Manipulateur en Électroradiologie Référent, Tri Assisté par IA, Discordance et Signalement
Mesurer la performance réelle du dispositif sur sa propre patientèle, prouver que la cause est dans la chaîne d’images, fixer un seuil défendable, et tracer chaque reprise en main
10 heures
Intermédiaire
i
Santé
Ouverte
Profil Recherché
Vous n’avez pas besoin de savoir ce qu’est un réseau de neurones. Vous avez besoin de savoir lire une matrice de 3 200 examens et de dire à voix haute ce qu’elle montre.
Vous écrirez une discordance sur une patiente nommée, à 04 h 12, contre un score de 0,07. Le dispositif avait tort. C’est la mission 5, et c’est ce qui rend ce métier différent de tous les autres.
Vous confirmerez aussi le classement du dispositif contre un urgentiste qui insiste. Contredire la machine et la confirmer sous pression sont la même compétence : décider soi-même, par écrit.
Vous repartirez avec un seuil signé, une fiche de discordance, un signalement de matériovigilance et un procès-verbal contradictoire. Quatre pièces qui existent dans un vrai service et que personne n’apprend à écrire.
Pourquoi cette simulation compte
Construisez une expérience concrète et la confiance pour la suite.
Description
Vous êtes recruté comme manipulateur en électroradiologie référent au sein d’Imagerie du Bas-Rhône, groupement de deux sites qui réalise environ 96 000 examens par an. Depuis quatorze mois, un dispositif marqué CE, HémoScan CT, analyse chaque scanner cérébral sans injection et réordonne la liste de lecture des radiologues : au-dessus de 0,50, l’examen passe en tête ; en dessous, il descend. Sur le trimestre de référence, 3 200 scanners cérébraux d’urgence ont été traités et 2 756 ont été rétrogradés sans qu’aucun être humain ne regarde. L’un d’eux était celui de M. Abdelkader Ziani, 71 ans, lu 182 minutes après son acquisition. En huit missions, vous qualifierez le dispositif au regard du règlement sur les dispositifs médicaux et du règlement sur l’intelligence artificielle, vous mesurerez sa performance réelle sur votre patientèle (sensibilité 89,84 %, valeur prédictive positive 51,80 % contre 82,41 % annoncés sur une population deux fois plus malade), vous démontrerez par rejeu que la sensibilité manquante vient d’une reconstruction à 5,00 millimètres envoyée au serveur et non du niveau du seuil, vous fixerez ce seuil sur un budget d’erreur exprimé en euros et en minutes de retard, sous contrainte de capacité de lecture, puis vous écrirez trois actes qui portent votre nom : une discordance qui contredit le dispositif sur une patiente nommée, une confirmation du classement contre un service demandeur qui vous met la pression, et un signalement de matériovigilance. La dernière séance se tient devant une représentante des usagers.
Comment ça se passe
Quelques étapes pour commencer
S’inscrire et commencer
Créez votre compte et ouvrez la mission.
Faire le travail
Traitez chaque mission comme le métier se pratique vraiment.
Lire votre signal
Voyez ce que votre travail a montré, cité depuis ce que vous avez écrit.
Garder la preuve
Emportez la preuve dans vos candidatures et vos entretiens.
Qualification écrite d’un logiciel de tri en imagerie au regard de la règle 11 du règlement (UE) 2017/745 et de l’article 6, paragraphe 1, du règlement (UE) 2024/1689
Construction et lecture d’une matrice de performance locale : sensibilité, spécificité, valeur prédictive positive et négative, avec effectifs
Compréhension et démonstration de l’effet de prévalence sur la valeur prédictive positive d’un dispositif
Démonstration par contrefactuel d’une cause technique de perte de performance dans la chaîne d’acquisition et de reconstruction
Fixation d’un seuil de tri sur un budget d’erreur exprimé en euros et en minutes de retard, sous contrainte de capacité de lecture humaine
Prérequis
Ce que vous devez maîtriser
Savoir lire un tableau de chiffres et calculer un pourcentage, sans formation statistique préalable
Connaître le déroulement d’un examen d’imagerie en urgence : demande, acquisition, envoi au serveur d’images, lecture, compte rendu
Accepter d’écrire une discordance qui engage son nom et de la défendre devant un médecin
Market signals
Pourquoi cette mission compte maintenant
Signaux de marché vérifiés — sources publiques
Classe III lorsque la décision peut causer la mort ou une détérioration irréversible
Un logiciel qui informe une décision diagnostique est un dispositif médical, au minimum de classe IIa
La règle 11 de l’annexe VIII du règlement (UE) 2017/745 ne laisse pas de zone grise : un logiciel de tri en imagerie est un dispositif médical soumis à marquage CE et à évaluation par un organisme notifié. La guidance MDCG 2019-11, révisée le 17 juin 2025, en précise la qualification et la classification.
Article 6, paragraphe 1, du règlement (UE) 2024/1689
Ces dispositifs entrent dans le haut risque par l’article 6, pas par l’annexe III
Un système d’IA qui constitue lui-même un produit soumis à évaluation de la conformité par un tiers au titre de la législation d’harmonisation de l’annexe I est classé à haut risque. Un logiciel d’imagerie marqué CE en classe IIa relève donc du contrôle humain de l’article 14, des obligations de déployeur de l’article 26 et du droit à explication de l’article 86.
Un mauvais conseil d’un système d’aide dégrade la performance des lecteurs, quel que soit leur niveau
Les travaux sur le biais d’automatisation en mammographie montrent qu’une suggestion incorrecte d’un système fondé sur l’intelligence artificielle altère la performance de lecteurs de tous niveaux d’expérience, y compris les plus expérimentés. C’est la raison pour laquelle l’article 14 impose que la personne chargée du contrôle reste consciente du risque de se fier excessivement à la sortie du système.
Une performance obtenue ailleurs ne se transporte pas : l’acquisition suffit à la déformer
Les travaux sur la dérive de performance sous décalage d’acquisition établissent qu’un changement de machine, de protocole ou de reconstruction dégrade un modèle entraîné ailleurs, sans qu’il y ait de défaut du modèle lui-même. C’est pourquoi la grille descriptive de la Haute Autorité de santé demande au fabricant de décrire ses données d’apprentissage et sa surveillance de la dérive.
EUR-Lex — Règlement (UE) 2017/745 relatif aux dispositifs médicaux
eur-lex.europa.eu
FILE
Texte du règlement du 5 avril 2017, applicable depuis le 26 mai 2021. La règle 11 de l’annexe VIII classe les logiciels destinés à fournir des informations utilisées pour prendre des décisions à des fins diagnostiques ou thérapeutiques au minimum en classe IIa, et en classe III lorsque ces décisions peuvent entraîner la mort ou une détérioration irréversible de l’état de santé. Un logiciel de tri et de détection en imagerie relève donc d’un régime de dispositif médical, avec marquage CE et évaluation par un organisme notifié.
Commission européenne — MDCG 2019-11 révision 1, qualification et classification des logiciels
health.ec.europa.eu
FILE
Guidance du groupe de coordination des dispositifs médicaux, publiée en octobre 2019 et révisée le 17 juin 2025. Elle précise comment déterminer si un logiciel est un dispositif médical, puis comment le classer au titre de la règle 11, en distinguant les logiciels qui pilotent une décision de ceux qui se bornent à stocker ou transmettre.
Texte au Journal officiel de l’Union européenne du 12 juillet 2024, entré en vigueur le 1er août 2024. Il organise deux voies de classement à haut risque : l’annexe III pour des usages listés, et l’article 6, paragraphe 1, pour les systèmes qui sont eux-mêmes un produit soumis à évaluation de la conformité par un tiers au titre de la législation d’harmonisation de l’annexe I, ce qui est le cas d’un dispositif médical de classe IIa ou supérieure.
Article 6 du règlement sur l’IA — Règles de classification des systèmes d’IA à haut risque
artificialintelligenceact.eu
FILE
Version consolidée et annotée. Le paragraphe 1 classe à haut risque un système d’IA qui est destiné à être utilisé comme composant de sécurité d’un produit couvert par la législation d’harmonisation de l’annexe I, ou qui constitue lui-même un tel produit, lorsque ce produit doit être soumis à une évaluation de la conformité par un tiers. Un logiciel de tri en imagerie marqué CE au titre du règlement (UE) 2017/745 entre par cette porte, et non par l’annexe III.
Article 14 du règlement sur l’IA — Contrôle humain
artificialintelligenceact.eu
FILE
Version consolidée et annotée. Les systèmes à haut risque sont conçus pour pouvoir être effectivement contrôlés par des personnes physiques, lesquelles doivent rester conscientes du risque de se fier automatiquement ou excessivement à la sortie du système — le biais d’automatisation —, être en mesure d’interpréter correctement cette sortie et pouvoir décider, dans une situation particulière, de ne pas l’utiliser ou d’en écarter le résultat.
Article 26 du règlement sur l’IA — Obligations incombant aux déployeurs
artificialintelligenceact.eu
FILE
Version consolidée et annotée. Le déployeur prend les mesures techniques et organisationnelles pour utiliser le système conformément à la notice, confie le contrôle humain à des personnes physiques disposant de la compétence, de la formation et de l’autorité nécessaires, surveille le fonctionnement, conserve les journaux générés automatiquement lorsqu’ils sont sous son contrôle, et informe le fournisseur et les autorités en cas d’incident grave.
Article 86 du règlement sur l’IA — Droit à l’explication des décisions individuelles
artificialintelligenceact.eu
FILE
Version consolidée et annotée. Toute personne concernée par une décision prise sur la base de la sortie d’un système à haut risque et produisant des effets sur sa santé, sa sécurité ou ses droits fondamentaux a le droit d’obtenir du déployeur des explications claires et pertinentes sur le rôle du système dans la procédure décisionnelle et sur les principaux éléments de la décision.
Légifrance — Loi n° 2021-1017 du 2 août 2021 relative à la bioéthique, article 17
legifrance.gouv.fr
FILE
L’article 17 crée l’article L4001-3 du code de la santé publique : le professionnel de santé qui décide d’utiliser, pour un acte de prévention, de diagnostic ou de soin, un dispositif médical comportant un traitement algorithmique de données dont l’apprentissage a été réalisé à partir de données massives, en informe le patient et est informé du recours à ce traitement ; les données du patient utilisées et les résultats obtenus lui sont accessibles. C’est le fondement français de ce que la profession appelle la garantie humaine.
HAS — Grille descriptive des fonctionnalités des dispositifs médicaux embarquant un système avec apprentissage automatique
has-sante.fr
FILE
Mise en ligne le 14 octobre 2020, mise à jour le 17 février 2022. Grille que le fabricant renseigne lors du dépôt d’un dossier d’évaluation : description des données d’apprentissage, du processus d’apprentissage, des performances annoncées et de la surveillance de la dérive de l’algorithme après mise sur le marché. Elle établit qu’une performance annoncée est indissociable de la population sur laquelle elle a été établie.
ANSM — Un logiciel ou une application de santé relève-t-il du statut de dispositif médical ?
ansm.sante.fr
FILE
Fiche de référence publiée le 21 septembre 2022 et mise à jour le 6 janvier 2026. Elle rappelle que le statut de dispositif médical d’un logiciel se détermine par sa destination revendiquée, et non par sa technologie. Un logiciel qui hiérarchise une liste de travail selon la probabilité d’une lésion agit sur la prise en charge et relève de ce statut.
CNIL — IA et santé : développer et évaluer des systèmes d’IA conformes
cnil.fr
FILE
Page publiée le 5 mars 2026, adossée au projet de guide conjoint de la Haute Autorité de santé et de la CNIL intitulé « Accompagner le bon usage des systèmes d’intelligence artificielle en contexte de soins », soumis à consultation publique. Elle traite de l’information des personnes, de la traçabilité des traitements et de l’évaluation des systèmes déployés en contexte de soins.
Charte de téléradiologie, janvier 2025 — Conseil national professionnel de radiologie et Conseil national de l’Ordre des médecins
conseil-national.medecin.fr
FILE
Charte de janvier 2025, qui remplace celle de février 2020. Elle pose que la téléradiologie est une organisation médicale de la prise en charge radiologique des patients, et non une prestation technique : la responsabilité médicale de l’acte, y compris de sa priorisation, reste attachée au médecin, quel que soit l’outillage logiciel intercalé.
Société française de radiologie — Intelligence artificielle et garantie humaine : l’IA, un outil à utiliser avec raison
radiologie.fr
FILE
Communiqué du 20 avril 2023. La Société française de radiologie y défend une utilisation raisonnée de l’intelligence artificielle appliquée à la santé et rattache explicitement sa position au principe de garantie humaine : l’outil assiste le radiologue, il ne le remplace pas et n’absorbe pas sa responsabilité.
DRIM France IA — structure commune de la radiologie française sur l’intelligence artificielle
drim-ia.com
FILE
Association loi 1901 émanant du Conseil national professionnel de radiologie, réunissant la Société française de radiologie, la Fédération nationale des médecins radiologues, le Collège des enseignants en radiologie de France et le Syndicat des radiologues hospitaliers. Elle indique représenter les 8 885 radiologues exerçant en France sur la base des données 2019, et s’est dotée d’un comité d’éthique et d’un conseil scientifique.
IGF et IGAS — Pertinence et efficience des dépenses de radiologie
igas.gouv.fr
FILE
Rapport conjoint de l’Inspection générale des finances et de l’Inspection générale des affaires sociales, daté de mai 2025 et publié le 16 juillet 2025. Mission diligentée par les ministres chargés de la santé et des comptes publics sur la pertinence et l’efficience des actes d’imagerie diagnostique et interventionnelle. Source publique la plus récente sur les volumes et les dépenses d’imagerie en France.
npj Digital Medicine — Essai clinique randomisé pivot d’un algorithme de détection automatique d’hémorragie intracrânienne aiguë
nature.com
FILE
Publication du 7 avril 2023. L’un des rares travaux de niveau essai randomisé sur un algorithme de détection d’hémorragie intracrânienne au scanner cérébral sans injection. Il établit que la performance d’un tel dispositif se mesure en conditions cliniques réelles et non seulement sur une base rétrospective constituée par le fabricant.
Frontiers in Neurology — Validation en vie réelle d’un outil de détection d’hémorragie au scanner fondé sur l’intelligence artificielle
frontiersin.org
FILE
Publication du 3 août 2023. Étude de validation en conditions d’usage d’un outil commercial de détection d’hémorragie intracrânienne, qui documente l’écart entre la performance annoncée par le fabricant et la performance observée sur une patientèle locale.
Insights into Imaging — Analyse rétrospective de la précision diagnostique d’un algorithme déployé en clinique pour l’embolie pulmonaire au scanner
link.springer.com
FILE
Publication du 6 juin 2023. Analyse par lots d’un algorithme d’intelligence artificielle déjà déployé en routine pour la détection de l’embolie pulmonaire à l’angioscanner thoracique. Elle illustre la méthode du rétro-test sur données locales, qui est exactement la démarche attendue d’un service déployeur.
Automation Bias in Mammography — The Impact of Artificial Intelligence BI-RADS Suggestions on Reader Performance
research.vu.nl
FILE
Étude publiée dans Radiology en 2023, accessible en texte intégral. Elle montre qu’une suggestion incorrecte d’un système d’aide à la décision dégrade la performance de lecteurs de tous niveaux d’expérience, y compris des lecteurs très expérimentés. C’est la démonstration expérimentale du biais d’automatisation que l’article 14 du règlement sur l’IA impose de prendre en compte.
Radiological Society of North America — AI Bias May Impair Radiologist Accuracy on Mammogram
rsna.org
FILE
Communication du 2 mai 2023 accompagnant la publication sur le biais d’automatisation en mammographie : un conseil incorrect délivré par un système d’aide à la décision fondé sur l’intelligence artificielle peut altérer sérieusement la performance des radiologues, à tous les niveaux d’expérience.
Valeurs prédictives positives des scores d’anomalie d’un dispositif commercial d’aide au diagnostic fondé sur l’intelligence artificielle
pmc.ncbi.nlm.nih.gov
FILE
Article en accès libre. Il documente la manière dont la valeur prédictive positive d’un score d’anomalie dépend du seuil retenu et de la prévalence de la population examinée, et non de la seule qualité intrinsèque du modèle. C’est la base du raisonnement de la mission 2 de cette simulation.
Nature Communications — Correction automatique de la dérive de performance sous décalage d’acquisition en classification d’images médicales
nature.com
FILE
Publication de 2023. Elle établit qu’un changement dans les conditions d’acquisition — machine, protocole, reconstruction — dégrade la performance d’un modèle entraîné ailleurs, indépendamment de tout défaut du modèle lui-même. C’est le fondement scientifique du contrefactuel de la mission 3.
Effets du constructeur de l’appareil d’imagerie sur les tâches de classification par apprentissage profond
pmc.ncbi.nlm.nih.gov
FILE
Article en accès libre. Il montre que le constructeur et le paramétrage de l’appareil influencent mesurablement les résultats d’un modèle d’apprentissage profond appliqué à des images médicales, ce qui interdit de transposer une performance d’un site à un autre sans mesure locale.
Les missions du programme
Ouvrez une mission pour voir ce que vous allez produire
☆
Aperçu du programme
1
Task 1
2
Task 2
3
Task 3
4
Task 4
5
Task 5
6
Task 6
7
Task 7
8
Task 8
🏁
Ligne d’arrivée
Aperçu du programme
Vous êtes recruté comme manipulateur en électroradiologie référent au sein d’Imagerie du Bas-Rhône, groupement de deux sites qui réalise environ 96 000 examens par an. Depuis quatorze mois, un dispositif marqué CE, HémoScan CT, analyse chaque scanner cérébral sans injection et réordonne la liste de lecture des radiologues : au-dessus de 0,50, l’examen passe en tête ; en dessous, il descend. Sur le trimestre de référence, 3 200 scanners cérébraux d’urgence ont été traités et 2 756 ont été rétrogradés sans qu’aucun être humain ne regarde. L’un d’eux était celui de M. Abdelkader Ziani, 71 ans, lu 182 minutes après son acquisition. En huit missions, vous qualifierez le dispositif au regard du règlement sur les dispositifs médicaux et du règlement sur l’intelligence artificielle, vous mesurerez sa performance réelle sur votre patientèle — sensibilité 89,84 %, valeur prédictive positive 51,80 % contre 82,41 % annoncés sur une population deux fois plus malade —, vous démontrerez par rejeu que la sensibilité manquante vient d’une reconstruction à 5,00 millimètres envoyée au serveur et non du niveau du seuil, vous fixerez ce seuil sur un budget d’erreur exprimé en euros et en minutes de retard, sous contrainte de capacité de lecture, puis vous écrirez trois actes qui portent votre nom : une discordance qui contredit le dispositif sur une patiente nommée, une confirmation du classement contre un service demandeur qui vous met la pression, et un signalement de matériovigilance. La dernière séance se tient devant une représentante des usagers.
Ce que vous allez vivre
Qualifier le dispositif
Mesurer chez soi
Trouver la cause
Décider et tracer
Prérequis
Savoir lire un tableau de chiffres et calculer un pourcentage, sans formation statistique préalable
Connaître le déroulement d’un examen d’imagerie en urgence : demande, acquisition, envoi au serveur d’images, lecture, compte rendu
Accepter d’écrire une discordance qui engage son nom et de la défendre devant un médecin
Ce que disent les pairs
Témoignages de professionnels qui ont vécu des missions équivalentes
4.8 •5 voix d’experts
Story
“La mission 2 m’a fait comprendre en vingt minutes ce que personne ne m’avait expliqué en deux ans : 82,41 % de valeur prédictive positive dans la notice et 52,41 % chez nous, avec exactement le même logiciel. Depuis, je ne lis…”
Rachel B.
Manipulatrice en électroradiologie, 26 ans, deux ans d’expérience
Vers un poste de référente qualité en imagerie
Story
“La mission 3 est celle qui m’a servi en entretien : la sensibilité perdue ne venait pas du seuil mais de coupes de 5,00 millimètres envoyées au serveur. J’ai pu expliquer que j’allais regarder la chaîne d’images avant de toucher un réglage.…”
Idriss K.
Manipulateur en électroradiologie de nuit, en reconversion vers la qualité et la vigilance
Vers un poste de référent matériovigilance
Story
“Ces simulations m'ont aidée à projeter ce que serait mon premier poste. Très concret.”
Inès K.
Étudiante M2
Sciences Po
Story
“Le format est addictif et utile en entretien.”
Adrien L.
Diplômé école d'ingé
INSA Lyon
Story
“L'outil idéal pour tester un métier avant de s'engager.”
Maya T.
En reconversion
—
Ce que disent les pairs
Témoignages de professionnels qui ont vécu des missions équivalentes
4.8•5 voix d’experts
Story
“La mission 2 m’a fait comprendre en vingt minutes ce que personne ne m’avait expliqué en deux ans : 82,41 % de valeur prédictive positive dans la notice et 52,41 % chez nous, avec exactement le même logiciel. Depuis, je ne lis…”
Rachel B.
Manipulatrice en électroradiologie, 26 ans, deux ans d’expérience
