Dans les soins primaires et secondaires européens, les cliniciens utilisent des outils d’intelligence artificielle (IA), c’est-à-dire des systèmes informatiques capables d’effectuer des tâches nécessitant normalement l’intelligence humaine, lors de consultations en direct, pendant les visites médicales et dans les flux de travail spécialisés. Ce qui a changé, ce n’est pas l’ambition de la technologie, mais la convergence de conditions qui rendent son adoption réelle possible : les cadres réglementaires ont mûri, l’intégration aux systèmes de dossiers médicaux s’est approfondie, et une masse critique de cliniciens est passée du scepticisme à une utilisation sélective et fondée sur des preuves.

Le problème central que l’IA résout pour les cliniciens

Le principal moteur de l’adoption de l’IA dans les contextes cliniques n’est pas la nouveauté technologique. C’est une crise de la main-d’œuvre qui se manifeste à travers la charge documentaire. Des études ont révélé que les médecins peuvent consacrer jusqu’à la moitié, voire plus, de leur journée de travail à des tâches liées au système de dossiers médicaux, un schéma qui aggrave la charge cognitive, érode la qualité de l’interaction avec le patient et accélère l’épuisement professionnel.

Au Royaume-Uni, les pressions sont structurelles. Les pénuries de médecins généralistes, les listes d’attente croissantes et le poids administratif des exigences de documentation du NHS ont créé un système où les cliniciens complètent régulièrement leurs notes après les heures de travail, sacrifiant un temps qui serait autrement consacré au repos, à la réflexion ou aux patients. Le terme « charge documentaire » est devenu un raccourci pour un phénomène qui est, en pratique, autant un problème de sécurité clinique qu’un problème de bien-être.

Le tableau européen est cohérent. Le premier rapport de l’Organisation mondiale de la santé (OMS)/Europe sur l’IA dans les soins de santé dans les 27 États membres de l’UE a identifié les lacunes en matière de formation de la main-d’œuvre et la gouvernance comme priorités, précisément parce que la demande d’outils IA a dépassé l’infrastructure nécessaire pour les soutenir de manière responsable. Le problème que l’on attend de l’IA qu’elle résolve est réel, mesurable et urgent. C’est pourquoi les outils qui reçoivent le plus d’attention sont ceux qui s’attaquent directement à la charge documentaire.

Technologie vocale ambiante et assistants médicaux IA : le passage du clavier à autre chose

La catégorie la plus importante d’outils IA dans la pratique clinique actuellement est la technologie vocale ambiante (ambient voice technology, AVT), qui désigne les systèmes capables d’écouter une conversation clinique naturelle et de générer des comptes rendus médicaux structurés en temps réel, sans que le clinicien ait à s’arrêter pour taper. Le clinicien parle au patient. L’assistant IA travaille en arrière-plan.

Il s’agit d’un écart significatif par rapport aux outils de reconnaissance vocale antérieurs, qui nécessitaient une dictée plutôt qu’une conversation et produisaient des transcriptions brutes nécessitant encore une édition importante. La technologie vocale ambiante comprend le contexte clinique, distingue le contenu cliniquement pertinent du bruit conversationnel et produit des brouillons de notes prêts à être relus plutôt qu’à être reconstruits.

La trajectoire d’adoption reflète une véritable valeur clinique. Les médecins et les cliniques à travers l’Europe utilisent des outils IA pour gérer la prise de notes et les lettres d’adressage, avec l’objectif explicite de restaurer le temps en face-à-face avec les patients. Au Royaume-Uni, des produits commerciaux de scribe médical IA sont déjà utilisés dans des projets pilotes partenaires du NHS. La Medicines and Healthcare products Regulatory Agency (MHRA) les classe comme logiciels en tant que dispositifs médicaux, une classification qui traduit un sérieux réglementaire plutôt qu’une nouveauté.

Les cliniciens rapportent systématiquement le même effet sur la dynamique de la consultation : le contact visuel remplace le temps d’écran, et l’interaction redevient plus proche de sa forme initiale. Que cela se traduise par des améliorations mesurables des résultats pour les patients reste un domaine de recherche actif, mais les données sur l’expérience des cliniciens s’accumulent.

Documentation médicale : de la transcription à la sortie structurée et codée

La distinction entre un outil qui enregistre et un outil qui comprend le contexte clinique détermine si la sortie est utile ou simplement une matière première pour un travail supplémentaire. Les assistants médicaux IA de premier plan en 2026 ne se contentent pas de transcrire. Ils produisent des notes structurées, suggèrent des codes médicaux (SNOMED, CIM) et peuvent remplir automatiquement les champs du système de dossiers médicaux.

Cela importe pour plusieurs raisons. La sortie structurée et codée est ce qui rend possible l’utilisation clinique en aval : audit, analyse de la santé des populations, génération de lettres d’adressage et facturation. Une note qui est une prose bien écrite mais non structurée reste une charge documentaire déplacée plutôt que réduite. Les outils qui gagnent du terrain sont ceux qui bouclent la boucle entre la consultation orale et le dossier codé et archivé.

Une évaluation transversale publiée dans Annals of Internal Medicine a comparé la qualité des notes médicales générées par IA avec celles produites par des humains dans les soins primaires, constatant que les scribes médicaux IA ambiants peuvent réduire la charge documentaire. L’étude a également souligné que les évaluations antérieures étaient spécifiques aux fournisseurs et que l’évaluation indépendante de la qualité reste importante.

Une étude menée dans un hôpital universitaire néerlandais a évalué un outil de grand modèle de langage (large language model, LLM), c’est-à-dire un système IA entraîné sur de grands volumes de texte pour générer et résumer du contenu écrit, intégré au système de dossiers médicaux pour les comptes rendus de sortie. Les résultats ont montré que l’IA peut réduire la charge documentaire dans la génération de comptes rendus de sortie, mais les auteurs ont noté que la validation robuste de systèmes entièrement automatisés dans la pratique réelle reste encore limitée. C’est un signal honnête : la technologie est capable, mais ne fonctionne pas encore sans une supervision clinique significative.

Outils IA dans différents contextes de soins : soins primaires, soins secondaires et au-delà

Les cas d’usage des outils IA varient considérablement selon le contexte, et la base de preuves est inégalement répartie entre eux. Les soins primaires disposent de la base de preuves la plus développée, en partie parce que la structure de la consultation (un clinicien, un patient, une rencontre définie) correspond clairement à ce que la technologie vocale ambiante fait de mieux.

Soins primaires

Les médecins généralistes utilisent des assistants IA pour générer des notes de consultation, rédiger des courriers aux patients et réduire la documentation après les heures de travail. Le temps économisé par consultation est modeste en valeur absolue mais significatif en cumulé sur une journée clinique complète.

Soins secondaires

Les équipes hospitalières commencent à utiliser des outils IA lors des visites médicales, où les exigences de documentation sont plus élevées et la complexité clinique plus grande. Les comptes rendus de sortie constituent un point d’attention particulier. Il s’agit d’un document long à produire, cliniquement important et suffisamment structuré pour se prêter à la génération par IA.

Soins spécialisés

La rédaction de lettres d’adressage, les lettres de consultation externe et les modèles spécifiques à une spécialité sont des cas d’usage émergents. Le défi ici est la précision selon la spécialité. Un outil entraîné principalement sur des données de médecine générale peut être moins performant en dermatologie ou en psychiatrie sans validation spécifique à la spécialité.

Consultations à distance et virtuelles

Les outils IA qui fonctionnent à partir d’entrées audio ou vidéo s’étendent naturellement aux contextes de téléconsultation, où l’absence d’espace physique partagé a historiquement rendu la documentation plus difficile. Le rapport Stanford–Harvard State of Clinical AI a identifié les soins primaires et l’aide à la décision médicale comme les domaines de recherche les plus actifs en 2025, les soins à distance émergeant comme un domaine en croissance.

Avis et orientation et flux de travail de lettres d’adressage : l’IA réduit les frictions entre les niveaux de soins

L’une des applications moins visibles mais cliniquement significatives des outils IA se trouve dans les flux de travail qui se situent entre les niveaux de soins. Ceux-ci incluent les échanges d’Avis et Orientation (A&O), où les médecins généralistes sollicitent l’avis clinique de spécialistes sans lettre d’adressage formelle, et les lettres d’adressage qui initient les parcours de soins secondaires.

Ces flux de travail sont actuellement une source de friction considérable. Un médecin généraliste rédigeant une lettre d’adressage doit synthétiser l’historique du patient, formuler la question clinique et la présenter dans un format sur lequel un spécialiste peut agir rapidement. Mal fait, cela entraîne un rejet, des demandes d’informations supplémentaires ou des soins retardés. Bien fait, cela nécessite un temps qui fait souvent défaut.

Les outils IA commencent à aider aux deux extrémités de ce processus : aider les médecins généralistes à rédiger des lettres d’adressage structurées et complètes, et aider les spécialistes à répondre aux demandes d’A&O avec moins de charge documentaire. Le potentiel de réduire les allers-retours qui retardent les soins aux patients est réel, même si la base de preuves pour cette application spécifique est plus mince que pour la documentation de consultation.

Aide à la décision médicale : où l’IA assiste le jugement sans le remplacer

L’aide à la décision médicale (clinical decision support, CDS) en 2026 désigne quelque chose de plus spécifique qu’une simple alerte contextuelle. Il s’agit d’outils IA qui font remonter l’historique pertinent du patient au point de soins, signalent les facteurs de risque qui pourraient autrement passer inaperçus lors d’une consultation sous pression temporelle, et suggèrent les prochaines étapes sur la base des recommandations cliniques et du dossier du patient.

La distinction entre augmentation et automatisation est ici essentielle. Un cadre stratifié par risque publié dans BMJ Health Care Informatics aborde directement l’intégration des LLM dans la pratique clinique, couvrant la documentation, l’aide à la décision et la communication avec les patients, et propose une approche structurée pour gérer les risques liés à la précision du modèle, à la confidentialité des données et à la responsabilité réglementaire. Ce cadre reflète une position de consensus dans la littérature : l’IA assiste le jugement clinique, elle ne le remplace pas.

La recherche sur les outils passifs d’aide à la décision médicale en soins intensifs pédiatriques, incluant l’aide à la rédaction de notes, les ensembles d’ordonnances et le signalement des résultats de laboratoire, a révélé que l’adoption et la pénétration de ces outils varient considérablement selon le contexte. La conception de l’outil, qu’il soit interruptif ou passif, influe sur la façon dont les cliniciens interagissent avec lui. C’est un rappel utile que l’efficacité du CDS ne dépend pas seulement de la précision algorithmique, mais aussi de son intégration dans le flux de travail.

La responsabilité clinique reste du ressort du clinicien. Ce n’est pas une mise en garde, c’est un principe de conception. Les outils qui obtiennent l’approbation réglementaire et la confiance clinique sont ceux construits sur cette prémisse.

Cadres réglementaires et de sécurité régissant les outils IA dans la pratique clinique

Pour les cliniciens et les responsables cliniques évaluant les outils IA, le paysage réglementaire constitue une base de référence, non un bonus. En Europe, les cadres pertinents sont :

• Medical Device Regulation (MDR) : Les outils IA qui influencent les décisions cliniques sont classés comme dispositifs médicaux selon le RDM UE et doivent satisfaire aux exigences de conformité avant leur déploiement dans les contextes cliniques.

• AI Act : En vigueur depuis août 2024, l’AI Act de l’UE classe les systèmes IA utilisés dans des contextes médicaux comme à haut risque, nécessitant transparence, supervision humaine et surveillance continue.

• Espace européen des données de santé (European Health Data Space, EHDS) : L’EHDS est entré en vigueur en 2025 et régit la façon dont les données de santé sont partagées et utilisées dans les États membres de l’UE, avec des implications directes pour les outils IA qui traitent les données des patients.

• Règlement général sur la protection des données (RGPD) et hébergement des données au sein de l’UE : Les outils qui traitent les données des patients doivent se conformer au RGPD, et les exigences d’hébergement des données au sein de l’UE, concernant le lieu de stockage et de traitement des données, sont une question de niveau d’approvisionnement avec des implications de gouvernance clinique.

• ISO 27001 : Certification de sécurité de l’information qui est de plus en plus une attente de base pour les fournisseurs d’IA clinique.

Au Royaume-Uni, la MHRA classe les outils de scribe médical IA comme logiciels en tant que dispositifs médicaux, et NHS England a publié des directives de gouvernance de l’information pour leur utilisation. La conformité à ces cadres n’est pas un différenciateur entre fournisseurs, c’est le seuil minimum de considération.

Ce que les cliniciens doivent réellement évaluer dans un outil IA

Les critères qui comptent pour un clinicien ou un responsable clinique évaluant un outil IA diffèrent de ceux d’une simple liste de contrôle d’approvisionnement. En pratique, les questions qui valent la peine d’être posées sont :

• S’intègre-t-il au système de dossiers médicaux déjà utilisé ? Un outil qui nécessite une documentation parallèle ou un transfert manuel de données ajoute de la charge plutôt que de la réduire. L’intégration au système de dossiers médicaux est une contrainte pratique qui élimine de nombreuses options d’emblée.

• A-t-il été validé dans la spécialité concernée ? Un outil performant en médecine générale peut ne pas offrir le même niveau de performance en psychiatrie, dermatologie ou pédiatrie. Les preuves de validation spécifiques à la spécialité doivent être exigées, non supposées.

• Quel est le profil de précision, et comment les erreurs sont-elles gérées ? L’essai contrôlé randomisé de l’UCLA a révélé que les notes générées par IA contenaient parfois des inexactitudes cliniquement significatives, soulignant la nécessité d’une supervision active du médecin. Comprendre le taux d’erreur et le processus de relecture est essentiel.

• Quelle est la posture de sécurité et de confidentialité des données ? Où les données des patients sont-elles traitées ? Qui y a accès ? Combien de temps sont-elles conservées ? Ce ne sont pas des questions informatiques, mais des questions de gouvernance clinique.

• Existe-t-il des preuves de validation clinique réelle, et pas seulement des affirmations de fournisseurs ? Les études évaluées par des pairs, les évaluations indépendantes et les projets pilotes du NHS ou de systèmes de santé équivalents ont plus de poids que les supports marketing.

• S’adapte-t-il au flux de travail réel ? Un outil qui nécessite un changement de comportement de chaque clinicien dans une pratique relève d’un projet de gestion du changement, pas d’un simple déploiement logiciel. Les meilleurs outils réduisent les frictions, ils n’en introduisent pas de nouvelles.

L’impact mesurable : ce que montrent les preuves jusqu’à présent

La base de preuves pour les outils IA dans la pratique clinique s’étoffe, et les signaux sont globalement positifs. La qualité et l’ampleur des preuves varient cependant, et il vaut la peine d’être précis sur ce qui a été démontré et ce qui reste un signal prometteur.

Sur la réduction de l’épuisement professionnel

Une étude d’amélioration de la qualité multicentrique portant sur 263 médecins dans six systèmes de santé a révélé qu’après 30 jours avec un scribe médical IA ambiant, l’épuisement professionnel des cliniciens est passé de 51,9 % à 38,8 %, avec des améliorations de la charge cognitive, de la documentation après les heures de travail et de l’attention aux patients. Une étude menée à Emory Healthcare et Mass General Brigham a révélé une réduction absolue de 21,2 % de la prévalence de l’épuisement professionnel à 84 jours. Ce sont des effets substantiels, bien que les deux études aient été menées dans des contextes de systèmes de santé spécifiques et puissent ne pas se généraliser uniformément.

Sur la qualité de la documentation

Une revue de la portée de la reconnaissance vocale IA pour la documentation médicale a confirmé que les outils basés sur l’IA peuvent réduire la charge de travail des cliniciens, tout en notant que la précision et la fiabilité varient selon les outils et les contextes cliniques.

Sur la charge cognitive

L’essai contrôlé randomisé de l’UCLA a révélé des améliorations modestes mais mesurables des scores d’épuisement professionnel, de la charge cognitive et de la fatigue au travail, parallèlement à la mise en garde importante que les notes générées par IA nécessitent une supervision active.

Où les preuves sont plus limitées

Les résultats à long terme, les effets sur la sécurité des patients et les performances dans l’ensemble des spécialités cliniques restent des domaines où la base de preuves est encore en développement. Une revue systématique de l’impact de l’IA sur l’épuisement professionnel lié au système de dossiers médicaux a trouvé des signaux cohérents dans les études de 2019 à 2025 mais a noté la variation méthodologique qui limite la comparaison directe. La direction des preuves est claire, mais l’ampleur et la durabilité des effets à grande échelle ne sont pas encore pleinement établies.

Et ensuite : la direction que prend l’IA dans la pratique clinique

Les évolutions crédibles à court terme de l’IA clinique sont des extensions de ce qui fonctionne déjà, non des ruptures avec l’existant.

Intégration plus poussée au système de dossiers médicaux

Les outils qui génèrent actuellement des notes parallèlement aux systèmes de dossiers médicaux évoluent vers une intégration native, remplissant des champs structurés, déclenchant des flux de travail et réduisant le nombre de systèmes avec lesquels un clinicien doit interagir. L’Espace européen des données de santé accélérera les exigences d’interopérabilité dans les États membres de l’UE.

Expansion dans davantage de spécialités

Les outils les plus largement déployés aujourd’hui sont généralistes. Les modèles spécifiques à une spécialité, entraînés sur le langage, les conventions de codage et les schémas cliniques de la dermatologie, de la psychiatrie, de l’oncologie et d’autres domaines, sont en développement, avec des niveaux variables de preuves de validation.

Systèmes d’exploitation natifs IA pour les flux de soins

Des plateformes où l’IA n’est pas un outil ajouté mais l’infrastructure sous-jacente à travers laquelle la documentation, l’aide à la décision, les lettres d’adressage et la communication avec les patients sont gérés représentent la direction à plus long terme. Il s’agit d’un changement architectural significatif par rapport au modèle actuel d’outils IA ajoutés aux systèmes existants.

Gouvernance et préparation de la main-d’œuvre

La gouvernance et la préparation de la main-d’œuvre façonneront le rythme d’adoption autant que la technologie elle-même. Le rapport OMS/Europe a identifié les lacunes de formation comme une conclusion prioritaire, signalant que le facteur limitant dans de nombreux systèmes de santé n’est pas la disponibilité des outils mais la capacité à les déployer de manière sûre et efficace.

L’IA comme infrastructure, pas comme théâtre d’innovation

Le cadre le plus pertinent pour situer l’IA clinique en 2026 est celui de l’infrastructure, non de l’innovation. Les systèmes de dossiers médicaux étaient autrefois considérés comme une nouvelle technologie. Ils sont désormais le substrat banal de la pratique clinique. Les outils IA suivent une trajectoire similaire : de la nouveauté, à travers une adoption contestée, jusqu’au point où leur absence sera l’exception.

La Société européenne de médecine note que les applications cliniques réelles de l’IA couvrent désormais le diagnostic, la documentation, la prédiction de la réponse aux médicaments et la gouvernance, une étendue qui reflète l’intégration plutôt que l’expérimentation. Le rapport Stanford–Harvard documente à la fois le boom de la recherche en IA clinique et les risques de dépendance excessive, un appariement qui reflète la maturité de la conversation plutôt que son immaturité.

Pour les cliniciens, l’implication pratique est simple. La question n’est plus de savoir si les outils IA feront partie de la pratique clinique, mais quels outils, évalués selon quelles preuves, avec quelle gouvernance en place. S’engager de manière critique avec cette question dès maintenant, plutôt que d’attendre que la technologie devienne standard avant de l’examiner, est la position à partir de laquelle une adoption éclairée et sûre est possible.

Questions fréquemment posées

▶ Quel problème les outils IA résolvent-ils réellement pour les cliniciens ?

Le principal moteur est la charge documentaire. La recherche montre que les médecins passent plus de la moitié de leur journée de travail sur des tâches liées au système de dossiers médicaux. Cela aggrave la charge cognitive, réduit la qualité de l’interaction avec le patient et accélère l’épuisement professionnel. Les outils IA qui réduisent le temps passé sur la documentation médicale s’attaquent à un problème qui relève à la fois du bien-être et de la sécurité clinique.

▶ Qu’est-ce que la technologie vocale ambiante et en quoi diffère-t-elle des anciens outils de reconnaissance vocale ?

La technologie vocale ambiante (ambient voice technology, AVT) désigne les systèmes capables d’écouter une conversation clinique naturelle et de générer des comptes rendus médicaux structurés en temps réel, sans que le clinicien ait à s’arrêter pour taper. Les anciens outils de reconnaissance vocale nécessitaient une dictée plutôt qu’une conversation et produisaient des transcriptions brutes nécessitant encore une édition importante. La technologie vocale ambiante comprend le contexte clinique, distingue le contenu cliniquement pertinent du bruit conversationnel et produit des brouillons de notes prêts à être relus.

▶ Les notes médicales générées par IA se contentent-elles de transcrire la parole, ou produisent-elles une sortie structurée et codée ?

Les assistants médicaux IA de premier plan en 2026 vont au-delà de la transcription. Ils produisent des notes structurées, suggèrent des codes médicaux tels que SNOMED et CIM, et peuvent remplir automatiquement les champs du système de dossiers médicaux. Cela importe car la sortie structurée et codée permet l’utilisation clinique en aval, y compris l’audit, la génération de lettres d’adressage et la facturation. Une note bien écrite mais non structurée déplace la charge documentaire plutôt que de la réduire.

▶ Dans quels contextes de soins les outils IA sont-ils utilisés ?

Les outils IA sont utilisés dans les soins primaires, les soins secondaires, les soins spécialisés et les consultations à distance ou virtuelles. Les médecins généralistes les utilisent pour générer des notes de consultation et rédiger des courriers aux patients. Les équipes hospitalières les appliquent aux visites médicales et aux comptes rendus de sortie. La rédaction de lettres d’adressage et les modèles spécifiques à une spécialité émergent dans les contextes spécialisés. Les soins à distance sont identifiés comme un domaine en croissance dans le rapport Stanford–Harvard State of Clinical AI.

▶ Que montrent les preuves sur la réduction de l’épuisement professionnel des cliniciens par les outils IA ?

Une étude d’amélioration de la qualité multicentrique portant sur 263 médecins dans six systèmes de santé a révélé qu’après 30 jours avec un scribe médical IA ambiant, l’épuisement professionnel des cliniciens est passé de 51,9 % à 38,8 %. Une étude distincte menée à Emory Healthcare et Mass General Brigham a révélé une réduction absolue de 21,2 % de la prévalence de l’épuisement professionnel à 84 jours. Les deux études ont été menées dans des contextes de systèmes de santé spécifiques et peuvent ne pas se généraliser uniformément à tous les contextes.

▶ Quels cadres réglementaires régissent les outils IA utilisés dans la pratique clinique en Europe ?

Plusieurs cadres s’appliquent. Le Medical Device Regulation (MDR) de l’UE classe les outils IA qui influencent les décisions cliniques comme dispositifs médicaux, nécessitant une conformité avant le déploiement. L’AI Act de l’UE, en vigueur depuis août 2024, classe les systèmes IA utilisés dans des contextes médicaux comme à haut risque, nécessitant transparence, supervision humaine et surveillance continue. L’Espace européen des données de santé (European Health Data Space, EHDS), entré en vigueur en 2025, régit la façon dont les données de santé sont partagées dans les États membres de l’UE. Le Règlement général sur la protection des données (RGPD) et les exigences d’hébergement des données au sein de l’UE s’appliquent également à tout outil traitant les données des patients. Au Royaume-Uni, la Medicines and Healthcare products Regulatory Agency (MHRA) classe les outils de scribe médical IA comme logiciels en tant que dispositifs médicaux.

▶ Que devraient demander les cliniciens lors de l’évaluation d’un outil IA ?

L’article identifie six questions pratiques : si l’outil s’intègre au système de dossiers médicaux déjà utilisé, s’il a été validé dans la spécialité concernée, quel est le profil de précision et comment les erreurs sont gérées, quelle est la posture de sécurité et de confidentialité des données (y compris où les données des patients sont traitées et conservées), s’il existe des preuves de validation clinique indépendante au-delà des affirmations des fournisseurs, et si l’outil s’adapte au flux de travail réel sans nécessiter de changement de comportement significatif de la part des cliniciens.

▶ La responsabilité clinique se déplace-t-elle vers l’IA lorsque ces outils sont utilisés ?

Non. La responsabilité clinique reste du ressort du clinicien. L’article décrit cela non pas comme une mise en garde mais comme un principe de conception. Un cadre stratifié par risque publié dans BMJ Health Care Informatics propose que l’IA assiste le jugement clinique plutôt que de le remplacer. L’essai contrôlé randomisé de l’UCLA a également révélé que les notes générées par IA contenaient parfois des inexactitudes cliniquement significatives, ce qui renforce la nécessité d’une supervision active du médecin sur toute sortie générée par IA.

▶ Où les preuves sur les outils IA sont-elles encore limitées ?

Les résultats à long terme, les effets sur la sécurité des patients et les performances dans l’ensemble des spécialités cliniques restent des domaines où la base de preuves est encore en développement. Une revue systématique de l’impact de l’IA sur l’épuisement professionnel lié au système de dossiers médicaux a trouvé des signaux cohérents dans les études de 2019 à 2025 mais a noté la variation méthodologique qui limite la comparaison directe. La direction des preuves est globalement positive, mais l’ampleur et la durabilité des effets à grande échelle ne sont pas encore pleinement établies.

▶ Quelle est la direction probable des outils IA dans la pratique clinique à court terme ?

L’article identifie quatre évolutions crédibles à court terme. Premièrement, une intégration plus poussée aux systèmes de dossiers médicaux, passant de la génération de notes parallèles aux systèmes existants au remplissage natif de champs structurés et au déclenchement de flux de travail. Deuxièmement, l’expansion dans davantage de spécialités, avec des modèles entraînés sur le langage et les conventions de codage de domaines comme la dermatologie et la psychiatrie. Troisièmement, le développement de systèmes d’exploitation natifs IA pour les flux de soins, où l’IA constitue l’infrastructure sous-jacente plutôt qu’un outil ajouté. Quatrièmement, la gouvernance et la préparation de la main-d’œuvre, que le rapport OMS/Europe identifie comme un facteur limitant dans de nombreux systèmes de santé.