Dans un cas fictif, une femme de 74 ans arrive aux urgences avec une faiblesse du côté droit du corps et des difficultés à parler, apparues il y a une heure et demie. La tomodensitométrie sans contraste ne montre pas de saignement, et l'angiotomodensitométrie est réalisée ensuite. Avant que le radiologue n'ouvre les images, le téléphone de l'équipe vibre : le logiciel d'intelligence artificielle (IA) de l'hôpital n'a pas trouvé d'occlusion de gros vaisseau. Le neurologue de garde regarde la patiente, qui n'arrive toujours pas à nommer des objets, et l'alerte silencieuse.

Les programmes qui lisent l'angiotomodensitométrie et préviennent l'équipe lorsqu'ils suspectent une occlusion de gros vaisseau font déjà partie de la routine de nombreux centres d'AVC. Ils ont été conçus pour gagner des minutes, et de bonnes données montrent qu'ils en font gagner. Ils se trompent aussi, et l'erreur qui inquiète le plus est le silence face à une véritable occlusion.

Points principaux

• Dans une méta-analyse d'exactitude, l'IA a présenté une sensibilité groupée de 87 pour cent et une spécificité de 95 pour cent pour l'occlusion de gros vaisseau à l'angiotomodensitométrie (Susanti et al., 2026).
• Les performances ont baissé dans les occlusions du segment M2 de l'artère cérébrale moyenne et ont été faibles dans la circulation postérieure, selon la même revue.
• Dans un essai randomisé par grappes dans quatre centres, le logiciel a réduit de 11,2 minutes le temps entre l'arrivée et la ponction de l'aine (Martinez-Gutierrez et al., 2023).
• L'effet sur l'indépendance fonctionnelle à 90 jours a été non concluant dans cet essai, et une méta-analyse d'études avant et après n'a pas non plus trouvé de différence sur les critères cliniques.
• Dans un centre australien, des lecteurs humains expérimentés ont eu une sensibilité supérieure à celle du logiciel, et le résultat négatif du programme a été insuffisant pour exclure l'occlusion (Slater et al., 2024).

• Ce que l'IA cherche dans la tomodensitométrie de l'AVC
• Ce que l'IA réussit : ce que disent les méta-analyses
• Où l'IA se trompe : le faux négatif
• IA contre lecteurs humains
• L'effet sur le délai jusqu'à la thrombectomie
• Dans le réseau d'hôpitaux : transfert et télémédecine
• Comment utiliser l'alerte sans être utilisé par elle
• Comment NEXO aide à entraîner ce raisonnement
• Questions fréquentes
• Take-home messages

Ce que l'IA cherche dans la tomodensitométrie de l'AVC

Dans l'AVC ischémique, une occlusion de gros vaisseau est le blocage d'une artère proximale, comme la carotide interne intracrânienne, le segment M1 de l'artère cérébrale moyenne ou l'artère basilaire. C'est le type d'AVC où la thrombectomie mécanique a le plus à offrir, et où chaque minute de retard pèse. C'est pourquoi la question que l'équipe pose devant l'angiotomodensitométrie est simple et urgente : y a-t-il une grosse artère fermée ?

Les programmes de détection automatique tentent de répondre à cette question avant qu'un spécialiste soit disponible. En général, ils reçoivent les images dès qu'elles sortent du scanner et envoient une alerte au téléphone de l'équipe d'AVC. Certains comparent la densité des vaisseaux entre les deux hémisphères ; d'autres utilisent des réseaux d'apprentissage profond entraînés sur des milliers d'examens (Ha et al., 2026).

Il existe aussi des algorithmes qui cherchent l'occlusion sur la tomodensitométrie sans contraste, sans attendre l'angiotomodensitométrie. L'idée est utile dans les hôpitaux où l'angiotomodensitométrie tarde ou n'est pas disponible la nuit, et elle est traitée plus loin.

L'alerte est un triage, et non un compte rendu

Le point de départ pour lire toute étude sur ces programmes est qu'ils ont été conçus comme un outil de triage et de communication. L'alerte positive sert à appeler l'équipe et à prioriser la lecture. L'alerte négative, ou l'absence d'alerte, devrait avoir un poids bien moindre, car aucun de ces programmes n'a été validé comme test pour écarter l'occlusion. Qui traite l'absence d'alerte comme un compte rendu normal transforme un outil de vitesse en source de retard.

En quoi ce thème diffère des posts voisins

Le post sur les imitateurs d'AVC traite du déficit aigu qui n'a pas de cause vasculaire, comme une crise épileptique, une hypoglycémie ou une migraine avec aura. Le texte sur le traumatisme crânien léger discute qui a besoin d'une tomodensitométrie après un coup à la tête. Ici la question est autre : le patient est déjà au scanner avec une suspicion d'AVC ischémique, et un programme tente de dire s'il y a une grosse artère occluse.

Ce que l'IA réussit : ce que disent les méta-analyses

La revue systématique et méta-analyse de Susanti et ses collègues a inclus 11 articles, portant sur 10 937 patients, sur l'IA appliquée à l'angiotomodensitométrie (Susanti et al., 2026). La sensibilité regroupée était de 0,87, avec un intervalle de confiance à 95 pour cent de 0,76 à 0,93, et la spécificité de 0,95, avec un intervalle de 0,91 à 0,97 (Susanti et al., 2026). L'hétérogénéité entre les études était très élevée sur plusieurs mesures, ce qui signifie que le chiffre moyen masque des produits, des populations et des définitions d'occlusion différents.

Une sensibilité de 0,87 signifie que, sur 100 patients ayant une occlusion de gros vaisseau confirmée, environ 13 ne seraient pas signalés par le logiciel, selon l'estimation moyenne. Dans un service qui prend en charge de nombreux AVC par mois, ce n'est pas rare. Les auteurs eux-mêmes concluent que les résultats négatifs de l'IA nécessitent une réévaluation prudente, avec relecture des images et attention au tableau clinique.

Ce qui change selon le site de l'occlusion

La même revue a séparé les performances par segment artériel. Dans le segment M1 de l'artère cérébrale moyenne, la sensibilité variait de 0,87 à 0,93 dans les études ayant rapporté cette donnée, et l'aire sous la courbe regroupée était de 0,913 (Susanti et al., 2026). Dans le segment M2, plus distal et plus fin, la sensibilité variait de 0,30 à 0,86 entre quatre études (Susanti et al., 2026).

L'aire sous la courbe regroupée pour M2 était de 0,72, avec un intervalle de 0,38 à 1,06. Les auteurs ont rapporté ce résultat comme statistiquement significatif, mais l'intervalle inclut 0,5, valeur qui correspond à un test sans capacité de discrimination, et leur propre analyse de sensibilité a montré que la significativité n'était pas solide : elle disparaissait en retirant deux études. En pratique, la performance en M2 est incertaine. Les auteurs ont également décrit une faible performance dans les occlusions de la carotide interne de type I et dans la circulation postérieure.

La tomodensitométrie sans contraste comme premier signal

Zhou et ses collègues ont réalisé une méta-analyse en réseau d'algorithmes qui recherchent une occlusion de gros vaisseau de la circulation antérieure sur la tomodensitométrie sans contraste (Zhou et al., 2026). Les dix études incluses étaient toutes des validations rétrospectives, avec 3632 patients. L'IA fondée uniquement sur l'image avait une sensibilité de 0,78, avec un intervalle de crédibilité de 0,68 à 0,86, et une spécificité de 0,88.

Les lecteurs spécialistes et non spécialistes avaient des sensibilités plus faibles, de 0,62 et 0,60, avec une spécificité similaire, autour de 0,86. La différence de sensibilité en faveur de l'IA par rapport aux spécialistes était de 0,16, avec un intervalle de crédibilité de 0,03 à 0,29 (Zhou et al., 2026). Les auteurs ont classé la certitude de ces données comme faible et affirment qu'elles n'établissent pas d'effet sur le parcours de soins, la reperfusion ou le devenir fonctionnel. Pour eux, la tomodensitométrie sans contraste lue par IA doit servir de signal pour appeler le spécialiste ou prioriser l'angiotomodensitométrie, et non de substitut à celle-ci ni de test pour écarter l'occlusion.

Où l'IA se trompe : le faux négatif

Le faux négatif est l'erreur la plus dangereuse du logiciel de triage, parce qu'elle est silencieuse. Le faux positif est corrigé en quelques minutes par celui qui ouvre les images ; le faux négatif peut laisser l'angiotomodensitométrie dans la file d'attente pendant que le patient perd du tissu cérébral.

Pourquoi le programme laisse passer

Ha et ses collègues ont comparé, dans un centre coréen, deux programmes commerciaux chez 176 patients consécutifs suspects d'AVC ayant eu une angiotomodensitométrie et une perfusion (Ha et al., 2026). L'occlusion de gros vaisseau a été confirmée chez 53 patients, et les deux programmes avaient une aire sous la courbe de 0,93. Les auteurs ont passé en revue les erreurs une par une.

La cause la plus fréquente de faux positif était la sténose intracrânienne sévère, qui imite l'occlusion. La principale cause de faux négatif était la circulation collatérale bien développée dans les occlusions distales, qui masque le point d'interruption du vaisseau. Lorsque les deux programmes ont été ajustés à la même sensibilité de 83 pour cent, l'un avait une spécificité de 0,96 et l'autre de 0,89 (Ha et al., 2026). Le choix du seuil déplace donc l'équilibre entre fausses alertes et occlusions manquées.

Ce que le logiciel approuvé pour M1 ne voit pas

Catapano et ses collègues ont analysé 559 patients suspects d'AVC dont les images ont été traitées par un logiciel de détection, dans un centre des États-Unis (Catapano et al., 2023). Selon les auteurs, la détection automatique de ce programme n'était approuvée que pour l'occlusion du segment M1, et c'est pourquoi les autres occlusions ont été exclues de l'analyse. Pour M1, la sensibilité était de 71 pour cent et la valeur prédictive positive de 49 pour cent (Catapano et al., 2023).

Le détail de l'approbation restreinte compte beaucoup en pratique. Si le programme n'a été conçu que pour M1, l'absence d'alerte ne dit rien sur une occlusion de la carotide, de M2 ou du tronc basilaire. Les auteurs ont aussi montré qu'ajouter à l'alerte deux signes cliniques et d'imagerie simples, la déviation du regard et le signe de l'artère hyperdense, augmentait la spécificité et la valeur prédictive positive pour M1.

La circulation postérieure

L'occlusion de l'artère basilaire est rare, grave et difficile à reconnaître, car les symptômes peuvent être fluctuants ou ressembler à autre chose. Brito et ses collègues ont testé un algorithme d'apprentissage profond qui recherche une occlusion de la circulation postérieure sur la tomodensitométrie sans contraste, chez 184 patients de quatre institutions aux États-Unis et en Europe (Brito et al., 2026).

Le logiciel a eu une sensibilité de 55,4 pour cent et une spécificité de 80,9 pour cent, contre une sensibilité de 27,4 pour cent et une spécificité de 91,8 pour cent pour le neuroradiologue (Brito et al., 2026). Le programme a trouvé plus d'occlusions, mais s'est trompé davantage sur les négatifs, et il a malgré tout laissé passer près de la moitié des occlusions. L'étude était rétrospective, les cas positifs ont été réunis jusqu'à atteindre un objectif, et une partie des auteurs travaille pour l'entreprise du logiciel, ce que les auteurs eux-mêmes déclarent.

L'IA face aux lecteurs humains

La comparaison avec le radiologue dépend de qui est le lecteur, de l'occlusion recherchée et du type d'examen. Sur la tomodensitométrie sans contraste, comme vu plus haut, l'IA était plus sensible que les spécialistes ; sur l'angiotomodensitométrie, la situation peut s'inverser.

Dans un centre australien, les lecteurs étaient meilleurs

Slater et ses collègues ont comparé un logiciel commercial à huit lecteurs dans un centre d'AVC en Australie, chez 500 patients suspects d'AVC ischémique (Slater et al., 2024). Les lecteurs étaient un radiologue, cinq neurologues et deux résidents en radiologie, et le standard de référence était le diagnostic d'un panel de quatre neuroradiologues interventionnels.

Pour l'occlusion de gros vaisseau, la sensibilité du logiciel était de 0,62, et celle des lecteurs variait de 0,65 à 0,96. Lorsque la question incluait aussi les occlusions de vaisseaux moyens, la sensibilité du logiciel tombait à 0,39, tandis que celle des lecteurs se situait entre 0,62 et 0,94 (Slater et al., 2024). Tous les lecteurs avaient une sensibilité supérieure à celle du logiciel. Le rapport de vraisemblance négatif du programme pour l'occlusion de gros vaisseau était de 0,41, et les auteurs ont conclu qu'il ne suffisait pas à écarter l'occlusion.

Ce que cela signifie pour vous

Ces comparaisons apprennent à considérer le logiciel comme un test de plus, avec sa propre sensibilité, sa propre spécificité et ses propres rapports de vraisemblance. La même logique que dans l'article sur la probabilité pré-test s'applique ici : chez un patient avec aphasie, hémiparésie dense et déviation du regard, la probabilité d'occlusion de gros vaisseau est élevée avant toute imagerie. Un résultat négatif du logiciel, avec un rapport de vraisemblance négatif de 0,41, réduit cette probabilité, mais peut la laisser assez élevée pour exiger une lecture immédiate des images.

Dans un déficit léger et fluctuant, la probabilité de base d'occlusion est plus faible, et une alerte positive a plus de chances d'être fausse.

L'effet sur le délai jusqu'à la thrombectomie

Si le logiciel n'est pas meilleur qu'un bon lecteur, la raison de l'utiliser est le temps : l'alerte arrive sur le téléphone de toute l'équipe en même temps, alors que le radiologue peut encore être sur un autre examen et le neurointerventionniste hors de l'hôpital.

L'essai randomisé de Houston

Martinez-Gutierrez et collègues ont réalisé un essai clinique randomisé en grappes, par étapes, dans quatre centres complets d'AVC de la région de Houston, aux États-Unis (Martinez-Gutierrez et al., 2023). Dans ce plan, les hôpitaux entrent dans la période avec le logiciel à des dates tirées au sort, et chaque centre contribue avec des patients avant et après. Le logiciel combinait la lecture automatique de l'angioscanner avec des messages sécurisés de groupe par téléphone portable.

Ont été inclus 243 patients traités par thrombectomie arrivés par les urgences ; les patients transférés d'autres hôpitaux ont été exclus. Le temps médian entre l'arrivée et la ponction de l'aine avant le logiciel était de 100 minutes. Avec le logiciel, ce temps a diminué de 11,2 minutes, avec un intervalle de confiance de 95 pour cent de 18,22 à 4,2 minutes de réduction (Martinez-Gutierrez et al., 2023). Le temps entre le début du scanner et le début de la thrombectomie a diminué de 9,8 minutes.

Et le devenir du patient ?

Dans l'analyse exploratoire, la proportion de patients fonctionnellement indépendants à 90 jours était de 32 pour cent avant et de 42 pour cent après le logiciel (Martinez-Gutierrez et al., 2023). Après ajustement, le rapport de cotes était de 1,3, avec un intervalle de 0,42 à 4,0. Comme l'intervalle inclut 1, le résultat est non concluant : l'essai n'avait pas la taille nécessaire pour répondre si les minutes gagnées ont changé la vie des patients.

Les auteurs rappellent d'autres limites. Les quatre hôpitaux appartenaient au même système de santé, avec le même dossier médical et les mêmes protocoles, et certains médecins travaillaient dans plus d'un centre. Dans des services dont les temps de départ sont très différents de 100 minutes, l'effet peut être autre.

Le logiciel dépend de ceux qui l'utilisent

Une analyse ultérieure du même essai, réalisée avec 101 patients, a mesuré à quel point les équipes interagissaient avec l'application (Ebirim et al., 2026). Pour chaque augmentation d'une unité du rapport entre commentaires et patients, le temps entre l'arrivée et la ponction a diminué de 2,6 minutes, avec un intervalle de 0,13 à 5,09 minutes de réduction. Le nombre d'utilisateurs actifs par patient, en revanche, a eu une association non concluante, avec un intervalle qui incluait zéro.

Le gain dépend donc de la conversation de l'équipe dans l'application, et pas seulement de son installation.

Ce que disent les études avant et après

Sarhan et collègues ont réuni, dans une méta-analyse, 12 études avec 15 595 patients qui comparaient des périodes avant et après l'implantation d'un même logiciel de détection (Sarhan et al., 2025). Le temps entre l'arrivée et la ponction a diminué, avec une différence moyenne standardisée de −0,50, et le temps entre le scanner et la thrombectomie aussi, avec −0,71. Les auteurs n'ont pas trouvé de différence statistiquement significative dans les devenirs cliniques comme l'hémorragie, la mortalité et l'indépendance fonctionnelle à 90 jours.

Les études avant et après ont un problème connu : entre une période et l'autre, beaucoup de choses changent à l'hôpital, des protocoles aux équipes. Une partie de l'amélioration peut venir de ces changements et non du logiciel. C'est pourquoi l'essai randomisé de Houston pèse davantage, même s'il est plus petit.

Dans le réseau d'hôpitaux : transfert et télémédecine

Beaucoup de patients arrivent d'abord dans un hôpital sans thrombectomie, où le temps qui compte est celui de la décision de transférer.

Une étude prospective avec télémédecine

Olive-Gadea et collègues ont réalisé une étude prospective, multicentrique et quasi expérimentale dans deux centres d'AVC avec télémédecine qui orientent les patients vers un centre avec thrombectomie (Olive-Gadea et al., 2026). Ils ont comparé 129 patients transférés avant et 136 après l'implantation d'un algorithme qui lit le scanner sans contraste et l'angioscanner. La décision finale de transférer est restée avec le neurologue vasculaire à distance.

Le critère principal, le temps entre l'arrivée à l'hôpital local et la demande de transfert, n'a pas changé de façon concluante : différence médiane de −2,40 minutes, avec un intervalle de −6,16 à 4,48 (Olive-Gadea et al., 2026). Le temps entre l'imagerie et la demande a diminué de 7,16 minutes, et le temps entre l'arrivée et la ponction a diminué de 31,28 minutes.

L'explication des auteurs pour ce gain plus important n'est pas l'alerte en elle-même. La proportion de patients ayant eu une angiotomodensitométrie dès l'hôpital local est passée de 28 à 81 pour cent, et la répétition d'examens au centre de destination a chuté de 79 à 42 pour cent (Olive-Gadea et al., 2026). Moins d'examens répétés ont signifié une reperfusion plus rapide.

Une base de données avec des milliers d'alertes

Devlin et ses collègues ont analysé rétrospectivement 14 116 alertes d'AVC prises en charge par télémédecine dans 166 hôpitaux de 17 États des États-Unis, en comparant les hôpitaux avec et sans une plateforme d'IA (Devlin et al., 2024). Le temps médian entre l'arrivée et l'avis au neurointerventionniste était de 50,0 minutes dans les hôpitaux avec IA et de 89,5 minutes dans les hôpitaux sans elle.

La même étude a trouvé un effet en sens inverse. Dans les hôpitaux sans thrombectomie locale, la présence de l'IA était associée à un taux plus faible d'acceptation du patient pour une thrombectomie par le neurointerventionniste, avec une réduction absolue de 10,79 points de pourcentage (Devlin et al., 2024). Les auteurs n'ont pu mesurer ni les temps d'imagerie ni les devenirs des patients, et le plan observationnel ne permet pas de séparer l'effet du logiciel des différences entre les hôpitaux.

Comment utiliser l'alerte sans être utilisé par elle

Le logiciel de détection d'occlusion est un bon exemple d'outil qui aide quand il est utilisé comme indice et qui gêne quand il est traité comme un verdict. Le post sur le biais d'automatisation décrit le mécanisme : face à un système qui a souvent raison, les personnes tendent à accepter la sortie de la machine et à chercher moins d'informations par elles-mêmes.

Cinq attitudes pratiques

• Lisez l'angiotomodensitométrie, ou assurez-vous que quelqu'un la lise, chez tout patient suspecté d'AVC ischémique, avec ou sans alerte.
• Sachez pour quelles artères le logiciel de votre hôpital a été validé et approuvé. Une absence d'alerte pour M2 ou basilaire peut ne rien signifier.
• Pesez l'examen neurologique. L'aphasie, la négligence, la déviation du regard et l'hémiparésie dense augmentent la probabilité d'occlusion, comme l'ont montré les signes cliniques ajoutés au logiciel dans l'étude de Catapano.
• Méfiez-vous davantage de l'alerte négative dans les scénarios où le logiciel se trompe le plus : occlusions distales, circulation collatérale riche et symptômes de circulation postérieure.
• Utilisez le canal de messagerie. Le gain de temps de l'essai de Houston a dépendu de la conversation de l'équipe dans l'application.

Calibrer la confiance

Calibrer la confiance dans la machine est semblable à la calibration de la confiance dans son propre diagnostic : faire confiance à la juste mesure pour chaque situation. L'alerte positive mérite une confiance suffisante pour mobiliser l'équipe ; la négative, assez peu pour maintenir la lecture humaine. Quand l'imagerie et le tableau clinique ne concordent pas, il vaut la peine de nommer le doute et de chercher l'information qui le résout, comme dans le post sur l'incertitude diagnostique. Dans l'AVC aigu, cette information est souvent la lecture immédiate de l'angiotomodensitométrie par une personne formée.

Ce que d'autres usages de l'IA enseignent

La lecture automatique d'image apparaît aussi dans la radiographie thoracique à la recherche de la tuberculose et dans le dépistage autonome de la rétinopathie diabétique. Dans l'AVC, la différence est le chronomètre : le faux négatif emporte des minutes de cerveau, et non des mois, ce qui rend la lecture humaine en parallèle encore plus importante.

Source et plan	Qui a été étudié	Critère de jugement	Résultat tel que rapporté	Lecture
Susanti 2026, revue et méta-analyse d'exactitude	11 articles, 10 937 patients, angiotomodensitométrie	Sensibilité et spécificité	0,87 (IC 95 : 0,76 à 0,93) et 0,95 (IC 95 : 0,91 à 0,97)	Bonne moyenne, hétérogénéité élevée
Susanti 2026, analyse par segment	Études avec données de M2	Sensibilité en M2	0,30 à 0,86	Performance variable et non concluante
Zhou 2026, méta-analyse en réseau	10 études rétrospectives, 3632 patients, tomodensitométrie sans contraste	Sensibilité de l'IA et des spécialistes	0,78 contre 0,62	IA plus sensible, certitude faible
Slater 2024, étude diagnostique monocentrique	500 patients en Australie	Sensibilité pour grand vaisseau	Logiciel 0,62 ; lecteurs 0,65 à 0,96	Lecteurs meilleurs
Martinez-Gutierrez 2023, essai randomisé en grappes	243 patients dans quatre centres	Arrivée jusqu'à la ponction	Réduction de 11,2 min (IC 95 : 4,2 à 18,22)	Gain de temps
Martinez-Gutierrez 2023, analyse exploratoire	Même échantillon	Indépendance à 90 jours	OR de 1,3 (IC 95 : 0,42 à 4,0)	Non concluant
Olive-Gadea 2026, étude quasi expérimentale	265 patients transférés	Arrivée jusqu'à la demande de transfert	−2,40 min (IC 95 : −6,16 à 4,48)	Non concluant

Sources : Susanti et al., 2026 ; Zhou et al., 2026 ; Slater et al., 2024 ; Martinez-Gutierrez et al., 2023 ; Olive-Gadea et al., 2026. IC 95 : intervalle de confiance de 95 pour cent, ou intervalle de crédibilité dans l'étude de Zhou (Zhou et al., 2026) ; OR : rapport de cotes ; min : minutes.

Retour au cas

La patiente du cas fictif présentait une aphasie et une hémiparésie droite, un tableau à forte probabilité d'occlusion de gros vaisseau avant toute imagerie. Le neurologue n'a pas attendu l'alerte : il a ouvert l'angioscanner sur son propre téléphone et a appelé le radiologue pour qu'il lise avec lui. Tous deux ont vu une interruption du produit de contraste dans une branche M2 de l'artère cérébrale moyenne gauche, avec une bonne circulation collatérale, exactement le scénario où les études montrent le plus de faux négatifs.

L'équipe de neuro-intervention a été appelée et a discuté l'indication de thrombectomie. Cette nuit-là, le silence du logiciel a été l'indice qui a exigé le plus d'attention.

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. Se méfier d'un résultat qui ne correspond pas au tableau clinique, c'est le même exercice que de traiter chaque information comme un indice et de revoir l'hypothèse, comme dans l'entraînement au diagnostic différentiel avec des 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

L'IA lit-elle l'angioscanner mieux que le radiologue ?

Cela dépend du lecteur et de l'occlusion. Dans un centre australien, tous les lecteurs humains, y compris les neurologues et les internes, ont eu une sensibilité supérieure à celle du logiciel pour l'occlusion de gros vaisseau (Slater et al., 2024). Sur la tomodensitométrie sans contraste, où la tâche est plus difficile pour les humains, l'IA a été plus sensible que les spécialistes dans une méta-analyse d'études rétrospectives, avec un niveau de certitude faible.

Si le logiciel n'a pas donné d'alerte, puis-je attendre le compte rendu ?

Chez un patient avec une suspicion clinique d'occlusion de gros vaisseau, attendre est risqué. Les programmes ont été conçus pour le triage, le rapport de vraisemblance négatif mesuré dans un centre était insuffisant pour écarter l'occlusion, et les occlusions distales et de la circulation postérieure sont les plus manquées. Assurez la lecture humaine des images le plus tôt possible.

Le logiciel améliore-t-il le devenir des patients ?

Les données montrent un gain de temps, mais l'effet sur le devenir n'est pas concluant. Dans l'essai randomisé de Houston, le rapport de cotes pour l'indépendance fonctionnelle à 90 jours avait un intervalle de 0,42 à 4,0 (Martinez-Gutierrez et al., 2023). La méta-analyse d'études avant et après n'a pas non plus trouvé de différence sur les critères cliniques.

Messages à retenir

• Le logiciel de détection d'occlusion de gros vaisseau est un outil de triage et de communication, et non un compte rendu.
• La précision moyenne est bonne à l'angioscanner, mais elle baisse pour les occlusions de M2 et elle est faible dans la circulation postérieure.
• Le faux négatif est silencieux : en cas de forte suspicion clinique, l'absence d'alerte ne dispense pas d'une lecture humaine immédiate.
• Un essai randomisé a montré environ 11 minutes de moins jusqu'à la ponction, et le gain a dépendu de l'usage actif par l'équipe.
• L'effet sur l'indépendance fonctionnelle des patients reste non concluant.

Références

1. Martinez-Gutierrez JC, Kim Y, Salazar-Marioni S, et al. Automated large vessel occlusion detection software and thrombectomy treatment times: a cluster randomized clinical trial. JAMA Neurol. 2023;80(11):1182-1190. [PubMed](https://pubmed.ncbi.nlm.nih.gov/37721738/).
2. Ebirim EC, Le NM, Samaha JN, et al. Workflow improvements from automated large vessel occlusion detection algorithms are dependent on care team engagement. J Neurointerv Surg. 2026;18(2):385-389. [PubMed](https://pubmed.ncbi.nlm.nih.gov/39870518/).
3. Susanti L, Cuandra KN, Tristan CD, et al. Diagnostic test accuracy of artificial intelligence in large vessel occlusion: a systematic review and meta-analysis. Neurol Res Int. 2026;2026:5709868. [PubMed](https://pubmed.ncbi.nlm.nih.gov/42028301/).
4. Zhou H, Liu L, Fu B, et al. AI decision support for emergency triage of large vessel occlusion using noncontrast computed tomography: systematic review and Bayesian diagnostic test accuracy network meta-analysis. J Med Internet Res. 2026;28:e105068. [PubMed](https://pubmed.ncbi.nlm.nih.gov/42785737/).
5. Sarhan K, Azzam AY, Moawad MHED, et al. Automated emergent large vessel occlusion detection using Viz.ai software and its impact on stroke workflow metrics and patient outcomes in stroke centers: a systematic review and meta-analysis. Transl Stroke Res. 2025;16(6):2258-2271. [PubMed](https://pubmed.ncbi.nlm.nih.gov/40335883/).
6. Ha HJ, Ryu WS, Kim BJ, et al. RAPID CTA versus JLK LVO for large vessel occlusion detection: a pragmatic comparison of performance and common pitfalls. Neuroradiology. 2026;68(4):877-886. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41805858/).
7. Slater LA, Ravintharan N, Goergen S, et al. RapidAI compared with human readers of acute stroke imaging for detection of intracranial vessel occlusion. Stroke Vasc Interv Neurol. 2024;4(2):e001145. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41583584/).
8. Catapano JS, Lee KE, Desai SM, et al. Number needing review: a novel metric to assess triage efficiency of large vessel occlusion detection systems. Stroke Vasc Interv Neurol. 2023;3(4):e000527. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41583669/).
9. Brito A, Cendrero J, Tanzi L, et al. Initial experience with a deep learning algorithm for detecting posterior circulation large vessel occlusion on noncontrast computed tomography. Stroke Vasc Interv Neurol. 2026;6(4):e002250. [PubMed](https://pubmed.ncbi.nlm.nih.gov/42404827/).
10. Olive-Gadea M, Rizzo F, Cocho D, et al. CATalyze-AI: accelerating referral for thrombectomy in acute stroke patients using an AI-based software. A prospective, multicentre, quasi-experimental cohort study. Eur Stroke J. 2026;11(7). [PubMed](https://pubmed.ncbi.nlm.nih.gov/42497289/).
11. Devlin T, Gao L, Collins O, et al. VALIDATE: [...] the Viz.ai mobile stroke care coordination platform to limit delays in LVO stroke diagnosis and endovascular treatment. Front Stroke. 2024;3:1381930. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41542251/).