EXPLORING CLINICIANS PERSPECTIVES TOWARDS AI-RADIOLOGY & ITS CLINICAL ADOPTION: A QUALITATIVE STUDY FROM PAKISTAN

Cette étude qualitative menée à Karachi au Pakistan révèle que les cliniciens adoptent une approche d'« optimisme réaliste » envers l'IA en radiologie, la voyant comme un outil d'assistance précieux pour réduire la charge de travail et soutenir la formation, tout en soulignant la nécessité impérative d'infrastructures adéquates, de politiques de protection des données et d'une supervision humaine continue pour une intégration clinique réussie.

L'essentiel

🏥 Le Contexte : Un Médecin et son Nouveau Copilote

Imaginez que vous êtes un radiologue à Karachi, au Pakistan. Vous passez votre journée à examiner des milliers d'images (radios, IRM, scanners) pour trouver des tumeurs ou des fractures. C'est un travail épuisant, comme chercher une aiguille dans une botte de foin, encore et encore.

Récemment, une nouvelle technologie est arrivée : l'Intelligence Artificielle (IA). On pourrait la comparer à un super-assistant robotique qui peut regarder ces images en une seconde et dire : "Hé, il y a quelque chose d'anormal ici !"

Mais la question est : Les médecins sont-ils prêts à faire confiance à ce robot ? C'est exactement ce que 13 médecins (radiologues, chirurgiens, etc.) ont expliqué dans cette étude.

---

🔍 Ce qu'ils ont découvert (Les 4 Grands Thèmes)

Les chercheurs ont utilisé une méthode appelée "l'écoute active" (des interviews) pour comprendre ce que pensent les médecins. Voici ce qu'ils ont vu, traduit avec des métaphores :

1. L'Attitude : "Un Copilote, pas un Capitaine" 🧭

Les médecins ne sont ni effrayés ni aveuglément enthousiastes. Ils sont réalistes.

• L'analogie : Imaginez un avion. L'IA est comme le pilote automatique. Elle peut voler tout droit, économiser du carburant et détecter les petits problèmes. Mais le médecin reste le capitaine.
• Ce qu'ils disent : "L'IA peut nous aider, mais elle ne peut jamais remplacer notre jugement humain." Si l'IA se trompe, c'est le médecin qui doit assumer la responsabilité, pas le robot. Personne ne veut que le robot prenne les décisions finales sur la vie ou la mort d'un patient.

2. Ce qui rend l'IA facile à utiliser (ou pas) 🛠️

Pour que ce "copilote" fonctionne, il faut que tout soit en place.

• Les freins (Les obstacles) :
  • La connexion internet : C'est comme essayer de conduire une Ferrari sur une route de terre battue. Si le réseau est mauvais, l'IA ne peut pas fonctionner.
  • La formation : Beaucoup de médecins disent : "On nous donne une nouvelle voiture, mais personne ne nous a appris à conduire !" Ils ont peur de ne pas savoir comment l'utiliser.
  • La méfiance : "Est-ce que ce robot va halluciner ?" (C'est-à-dire inventer des maladies qui n'existent pas).
• Les accélérateurs (Les avantages) :
  • Si tout fonctionne bien, l'IA est un super-héros du triage. Elle peut dire : "Ce patient est urgent, regardez-le en premier !" Cela sauve du temps et évite que les gens attendent trop longtemps.

3. À quoi sert vraiment l'IA ? (L'utilité) 🎯

Les médecins voient l'IA comme un outil de précision, pas comme un remplacement.

• Le meilleur usage : L'IA est excellente pour les tâches répétitives et rapides. Par exemple, compter des cellules, mesurer une tumeur, ou faire un dépistage de masse (comme vérifier des milliers de radios de poitrine pour la tuberculose).
• La limite : L'IA ne comprend pas le contexte. Elle peut voir une tumeur sur une image, mais elle ne sait pas si le patient a mal au dos à cause de ça ou à cause d'une vieille blessure. Seul le médecin, avec son expérience et son écoute du patient, peut faire le lien. C'est comme un détective : l'IA trouve les indices, mais le médecin résout l'énigme.

4. Ce qu'il faut faire pour que ça marche (Les recommandations) 📜

Pour que l'IA devienne un vrai partenaire à Karachi, les médecins proposent un plan en 3 étapes :

1. Des règles claires : Il faut des lois pour protéger les données des patients (comme un coffre-fort numérique) et définir qui est responsable si l'IA se trompe.
2. De l'éducation : Il faut apprendre aux médecins (et aux étudiants) à utiliser l'IA dès l'école de médecine. Pas de "surprise" le jour de l'arrivée du logiciel !
3. Des tests locaux : On ne peut pas juste importer un logiciel conçu aux États-Unis. Il faut le tester sur les patients locaux, avec leurs spécificités, pour s'assurer qu'il fonctionne bien ici.

---

💡 Le Message Final

Cette étude nous dit que les médecins de Karachi ne rejettent pas l'IA. Au contraire, ils sont optimistes mais prudents.

Ils voient l'IA comme un nouvel outil dans la boîte à outils du médecin, aussi utile qu'un stéthoscope ou un microscope, mais qui ne remplace jamais l'humain. Pour que cela fonctionne, il faut construire des routes (infrastructure), apprendre à conduire (formation) et avoir un code de la route (éthique).

En résumé : L'IA ne remplacera pas le médecin, mais un médecin qui utilise l'IA remplacera un médecin qui ne l'utilise pas. Le futur, c'est un duo gagnant : l'humain + la machine.

Résumé technique

Résumé Technique : Perspectives des Cliniciens sur l'IA en Radiologie et son Adoption Clinique au Pakistan

1. Problématique et Contexte

Bien que l'intelligence artificielle (IA) s'intègre progressivement dans la radiologie diagnostique mondiale, il existe un déficit majeur de données probantes concernant son adoption dans les pays à revenu faible ou intermédiaire (PRFI), et spécifiquement au Pakistan.

• Le vide de recherche : La littérature actuelle se concentre principalement sur la performance technique des algorithmes ou sur les contextes des pays à revenu élevé, négligeant les croyances, les attitudes et les attentes des cliniciens locaux.
• Le risque : Sans comprendre ces perspectives, le déploiement de l'IA risque d'entraîner une faible adoption, une utilisation inappropriée et une distribution inefficace des ressources, compromettant ainsi les objectifs du système de santé.
• L'objectif : Comprendre les connaissances, les vues et les attitudes des cliniciens et radiologues de Karachi (Pakistan) face à l'IA assistée en radiologie diagnostique et identifier les facteurs influençant son adoption.

2. Méthodologie

L'étude adopte une approche qualitative descriptive exploratoire basée sur le paradigme du constructivisme.

• Cadres Théoriques :
  • Modèle d'Acceptation de la Technologie (TAM) : Utilisé pour l'analyse des données (focalisé sur l'utilité perçue et la facilité d'utilisation perçue).
  • Approche Itérative Pilotée par le Problème (PDIA) : Utilisée pour interpréter les résultats et formuler des voies d'implémentation politiques et pratiques.
• Échantillon et Recrutement :
  • Participants : 13 cliniciens (radiologues et spécialistes de diverses disciplines : médecine, chirurgie, gynécologie, pédiatrie) issus d'hôpitaux tertiaires publics, privés et militaires de Karachi.
  • Stratégie : Échantillonnage raisonné (purposive) pour assurer la diversité des spécialités.
  • Critères d'inclusion : Membres actifs d'hôpitaux tertiaires disposant de services radiologiques fonctionnels.
• Collecte de Données :
  • Entretiens semi-structurés menés entre mai et août 2025.
  • Durée moyenne : 30 minutes.
  • Enregistrement audio, transcription professionnelle et analyse qualitative.
• Analyse des Données :
  • Analyse de contenu déductive utilisant le logiciel NVivo 14.
  • Codage basé sur les constructions du modèle TAM.
  • Validation par triangulation des sources (diversité des spécialités), triangulation théorique (TAM) et triangulation des investigateurs.
  • Respect des critères de rigueur (COREQ) et de l'éthique (approbation du comité d'éthique de l'Université Aga Khan et du Comité National de Bioéthique du Pakistan).

3. Résultats Clés

L'analyse thématique a fait émerger quatre thèmes principaux, révélant une attitude de « réalisme optimiste » : les cliniciens voient l'IA comme un outil potentiel mais conditionnel.

A. Attitudes envers l'implémentation

• Rôle de l'IA : Consensus unanime sur le fait que l'IA doit agir comme un assistant ou un « deuxième lecteur », et non comme un remplacement du radiologue.
• Responsabilité : Le jugement clinique et la responsabilité légale restent inaliénablement du ressort du médecin humain.
• Craintes majeures : Préoccupations dominantes concernant la confidentialité des données, la cybersécurité, la dépendance excessive et la méfiance envers la fiabilité des algorithmes.

B. Facilité d'utilisation perçue (Perceived Ease of Use)

• Facteurs facilitateurs : Réduction de la charge de travail, gain de temps, aide au triage, et soutien au dépistage de masse.
• Barrières structurelles :
  • Manque d'infrastructures (connectivité internet faible, systèmes PACS/IT inadéquats).
  • Absence de formation structurée et de programmes de mise à niveau des compétences.
  • Résistance générationnelle et culturelle.
  • Coûts élevés d'acquisition et de maintenance.

C. Utilité perçue de l'IA en Radiologie

• Avantages identifiés : Accélération du triage, détection de lésions subtiles (surtout en cas de fatigue), support à la décision pour les résidents, et amélioration de l'accès aux soins dans les zones reculées.
• Limites et Risques :
  • Incapacité de l'IA à remplacer le raisonnement clinique contextuel.
  • Risques d'erreurs algorithmiques, de « hallucinations » (données fabriquées) et de biais liés à la qualité des données d'entraînement.
  • Problèmes de généralisabilité des modèles aux populations locales.

D. Recommandations et Pratiques Politiques

• Prérequis à l'adoption :
  • Mise en place de politiques nationales de protection des données.
  • Programmes de validation et de certification locaux des outils d'IA.
  • Intégration de l'IA dans le curriculum médical (formation de base et continue).
  • Développement de lignes directrices éthiques claires définissant la responsabilité en cas d'erreur.

4. Contributions Majeures

• Preuve locale : Première étude qualitative approfondie en Pakistan (et dans la région des PRFI) se concentrant spécifiquement sur les perspectives des cliniciens concernant l'IA en radiologie.
• Cadre d'analyse intégré : Combinaison innovante du modèle TAM (comportement individuel) et du cadre PDIA (adaptation systémique) pour proposer des solutions pratiques.
• Recommandations opérationnelles : Identification de barrières spécifiques au contexte local (infrastructure, formation, régulation) qui sont souvent ignorées dans la littérature internationale axée sur la technologie pure.

5. Signification et Implications

Cette étude souligne que l'adoption réussie de l'IA en radiologie au Pakistan ne dépend pas uniquement de la performance technique des algorithmes, mais d'une stratégie multidimensionnelle :

1. Gouvernance : Nécessité urgente de cadres réglementaires nationaux pour la validation, la confidentialité des données et l'éthique.
2. Infrastructure : Investissement dans les systèmes d'information hospitaliers et la connectivité.
3. Capital Humain : Développement massif de programmes de formation pour combler le fossé de compétences numériques et instaurer la confiance.
4. Modèle d'adoption : L'IA doit être positionnée comme un partenaire collaboratif (« human-in-the-loop ») plutôt que comme un automate autonome.

Conclusion : Bien que les cliniciens de Karachi reconnaissent le potentiel transformateur de l'IA pour améliorer l'efficacité et la précision diagnostique, son intégration routinière et sûre est conditionnée à la résolution des problèmes de confiance, d'infrastructure et de gouvernance. L'étude fournit une feuille de route pratique pour les décideurs politiques et les administrateurs de santé visant à intégrer l'IA de manière responsable dans les systèmes de santé des PRFI.