportion comparable à celle du reste de l'échantillon (Abràmoff et al., 2018). Ce groupe ne peut pas simplement rentrer chez lui avec la consigne de refaire l'examen dans un an.

Gulshan et collaborateurs ont évalué l'effet du comptage de l'image non gradable comme motif d'adressage. Dans ce scénario, au point de haute sensibilité, la sensibilité était de 96,7 pour cent et la spécificité est tombée à 84,0 pour cent (Gulshan et al., 2016). Dans la pratique décrite par Leong et collaborateurs, l'adressage était fait aussi bien après un résultat positif qu'après un résultat non diagnostique (Leong et al., 2026).

Comparaison entre les principales études de performance

Étude	Schéma et lieu	Cible	Résultat principal
Gulshan 2016	Rétrospectif ; images des États-Unis et de France	Rétinopathie à adresser	Sensibilité de 97,5 et spécificité de 93,4 pour cent au point de dépistage
Abràmoff 2018	Prospectif ; 10 services de soins primaires aux États-Unis	Rétinopathie plus que légère	Sensibilité de 87,2 et spécificité de 90,7 pour cent ; images analysables dans 96,1 pour cent des cas
Ipp 2021	Prospectif ; 15 centres aux États-Unis, par œil	Rétinopathie plus que légère	Sensibilité de 95,5 et spécificité de 85,0 pour cent sans dilatation
Lee 2021	Rétrospectif ; sept algorithmes sur des images de vétérans	Rétinopathie à adresser	Sensibilités de 50,98 à 85,90 pour cent selon les algorithmes

Les chiffres du tableau viennent de Gulshan et al., 2016, Abràmoff et al., 2018, Ipp et al., 2021 et Lee et al., 2021. Les références, les populations et les unités d'analyse diffèrent, et c'est pourquoi le tableau guide la lecture, mais ne permet pas d'additionner ou de classer les systèmes.

Performance hors de l'étude originale

La deuxième étude pivotale d'un système autonome, publiée par Ipp et collaborateurs, a inclus 942 adultes diabétiques dans 15 centres des États-Unis, entre avril 2017 et mai 2018 (Ipp et al., 2021). Les centres étaient six de soins primaires, six d'ophtalmologie générale et trois de rétine. L'analyse a été faite par œil, et non par personne, ce qui empêche de comparer directement les chiffres avec ceux de l'étude de 2018.

Avec les pupilles non dilatées, la sensibilité pour la rétinopathie plus que légère était de 95,5 pour cent et la spécificité de 85,0 pour cent ; pour la rétinopathie menaçant la vision, de 95,1 et 89,0 pour cent (Ipp et al., 2021). Le système a pu graduer 87,4 pour cent des yeux sans dilatation, et 97,4 pour cent lorsque les yeux avec des images insuffisantes ont été dilatés (Ipp et al., 2021).

Sept algorithmes, les mêmes patients

Une étude de Lee et collaborateurs a testé sept algorithmes de cinq entreprises, dont l'un approuvé par l'agence américaine, sur 311 604 images de 23 724 vétérans dépistés dans deux systèmes de santé des États-Unis entre 2006 et 2018 (Lee et al., 2021).

Les valeurs prédictives négatives étaient élevées, de 82,72 à 93,69 pour cent, mais les sensibilités variaient beaucoup, de 50,98 à 85,90 pour cent (Lee et al., 2021). La plupart des algorithmes n'ont pas dépassé les lecteurs humains, et l'un d'eux avait une sensibilité de 74,42 pour cent pour la rétinopathie proliférative, inférieure à celle des lecteurs du service (Lee et al., 2021). Les auteurs concluent que tout algorithme devrait passer par des tests rigoureux avec des données du monde réel avant d'entrer dans la pratique clinique.

Ce que rapportent les services qui les ont adoptés

La revue de Teng et collaborateurs a réuni la littérature et des entretiens avec des ophtalmologistes qui ont dirigé le déploiement dans des systèmes de santé universitaires (Teng et al., 2026). Les services qui ont adopté les systèmes ont rapporté des images gradables sans dilatation dans 49 à 75 pour cent des examens, une sensibilité de 87 à 100 pour cent et une spécificité de 60 à 91 pour cent (Teng et al., 2026).

La dispersion est attendue quand la caméra sort d'un protocole contrôlé et entre dans un service avec une autre équipe et une autre population, problème discuté aussi dans IA en néphrologie et dans IA en échographie.

Ce qui arrive à l'adressage

Un résultat positif ne protège la vision que si le patient arrive chez le spécialiste et est traité. Le guide de l'OMS demande que des parcours d'adressage soient définis avec les sociétés professionnelles, que les positifs soient évalués rapidement et que le délai entre l'adressage et le traitement soit convenu et suivi (OMS Europe, guide de dépistage de la rétinopathie diabétique, 2020).

L'essai avec des jeunes

L'étude ACCESS, de Wolf et collaborateurs, a randomisé des jeunes de 8 à 21 ans atteints de diabète de type 1 ou de type 2 dans un centre académique de diabète pédiatrique (Wolf et al., 2024). Le groupe intervention a passé l'examen autonome par IA lors de sa propre consultation ; le groupe contrôle a reçu une orientation standardisée et une orientation vers un professionnel de soins oculaires.

Le critère de jugement principal était la réalisation de l'examen oculaire dans les six mois : 100 pour cent dans le groupe intervention, avec 81 participants, contre 22 pour cent dans le groupe contrôle, avec 83 (Wolf et al., 2024). Dans le groupe intervention, 25 participants ont eu un résultat altéré, et 16 d'entre eux, soit 64 pour cent, se sont rendus chez le professionnel de soins oculaires dans les six mois (Wolf et al., 2024). Dans le groupe contrôle, 18 participants se sont rendus chez ce professionnel, soit 22 pour cent du groupe, et aucun n'avait de maladie oculaire diabétique (Wolf et al., 2024).

Le résultat montre les deux faces de l'orientation. L'IA a comblé la lacune de l'examen, mais un jeune sur trois avec un résultat altéré n'est toujours pas arrivé chez le spécialiste dans le délai de l'étude (Wolf et al., 2024).

Ceux qui arrivent chez le spécialiste

Leong et collaborateurs ont examiné les dossiers de 3 745 adultes diabétiques orientés depuis les soins primaires d'un système de santé de Baltimore vers un centre ophtalmologique tertiaire, entre août 2020 et septembre 2022 (Leong et al., 2026). Il y a eu 3 352 patients par l'orientation habituelle et 393 par le parcours de l'IA, où l'orientation avait lieu après un résultat positif, défini comme un niveau 35 ou plus sur l'échelle ETDRS ou un œdème maculaire, ou après un résultat non diagnostique.

Après pondération par score de propension et ajustement pour les facteurs sociaux et cliniques, les patients du parcours de l'IA avaient une plus grande probabilité d'être afro-américains, avec un rapport de cotes de 1,15 et un intervalle de confiance de 95 pour cent entre 1,02 et 1,29 (Leong et al., 2026). Pour la couverture par l'assurance publique Medicaid, il n'y a pas eu de différence significative. Les auteurs qualifient l'analyse d'exploratoire et affirment qu'elle ne permet pas d'inférence causale.

Orienter n'est pas la fin

Les points ci-dessous résument ce que les sources décrivent comme nécessaire après un résultat positif :

• Avoir un parcours d'orientation convenu avec les spécialistes et un délai suivi entre l'orientation et le traitement (OMS Europe, guide de dépistage de la rétinopathie diabétique, 2020).
• Traiter le résultat non diagnostique comme un motif d'orientation ou de nouvelle tentative, et non comme un examen normal (Leong et al., 2026).
• Aligner l'outil sur le flux de la clinique, faciliter le contact avec le patient et les orientations et former l'équipe de façon continue (Teng et al., 2026).
• Informer aussi le patient et le médecin du résultat négatif, et revoir le contrôle de la glycémie, de la pression et des lipides en cas de rétinopathie légère sous le seuil (OMS Europe, guide de dépistage de la rétinopathie diabétique, 2020).

Quand l'objectif n'est pas atteint et que la conduite reste la même, le problème n'est plus le test mais le système, thème abordé dans l'inertie clinique.

Limites et précautions

Les articles eux-mêmes signalent ce que le diagnostic autonome ne résout pas encore. L'algorithme a été entraîné pour la rétinopathie et l'œdème maculaire, peut laisser passer d'autres maladies de la rétine et ne remplace pas l'examen ophtalmologique complet (Gulshan et al., 2016). Dans l'étude pivot de 2018, tous les participants n'avaient pas d'antécédent de rétinopathie, et le résultat vaut donc pour le dépistage, et non pour le suivi de ceux qui ont déjà la maladie (Abràmoff et al., 2018).

Les études pivots ont bénéficié d'un financement ou de la participation des fabricants, information déclarée par les auteurs (Abràmoff et al., 2018 ; Ipp et al., 2021). L'étude de Lee montre que la performance varie entre produits (Lee et al., 2021), et celle de Teng, que le taux d'images gradables sans dilatation peut être bien inférieur à celui observé dans les études de validation (Teng et al., 2026).

Où l'OMS voit la technologie

Le guide européen de l'OMS traite l'IA comme une technologie émergente qui peut améliorer la capture et la lecture des images (OMS Europe, guide de dépistage de la rétinopathie diabétique, 2020). Le document décrit des expériences concrètes : en Écosse, un système automatique lit toutes les images depuis 2012 et identifie environ 40 pour cent des patients comme étant à moindre risque, qui reviennent à l'intervalle de routine sans lecture supplémentaire (OMS Europe, guide de dépistage de la rétinopathie diabétique, 2020). En Arménie, le guide rapporte des caméras de rétine reliées à l'IA, opérées par une équipe technique, sans besoin d'ophtalmologiste sur le terrain.

Pour qui étudie le sujet, il vaut la peine de séparer ce type d'IA, qui classe des images avec une cible définie et a été validée contre une référence, des modèles de langage utilisés comme aide au diagnostic, abordés dans intelligence artificielle dans le raisonnement clinique. Choisir un test et décider quoi faire du résultat suit la logique décrite dans prise de décision clinique.

Retour au cas

L'homme du début a reçu un résultat positif pour une rétinopathie plus que légère. Dans les données de l'étude pivot, un système avec cette performance identifie correctement la majorité des positifs, mais une partie d'entre eux sera un faux positif, et la confirmation revient au spécialiste (Abràmoff et al., 2018). La valeur de l'examen dépend désormais de ce que fait l'unité : fixer le rendez-vous, vérifier s'il a eu lieu et enregistrer le diagnostic confirmé.

Si le résultat avait été négatif, il serait revenu à l'intervalle de dépistage du programme, d'un à deux ans dans la plupart des études citées par l'OMS (OMS Europe, guide de dépistage de la rétinopathie diabétique, 2020).

Comment NEXO aide à entraîner ce raisonnement

Dans NEXO, le cas du jour est fictif, avec une présentation clinique réelle et jusqu'à six indices progressifs, et vous proposez le diagnostic en cherchant le code dans la CIM-10. Lire un résultat de dépistage exige le même exercice : considérer la probabilité avant le test, peser ce que chaque nouvelle observation ajoute et réviser l'hypothèse, comme dans l'entraînement au diagnostic différentiel avec indices.

Les limites d'usage du jeu sont décrites sur la page Économie de NEXO. Si vous faites de la recherche sur l'enseignement du raisonnement clinique, la page pour les Researcher explique comment prendre contact. Les professionnels qui écrivent ou révisent des cas trouvent des informations dans Curator et dans Creators, et les institutions peuvent découvrir la proposition sur la page pour les partenariats. Chercher le bon code dans la CIM-10 complète cet entraînement.

Questions fréquentes

Que signifie un diagnostic autonome par IA ?

Cela signifie que le système fournit le résultat sans qu'un médecin lise les images. Dans l'étude pivot, la caméra était opérée par l'équipe des soins primaires, et le résultat indiquait s'il y avait une rétinopathie plus que légère nécessitant une évaluation par un professionnel des soins oculaires (Abràmoff et al., 2018).

Le système remplace-t-il l'ophtalmologiste ?

Il remplace la lecture de l'image de dépistage, et non l'examen ophtalmologique complet ni le traitement. Les auteurs de l'étude de 2016 affirment que l'algorithme ne détecte pas les lésions pour lesquelles il n'a pas été entraîné et ne remplace pas l'examen complet (Gulshan et al., 2016).

Pourquoi la sensibilité compte-t-elle davantage dans le dépistage ?

Parce que le faux négatif renvoie à la routine une personne qui avait besoin d'un traitement. Gulshan et ses collaborateurs ont choisi un seuil de haute sensibilité précisément parce qu'ils la considéraient comme un prérequis d'un outil de dépistage (Gulshan et al., 2016).

L'IA augmente-t-elle la chance que le patient arrive chez le spécialiste ?

Dans un essai mené auprès de jeunes, 64 pour cent de ceux qui avaient un résultat altéré ont consulté le professionnel des soins oculaires en six mois au plus (Wolf et al., 2024). Chez les adultes, l'analyse de Leong et ses collaborateurs était exploratoire et ne permet pas de conclusion causale (Leong et al., 2026).

Take-home messages

• Rappelez-vous que l'OMS traite le dépistage de la rétinopathie comme un parcours avec orientation, confirmation et traitement, et non comme un test isolé (OMS Europe, guide de dépistage de la rétinopathie diabétique, 2020).
• Lisez la sensibilité et la spécificité avec le seuil et la prévalence : le même algorithme est passé de 90,3 à 97,5 pour cent de sensibilité en changeant le seuil (Gulshan et al., 2016).
• Tenez compte du fait que le premier système autonome a été validé chez des personnes sans antécédent de rétinopathie, dans les soins primaires, contre une référence indépendante (Abràmoff et al., 2018).
• Traitez l'image insuffisante comme un résultat qui exige une action, avec dilatation, nouvelle tentative ou orientation (Leong et al., 2026).
• Suivez l'orientation : même avec l'IA au point de soin, une partie des jeunes dont le résultat était altéré n'a pas atteint le spécialiste en six mois (Wolf et al., 2024).
• Exigez des données du monde réel avant d'adopter un système, car les performances varient d'un produit à l'autre (Lee et al., 2021).

Références

1. World Health Organization. Diabetes. Note descriptive. [Texte intégral](https://www.who.int/news-room/fact-sheets/detail/diabetes).
2. World Health Organization. Blindness and vision impairment. Note descriptive. [Texte intégral](https://www.who.int/news-room/fact-sheets/detail/blindness-and-visual-impairment).
3. WHO Regional Office for Europe. Diabetic retinopathy screening: a short guide. Increase effectiveness, maximize benefits and minimize harm. Copenhague : WHO Regional Office for Europe ; 2020. [Texte intégral](https://iris.who.int/handle/10665/336660).
4. WHO Regional Office for Europe. Screening programmes: a short guide. Increase effectiveness, maximize benefits and minimize harm. Copenhague : WHO Regional Office for Europe ; 2020. [Texte intégral](https://iris.who.int/handle/10665/330829).
5. Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016;316(22):2402-10. [PMID 27898976](https://pubmed.ncbi.nlm.nih.gov/27898976/). DOI 10.1001/jama.2016.17216.
6. Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018;1:39. [PMID 31304320](https://pubmed.ncbi.nlm.nih.gov/31304320/). DOI 10.1038/s41746-018-0040-6.
7. Ipp E, Liljenquist D, Bode B, et al. Pivotal evaluation of an artificial intelligence system for autonomous detection of referrable and vision-threatening diabetic retinopathy. JAMA Netw Open. 2021;4(11):e2134254. [PMID 34779843](https://pubmed.ncbi.nlm.nih.gov/34779843/). DOI 10.1001/jamanetworkopen.2021.34254.
8. Lee AY, Yanagihara RT, Lee CS, et al. Multicenter, head-to-head, real-world validation study of seven automated artificial intelligence diabetic retinopathy screening systems. Diabetes Care. 2021;44(5):1168-75. [PMID 33402366](https://pubmed.ncbi.nlm.nih.gov/33402366/). DOI 10.2337/dc20-1877.
9. Teng CW, Patel SD, Barkmeier AJ, et al. Autonomous artificial intelligence in diabetic retinopathy testing: lessons learned on successful health system adoption. Ophthalmol Sci. 2026;6(1):100935. [PMID 41140908](https://pubmed.ncbi.nlm.nih.gov/41140908/). DOI 10.1016/j.xops.2025.100935.
10. Wolf RM, Channa R, Liu TYA, et al. Autonomous artificial intelligence increases screening and follow-up for diabetic retinopathy in youth: the ACCESS randomized control trial. Nat Commun. 2024;15(1):421. [PMID 38212308](https://pubmed.ncbi.nlm.nih.gov/38212308/). DOI 10.1038/s41467-023-44676-z.
11. Leong A, Wolf RM, Channa R, et al. Autonomous AI-assisted diabetic retinopathy screening at primary care is associated with increased presentation to eye care by at risk patients. NPJ Digit Med. 2026;9(1):310. [PMID 41781569](https://pubmed.ncbi.nlm.nih.gov/41781569/). DOI 10.1038/s41746-026-02460-5.