Pendant 4,5 ans, 3R Swiss Imaging Network a étudié l’utilisation de l’intelligence artificielle en conditions réelles au sein de ses 20 centres de radiologie. Publiée dans le Journal of the American College of Radiology (JACR) en 2026, cette étude porte sur environ 389 000 examens analysés par IA, avec 10 outils certifiés CE de 7 fournisseurs et 58 radiologues. Elle analyse notamment l’intégration de l’IA dans le travail quotidien des radiologues, les délais d’arrivée de ses résultats et son association avec les temps de compte rendu.
Une étude menée à l’échelle des 20 centres de 3R
Que se passe-t-il lorsque l’intelligence artificielle quitte la phase de test pour entrer dans la pratique quotidienne des radiologues ?
Pendant 4,5 ans, 3R Swiss Imaging Network a étudié l’utilisation de l’intelligence artificielle au sein de ses 20 centres de radiologie.
L’analyse porte sur environ 389 000 examens traités par IA, avec 10 outils de 7 fournisseurs et 58 radiologues.
Publiée dans le Journal of the American College of Radiology (JACR) 2026, l’étude s’intéresse à trois dimensions de l’utilisation de l’IA en conditions réelles : le délai d’arrivée des résultats de l’IA, le temps de compte rendu et l’adoption des outils par les radiologues.
L’essentiel en RéSUMé
- 91 % de nos 58 radiologues 3R utilisent activement l’IA. ; 67 % l’utilisent souvent ou toujours.
- –26 % de temps de compte rendu en radiographie traumatologique, après prise en compte des différences entre radiologues: compte rendu médian de 5 à 3 minutes.
- 72 % du délai d’arrivée du résultat IA provient de l’acheminement des données. L’algorithme calcule en 13 secondes ; le résultat met 2 minutes à arriver.
- 7,2 % des résultats IA arrivent après la signature du compte rendu. : c’est le taux « Too Late »
Ces résultats sont issus des différentes cohortes analysées dans l’étude.
Le principal enseignement : un algorithme rapide ne suffit pas
Pour être utile au radiologue, le résultat d’une IA doit être disponible au bon moment dans son environnement de travail.
Sur près de 97 000 examens suivis en détail, le délai médian entre la fin de l’examen et l’affichage du résultat de l’IA était d’environ 2 minutes.
Le calcul réalisé par l’algorithme n’en représentait qu’environ 13 secondes.
Près des trois quarts du temps étaient consacrés à l’acheminement des images et des résultats entre les différents systèmes informatiques.
- 13 secondes : calcul de l’algorithme
- Environ 2 minutes : délai total entre la fin de l’examen et l’arrivée du résultat
- 72 % du délai est lié à l’acheminement des données.
L’IA arrive-t-elle au bon moment ?
La rapidité de l’algorithme n’est qu’une partie de la question. L’étude s’est également intéressée au moment auquel son résultat devient effectivement disponible pour le radiologue.
Dans 8 cas sur 10, le résultat de l’IA était disponible avant que le radiologue commence son compte rendu.
Dans environ 7 % des examens, il arrivait en revanche après la validation du compte rendu et ne pouvait donc plus être utilisé.
L’étude désigne cet indicateur comme le taux « Too Late ».
Taux « Too Late » : 7,2 %
Il correspond à la proportion de résultats IA disponibles après la signature du compte rendu.
Un résultat IA arrivant trop tard ne signifie pas que l’examen n’a pas été interprété : chaque examen reste lu et signé par un radiologue, avec ou sans IA.
Quel impact sur le temps de compte rendu ?
Lorsque l’IA était disponible, des temps de compte rendu plus courts ont été observés pour deux types d’examens étudiés.
- Radiographie traumatologique 5 min → 3 min Temps médian de compte rendu. Après prise en compte des différences entre radiologues, la réduction observée restait d’environ 26 %.
- IRM du genou 20 min → 14 min Temps médian de compte rendu. Après prise en compte des différences entre radiologues, la réduction observée restait d’environ 18 %.
Un résultat à interpréter avec prudence
L’étude est observationnelle.
Elle met en évidence une association entre la disponibilité de l’IA et des temps de compte rendu plus courts, mais ne permet pas d’établir une relation de cause à effet.
Les examens sans IA — notamment en cas de refus de consentement ou d’incident technique — ne constituaient pas un groupe de comparaison randomisé.
91 % des radiologues 3R utilisent activement l’IA
L’intégration d’une technologie ne se mesure pas uniquement à ses performances techniques. Encore faut-il qu’elle soit réellement utilisée.
Parmi les 58 radiologues interrogés dans le cadre de l’étude :
- 91 % utilisent activement les outils d’IA
- 67 %déclarent les utiliser souvent ou toujours.
Leur perception reste toutefois mesurée : le gain de productivité ressenti demeure sous le seuil neutre et leur confiance dans les outils reste stable.
Ces résultats montrent l’intérêt d’évaluer l’IA non seulement sur ses performances techniques, mais aussi dans son utilisation quotidienne par les radiologues.
Surveiller l’IA dans la durée
Le déploiement d’une solution d’intelligence artificielle ne s’arrête pas à son installation.
Les auteurs proposent de suivre régulièrement plusieurs indicateurs :
- le délai total d’arrivée du résultat IA ;
- la part de ce délai liée à l’acheminement des données ;
- le taux « Too Late » ;
- la stabilité des délais dans le temps ;
- la satisfaction des radiologues.
L’étude propose une démarche de gouvernance en quatre étapes : planifier, déployer, contrôler et ajuster, avec un suivi trimestriel des délais et de la satisfaction.
Mesurez le taux « Too Late » dans votre centre
Pour permettre à d’autres centres d’évaluer leurs propres délais, un programme open source « too-late-rate » a été développé.
À partir de deux horodatages HL7 — validation du compte rendu et disponibilité du résultat IA — il permet notamment de calculer la proportion de résultats IA arrivant trop tard. Le code est prévu pour être publié sur GitHub avec un DOI Zenodo.
[Accéder au code sur GitHub]
[DOI Zenodo]
À propos de l’étude
Titre de l’article: AI Latency, Report Turnaround Time, and Adoption in a Multi-Vendor AI Ecosystem: A Multi-Site Observational Study
Auteurs: S. Morozov, N. Heracleous, O. Novarina, O. Korka, B. Dufour, C. Thouly, B. Rizk.
Publication: Journal of the American College of Radiology (JACR), 2026.
Méthodologie: Étude observationnelle rétrospective reposant sur trois cohortes :
- 96 874 examens
Analyse technique des délais, de septembre 2023 à septembre 2025 - 20 909 examens
Analyse des temps de compte rendu, de mars à août 2025 - 58 radiologues
Interrogés en juin et octobre 2025.
Les données opérationnelles utilisées étaient dé-identifiées et le consentement numérique des patients était recueilli à l’admission. Les sources de financement et les liens d’intérêts sont déclarés dans l’article.