Jean Pierre LAROCHE 26 Avril 2026 Clics : 124

IA et soins primaires

"Le danger de l’IA n’est pas qu’elle devienne consciente et nous déteste, mais qu’elle devienne compétente et nous ignore " Eliezer Yudkowsky,

"L’IA est un miroir qui reflète l’humanité. Si nous n’aimons pas ce que nous voyons, nous devons changer nous-mêmes, pas l’IA." Joanna Bryson,

"Le consensus actuel dans le milieu médical est que l'IA apporte la précision, tandis que l'humain apporte le soin (le care). On parle alors de médecine 4P : Prédictive, Préventive, Personnalisée et Participative." Gemni IA

Laranjo L, Tudor Car L, Payne R et al.

L'intelligence artificielle dans les soins primaires : l'innovation à la croisée des chemins

The Lancet Primary Care, 2025 ; 2
https://www.thelancet.com/journals/lanprc/article/PIIS3050-5143(25)00078-0/fulltext?dgcid=twitter_organic_clinical_green_lanprc
Article en libre accès

Bien que constituant un pilier de la prestation de soins de santé, les soins primaires sont soumis à une pression croissante. Les dernières avancées en intelligence artificielle (IA) offrent de nouvelles perspectives pour transformer les soins primaires.

Cependant, le déploiement rapide de l'IA, avant toute évaluation rigoureuse en situation réelle ou réglementation, soulève des inquiétudes quant à ses conséquences imprévues sur la qualité des soins.

Cet article passe en revue les applications de l'IA en soins primaires, notamment son rôle de soutien aux professionnels de santé et aux patients. Il examine l'impact de ces applications sur différents aspects de la qualité des soins – efficacité, sécurité, rapidité, efficience, prise en charge centrée sur le patient, expérience des professionnels de santé, équité et santé publique. Il se penche également sur l'impact de ces applications sur les attributs spécifiques aux soins primaires : accessibilité, exhaustivité, coordination et continuité.

La mise en œuvre de l'IA en soins primaires bénéficie d'une analyse approfondie de ces aspects de la qualité, d'une attention particulière portée aux principes de conception universelle, aux déterminants numériques de la santé et à la littératie en santé liée à l'IA, ainsi que d'une adéquation avec les expériences et les valeurs des patients, afin de favoriser une transition vers des soins primaires durables et de haute qualité, intégrant l'IA.

lancce

Définitions et applications de l'intelligence artificielle (IA) dans le domaine de la santé

L'intelligence artificielle (IA) désigne la capacité des systèmes informatiques à effectuer des tâches généralement associées à l'intelligence humaine, telles que l'apprentissage, le raisonnement, la résolution de problèmes, la compréhension du langage et la reconnaissance de formes. Les systèmes d'IA à base de ^règles existent depuis les années 1950 et fonctionnent selon des règles et une logique définies, programmées par des humains. À l'inverse, l'apprentissage automatique est un sous-domaine de l'IA qui repose sur la capacité des algorithmes à identifier des modèles dans les données (c'est-à-dire à apprendre des données) et à effectuer des tâches automatisées sans programmation humaine explicite de chaque étape. ^{Dans le domaine de la santé, l'apprentissage automatique est couramment utilisé pour la prédiction des risques et l'aide à la décision clinique, grâce à l'analyse de données structurées issues des dossiers médicaux électroniques. L'apprentissage profond est un sous-domaine}^de l'apprentissage automatique qui utilise des réseaux neuronaux artificiels multicouches pour identifier des modèles dans les données. L'apprentissage profond est de plus en plus utilisé dans l'analyse d'images médicales et les applications de traitement automatique du langage naturel afin d'extraire des informations pertinentes des notes cliniques. Le traitement automatique du langage naturel est le domaine de l'IA qui vise à permettre aux ordinateurs de comprendre, d'interpréter et de produire le langage humain (texte ou parole). Il est couramment appliqué aux chatbots et autres systèmes d'IA conversationnels capables de tenir des conversations similaires à celles des humains.

Plus récemment, l'émergence de l'IA générative a engendré une avancée technologique majeure qui bouleverse de nombreux domaines, dont la santé ^et les soins de santé. L'IA générative est une forme d'apprentissage profond capable de créer du contenu inédit, notamment du texte (dans le cas des grands modèles de langage [LLM]), des images, de l'audio, de la vidéo et des données qui imitent la production humaine. Les LLM sont entraînés à comprendre et à générer le langage humain en analysant d'énormes quantités de données textuelles et en apprenant les schémas d'utilisation des mots et des phrases.

Les interactions avec un LLM se déroulent généralement en langage naturel via une interface d'IA conversationnelle. Le système conserve la trace du contexte et des itérations d'une conversation, à l'instar d'une conversation humaine. ^Les LLM actuels peuvent être sensibles à la formulation de la requête (c'est-à-dire la question ou l'entrée) ; les variations dans les mots, les expressions ou la forme de la requête peuvent affecter la qualité et la précision des réponses générées par le LLM. L'ingénierie des requêtes consiste à concevoir et ^{à affiner}^les requêtes afin d'améliorer les performances du LLM pour une tâche ou un résultat spécifique ^.

Outre les modèles linéaires généralistes généralement accessibles au public, il existe également des solutions spécialisées et adaptées à des tâches spécifiques, axées sur les soins cliniques. Les modèles linéaires axés sur la santé s'appuient généralement sur des approches plus complexes, notamment la génération augmentée par la recherche et l'ajustement fin au domaine médical. La génération augmentée par la recherche est une approche qui pallie certaines limitations des modèles linéaires en combinant leurs capacités génératives avec la recherche d'informations en temps réel à partir de sources de données validées, telles que les recommandations cliniques, la littérature médicale ou les dossiers médicaux électroniques.<sup> ¹⁰ </sup> L'ajustement fin consiste à réentraîner un modèle linéaire général à l'aide d'ensembles de données spécifiques au domaine (par exemple, des ensembles de données de questions-réponses médicales) afin d'optimiser ses performances dans ce domaine. Des études montrent que ces modèles peuvent désormais obtenir d'excellents résultats aux examens d'agrément médical.

Stratégies et considérations pour les prestataires de soins primaires utilisant de grands modèles de langage (LLM) pour les requêtes de connaissances

Différentes stratégies d'incitation ont démontré leur capacité à améliorer les réponses des modèles existants. En général, les incitations efficaces sont directes, illustrées d'exemples et contextualisées. Parmi ces stratégies, on peut citer l'incitation par quelques exemples (présentant la tâche à travers des exemples), l'incitation par la chaîne de pensée (expliquant le raisonnement de chaque exemple) ou l'incitation par persona (attribuant un rôle au modèle, par exemple : « Imaginez que vous êtes médecin… »). ^<sup>^9,11^</sup> Toutefois, l'ingénierie des incitations est un domaine en constante évolution et les performances des différentes stratégies peuvent varier à chaque mise à jour des modèles. Les nouveaux modèles semblent mieux adaptés à une grande variété d'incitations et peuvent demander des informations complémentaires afin de mieux personnaliser leurs réponses.

Considérations à l'intention des prestataires de soins primaires utilisant des LLM :

•La nature générative des LLM peut parfois conduire à des réponses factuellement incorrectes mais convaincantes, appelées hallucinations ou confabulations.

•Les modèles de raisonnement logique (LLM) ne tiennent pas compte de la solidité des preuves et peuvent produire des réponses fondées sur des preuves faibles ou des sources peu fiables. Les LLM s'appuient sur des données publiques.

•Les LLM ne sont pas mis à jour en temps réel et peuvent ne pas avoir accès aux données les plus récentes.

•Les modèles de langage explicables (MLE) peuvent être incapables de rapporter correctement les sources de leurs réponses ni le raisonnement qui les sous-tend (problème de la boîte noire). Même lorsque le raisonnement est fourni, la réponse est soumise aux mêmes limitations que toute sortie de MLE (par exemple, des hallucinations) et doit être interprétée avec prudence. Les limitations inhérentes à l'intelligence artificielle explicable¹⁵ sont encore plus marquées avec les ^MLE , car les explications peuvent donner une forte illusion de transparence et présenter un risque accru d'induire une confiance excessive et de biais décisionnels, tels que le biais de confirmation et le biais d'automatisation.

•Les titulaires d'un LLM peuvent avoir des difficultés à communiquer efficacement l'incertitude.

•Les LLM peuvent faire preuve d'un comportement flagorneur et refléter ou approuver la pensée de l'utilisateur, même lorsque le raisonnement de ce dernier est erroné ou factuellement incorrect.

•Les LLM peuvent utiliser des invites et des données d'entrée pour entraîner les modèles ; par conséquent, aucune information sensible ni donnée permettant d'identifier un patient ne doit leur être fournie. ⁹

•Les performances des LLM sont variables pour les langues autres que l'anglais.

Points de vue d'un patient et d'un médecin généraliste sur la prise de notes par intelligence artificielle (IA)

Point de vue du bénéficiaire de soins

David (84 ans) est un vétérinaire retraité vivant aux États-Unis.

La semaine dernière, je suis allée à ma clinique pour un contrôle pulmonaire et j'ai eu une drôle de surprise ! Ma médecin m'a d'abord demandé l'autorisation d'enregistrer la consultation. Ensuite, elle a procédé à l'examen habituel, vérifiant mes symptômes, etc., et je n'ai pas du tout pensé qu'elle était enregistrée. Pourtant, j'avais toute son attention, ce qui m'a paru étrange. Lors de ma précédente visite, elle était devant un ordinateur et passait le plus clair de son temps à taper sur le clavier. À la fin de la consultation, elle m'a rappelé l'existence de l'enregistrement et m'a dit : « Regardez ça. On teste un nouveau système. » Elle m'a ensuite montré la transcription de notre séance, ainsi qu'un résumé des notes médicales mettant en évidence les informations pertinentes. C'était tellement précis et sans fautes d'orthographe que c'en était presque troublant ! J'ai trouvé cela très positif quant à l'interaction médecin-patient au cabinet, et l'entretien individuel ressemblait beaucoup plus à ce qu'il était autrefois. Bien sûr, il est encore trop tôt pour tirer des conclusions définitives, et il y aura certainement des améliorations, mais aussi des critiques et des problèmes à résoudre. En tout cas, c'est ma première impression après une consultation relativement simple.

point de vue du médecin généraliste

Elizabeth est médecin généraliste et exerce au Royaume-Uni.

« Je me suis toujours considéré comme quelqu'un de plus lent mais plus minutieux dans mes consultations, et j'aurais souhaité que le Service national de santé (NHS) envisage la mise en place d'un logiciel de dictée accessible à tous. Avec l'expérience acquise en tant que médecin généraliste, j'ai réalisé que la tâche la plus chronophage était la rédaction exhaustive des notes. »

« J'ai commencé à utiliser un assistant IA il y a quatre mois pour documenter les consultations avec le consentement des patients. Il convertit la transcription en une note de consultation à l'aide d'un modèle prédéfini que j'ai conçu, et ce en quelques secondes. Le résumé peut ensuite être facilement copié-collé dans les systèmes cliniques pertinents, compatibles avec ceux utilisés au Royaume-Uni où j'exerce. Cet outil d'IA peut également générer un résumé de la consultation pour les patients, s'ils le souhaitent. De plus, il peut fournir un retour d'information sur mes compétences en matière de consultation, ce qui peut être utile pour mon développement professionnel et mon évaluation. »

« Pour moi, l’essentiel est de préserver la confidentialité des données des patients vis-à-vis du système d’IA, et j’apprécie que [le scribe IA] propose la dictée gratuitement. Bien que ces outils permettent un gain de temps considérable, il m’arrive de constater des inexactitudes, nécessitant une vérification attentive. Je ne reviendrai certainement pas aux méthodes de saisie traditionnelles, car ces programmes ont considérablement accéléré mes consultations. J’ai reçu des retours positifs de collègues qui ignoraient mon utilisation de ces programmes, témoignant de la qualité des notes produites. À l’avenir, l’élimination de la nécessité de rédiger des notes représente un progrès majeur dans les situations cliniques où le temps est compté. »

Exemple d'analyse par intelligence artificielle des commentaires des patients en vue d'améliorer la qualité (fictif)

Le cabinet médical d'Anglesea Road est un grand cabinet de médecine générale à Dublin, comptant 50 000 patients inscrits. Ces derniers sont invités à laisser des avis sur le cabinet via son site web. Une fois par mois, le responsable du cabinet télécharge les avis du mois précédent sur ChatGPT et utilise l'application pour identifier les tendances. Ce processus a permis au cabinet de constater les difficultés de stationnement rencontrées par les personnes âgées et d'augmenter le nombre de places réservées aux personnes à mobilité réduite dans le parking. Le cabinet a également constaté, grâce aux avis, que les patients avaient du mal à joindre le cabinet par téléphone le matin et a donc réorganisé les plannings des réceptionnistes afin de répondre à ce besoin.

Conclusions

La nécessité mondiale de transformer les soins primaires et les dernières avancées technologiques en intelligence artificielle (IA) offre l'opportunité de repenser la prestation de soins.

Les professionnels de santé de premier recours adoptent progressivement l'IA pour rationaliser les processus administratifs et enrichir leur raisonnement clinique et leurs connaissances.

Lors des consultations, l'IA favorise le retour à la relation médecin-patient, réduisant l'intervention de l'ordinateur et améliorant la prise en charge centrée sur le patient.

Le grand public se tourne également vers l'IA pour répondre à ses besoins de soins non satisfaits,

face à la dégradation de l'accès aux soins primaires à l'échelle mondiale.

Améliorer la culture de l'IA en santé est devenu une nécessité mondiale pour aider chacun à appréhender les avantages et les risques de l'IA dans le domaine de la santé.

Garantir l'équité dans un système de soins primaires intégrant l'IA exigera la prise en compte des principes de conception universelle, des déterminants numériques de la santé, des dispositifs de protection sociale et une attention particulière portée aux expériences et aux valeurs des patients, dans toute leur diversité. Il est important de souligner que l'attention portée actuellement aux applications de l'IA au chevet du patient ne doit pas occulter les interventions à plus grande échelle nécessaires pour améliorer les résultats cliniques et la qualité globale des soins primaires.

Face à la charge mondiale croissante des maladies non transmissibles, tirer parti de l'IA pour améliorer les approches de soins de santé préventifs équitables et évolutifs au sein de la communauté pourrait être une voie pour accélérer la transformation vers des soins primaires durables et de haute qualité.

SYNTHSESE/NOTEBOOKLM

Cette revue examine comment l'intégration de l'intelligence artificielle peut pallier l'épuisement actuel des systèmes de soins primaires tout en soulignant les risques d'une adoption trop hâtive. Le texte détaille des innovations concrètes telles que les scribes de santé ambiants pour réduire la charge administrative et l'usage des modèles de langage pour affiner la communication avec les patients. Cependant, les auteurs insistent sur la nécessité d'une évaluation rigoureuse en conditions réelles pour prévenir les erreurs cliniques, les biais algorithmiques qui menacent l'équité des soins, et l'impact écologique croissant des centres de données. L'objectif final est de proposer un cadre de transformation vers une santé durable et centrée sur l'humain, où la technologie renforce la relation médecin-patient au lieu de la fragmenter.

L'Intelligence Artificielle en Soins Primaires : Synthèse de l'Innovation, des Défis et de l'Avenir de la Pratique

Résumé Analytique

Le système de soins primaires, pilier fondamental de la santé mondiale, traverse une crise sans précédent caractérisée par une pénurie de main-d'œuvre, l'épuisement professionnel des praticiens et une complexité croissante des soins. L'émergence rapide de l'intelligence artificielle (IA), et particulièrement de l'IA générative, offre une opportunité historique de transformer cette discipline. Toutefois, ce déploiement précède souvent une évaluation rigoureuse ou une réglementation adéquate, soulevant des risques pour la sécurité des patients et l'équité des soins. Ce document analyse l'impact de l'IA sur la qualité des soins, l'expérience des prestataires et des patients, ainsi que les impératifs de santé planétaire et d'équité.

I. Le contexte de l'IA en soins primaires

Les soins primaires sont définis comme le "cadre de base" des soins de santé mondiaux, visant des résultats équitables et efficaces. Cependant, le secteur est sous tension.

Pression systémique : Pénuries de personnel, financement inadéquat et augmentation de la demande.
Adoption rapide : En 2024, un médecin généraliste sur cinq au Royaume-Uni déclarait utiliser l'IA générative dans sa pratique clinique.
Accélération post-COVID : La pandémie a favorisé l'adoption des technologies numériques et virtuelles, ouvrant la voie à l'IA.

II. L'IA au Service des Prestataires de Soins

L'IA s'intègre dans la pratique clinique à travers quatre leviers principaux : la gestion des connaissances, l'administration, le soin clinique et l'utilisation des résultats rapportés par les patients.

1. Requêtes de Connaissances Cliniques

Les grands modèles de langage (LLM) transforment la manière dont les praticiens accèdent aux preuves scientifiques.

Stratégies de "Prompting" : L'utilisation de techniques comme le few-shot prompting (fournir des exemples) ou le chain-of-thought (décomposer le raisonnement) améliore la qualité des réponses.
Capacités multilingues : Bien que prometteurs, les LLM montrent des performances variables pour les langues autres que l'anglais, limitant leur efficacité dans certains contextes globaux.

2. Tâches Administratives et Scribes IA

L'IA vise à réduire le fardeau de la documentation, identifié comme l'aspect le plus chronophage de la consultation.

Scribes ambiants : Ces outils capturent le contenu des consultations en temps réel pour générer des notes cliniques.
Impact relationnel : Ils permettent un retour au "dyade médecin-patient" en éliminant l'interférence de l'ordinateur durant l'échange.
Risques : Le risque de "dégradation du dossier médical" est réel si l'IA omet des nuances sociales ou biographiques cruciales pour la continuité des soins.

3. Aide aux Soins Cliniques

Imagerie : Le dépistage de la rétinopathie diabétique est l'un des succès les plus probants, augmentant l'accès aux tests spécialisés en communauté.
Soutien au diagnostic : Des modèles de machine learning analysent les dossiers de santé électroniques (DSE) pour prédire des risques (ex: détection de la faible fraction d'éjection via ECG).

4. Mesures d'Issue et d'Expérience (PROMs et PREMs)

L'IA peut automatiser la collecte et l'analyse des données rapportées par les patients via des interfaces conversationnelles, facilitant une prise de décision partagée et une amélioration continue de la qualité.

III. L'IA au Service des Patients et de la Population

L'IA offre un potentiel de démocratisation de l'information médicale, mais non sans risques.

Autonomisation : Les outils d'IA peuvent personnaliser l'information de santé selon la culture, la langue et le niveau de littératie de l'individu.
Vérificateurs de symptômes : Utilisés comme "porte d'entrée virtuelle", ils présentent des précisions de tri variables. Un sous-tri peut retarder des soins vitaux, tandis qu'un sur-tri surcharge le système.
Risque d'anthropomorphisme : Les capacités de conversation humaine des LLM peuvent inciter les patients à accorder une confiance excessive à des conseils de santé parfois erronés ou incomplets.

IV. Domaines de Qualité et Défis Éthiques

Domaine de Qualité	Impact et Considérations de l'IA
Sécurité	Risques d'hallucinations (réponses factuellement incorrectes) et de biais d'automatisation (confiance aveugle de l'humain).
Équité	Risque de perpétuer les disparités si les données d'entraînement surreprésentent les populations d'ascendance européenne.
Expérience Prestataire	Réduction de la charge cognitive perçue, mais risque d'augmentation du volume de patients attendu.
Santé Planétaire	Paradoxe : l'IA consomme énormément d'énergie (le développement de GPT-3 équivaut à 188 vols San Francisco-New York), mais peut optimiser la prévention pour réduire les soins hospitaliers polluants.

Focus sur l'Équité : Les types de biais

Biais de l'ensemble de données : Données non représentatives de la population cible.
Biais algorithmique : Hypothèses erronées lors du développement (ex: utiliser les diagnostics des médecins comme standard alors qu'ils peuvent être eux-mêmes biaisés).
Biais latent : Facteurs contextuels influençant l'adoption inégale de la technologie selon les ressources.

V. Implications pour la Recherche, les Politiques et la Pratique

Le déploiement de l'IA en soins primaires nécessite un cadre structuré pour éviter les conséquences involontaires.

Réglementation : Les modèles traditionnels de régulation ne sont pas adaptés à l'évolution rapide de l'IA. De nouveaux paradigmes de surveillance continue post-déploiement sont nécessaires.
Littératie en santé IA : Il est impératif de former les cliniciens et le grand public à naviguer entre les bénéfices et les risques de ces outils.
Transparence : Le problème de la "boîte noire" (incapacité à expliquer le raisonnement de l'IA) doit être adressé pour garantir la sécurité clinique.
Partenariats multisectoriels : Une collaboration entre l'industrie, l'université, les gouvernements et les patients est essentielle pour une mise en œuvre responsable.

Conclusion

L'intelligence artificielle représente un tournant majeur pour les soins primaires. Si elle promet de libérer du temps pour la relation humaine et d'améliorer la précision clinique, sa réussite dépendra de notre capacité à instaurer des garde-fous rigoureux. L'avenir réside dans une IA qui n'est pas seulement techniquement performante, mais qui est aussi alignée sur les valeurs des patients, équitable dans son application et durable pour la planète. La transformation vers des soins primaires de haute qualité assistés par l'IA doit rester centrée sur l'humain et ancrée dans une évaluation en monde réel.

Commentaire

Cet article, qui a l'ambition de nous dessiner la médecine de demain avec l'IA, ne me fait pas rêver du tout. On a l'impression que cette médecine promise sera d'une complexité absolue. On peut se demander si les auteurs ont exercé un jour la médecine générale. Les synthèses de l'entretien avec le patient faites par l'IA ne servent à rien, j'ai testé et éliminé, trop long et inutile. La consultation médicale, c'est un dialogue entre le patient et le médecin. Immédiatement le médecin comprend à quel type de patient il devra s'adapter et donc adapter ses paroles au patient. L'expérience + l'intuition font le reste. Tout est intuitif en médecine. La seule utilisation de l'IA pour moi est la rédaction de fiches conseils au cas par cas. On nous dit : "Avec l'IA, tout va changer, vous aurez plus de temps, patients " , mais on l'a si on veut s'en donner la peine. Ce que j'attends de l'IA, c'est une médecine PREDICTIVE et PERSONNALISEE pour certains cas. Oui, on peut, en examinant l'œil, découvrir en matière cardiovasculaire des tas de choses, mais cela n'existe pas dans la pratique quotidienne. Puis cet article insiste beaucoup sur les dangers de l'IA, avec raison. En médecine primaire, il faut faire confiance à l'intelligence humaine, à la réflexion, aux réflexes médicaux , on travaille dans l'instantanéité. L'IA c'est top pour l'imagerie radiologique, oui, c'est top pour faire des études notamment in silico, etc. On mélange tout actuellement car on veut ABSOLUMENT placer l'IA en médecine à tout prix. Les choses se feront naturellement… comme toujours. Je suis POUR l'IA, mais pas à n'importe quel prix. À noter que les coûts de l'IA sont énormes et actuellement nous sommes dans une situation à tous points de vue pas très brillante. IA dans l'administratif vraisemblablement OUI . Il ne faut pas croire que "le ménage à 3" de la consultation (patient + médecine + ordinateur) va disparaître avec l'IA., au contraire...

AFFAIRE à suivre...

A LIRE

IA générative en médecine générale : attentes des professionnels et évaluation de modèles de langue sur le raisonnement diagnostique Sofiane Djillali Sid-Ahmed, Josselin Corvelle
https://dumas.ccsd.cnrs.fr/dumas-04918701v1/file/sid-ahmed_corvellecMED24.pdf

IA en médecine : la pause réflexive comme exigence éthique du soin

Guillaume Massol
"Le raisonnement clinique authentique est un acte exclusivement humain."
"Au fond, l’IA pourra sans doute toujours mieux savoir que nous, plus vite, plus froidement, mais elle ne saura jamais mieux douter, et c’est dans ce doute que réside la sagesse médicale, celle qui préserve l’humilité du soignant et l’humanité du soin : celle qui sait que soigner, c’est parfois différer la réponse, pour accueillir ce que le protocole ne prévoit pas."
https://www.revmed.ch/revue-medicale-suisse/2025/revue-medicale-suisse-922/ia-en-medecine-la-pause-reflexive-comme-exigence-ethique-du-soin

IA er tanté ; enjeux et risques
"La relation médecin-patient reste au cœur des préoccupations éthiques. Le professionnel de santé doit informer son patient de l'utilisation d'une IA et conserver le droit de refuser ses recommandations. Le principe de « human oversight » (supervision humaine) est d'ailleurs reconnu dans l'article 14 du RIA.

En cas d'erreur impliquant une IA, la responsabilité revient généralement à celui qui maîtrise le processus de soins (médecin, pharmacien ou directeur d'établissement). Cette clarification apaise la crainte principale des patients : voir la machine imposer un diagnostic sans intervention humaine.

En effet, les décisions finales appartiennent aux équipes et aux médecins ; ChatGPT n’intervient qu’en appui documentaire (mise en forme d’informations, rappel de connaissances), mais pas en décision de traitement."
https://www.medecindirect.fr/blog/ia-et-sante-enjeux-et-risques