·

·

13

min de lecture

ChatGPT dans l'aide à la prise de décision médicale : capacités et limites

Découvrez le rôle de ChatGPT dans l'aide à la prise de décision médicale : où il aide, où il échoue, et comment évaluer les outils IA en toute sécurité dans le secteur de la santé

Consultant psychiatrist conducting a mental state examination, listening to a patient and making notes on a structured assessment form in an NHS consulting room

Les grands modèles de langage comme ChatGPT peuvent synthétiser des historiques complexes, générer des diagnostics différentiels et rédiger des notes cliniques en quelques secondes. Mais ils n'ont pas été conçus comme dispositifs médicaux, et leur validation pour la prise de décision à enjeux élevés reste limitée.

L'aide à la décision médicale en 2026 : un spectre, pas une technologie unique

L'aide à la décision médicale (CDS) couvre un large spectre. À une extrémité, on trouve des alertes passives fondées sur des règles : un système de prescription qui signale une interaction médicamenteuse, ou un rappel de dépistage en retard. À l'autre extrémité, des outils actifs pilotés par l'intelligence artificielle (IA) interprètent des données cliniques non structurées et recommandent des parcours de traitement en temps réel. Cette distinction compte vraiment pour la gestion des risques. Une alerte fondée sur des règles qui se déclenche à tort, c'est agaçant. Un grand modèle de langage qui génère avec assurance un diagnostic différentiel plausible mais erroné dans un cas complexe peut causer un préjudice réel au patient.

ChatGPT et ses équivalents occupent une position particulière sur ce spectre. Très performants pour les tâches linguistiques, ils n'ont été ni conçus, ni entraînés, ni validés comme dispositifs médicaux.

Comment fonctionnent les grands modèles de langage : ce que tout clinicien doit comprendre

Les grands modèles de langage génèrent du texte en prédisant le fragment de mot statistiquement le plus probable, à partir de motifs appris sur d'immenses volumes de données d'entraînement. Ils ne raisonnent pas comme un clinicien. Ils n'accèdent pas à une base de connaissances structurée et n'appliquent pas de règles logiques. Ils produisent des réponses linguistiquement cohérentes et souvent factuellement exactes parce que les informations justes étaient bien représentées dans leurs données d'entraînement, pas parce qu'ils comprennent ce qu'ils disent.

Ce mécanisme est fondamentalement différent des systèmes CDS fondés sur des règles. Un système fondé sur des règles signalera toujours une interaction médicamenteuse spécifique si la logique est correctement codée. Un grand modèle de langage peut le faire ou non, selon la formulation de la question et la variabilité probabiliste inhérente à ses résultats. Ces outils fonctionnent comme des moteurs sophistiqués de reconnaissance de motifs qui produisent du langage, et leurs résultats doivent être évalués en conséquence.

Où les preuves d'utilité sont les plus solides

Malgré ces limites architecturales, les preuves s'accumulent dans certaines tâches. Une revue exploratoire de 28 études publiée dans Health Science Reports a identifié l'aide à la décision médicale et la formation comme les avantages les plus fréquemment cités de ChatGPT dans les contextes de soins.

Le signal le plus net concerne la documentation médicale. Une synthèse publiée dans Frontiers in Artificial Intelligence a mis en évidence des gains de temps de 40 à 70 pour cent dans les tâches de génération et de synthèse de notes, ce qui en fait l'application la mieux étayée à ce jour. Le soutien aux non-spécialistes est également documenté : une étude de juin 2026 publiée dans NPJ Digital Medicine, portant sur 100 cas réels de polyneuropathie, a montré que ChatGPT-4o atteignait une précision de diagnostic principal de 65,5 pour cent, comparable à celle des neurologues non spécialistes (63,0 pour cent), bien qu'inférieure à celle des spécialistes (74,0 pour cent). Les non-spécialistes ont révisé leurs évaluations dans 21,8 pour cent des cas après avoir consulté les suggestions du modèle, ce qui a amélioré leur précision. Sur les diagnostics différentiels, ChatGPT-4o surpassait les non-spécialistes (82,0 pour cent contre 77,5 pour cent) et recommandait des tests de confirmation plus appropriés (68,0 pour cent contre 53,0 pour cent).

Une revue systématique des grands modèles de langage dans le continuum de soins du cancer colorectal, publiée dans le Journal of Medical Internet Research en mai 2026, a mis en évidence leur utilité pour automatiser l'extraction de données à partir de textes cliniques, soutenir l'éducation des patients et aider à la décision. Les modèles spécifiques à un domaine clinique y montraient des avantages par rapport aux modèles à usage général dans certaines tâches, un résultat qui revient dans plusieurs corpus d'études.

Hallucinations, confiance mal calibrée et limites de précision

La limitation la plus significative sur le plan clinique, c'est l'hallucination : la génération d'informations plausibles mais factuellement incorrectes. Une analyse de novembre 2025 portant sur les risques d'hallucination dans les grands modèles de langage déployés dans les soins de santé a montré que des résultats hallucinés paraissant crédibles peuvent orienter les cliniciens vers des interventions préjudiciables. Ce risque est particulièrement élevé quand l'erreur s'aligne sur un biais cognitif existant : le modèle confirme ce que le clinicien soupçonne déjà, et l'inexactitude passe inaperçue.

Ce problème est aggravé par un défaut de calibration de la confiance. Une évaluation de quatre grands modèles de langage sur des cas complexes de rhumatologie, publiée dans Health Informatics Journal en avril 2026, a montré des associations uniformément faibles entre la qualité du raisonnement et la certitude exprimée : les modèles ne savaient pas de manière fiable quand ils se trompaient. ChatGPT présentait le taux d'hallucination le plus faible des quatre modèles testés (7,4 pour cent), contre 18,5 pour cent pour Gemini. Même 7,4 pour cent représente environ un résultat sur treize, ce qui n'est pas négligeable en contexte clinique.

Trois autres limites méritent d'être signalées. Les grands modèles de langage sont entraînés sur des données jusqu'à une date donnée : les recommandations cliniques et les alertes de sécurité publiées après cette date ne seront pas prises en compte, sauf si le modèle dispose d'outils de récupération en temps réel. Une étude publiée dans Healthcare (MDPI) en juillet 2025 a montré que la fiabilité de ChatGPT diminuait fortement dans les cas cardiovasculaires avec comorbidités, précisément la population la plus fréquemment rencontrée en soins secondaires. Une étude européenne publiée dans Clinical Pharmacology & Therapeutics en février 2025 a montré que ChatGPT produisait des réponses différentes dans 90 pour cent des cas lorsque la même requête d'interaction médicament-médicament était répétée, en omettant des interactions cliniquement pertinentes, ce qui a conduit les auteurs à conclure qu'il ne peut actuellement pas être recommandé pour cet usage.

Statut réglementaire et responsabilité clinique

Les grands modèles de langage à usage général comme ChatGPT ne sont pas commercialisés avec un usage médical prévu. Ils ne portent donc pas le marquage CE en tant que dispositifs médicaux au titre du Règlement européen sur les dispositifs médicaux. Cela crée un écart de responsabilité important. Quand un clinicien utilise un outil CDS réglementé, il dispose d'une base de preuves validée, d'un usage prévu défini, d'un cadre de responsabilité du fabricant et d'une traçabilité réglementaire. Quand il utilise le ChatGPT grand public pour soutenir une décision clinique, aucune de ces garanties ne s'applique, et la responsabilité clinique repose entièrement sur lui.

Cette distinction détermine si un outil a été testé sur de vraies populations de patients, si ses résultats ont été validés par rapport à des résultats cliniques, et s'il existe un mécanisme pour surveiller les effets indésirables après la mise sur le marché.

Risques pour la sécurité des patients : biais d'automatisation, cas séquentiels et maladies rares

Le biais d'automatisation désigne la tendance des cliniciens à suivre une suggestion générée par l'IA même quand leur propre jugement les aurait conduits à une conclusion différente. Ce phénomène est bien documenté dans la littérature sur les facteurs humains, et il est directement aggravé par le défaut de calibration décrit plus haut : un modèle qui exprime une confiance similaire qu'il ait raison ou tort offre peu de signal pour alerter le clinicien.

Les performances dans la prise de décision séquentielle sont nettement inférieures à celles observées dans les questions-réponses statiques. Le benchmark AgentClinic, publié dans NPJ Digital Medicine en avril 2026, a révélé que la précision diagnostique des grands modèles de langage dans des scénarios cliniques séquentiels et interactifs pouvait chuter à moins d'un dixième de la précision obtenue sur des questions statiques équivalentes. Les vraies rencontres cliniques sont séquentielles et dynamiques, ce qui rend ce résultat particulièrement préoccupant pour les déploiements en conditions réelles.

Les diagnostics rares présentent une vulnérabilité particulière. Les grands modèles de langage sont entraînés sur des données à l'échelle de la population, et les maladies rares sont par définition sous-représentées dans ces données. Une étude évaluant cinq grands modèles de langage sur 50 scénarios cliniques de myélome multiple, analysée par trois hématologues-oncologues indépendants, a conclu que les recommandations de traitement nécessitent une supervision clinique attentive pour garantir la sécurité des patients, même dans un contexte d'évaluation structuré et spécifique à l'oncologie.

Données patients, RGPD et le risque de conformité sous-estimé

Saisir des données patients identifiables dans des outils grand public basés sur des grands modèles de langage constitue presque toujours un traitement de données de catégorie spéciale par un sous-traitant tiers. Ce traitement s'effectue sans accord de traitement de données, sans base juridique, et potentiellement avec une localisation des données hors du Royaume-Uni ou de l'Union européenne, en violation du Règlement général sur la protection des données (RGPD) du Royaume-Uni et du RGPD de l'UE.

La distinction entre ChatGPT grand public et les déploiements spécifiques aux entreprises ou au secteur de la santé est ici essentielle. Les accords d'entreprise peuvent inclure des contrats de traitement de données, des engagements à ne pas utiliser les données saisies pour entraîner les modèles, et une localisation des données définie. Les outils grand public n'offrent aucune de ces garanties par défaut. Avant d'utiliser un outil d'IA en contexte clinique, les cliniciens doivent vérifier si un accord de traitement de données existe entre leur organisation et le fournisseur, où les données sont traitées et stockées, si l'équipe de gouvernance de l'information a approuvé l'outil, et si les données peuvent être dé-identifiées avant la saisie sans perte d'utilité clinique.

IA clinique spécialisée versus grands modèles de langage à usage général : une différence d'architecture, pas seulement de modèle

Une étude de référence publiée dans NPJ Digital Medicine en décembre 2025 a testé six grands modèles de langage sur 30 métriques couvrant les domaines du CDS. Les grands modèles de langage médicaux spécifiques à un domaine clinique ont montré des avantages constants par rapport aux modèles à usage général, avec des scores supérieurs en sécurité (0,912) et en efficacité (0,861). Les performances globales de l'ensemble des modèles atteignaient en moyenne 57,2 pour cent, avec une baisse de 13,3 pour cent dans les scénarios à haut risque.

Le modèle de langage sous-jacent peut être similaire ou identique à celui d'un grand modèle de langage à usage général. Ce qui change, c'est la couche de gouvernance. Les outils d'IA clinique spécialisés proposent des résultats validés par rapport aux résultats cliniques dans des populations définies, des pistes d'audit qui soutiennent la responsabilité, une intégration au système de dossier médical sans ressaisie manuelle, une certification de dispositif médical au titre du Règlement sur les dispositifs médicaux de l'UE dans l'UE ou d'un enregistrement UKCA ou MHRA au Royaume-Uni, et des usages prévus définis qui limitent l'outil aux tâches pour lesquelles ses performances ont été évaluées.

Ce que les preuves publiées permettent — et ne permettent pas — de conclure

Les grands modèles de langage ont obtenu des scores entre 80 et 90 pour cent aux examens de licence médicale tels que l'United States Medical Licensing Examination (USMLE), un résultat qui a suscité une attention médiatique notable. Mais ces examens évaluent le rappel et le raisonnement structuré sur des problèmes bien définis. Ils ne reproduisent pas l'ambiguïté, la pression temporelle et la prise de décision séquentielle des vraies situations cliniques, et réussir un tel examen ne préjuge pas des performances en situation clinique réelle.

La qualité des études est également variable. La revue systématique sur le cancer colorectal a montré que seulement 27 pour cent des études incluses présentaient un faible risque de biais, avec des problèmes concernant la mesure des résultats, la sélection des patients et l'absence d'évaluation en aveugle. Un consensus d'experts de 2025 publié dans ScienceDirect a identifié le manque de méthodes d'évaluation cohérentes comme un obstacle majeur au déploiement sûr : sans évaluation standardisée, comparer les performances entre études reste impossible. Un commentaire publié dans le Journal of the American Medical Informatics Association (JAMIA) en janvier 2025, qui explorait le potentiel de ChatGPT pour renforcer la logique du CDS, a reconnu à la fois la promesse et les lacunes importantes dans les preuves, en notant que les principales limitations et les axes de recherche futurs restent ouverts.

Usage approprié versus dépendance inappropriée : où tracer la ligne

Les preuves plaident pour une position nuancée. ChatGPT et des grands modèles de langage comparables peuvent réduire la charge administrative liée à la documentation, soutenir les cliniciens non spécialistes dans la génération de diagnostics différentiels et améliorer l'accessibilité de la communication clinique. Ces avantages sont réels et mesurables. En revanche, les preuves ne soutiennent pas la prise de décision clinique autonome par les grands modèles de langage, ni l'utilisation d'outils grand public comme substitut aux systèmes CDS validés dans des contextes à enjeux élevés.

Trois repères pratiques permettent de tracer la ligne. Les tâches à faible risque et à volume élevé, comme l'aide à la décision médicale administrative, la rédaction de courriers aux patients ou la synthèse de la littérature, offrent le plus d'avantages avec le moins de risques, à condition que les exigences de gouvernance des données soient respectées. Les décisions diagnostiques ou de prescription à enjeux élevés, en particulier dans les cas complexes, multi-morbides ou de maladies rares, nécessitent des outils validés et réglementés, avec une supervision clinique intégrée au parcours de soins. Les outils grand public sans accords de données d'entreprise ne doivent en aucun cas être utilisés avec des données patients identifiables, quelle que soit la tâche.

La supervision du clinicien constitue une exigence structurelle, compte tenu de l'état actuel de la précision, de la calibration et de la validation réglementaire des grands modèles de langage. L'étude des Annals of Biomedical Engineering sur ChatGPT dans le CDS a conclu que la supervision d'experts humains reste essentielle dans toutes les applications, une conclusion qui revient de manière récurrente dans l'ensemble de la littérature. La prépublication ChatGPT-CARE a identifié des limitations spécifiques en contexte clinique : méconnaissance des recommandations de pratique, manque de transparence du raisonnement, réponses trop générales. Elle a proposé l'apprentissage en contexte et l'incitation par chaîne de pensée comme stratégies d'atténuation. Ces pistes sont pertinentes pour les outils spécialisés, mais elles ne sont pas disponibles dans les déploiements grand public.

Questions fréquemment posées

▶ ChatGPT est-il un dispositif médical réglementé pour l'aide à la décision médicale ?

Non. Sans marquage CE en tant que dispositif médical, ChatGPT n'a été soumis à aucune évaluation de conformité clinique. En pratique, cela signifie qu'aucun organisme notifié n'a examiné ses performances sur des populations de patients réelles, et qu'aucun mécanisme de surveillance post-commercialisation n'existe pour détecter les effets indésirables après déploiement.

▶ Quelles tâches cliniques présentent les preuves les plus solides d'utilité des LLM ?

La documentation médicale reste l'application la mieux étayée, avec des gains de temps de 40 à 70 %. Pour les autres tâches, la solidité des preuves diminue rapidement à mesure que la complexité clinique augmente. Seulement 27 % des études incluses dans la revue systématique sur le cancer colorectal présentaient un faible risque de biais, ce qui limite la portée des conclusions.

▶ Qu'est-ce que l'hallucination, et pourquoi est-ce important en contexte clinique ?

Un grand modèle de langage génère parfois des informations fausses présentées avec la même fluidité que des informations exactes. Le risque le plus difficile à gérer est celui où l'erreur confirme une intuition préexistante du clinicien : dans ce cas, aucun signal ne déclenche une vérification, et l'inexactitude peut traverser tout le processus décisionnel sans être détectée.

▶ ChatGPT peut-il détecter de manière fiable les interactions médicament-médicament ?

Non. L'étude publiée dans Clinical Pharmacology and Therapeutics en février 2025 a montré des réponses différentes dans 90 % des cas à requête identique. La cause est architecturale : un système fondé sur des règles applique une logique codée fixe, tandis qu'un grand modèle de langage produit des résultats probabilistes qui varient selon la formulation, ce qui le rend structurellement inadapté à cet usage.

▶ Quels sont les risques RGPD liés à la saisie de données patients dans des outils LLM grand public ?

Le point souvent négligé est que l'infraction peut survenir même sans intention : un clinicien qui anonymise partiellement un cas avant de le saisir peut encore transmettre des données indirectement identifiables. Avant tout usage, il faut confirmer que l'équipe de gouvernance de l'information a approuvé l'outil et que les données peuvent être entièrement dé-identifiées sans perte d'utilité clinique.

▶ En quoi un outil d'IA clinique spécialisé diffère-t-il de ChatGPT à usage général ?

L'étude publiée dans NPJ Digital Medicine en décembre 2025 a testé six grands modèles de langage sur 30 métriques. Les modèles médicaux spécifiques à un domaine obtenaient des scores de 0,912 en sécurité et de 0,861 en efficacité, contre une moyenne globale de 57,2 % pour l'ensemble des modèles. L'intégration directe au dossier médical et les pistes d'audit constituent les différences opérationnelles les plus immédiates pour les équipes cliniques.

▶ Réussir les examens de licence médicale signifie-t-il que ChatGPT est sûr pour l'aide à la décision médicale ?

Les scores de 80 à 90 % à l'USMLE mesurent la performance sur des problèmes bien délimités et statiques. Le benchmark AgentClinic, publié dans NPJ Digital Medicine en avril 2026, a montré que la précision diagnostique dans des scénarios séquentiels et interactifs pouvait chuter à moins d'un dixième de la précision obtenue sur des questions statiques équivalentes.

▶ Qu'est-ce que le biais d'automatisation, et comment affecte-t-il les cliniciens utilisant des outils d'IA ?

Le biais d'automatisation est amplifié par un défaut propre aux grands modèles de langage actuels : ils expriment une confiance similaire que leur raisonnement soit solide ou non, selon l'évaluation publiée dans Health Informatics Journal en avril 2026. Un clinicien ne dispose donc d'aucun signal interne au modèle pour décider quand exercer un regard critique plus attentif.

▶ Où les cliniciens doivent-ils tracer la ligne entre usage approprié et dépendance inappropriée aux LLM ?

Une règle pratique : si une erreur du modèle pourrait modifier un traitement ou retarder un diagnostic, l'outil doit être validé et réglementé. Si l'erreur peut être détectée et corrigée avant tout impact sur le patient, comme dans la rédaction d'un courrier ou la synthèse de littérature, un grand modèle de langage supervisé peut convenir, sous réserve des exigences de gouvernance des données.

Commencez avec Tandem dès aujourd’hui

Rejoignez les milliers de soignants pour qui nous automatisons les tâches administratives

Commencez avec Tandem dès aujourd’hui

Rejoignez les milliers de soignants pour qui nous automatisons les tâches administratives

Commencez avec Tandem dès aujourd’hui

Rejoignez les milliers de soignants pour qui nous automatisons les tâches administratives