L’IA peut-elle anticiper les risques pour les patients ?

Un patient est hospitalisé depuis plusieurs jours. Sa tension artérielle, sa fréquence cardiaque et sa respiration sont régulièrement surveillées. Les résultats de ses analyses biologiques viennent compléter son dossier médical.

Depuis quelques heures, certains paramètres évoluent. Sa fréquence respiratoire augmente légèrement, sa tension diminue et plusieurs résultats biologiques commencent à s’écarter de leurs valeurs habituelles.

Pris séparément, ces changements ne signalent pas nécessairement une complication. Mais leur évolution combinée peut parfois révéler une dégradation de l’état du patient avant que celle-ci ne devienne évidente.

C’est l’un des usages étudiés de l’intelligence artificielle à l’hôpital : analyser plusieurs informations médicales pour identifier des situations présentant un risque accru de complication.

L’objectif n’est pas de prédire avec certitude ce qui va arriver au patient, mais d’aider les professionnels de santé à repérer certains signaux suffisamment tôt pour pouvoir les évaluer.

Repérer des signaux dans les données médicales

Les équipes soignantes surveillent déjà de nombreux indicateurs pour apprécier l’évolution de l’état d’un patient. Elles s’appuient sur leurs observations, les constantes vitales, les examens et les informations recueillies tout au long de l’hospitalisation.

Certains systèmes d’intelligence artificielle peuvent compléter cette surveillance en analysant simultanément plusieurs paramètres.

Prenons l’exemple d’un patient hospitalisé présentant un risque de détérioration clinique.

Un modèle peut être entraîné à reconnaître des associations entre différentes données : fréquence cardiaque, pression artérielle, fréquence respiratoire, température ou résultats biologiques.

À partir de ces informations, il peut calculer un score estimant la probabilité d’une dégradation de l’état du patient dans un délai donné.

Ce score ne constitue pas un diagnostic.

Il indique simplement que les données analysées présentent certaines caractéristiques associées, dans les données utilisées pour développer le modèle, à un risque plus élevé.

Le professionnel de santé doit ensuite interpréter cette information en tenant compte de l’ensemble de la situation clinique.

Anticiper ne signifie pas prédire avec certitude

Lorsqu’un système signale un risque élevé, cela ne signifie pas que le patient présentera nécessairement une complication.

Les modèles prédictifs reposent sur des relations statistiques observées dans des données médicales. Ils peuvent identifier des situations associées à certains événements, sans connaître à l’avance l’évolution individuelle d’un patient.

Deux personnes présentant des résultats similaires peuvent évoluer différemment selon leurs antécédents, leurs traitements ou d’autres caractéristiques médicales.

La fiabilité d’une prédiction dépend également des données utilisées pour développer le modèle et de sa capacité à fonctionner dans les conditions où il sera employé.

Un outil évalué dans un établissement peut ainsi présenter des performances différentes dans un autre hôpital, auprès de patients différents ou dans un contexte de soins qui n’est pas identique.

C’est pourquoi une bonne performance statistique ne suffit pas à démontrer qu’un système sera réellement utile aux équipes soignantes.

Encore faut-il que ses résultats puissent être interprétés et utilisés dans la prise en charge.

Une alerte n’est utile que si elle permet d’agir

Imaginons maintenant qu’un système détecte un risque accru de dégradation chez un patient hospitalisé.

Il transmet une alerte à l’équipe soignante.

Cette information peut attirer l’attention sur une situation qui mérite d’être examinée. Mais pour être utile, elle doit répondre à plusieurs questions.

À quel moment l’alerte est-elle transmise ? À quel professionnel s’adresse-t-elle ? Quelles données permettent de comprendre pourquoi le patient a été signalé ? Et quelle évaluation clinique peut-elle déclencher ?

Une alerte trop tardive peut perdre une grande partie de son intérêt. Une alerte insuffisamment contextualisée peut, au contraire, demander des vérifications supplémentaires avant de pouvoir être interprétée.

Son intégration dans le travail quotidien des équipes est donc aussi importante que la capacité du modèle à identifier un risque.

Un système peut être performant sur le plan statistique tout en apportant peu de bénéfices s’il interrompt inutilement les professionnels ou ne s’inscrit pas dans une procédure de prise en charge clairement définie.

Détecter un risque, déclencher une alerte et améliorer les soins sont trois étapes différentes.

La réussite de la première ne garantit pas celle des deux suivantes.

Le risque de multiplier les fausses alertes

La détection précoce présente une difficulté particulière : plus un système cherche à identifier de situations potentiellement préoccupantes, plus il peut également signaler des patients qui ne présenteront finalement aucune complication.

On parle alors de faux positifs.

Dans un service hospitalier, un nombre trop important d’alertes peut obliger les professionnels à vérifier régulièrement des situations qui ne nécessitent pas d’intervention supplémentaire.

Cette accumulation peut contribuer à une fatigue liée aux alertes. À terme, les professionnels risquent d’accorder moins d’attention aux notifications, y compris lorsqu’elles concernent des situations importantes.

À l’inverse, un système dont les critères sont trop restrictifs peut ne pas détecter certains patients dont l’état se dégrade. Ce sont les faux négatifs.

L’enjeu consiste donc à trouver un équilibre entre la détection des situations à risque et la limitation des alertes injustifiées.

Cet équilibre dépend notamment de la gravité de l’événement surveillé, de sa fréquence et des possibilités d’intervention.

Une alerte n’a pas la même valeur selon qu’elle permet d’éviter une complication grave ou qu’elle signale une variation sans conséquence clinique.

Des résultats prometteurs, mais des bénéfices à démontrer

La recherche sur les systèmes d’alerte précoce utilisant l’intelligence artificielle progresse, notamment pour identifier les patients susceptibles de présenter une détérioration clinique.

Ces travaux montrent qu’il est possible de développer des modèles capables de reconnaître certaines associations entre les données médicales et les complications observées.

Mais leur efficacité doit être évaluée au-delà des performances obtenues lors des phases de développement.

Un modèle peut identifier correctement de nombreux patients à risque sans nécessairement améliorer leur prise en charge.

Pour mesurer son intérêt, il faut notamment déterminer si les alertes permettent aux équipes d’intervenir plus tôt, si elles modifient effectivement les décisions médicales et si elles contribuent à améliorer les résultats pour les patients.

Cette évaluation doit être menée dans les conditions réelles d’utilisation, en tenant compte de l’organisation des services et du travail des professionnels.

L’objectif n’est donc pas simplement de produire des prédictions fiables.

Il est de vérifier que les informations transmises apportent une valeur clinique supplémentaire.

Des données fiables pour comprendre l’évolution du patient

Pour identifier une évolution clinique, un système prédictif doit pouvoir exploiter des informations fiables, suffisamment récentes et correctement contextualisées.

Ces données peuvent provenir de différentes parties du dossier patient : constantes vitales, résultats biologiques, antécédents, traitements ou événements survenus pendant l’hospitalisation.

Leur disponibilité ne garantit toutefois pas qu’elles puissent être utilisées correctement.

Une mesure enregistrée avec retard, une information manquante ou un résultat associé au mauvais épisode de soins peuvent modifier l’interprétation d’un modèle.

La chronologie joue également un rôle essentiel. Pour analyser l’évolution d’un patient, il faut pouvoir distinguer les observations récentes des informations plus anciennes.

Cette question rejoint un enjeu abordé dans les précédents épisodes de notre série : la qualité et la structuration des données médicales conditionnent une grande partie des usages possibles de l’intelligence artificielle.

Chez Galeon, la structuration des informations directement dans le dossier patient s’inscrit dans cette logique : rendre les données médicales exploitables, contextualisées et reliées au parcours de soins.

Le développement de fonctionnalités prédictives nécessite néanmoins des étapes supplémentaires de conception, de validation clinique et d’intégration aux pratiques hospitalières.

Aider les soignants à intervenir au bon moment

L’intelligence artificielle peut contribuer à identifier, dans les données médicales, des associations qui méritent une attention particulière.

Mais son intérêt dépend de ce qui se passe ensuite.

Dans certaines situations, un signalement précoce pourrait permettre d’examiner plus rapidement un patient ou de renforcer sa surveillance. Dans d’autres, une alerte supplémentaire pourrait ne rien changer à sa prise en charge.

La question essentielle reste donc celle de l’utilité clinique.

Le système permet-il de repérer une situation qui aurait autrement été identifiée plus tard ? Les professionnels disposent-ils des informations nécessaires pour comprendre l’alerte ? Une intervention adaptée peut-elle être engagée ?

Ces questions doivent être étudiées auprès des équipes et des patients concernés, dans les conditions réelles d’utilisation.

L’IA prédictive ouvre des perspectives intéressantes pour la surveillance hospitalière. Mais elle ne remplace ni l’observation clinique, ni l’expérience des soignants, ni leur capacité à prendre des décisions adaptées à chaque patient.

Anticiper un risque ne signifie pas connaître l’avenir.

Cela consiste à fournir aux professionnels une information supplémentaire, suffisamment pertinente et fiable pour les aider à évaluer une situation au moment où une intervention peut encore être utile.

À lire aussi

• Une IA peut-elle comprendre votre dossier médical ?
• Peut-on faire confiance à une réponse générée par une IA ?
• Qu'est-ce que la certification LAP (Logiciel d'Aide à la Prescription) ? Le guide complet pour les DSI d'hôpital en 2026