Michelle Budd, DCD, consultante en sécurité des patients chez dentalcorp; Julian Perez, J.D., vice-président principal, Gestion du risque et de la conformité, dentalcorp
Un patient envoie par courriel à 20 dentistes différents une série de radiographies complètes de la bouche qu’il a prises récemment, en précisant : « Mon ancien dentiste les a prises juste avant mon déménagement en ville. Le déménagement a été soudain (pour des raisons professionnelles), et mon dentiste n’a pas eu l’occasion de me renseigner sur les soins dont j’avais besoin. J’ai été affecté ici pour une période de deux ans et je souhaite me trouver un nouveau dentiste. Je vous prie d’examiner les radiographies ci-jointes et de me faire savoir si un traitement est nécessaire et quand je pourrai obtenir un rendez-vous ». Supposons que les vingt dentistes acceptent de fournir chacun un plan de traitement provisoire sur la base des seules images diagnostiques (à condition, bien sûr, que le patient soit examiné avant le début du traitement). Dans quelle mesure pensez-vous que les plans de traitement des 20 dentistes seront cohérents?
Si le scénario ci-dessus vous dit quelque chose, c’est que vous vous souvenez peut-être de l’opération d’infiltration menée par la CBC en 2012. Leur épisode de Marketplace, Money Where Your Mouth Is a révélé que, lorsqu’on présentait aux dentistes une série identique de radiographies complètes de la bouche, les diagnostics qu’ils posaient étaient loin d’être les mêmes. En effet, 40 % des plans de traitement fournis par ce groupe de 20 dentistes ne se doutant de rien ne correspondaient pas du tout à ceux des experts embauchés par la CBC, tandis que diverses « divergences inoffensives » ont été observées dans 60 % des cas. Malgré l’incohérence des diagnostics, rien n’indiquait que la série de radiographies de la bouche était particulièrement compliquée. « Malheureusement, dans le domaine de la dentisterie, le diagnostic d’un patient dépend beaucoup de l’expérience personnelle du dentiste », a expliqué l’expert invité à l’émission. Les producteurs de l’émission ont relevé des facteurs pouvant justifier les divergences d’opinions. Il s’agit notamment du lieu de formation, de la philosophie en matière de traitement (conservatrice ou agressive) et des types d’appareils et d’instruments utilisés par les fournisseurs de soins. Si la CBC a fait remarquer que certains dentistes faisaient probablement passer leurs « propres intérêts financiers avant les intérêts supérieurs des patients », il existe un facteur que l’émission n’a pas mentionné, soit l’erreur humaine.
Le « bruit » en médecine
Daniel Kahneman, auteur récipiendaire du prix Nobel d’économie, surtout connu pour son livre Thinking Fast and Slow, a publié au printemps dernier un nouveau livre intitulé : Noise: A Flaw in Human Judgment[i]. Dans ce livre, Kahneman explique deux phénomènes généraux à la source des erreurs systémiques qui surviennent dans des domaines tels que le droit, la médecine et les finances : le biais et, comme le suggère le titre de l’ouvrage, la variabilité que les statisticiens appellent du « bruit ». Le biais consiste en une tendance à la divergence, qui peut ou non avoir des implications morales. On peut considérer qu’un dentiste, ayant une tendance à privilégier l’intervention précoce lorsqu’il est confronté à une carie au stade initial, a une « philosophie agressive en matière de traitement ». Un dentiste qui propose constamment des plans de traitement plus exhaustifs lorsque les patients ont une couverture d’assurance fait preuve d’un autre type de biais. Par contre, si 10 dentistes, n’ayant d’autre motivation que de répondre correctement, ont reçu pour instruction de détecter des caries sur la même série de radiographies, donnent 10 réponses différentes sans aucune orientation claire, leurs réponses seront qualifiées de « bruyantes ». Plus la divergence entre les diagnostics est grande, plus le niveau de bruit est élevé.
Kahneman décrit le monde réel comme étant « scandaleusement bruyant », et la médecine en est la preuve matérielle parfaite :
Pour un même patient, des médecins différents peuvent porter des jugements différents selon qu’il s’agit d’un cancer de la peau, d’un cancer du sein, d’une maladie cardiaque, de la tuberculose, d’une pneumonie, d’une dépression ou d’une multitude d’autres affections. Dans le domaine de la psychiatrie, le bruit est particulièrement élevé… [T]outefois, on trouve également un bruit considérable dans des domaines où on s’y attendrait le moins, notamment lors de la lecture de radiographies.
En effet, les radiologues considèrent les différences entre les diagnostics comme leur talon d’Achille. Étant donné qu’il est facile de démontrer la présence de bruit en radiographie, les recherches menées dans ce domaine ont donné lieu à des résultats frappants. Par exemple, dans le cadre d’une étude menée sur le diagnostic du cancer du sein, le taux d’erreurs enregistré chez les radiologues ayant participé à l’étude variait d’un score parfait (soit 0 % d’erreur) à un score étonnant de 50 % de « faux négatifs » et de 64 % de « faux positifs »[ii].
Il a également été démontré que les jugements des médecins au fil du temps variaient considérablement. Lorsqu’on leur a présenté, sans qu’ils s’en rendent compte, les mêmes images diagnostiques problématiques dans un intervalle de plusieurs mois, 22 médecins ont donné un autre diagnostic que celui qu’ils avaient posé précédemment dans 63 % à 92 % des cas[iii]. D’après d’autres recherches, la précision des diagnostics peut varier en fonction du moment de la journée ou de la charge de travail. Selon une étude portant sur un très large ensemble de données, 63,7 % des tests examinés à 8 h étaient renvoyés pour un dépistage supplémentaire, contre seulement 47,8 % des tests similaires examinés à 17 h[iv]. On a émis l’hypothèse selon laquelle les services de radiologie ont tendance à prendre du retard vers la fin de la journée et que, par conséquent, le taux de diagnostics erronés augmente, car les cliniciens sont pressés de rattraper leur retard. Cette explication est certes rationnelle, mais n’est pas tout à fait rassurante.
Le « bruit » en dentisterie
Il serait aisé de transposer les données de recherche relatives au « bruit » en médecine ci-dessus à la dentisterie, mais ce n’est pas nécessaire. En effet, dans le cadre de l’interprétation des radiographies dentaires, le « bruit » a fait l’objet d’études approfondies et il a été constaté que de multiples facteurs contribuaient à son augmentation. Le facteur le plus étudié porte sur la complexité du diagnostic des radiographies de la bouche et, dans bien des cas, sur le manque de formation adéquate à cet égard. Prenons l’exemple suivant, tiré d’une école de médecine dentaire aux États-Unis :
L’École de médecine dentaire de l’Université du Missouri-Kansas City (UMKC) évalue l’interprétation radiographique dans le cadre de son examen clinique objectif structuré (ECOS). Les étudiants en médecine dentaire de cycle supérieur participent à l’ECOS multi-stations au cours du trimestre d’été entre la troisième et la quatrième année. Pendant le projet pilote, le rendement des étudiants à la station de radiologie de l’ECOS s’est traduit par un très faible pourcentage de réussite à la première tentative (2,9 %), soit le pourcentage le plus faible de toutes les stations de l’ECOS.
Le fait que 97 % des étudiants en médecine dentaire ont échoué à l’examen d’interprétation radiographique à la première tentative a démontré clairement que la formation reçue n’était pas adéquate. Quelques années après que l’école ait revu son approche de l’enseignement de l’interprétation des rayons X, ce taux a baissé à 73 %[v]. Néanmoins, les résultats montrent que l’on peut facilement se tromper lors du diagnostic de pathologies à partir d’images bidimensionnelles. On peut raisonnablement affirmer que des cliniciens expérimentés pourraient obtenir de meilleurs résultats; cependant, le monde réel pose un certain nombre de défis auxquels un étudiant qui passe un examen ne serait jamais confronté. Un dentiste qui est soumis à des contraintes de temps, sollicité par son personnel et ses patients est susceptible de consacrer beaucoup moins de temps à l’analyse d’une série de radiographies périapicales et interproximales, à la pose de diagnostics et à leur documentation. Les dentistes qui doivent composer avec le stress de la pratique quotidienne peuvent sentir qu’ils manquent de temps pour examiner l’ensemble des éléments d’un cas donné; or, nous connaissons bien les dangers de la vision en tunnel. D’autres peuvent parvenir au bon diagnostic, mais l’oublier avant d’avoir eu le temps d’entrer les notes au dossier du patient.
Le « bruit » a été observé aussi bien chez les experts en soins dentaires que chez les débutants dans le domaine. Dans le cadre d’une étude menée dans une école dentaire américaine, on a demandé aux enseignants cliniques « d’évaluer le pourcentage de perte osseuse de certaines dents lors de l’examen d’images radiographiques numérisées en sélectionnant l’une des catégories suivantes : moins de 15 %, de 15 % à 30 % et plus de 30 % »[vi]. Les réponses ont été harmonisées en fonction des directives de l’American Dental Association (ADA) et de l’American Academy of Periodontology (AAP). Lors de la première exposition aux images d’examen, « la majorité des enseignants cliniques étaient d’accord avec le bon choix, soit 64,5 % ». Cela signifie que, dans 35,5 % des cas, l’évaluation des formateurs et formatrices était erronée. Dans le cadre de cette étude, les chercheurs ont relevé « des inexactitudes et des incohérences dans l’interprétation des radiographies chez les enseignants cliniques ». Ils ont conclu qu’il était donc impératif de poursuivre « leur formation et leur calibration afin d’améliorer la précision et la cohérence de leurs évaluations ».
Outre le fait que la formation est inadéquate, il a été démontré que d’autres facteurs contribuent aux erreurs dans l’interprétation de la radiographie dentaire, notamment la lumière ambiante (les diagnostics étaient plus précis lorsque le dentiste étudiait l’image dans une pièce sombre après avoir laissé à ses yeux le temps de s’adapter)[vii]. La recherche a également révélé que la qualité des images radiographiques peut varier d’un système d’imagerie à l’autre, ce qui entraîne une fréquence accrue d’erreurs, et que « l’anatomie projetée contribue de manière substantielle au bruit, surtout lorsqu’il s’agit de détecter des objets peu contrastés dans les images »[viii]. Dans d’autres disciplines, il a été constaté que la fatigue, la faim et même l’humeur pouvaient influencer la qualité de jugements complexes.
Conséquences du « bruit »
Quelle qu’en soit la cause, nous savons qu’une évaluation erronée des radiographies peut entraîner une myriade de résultats sous-optimaux, tels qu’un diagnostic erroné, un diagnostic manqué ou retardé, un surtraitement ou un traitement insuffisant, une évaluation erronée des maladies parodontales chez les patients au fil du temps et, en fin de compte, de piètres résultats thérapeutiques, des patients insatisfaits et une responsabilité fondée sur la faute. En retour, ces facteurs peuvent avoir une incidence négative sur la santé financière, le niveau de stress et la satisfaction professionnelle des cliniciens. Bien que le taux exact d’erreurs (ou de bruit) dans une clinique dentaire réelle soit difficile à déterminer, les cliniciens qui ont une connaissance approfondie de la recherche et qui ne souffrent pas de l’effet Denning-Kruger devraient être motivés pour réduire les erreurs de diagnostic des pathologies buccales à partir d’images radiographiques.
Réduire le « bruit » et améliorer la qualité de l’interprétation radiographique
Les experts en matière de sécurité des patients et les cliniciens praticiens ont proposé plusieurs façons d’aborder le « bruit » dans le domaine des soins de santé. Deux des études mentionnées ci-dessus soutiennent que des programmes de formation rigoureusement appliqués et bien structurés sont incontournables pour améliorer la qualité de l’interprétation radiographique. Les améliorations apportées aux processus, notamment la mise en œuvre de protocoles et de listes de vérification, ont montré qu’elles pouvaient réduire les erreurs de diagnostic. Au niveau organisationnel, on reconnaît que les cultures centrées sur le patient et qui mettent l’accent sur sa sécurité réduisent, au fil du temps, les événements indésirables et d’autres incidents liés à la sécurité du patient. Les fournisseurs de soins de santé ne devraient jamais renoncer aux améliorations progressives; toutefois, la radiologie dentaire est sur le point de connaître des bouleversements technologiques considérables et rapides.
L’application des programmes d’intelligence artificielle (IA) dans le cadre de la profession médicale a connu une véritable explosion ces dix dernières années, et ses applications en dentisterie se développent à une vitesse fulgurante. Jusqu’à tout récemment, l’idée selon laquelle un ordinateur est en mesure de faire des recherches dans toute la base de données de radiographies d’une clinique dentaire, de cerner les diagnostics manqués et d’un simple clic, d’aider à la détection d’une grande variété de pathologies buccales relevait du fantasme. Or, l’IA fait déjà partie du paysage. En fait, de nombreux produits ont rapidement été mis sur le marché et les premiers utilisateurs, notamment les dentistes généralistes et les spécialistes dentaires en clinique privée, ont intégré des solutions d’IA dans leur routine quotidienne. L’IA, les algorithmes d’apprentissage en profondeur et le diagnostic assisté par ordinateur font partie de l’essence même de la dentisterie – et chaque jour, cette technologie devient de plus en plus sophistiquée. Nous pouvons résumer le rythme auquel évoluent les choses dans ce domaine en quelques mots : il suffit de cligner des yeux et vous allez tout rater.
Les programmes d’IA aident les cliniciens à retracer les points de repère céphalométriques, à détecter les caries, la perte osseuse alvéolaire et les pathologies pulpaires, à marquer le nerf alvéolaire inférieur, à analyser la croissance faciale et à effectuer d’autres tâches similaires. L’utilisation de l’IA pour le dépistage du cancer de la bouche et des métastases des nœuds lymphatiques est en plein développement, tout comme le diagnostic et la planification du traitement de diverses autres maladies orofaciales courantes. Dans un avenir pas trop lointain, les algorithmes d’apprentissage en profondeur et de méta-apprentissage seront même capables de détecter des maladies rares. À l’avant-garde de cette technologie, les chercheurs travaillent sur un algorithme qui sera capable de « détecter les lésions universelles », non seulement dans la bouche, mais dans tout le corps (et même dans le cerveau).
Dans les domaines de base de la dentisterie, l’IA est déjà plus performante que les dentistes; dans le cadre d’une étude, « un algorithme d’[apprentissage] en profondeur a permis de détecter des lésions carieuses avec une précision de 75,5 à 93,3 % et une sensibilité de 74,5 à 97,1 %[ix]. Il s’agit d’une amélioration considérable, comparativement au diagnostic posé par les cliniciens qui utilisent uniquement des radiographies, dont la sensibilité varie de 19 % à 94 % ». En utilisant un autre algorithme, « la précision du diagnostic [de la dent atteinte de parodontite] s’est avérée de 76,7 à 81,0 %, tandis que la précision de la prédiction du besoin d’extraction était de 73,4 à 82,8 % »[x]. De toute évidence, on peut faire mieux; toutefois, les tests ont montré des taux d’erreurs de 35,5 % et, avec chaque radiographie supplémentaire introduite dans ces algorithmes, leur précision et leur utilité connaîtront une augmentation.
Bien qu’il s’agisse d’une technologie révolutionnaire, l’IA n’est pas encore prête à remplacer les professionnels des soins dentaires. « L’utilisation de l’IA devrait plutôt être considérée comme un atout complémentaire, qui aide les dentistes et les spécialistes » dans un effort visant à minimiser le « bruit » qui a si longtemps résonné dans le domaine de l’interprétation des radiographies. Nous sommes conscients du fait que la technologie peut considérablement bousculer la pratique de la dentisterie – il suffit de voir les impacts sur l’industrie de l’algorithme d’Invisalign et des entreprises comme Smile Direct Club. Il nous appartient d’intégrer la technologie dans notre pratique.
À propos des auteurs
Julian Perez est vice-président principal de la gestion du risque et de la conformité chez dentalcorp. Il est notamment responsable de l’élaboration, de la mise en œuvre et de la supervision des normes, des programmes et des systèmes à l’échelle de l’entreprise qui visent à promouvoir la prestation de soins optimaux aux patient(e)s. Avant de se joindre à dentalcorp, Julian a travaillé à l’Ordre royal des chirurgiens dentistes de l’Ontario, d’abord comme enquêteur sur les plaintes, puis comme conseiller juridique principal pour le programme de responsabilité professionnelle. Ayant pratiqué le droit à New York avant de déménager au Canada, Julian possède une vaste expertise juridique. Il a obtenu un baccalauréat à l’Université Yale et un doctorat en jurisprudence à la faculté de droit de l’Université Columbia. Il est également titulaire d’une maîtrise en droit international.
La Dre Michelle Budd travaille avec l’équipe de gestion du risque et de la conformité de dentalcorp à titre de consultante en sécurité des patients. Elle est titulaire d’une maîtrise en santé publique, qu’elle a obtenue après son doctorat en chirurgie dentaire de l’Université Western. Michelle a été consultante dentiste pour plusieurs compagnies d’assurances et organismes gouvernementaux. Elle a également voyagé aux quatre coins du Canada afin d’aider les cliniques dentaires à être et à rester conformes aux normes professionnelles.
[i] Kahneman, Daniel, Olivier Sibony et Cass R. Sunstein. Noise: a flaw in human judgment. Little, Brown, 2021.
[ii] Variability in the interpretation of screening mammograms by US radiologists. Findings from a national sample, C A Beam, P M Layde, D C Sullivan, 1996: https://pubmed.ncbi.nlm.nih.gov/8546556/.
[iii] Variation between experienced observers in the interpretation of accident and emergency radiographs.
P J Robinson 1, D Wilson, A Coral, A Murphy, P Verow, Br J Radiol., 1999: https://pubmed.ncbi.nlm.nih.gov/10474490/.
[iv] Association of Primary Care Clinic Appointment Time With Clinician Ordering and Patient Completion of Breast and Colorectal Cancer Screening, Esther Y. Hsiang, BA1,2; Shivan J. Mehta, MD, MBA3; Dylan S. Small, PhD2; et coll. Charles A. L. Rareshide, MS4; Christopher K. Snider, MPH4; Susan C. Day, MD, MPH3; Mitesh S. Patel, MD, MBA, MS2,3,4,5, Author Affiliations Article Information, JAMA Netw Open. 2019;2(5):e193403. doi:10.1001/jamanetworkopen.2019.3403.
[v] Predoctoral Curricular Revision for Dental Radiographic Interpretation Competence Based on OSCE Results, Kumar, Vandana ; Gadbury‐Amyot, Cynthia C, Journal of dental education, 2019-10, Vol. 83 (10), p. 1233-1239.
[vi] Accuracy and Consistency of Radiographic Interpretation Among Clinical Instructors Using Two Viewing Systems, Lanning, Sharon K; Best, Al M; Temple, Henry J; Richards, Philip S; Carey, Allison; McCauley, Laurie K, Journal of dental education, 2006-02, Vol. 70 (2), p. 149-159.
[vii] Kawai, Taisuke, Kenji Sato, et Takashi Yosue. Effects of viewing conditions on the detection of contrast details on intraoral radiographs. Oral Radiology 21.1 (2005): 23-29.
[viii] The effect of anatomical noise on perception of low contrast in intra-oral radiographs: an in vitro study.
Olsson, Lars ; Nilsson, Mats; Svenson, Björn ; Hellén-Halme, Kristina, Dento-maxillo-facial radiology, 2016, Vol. 45 (4), p. 20150402-20150402
[ix] Bader JD, Shugars DA, Bonito AJ. Systematic reviews of selected dental caries diagnostic and management methods. J Dent Educ. 2001;65(10):960-8.
[x] Lee JH, Kim DH, Jegon SN, Choi SH. Diagnosis and prediction of periodontally compromised teeth using a deep learning-based convolutional neural network algorithm. J Periodontal Implant Sci. 2018;48(2):of114-23.