Un outil d’IA veut renforcer l’analyse des traumatismes crâniens en justice

Lorsqu’une personne présente un traumatisme crânien, déterminer avec précision ce qui s’est passé peut être décisif, tant pour les soins que pour la justice. Une chute, un accident, un choc volontaire ou des violences répétées peuvent laisser des lésions dont l’interprétation demande une expertise médicale poussée. Un nouvel outil alimenté par l’intelligence artificielle ambitionne d’assister cette lecture médico-légale en analysant des données complexes, notamment des images médicales et des rapports d’autopsie.

La promesse est importante : fournir aux spécialistes et aux enquêteurs un appui supplémentaire pour documenter des affaires difficiles, tout en réduisant le temps nécessaire à l’examen de grands volumes d’informations. Pour autant, une IA ne peut pas, à elle seule, raconter les circonstances d’un décès ou d’une blessure. Dans ce domaine, ses résultats doivent rester intégrés à une expertise humaine, à l’ensemble du dossier et aux règles de la procédure judiciaire.

Pourquoi l’analyse des traumatismes crâniens est-elle complexe ?

Le terme traumatisme crânien recouvre des atteintes très différentes, depuis une blessure superficielle jusqu’à des lésions touchant le crâne ou le cerveau. En médecine légale, les professionnels ne s’arrêtent pas à la présence d’une blessure : ils examinent sa localisation, sa forme, son ancienneté possible, son intensité et sa cohérence avec les éléments connus du dossier.

Cette démarche est particulièrement délicate lorsque plusieurs explications semblent possibles. Certaines lésions peuvent être compatibles avec une chute, mais aussi avec d’autres mécanismes. L’analyse tient alors compte de nombreux éléments : constatations médicales, résultats d’imagerie, examen post-mortem lorsqu’il y en a un, environnement dans lequel la personne a été retrouvée et informations recueillies au cours de l’enquête.

L’enjeu est de ne pas confondre une hypothèse avec une certitude. Une image médicale peut objectiver une lésion, mais elle ne désigne pas automatiquement sa cause ni la personne éventuellement responsable. C’est précisément dans cette phase d’analyse, qui associe données médicales et raisonnement expert, que l’outil présenté entend apporter une aide.

Ce que l’outil d’IA est censé analyser

L’outil décrit repose sur des algorithmes capables d’examiner des informations médico-légales complexes. La présentation disponible indique qu’il s’intéresse aux images médicales ainsi qu’aux rapports d’autopsie. Son rôle annoncé est d’identifier des motifs caractéristiques associés à différents types de blessures, afin d’aider à apprécier leur nature, leur gravité et leur origine possible.

L’un des usages envisagés concerne la distinction entre traumatismes accidentels et situations pouvant faire suspecter une maltraitance. Cette fonction doit être comprise avec prudence : un système peut signaler des ressemblances entre un cas et les exemples sur lesquels il a été entraîné, mais il ne peut pas établir seul une intention ni qualifier juridiquement des faits.

La présentation de l’outil ne précise pas, au 2 mars 2025, le nom de l’équipe qui l’a développé, le volume ou l’origine des données utilisées, ni ses résultats chiffrés. Ces informations sont pourtant essentielles pour évaluer une technologie de santé : il faut notamment connaître sa capacité à détecter les cas pertinents, le nombre d’erreurs possibles et la diversité des situations sur lesquelles elle a été testée.

Comment une IA peut-elle repérer des motifs dans des données médicales ?

Dans les applications d’imagerie, un système d’IA apprend généralement à associer des caractéristiques observées dans des examens à des annotations réalisées par des spécialistes. Il peut ensuite attribuer un niveau de probabilité à certains motifs dans de nouveaux cas. Dans les documents textuels, l’IA peut aussi aider à extraire, classer ou rapprocher des informations figurant dans les rapports.

Ce fonctionnement peut accélérer certaines tâches répétitives. Un logiciel peut, par exemple, attirer l’attention sur une zone ou une formulation que l’expert devra ensuite vérifier. Il peut aussi faciliter la comparaison de dossiers nombreux ou hétérogènes. Son intérêt potentiel réside moins dans une décision autonome que dans sa capacité à organiser l’information et à assister l’observation.

Mais la qualité d’un résultat dépend directement de l’apprentissage du système. Des données incomplètes, mal étiquetées ou insuffisamment représentatives peuvent produire des erreurs. Un modèle entraîné sur un groupe restreint de patients ou sur des protocoles d’imagerie spécifiques peut être moins fiable dans d’autres établissements ou pour d’autres populations.

Pour être crédible, un outil de ce type doit donc être évalué sur des cas qu’il n’a jamais vus, idéalement par des équipes indépendantes de ses concepteurs. Les professionnels doivent aussi pouvoir comprendre ce qui a conduit le système à attirer leur attention, identifier ses limites et conserver la possibilité de le contredire lorsque le contexte clinique ou judiciaire l’exige.

Une aide à l’enquête, pas un arbitre des preuves

Dans les affaires impliquant des traumatismes crâniens, les forces de l’ordre et les magistrats peuvent avoir besoin d’avis médico-légaux particulièrement détaillés. Un outil d’IA pourrait faciliter la préparation de ces avis, en rendant plus rapide la recherche d’éléments pertinents dans des documents et en aidant à documenter les constatations de manière plus structurée.

L’intérêt pratique annoncé est double. D’une part, les enquêteurs pourraient disposer plus vite de points médicaux à examiner ou à faire vérifier. D’autre part, les experts pourraient consacrer davantage de temps aux aspects qui requièrent un raisonnement clinique et médico-légal approfondi. Dans des dossiers complexes, ce gain d’organisation peut contribuer à mieux exploiter les informations disponibles.

Il serait toutefois trompeur de présenter l’IA comme naturellement objective ou impartiale. Un logiciel applique les règles issues de sa conception et de ses données d’entraînement. Si ces données comportent des biais, des lacunes ou des erreurs, ses résultats peuvent les reproduire. La neutralité ne vient donc pas de la seule présence d’un algorithme, mais de la qualité de sa conception, de ses tests, de sa supervision et de son utilisation contradictoire.

En justice, la traçabilité est également déterminante. Il faut pouvoir documenter quelle version du système a été utilisée, avec quelles données et selon quel protocole. L’expert doit pouvoir expliquer son raisonnement propre, distinguer ce qu’il a observé de ce qui a été suggéré par le logiciel, et ne pas présenter une probabilité calculée comme une certitude scientifique.

La formation des professionnels sera déterminante

L’adoption d’un tel outil supposerait une collaboration étroite entre chercheurs en IA, médecins légistes, radiologues, enquêteurs, magistrats et spécialistes de la protection des données. Chacun intervient à un moment différent de la chaîne, avec des obligations et un vocabulaire propres. Une interface simple ne suffira pas si les utilisateurs ne savent pas interpréter les résultats qu’elle fournit.

Des formations spécifiques seraient nécessaires pour expliquer ce que le système mesure réellement, ce qu’il ignore et dans quelles situations ses conclusions doivent être écartées ou vérifiées. Un enquêteur ne doit pas transformer une alerte algorithmique en accusation. De même, un professionnel de santé doit pouvoir déceler une recommandation incohérente avec l’examen de la personne ou avec les éléments médico-légaux du dossier.

L’intégration aux pratiques existantes devra aussi respecter les procédures de conservation des pièces, de rédaction des rapports et de communication entre services. Une technologie utile est une technologie qui s’insère dans un protocole clair, où les responsabilités de chacun sont définies.

Données de santé, confidentialité et cadre juridique

Les données médicales utilisées en médecine légale sont particulièrement sensibles. Images, comptes rendus et informations liées à une enquête peuvent concerner des victimes, des proches ou des personnes mises en cause. Leur collecte, leur hébergement, leur accès et leur traitement doivent donc répondre à des exigences strictes de confidentialité et de sécurité.

Le développement d’une IA destinée à ce champ soulève plusieurs questions concrètes : quelles données peuvent servir à l’entraînement du système ? Dans quelles conditions doivent-elles être pseudonymisées ou anonymisées ? Qui peut consulter les résultats ? Combien de temps les informations sont-elles conservées ? Et comment une personne concernée peut-elle exercer ses droits lorsque cela est compatible avec une procédure judiciaire ?

En Europe, l’usage de l’IA s’inscrit notamment dans le cadre de la protection des données personnelles et dans le déploiement progressif du règlement européen sur l’intelligence artificielle. Selon sa finalité exacte et son contexte d’utilisation, un système appliqué à la santé ou aux activités des forces de l’ordre peut relever d’exigences élevées en matière de gestion des risques, de documentation, de contrôle humain et de qualité des données.

Il ne suffit donc pas qu’un outil soit performant en laboratoire. Il doit aussi être légalement déployable, sécurisé, auditable et compatible avec les garanties fondamentales d’une procédure équitable.

Des extensions possibles, à condition de recommencer les validations

Les concepteurs envisagent une extension de l’approche à d’autres traumatismes, notamment ceux liés aux blessures par armes à feu ou aux chutes. Cette perspective est logique : plusieurs domaines de la médecine légale reposent sur l’interprétation de données complexes et sur la comparaison de caractéristiques observées avec des connaissances médicales établies.

Mais une extension ne consiste pas simplement à ajouter de nouveaux exemples dans une base de données. Les mécanismes de blessure, les examens utilisés, les questions posées par les enquêteurs et les marges d’erreur acceptables peuvent différer profondément d’un cas à l’autre. Chaque nouvelle indication devrait donc faire l’objet de données adaptées, de tests spécifiques et d’une validation par les professionnels concernés.

L’objectif d’une meilleure prévention des blessures ne doit pas non plus être confondu avec l’usage médico-légal. Une IA destinée à analyser des preuves après un événement peut contribuer à mieux comprendre certains phénomènes, mais elle ne remplace pas les politiques de prévention, l’accès rapide aux soins ni l’accompagnement des victimes.

Ce qu’il faut surveiller avant une utilisation à grande échelle

L’outil présenté illustre l’intérêt grandissant de l’IA pour assister les métiers confrontés à des données médicales et judiciaires très techniques. Son potentiel dépendra moins de la promesse d’une automatisation que de sa capacité à être rigoureusement éprouvé dans des conditions proches du terrain.

Plusieurs points devront être suivis : la publication d’informations sur les données d’entraînement, les évaluations indépendantes, les taux d’erreur selon les types de lésions, la capacité des experts à contester ou confirmer les résultats, ainsi que les règles appliquées à la confidentialité. La transparence sur ces éléments permettra de distinguer un véritable outil d’assistance clinique et médico-légale d’une démonstration technologique encore insuffisamment documentée.

À cette condition, l’IA pourrait devenir un instrument utile : non pas une machine qui tranche à la place des humains, mais un appui supplémentaire pour mieux examiner les faits, expliciter les incertitudes et renforcer la qualité des décisions médicales et judiciaires.