La documentation médicale exige une attention particulière : il s’agit de traduire une rencontre humaine complexe en un compte rendu écrit précis, complet et défendable. Lorsqu’un assistant médical IA intervient dans ce processus, un phénomène inattendu peut survenir. Les cliniciens, qui s’attendaient à être soulagés, ressentent parfois de l’incertitude. Les notes apparaissent dans le dossier et semblent plausibles, mais elles n’ont pas été rédigées de la manière habituelle. Cette absence de familiarité peut susciter une question discrète mais persistante : puis-je pleinement assumer cela ?

Pourquoi les cliniciens remettent-ils en question leurs notes après avoir adopté un assistant IA ?

L’inconfort que de nombreux cliniciens ressentent après avoir adopté un assistant médical IA n’est ni irrationnel ni isolé. Il reflète un véritable changement de rôle : passer d’auteur à réviseur.

Lorsqu’un clinicien rédige une note manuellement, l’acte d’écrire constitue en soi une forme de vérification. Chaque phrase nécessite un rappel actif et un choix délibéré du langage. Lorsque la note est générée par un assistant IA, cette boucle cognitive est contournée, et avec elle disparaît une partie de la certitude que le dossier reflète fidèlement ce qui s’est réellement passé.

Une étude prospective d’amélioration de la qualité, publiée dans JAMA Network Open auprès de 46 cliniciens de 17 spécialités, a révélé que si les notes générées par IA réduisaient l’effort cognitif requis, les retours sur la qualité des notes étaient mitigés. Certains cliniciens ont trouvé les notes précises et détaillées, tandis que d’autres les ont jugées sujettes aux erreurs et nécessitant une révision substantielle.

Cette variabilité est importante : le degré de confiance que développe chaque clinicien dépendra en partie de l’outil utilisé, en partie du contexte clinique et en partie des habitudes de révision de chacun.

Il existe également une explication structurelle. Une étude de 2025 publiée dans PMC sur la confiance des cliniciens et le calibrage de la confiance en l’IA a identifié le manque de transparence et le mauvais alignement avec les processus décisionnels réels comme principaux obstacles à la confiance. Ces facteurs conduisent à des taux élevés de contournement.

Lorsque les cliniciens ne peuvent pas facilement comprendre pourquoi une note affirme ce qu’elle affirme, ou retracer une phrase jusqu’à ce qu’ils ont effectivement dit lors de la consultation, la confiance dans le résultat s’en trouve naturellement diminuée.

Un article de 2025 dans The American Journal of Medicine a noté qu’au moins deux tiers des médecins considèrent l’intelligence artificielle (IA), c’est-à-dire les systèmes informatiques capables d’effectuer des tâches nécessitant normalement l’intelligence humaine, comme bénéfique pour leur pratique. Les cas d’utilisation dans la documentation médicale ont augmenté de près de 70 %. Pourtant, ce même commentaire met en garde contre le fait que l’adoption de l’IA sans validation adéquate comporte des risques réels, notamment des résultats inexacts et des biais algorithmiques.

La conscience de ces risques fait de l’écart de confiance initial une réponse rationnelle et professionnellement appropriée, plutôt qu’un échec d’adaptation.

La différence entre faire confiance à l’outil et faire confiance au résultat

Une distinction importante est souvent négligée dans les discussions sur la documentation IA : la confiance dans l’outil en tant que produit n’est pas la même chose que la confiance dans une note individuelle qu’il produit. Ce sont des questions distinctes, qui se construisent selon des processus différents.

Faire confiance à l’outil signifie avoir confiance dans sa conformité réglementaire, sa posture de sécurité des données et sa fiabilité générale. Dans un contexte clinique européen, cela implique de comprendre si le produit répond aux exigences du Règlement sur les dispositifs médicaux (RDM) et si le traitement des données est conforme aux obligations du Règlement général sur la protection des données (RGPD), y compris les exigences d’hébergement des données au sein de l’UE. Ce sont des questions traitées au niveau organisationnel ou lors des achats, et non au point de soins.

Faire confiance au résultat, c’est-à-dire à une note spécifique générée lors d’une consultation donnée, est une tout autre affaire. Cela exige que le clinicien lise la note, la compare à son souvenir de la rencontre et porte un jugement professionnel sur sa fidélité à ce qui s’est effectivement passé.

Un article de 2025 dans NEJM AI sur les hallucinations des grands modèles de langage dans les documents cliniques présente les inexactitudes comme un obstacle structurel à l’adoption. Il souligne que la vigilance des cliniciens reste le principal mécanisme de détection des erreurs dans la documentation générée par IA. Cette vigilance n’est pas une solution de contournement : c’est une responsabilité professionnelle.

Un cadre de gouvernance publié dans Healthcare (Basel) en 2026 a abordé ce point directement, en examinant l’autorité épistémique dans les résultats cliniques générés par les grands modèles de langage (LLM), c’est-à-dire les systèmes d’IA entraînés sur de vastes ensembles de données textuelles pour générer un langage semblable à celui des humains. Il soutient que la question de savoir quel type de connaissance représente un résultat IA reste non résolue dans les cadres éthiques actuels. L’implication pratique est claire : la note est un point de départ, pas un produit fini, tant que le clinicien responsable ne l’a pas relue et approuvée.

À quoi ressemble réellement une bonne note clinique générée par IA

L’une des raisons pour lesquelles les cliniciens ont du mal à faire confiance aux notes générées par IA est l’absence d’un critère de référence clair. Sans norme définie, tout écart par rapport à la note qu’un clinicien aurait pu rédiger lui-même peut sembler être une erreur, même lorsqu’il n’a aucune signification clinique.

Une étude évaluée par des pairs en 2025 dans Frontiers in Artificial Intelligence, qui a directement comparé les notes cliniques générées par IA à celles rédigées par des médecins, a révélé que les notes IA ambiantes surpassaient les notes humaines en termes d’exhaustivité et d’organisation, mais que les notes des médecins obtenaient de meilleurs scores en précision et en cohérence interne.

Ce compromis est important : l’exhaustivité et la précision n’évoluent pas toujours ensemble, et une note peut être bien structurée tout en comportant une imprécision factuelle qui nécessite une correction.

Les critères de qualité réalistes pour la documentation médicale assistée par IA incluent :

• Précision clinique : la note reflète correctement le motif de consultation, les résultats de l’examen et le raisonnement clinique

• Structure appropriée : les sections apparaissent dans un ordre logique, cohérent avec le contexte clinique et les modèles pertinents

• Représentation fidèle de la consultation : rien d’important n’a été omis, et rien n’a été ajouté qui n’a pas été discuté

• Utilisation correcte du codage médical : lorsque des codes SNOMED ou CIM sont appliqués, ils correspondent au contenu clinique documenté

• Adéquation professionnelle : la note serait défendable si elle était examinée par un collègue, un responsable clinique ou un organisme de réglementation

La norme est l’adéquation professionnelle, et non l’identité stylistique avec les notes que le clinicien aurait rédigées de manière indépendante. Une note qui répond aux critères ci-dessus est une bonne note, quelle que soit la manière dont elle a été générée.

Construire une habitude de révision personnelle qui restaure la propriété

Le mécanisme le plus fiable pour restaurer la confiance dans les notes générées par IA est un flux de travail de révision cohérent et léger appliqué à chaque note avant qu’elle n’entre dans le système de dossiers médicaux. Lire, modifier si nécessaire et approuver consciemment chaque note redonne au clinicien son rôle d’auteur plutôt que de simple spectateur.

Une revue de la portée publiée dans PMC en décembre 2024 a identifié la transparence, l’autonomie du clinicien et une formation adéquate comme les trois piliers nécessaires pour que les cliniciens fassent confiance aux outils de documentation IA. Elle a noté que les premiers utilisateurs ont signalé des améliorations de l’efficacité et de la précision de la documentation après une formation appropriée. Une habitude de révision structurée soutient directement deux de ces trois piliers.

En pratique, un flux de travail de révision pourrait inclure :

• Lire la note en entier avant de signer, et non simplement la parcourir

• Vérifier que la section de raisonnement clinique reflète le processus décisionnel réel, et non une reconstruction plausible

• Contrôler que tous les médicaments, doses ou résultats d’investigation mentionnés sont corrects

• Confirmer que la note n’inclut rien que le clinicien n’a pas dit ou voulu, un risque connu avec les systèmes d’IA générative

• Effectuer des modifications activement plutôt que d’accepter la note telle quelle, même lorsque les changements sont mineurs

Les modifications elles-mêmes sont importantes. Chaque correction est un petit acte d’auteur qui renforce la relation du clinicien avec le dossier. Au fil du temps, le processus de révision cesse de ressembler à un contrôle qualité sur le travail de quelqu’un d’autre et devient l’étape finale du propre processus de documentation du clinicien.

Comment l’utilisation répétée recalibre le jugement clinique

La confiance dans un assistant médical IA ne se développe pas de façon linéaire. La plupart des cliniciens rapportent une période initiale de vigilance accrue, suivie d’un recalibrage progressif à mesure que les modèles deviennent familiers. Ce n’est pas de la complaisance : c’est le développement d’une confiance calibrée, distincte à la fois de la dépendance aveugle et de la suspicion réflexe.

Le cadre PMC sur le calibrage de la confiance dans les diagnostics IA décrit ce processus explicitement : à mesure que les cliniciens acquièrent de l’expérience avec un outil spécifique, ils développent un sens intuitif des situations où il fonctionne de manière fiable et de celles où il tend à introduire des erreurs ou des omissions. Cette reconnaissance des schémas rend la révision plus efficace sans la rendre moins rigoureuse.

Les cliniciens rapportent souvent avoir constaté que leur assistant IA gère certains types de consultations — tels que les suivis structurés, les révisions de traitements et les présentations aiguës simples — avec une grande fiabilité. Il fonctionne de façon moins constante dans les consultations complexes de patients pluripathologiques, les rencontres émotionnellement sensibles ou les situations où le raisonnement clinique est nuancé et non linéaire.

Savoir cela permet aux cliniciens d’ajuster l’intensité de leur révision de manière appropriée : un examen plus attentif là où l’outil est connu pour présenter des difficultés, une révision plus légère là où il fonctionne de façon constante.

Une revue rapide publiée dans JMIR AI en 2025, synthétisant les preuves du monde réel sur les scribes numériques, a conclu que, bien que les scribes numériques montrent des promesses dans la réduction de la charge administrative et l’amélioration de la satisfaction des cliniciens, les preuves actuelles restent limitées. Des études supplémentaires sont nécessaires avant de pouvoir formuler des recommandations sans équivoque. La confiance calibrée doit rester sensible aux preuves, qu’il s’agisse de l’expérience accumulée du clinicien ou de l’évolution de la recherche.

Le rôle des collègues et de la culture d’équipe dans la reconstruction de la confiance

La confiance individuelle dans la documentation générée par IA ne se développe pas isolément. Les normes, les conversations et les expériences partagées au sein d’un cabinet, d’un service ou d’un département influencent la manière dont les cliniciens interprètent leur propre incertitude et s’ils se sentent libres d’exprimer leurs préoccupations.

Les équipes qui discutent ouvertement de la documentation assistée par IA, en partageant des exemples de notes ayant nécessité une révision importante ou de situations où l’outil a particulièrement bien fonctionné, contribuent à normaliser la période d’ajustement. Lorsqu’un clinicien apprend qu’un collègue respecté a également trouvé les premières semaines inconfortables, cette expérience est recadrée comme une étape prévisible plutôt qu’un échec personnel d’adaptation.

Les cliniciens seniors et les responsables cliniques jouent ici un rôle particulier. Lorsque des praticiens expérimentés modélisent un comportement de révision sain — lisant, éditant et discutant visiblement des notes générées par IA comme une partie routinière de leur pratique — ils établissent une norme d’équipe selon laquelle l’engagement actif avec les résultats de l’IA est attendu et professionnel.

Lorsque les notes générées par IA sont acceptées sans examen parce que le personnel senior semble le faire, un risque culturel s’installe, difficile à inverser une fois établi.

Le commentaire de The American Journal of Medicine sur la confiance et la valeur dans la médecine pilotée par l’IA soutient qu’une mise en œuvre opportune et transparente de l’IA nécessite la confiance entre tous les acteurs de la santé : non seulement entre les cliniciens et les outils, mais aussi entre les cliniciens et leurs institutions, et entre les cliniciens eux-mêmes. La culture d’équipe n’est pas une considération secondaire : elle fait partie intégrante de l’infrastructure de mise en œuvre.

Quand escalader les préoccupations concernant la qualité des notes

L’édition routinière des notes générées par IA est attendue, et le besoin de corriger une note n’indique pas en soi un problème nécessitant une escalade. Ce qui importe, c’est la distinction entre les corrections individuelles, qui font partie du processus normal de révision, et les schémas d’erreur qui suggèrent un problème systémique lié à l’outil, à la configuration ou au contexte clinique dans lequel il est utilisé.

Les préoccupations justifiant une escalade vers un responsable clinique, une équipe informatique ou le fournisseur d’IA incluent :

• Des inexactitudes factuelles répétées du même type (par exemple, attribuer systématiquement des symptômes de façon erronée ou générer des détails de médicaments plausibles mais incorrects)

• Des notes qui omettent une catégorie spécifique d’informations cliniques sur plusieurs consultations

• Un résultat qui semble refléter une consultation différente de celle enregistrée, suggérant une erreur de transcription ou d’attribution

• Des codes médicaux systématiquement mal appliqués dans une spécialité ou un type de consultation particulier

• Toute situation où une note inexacte est entrée dans le système de dossiers médicaux sans correction et a eu des conséquences cliniques ultérieures

L’article de NEJM AI sur la vérification des faits dans les documents générés par LLM souligne que les hallucinations — c’est-à-dire les affirmations plausibles mais factuellement incorrectes — représentent un risque structurel dans la documentation médicale générée par IA. Lorsqu’un clinicien identifie ce qui semble être une hallucination dans ses notes, il ne s’agit pas d’une simple tâche d’édition : c’est une information dont le fournisseur et l’équipe de gouvernance clinique ont besoin pour déterminer si le problème est isolé ou systémique.

Signaler les préoccupations est une responsabilité professionnelle, non une remise en cause de la technologie ou du clinicien qui l’utilise. Les outils de documentation IA sont des dispositifs médicaux opérant dans des environnements cliniques réglementés, et la boucle de rétroaction entre les utilisateurs et les développeurs fait partie intégrante de leur amélioration.

Responsabilité réglementaire et professionnelle : ce qui reste la responsabilité du clinicien

Quelle que soit la manière dont une note clinique a été générée, le clinicien qui la signe conserve l’entière responsabilité professionnelle et juridique de son contenu. Ce n’est pas une clause cachée dans les conditions d’utilisation : c’est un principe fondamental de la pratique clinique, qui s’applique aussi bien aux notes manuscrites, dictées à un scribe humain ou générées par un assistant IA.

Dans un contexte clinique européen, les outils de documentation IA qui répondent à la définition d’un dispositif médical sont soumis au Règlement sur les dispositifs médicaux, qui fixe des exigences en matière de sécurité, de performance et de surveillance post-commercialisation. Le RGPD régit la manière dont les données des patients sont traitées et stockées, y compris les exigences d’hébergement des données au sein de l’UE, particulièrement pertinentes lorsque les systèmes d’IA traitent l’audio ou les transcriptions de consultations.

Les cliniciens n’ont pas besoin d’être experts de ces cadres, mais l’utilisation par leur établissement d’un outil de documentation IA doit être soutenue par une conformité documentée avec les deux.

Le cadre de gouvernance publié dans Healthcare (Basel) sur l’autorité épistémique et la responsabilité dans les résultats générés par LLM souligne que les cadres actuels laissent des questions critiques sur la responsabilité non résolues, notamment sur la question de savoir qui porte la responsabilité lorsqu’un résultat généré par IA contient une erreur qui atteint la pratique clinique. En l’absence de réponses réglementaires établies, la position pratique et professionnelle est claire : le clinicien est responsable de ce qui figure dans le dossier, d’où l’importance de l’étape de révision.

Un commentaire de RAND sur les notes médicales générées par IA a noté que jusqu’à 30 % des cabinets médicaux ont adopté des outils de documentation IA. Il a identifié des risques connus, notamment les biais, les hallucinations et la mauvaise qualité des données d’entraînement, comme des facteurs que les cliniciens doivent prendre en compte pour décider du niveau de confiance à accorder aux notes générées par IA. La responsabilité professionnelle est ce qui garantit que ces risques sont gérés au point de soins, et non uniquement lors de l’achat.

Signes que la confiance a été reconstruite avec succès

La confiance dans la documentation assistée par IA se construit progressivement et se reconnaît plus facilement rétrospectivement qu’en temps réel. Certains marqueurs indiquent qu’un clinicien a atteint une relation saine et mature avec son assistant médical IA :

• La révision ressemble à un raffinement plutôt qu’à un sauvetage : les modifications sont généralement mineures et la note est déjà précise avant les ajustements

• Le clinicien peut identifier, avec une confiance raisonnable, quels types de consultations ou contextes cliniques tendent à produire des notes nécessitant plus d’attention

• La documentation n’est plus source d’anxiété en tant que tâche distincte et a été réintégrée dans le flux de travail clinique

• Le clinicien peut expliquer ce que l’assistant IA fait bien et où il échoue, sur la base de l’expérience accumulée plutôt que d’une méfiance générale

• Signer une note ressemble à un véritable acte d’approbation professionnelle, et non à une acceptation réticente

L’étude de JAMA Network Open sur les expériences des cliniciens avec la technologie de scribe médical IA a montré que la relation des cliniciens avec les outils de documentation IA évoluait au fil du temps. Ceux qui s’engageaient activement dans le processus de révision ont signalé une plus grande confiance dans le résultat à mesure que l’expérience s’accumulait. La confiance n’est pas une condition préalable à l’utilisation : elle est le fruit d’une utilisation attentive.

La base de preuves pour cette trajectoire reste en développement. La revue rapide de JMIR AI met en garde : les preuves actuelles sur les scribes numériques sont encore limitées, et les expériences individuelles varient considérablement selon la spécialité, le type de consultation et la configuration de l’outil. Les marqueurs décrits ci-dessus reflètent une tendance générale, mais ne constituent pas une garantie universelle.

La confiance vient de l’engagement, pas de l’évitement

L’idée centrale qui ressort à la fois de l’expérience clinique et de la littérature émergente est cohérente : la confiance dans les notes cliniques assistées par IA ne s’acquiert pas passivement avec le temps. Elle se construit par un engagement actif et éclairé : lire attentivement les notes, modifier si nécessaire, signaler les schémas d’erreur et accumuler les connaissances pratiques qui rendent la révision efficace sans la rendre superficielle.

Les cliniciens qui considèrent l’étape de révision comme un acte professionnel, et non comme une simple formalité administrative, parviennent généralement à une confiance stable et calibrée dans leurs notes. Ceux qui évitent un engagement approfondi, par manque de temps ou en supposant que l’outil garantira la précision de lui-même, risquent de rester dans un état d’incertitude latent, qui ne sert ni leurs intérêts ni ceux de leurs patients.

La charge administrative que les outils d’IA visent à réduire est bien réelle, et les preuves de leur efficacité se multiplient. Mais le rôle du clinicien dans ce processus n’a pas disparu : il a été transformé. S’engager délibérément dans cette transformation permet à la documentation assistée par IA de devenir un véritable atout pour la pratique clinique, plutôt qu’une source persistante de malaise professionnel.

Questions fréquemment posées

Pourquoi les cliniciens se sentent-ils incertains à propos des notes cliniques générées par IA, même lorsque les notes semblent précises ?

Lorsqu’un clinicien rédige une note manuellement, l’acte d’écrire constitue en soi une forme de vérification. Chaque phrase nécessite un rappel actif et un choix délibéré du langage. Lorsque la note est générée par un assistant IA, cette boucle cognitive est contournée, et avec elle disparaît une partie de la certitude que le dossier reflète ce qui s’est réellement passé. Ce passage d’auteur à réviseur est un véritable changement de rôle, et l’inconfort qui en résulte est une réponse rationnelle et professionnellement appropriée, plutôt qu’un échec d’adaptation.

Quelle est la différence entre faire confiance à un outil de documentation IA et faire confiance à une note spécifique qu’il produit ?

Faire confiance à l’outil signifie avoir confiance dans sa conformité réglementaire, sa posture de sécurité des données et sa fiabilité générale. Faire confiance à une note spécifique est une tout autre démarche : elle exige que le clinicien lise la note, la compare à son souvenir de la rencontre et porte un jugement professionnel sur sa fidélité à ce qui s’est passé. Une note est un point de départ, pas un produit fini, tant que le clinicien responsable ne l’a pas examinée et approuvée.

À quoi ressemble réellement une bonne note clinique générée par IA ?

Une bonne note générée par IA reflète correctement le motif de consultation, les résultats de l’examen et le raisonnement clinique. Elle est structurée de façon logique, n’omet rien d’important, n’ajoute rien qui n’a pas été discuté et applique les codes médicaux avec précision. La norme est l’adéquation professionnelle, pas l’identité stylistique avec les notes que le clinicien aurait rédigées lui-même. Une note qui répond à ces critères est une bonne note, quelle que soit la manière dont elle a été générée.

Comment les cliniciens peuvent-ils instaurer une habitude de révision qui restaure un sentiment de propriété sur les notes générées par IA ?

Un flux de travail de révision cohérent et léger appliqué à chaque note avant son intégration dans le système de dossiers médicaux est le mécanisme le plus fiable. Cela implique de lire la note en entier plutôt que de la survoler, de vérifier que le raisonnement clinique reflète la prise de décision réelle, de contrôler les médicaments et les résultats d’investigation, et d’effectuer activement les modifications nécessaires plutôt que d’accepter la note telle quelle. Chaque correction est un petit acte d’auteur qui renforce la relation du clinicien avec le dossier au fil du temps.

La confiance dans un assistant médical IA s’améliore-t-elle avec une utilisation répétée ?

La plupart des cliniciens rapportent une période initiale de vigilance accrue, suivie d’un recalibrage progressif à mesure que les modèles deviennent familiers. Ce n’est pas de la complaisance, mais le développement d’une confiance calibrée. Avec l’expérience, les cliniciens développent un sens intuitif des situations où l’outil fonctionne de façon fiable et de celles où il tend à introduire des erreurs ou des omissions. Cette reconnaissance des schémas rend la révision plus efficace sans la rendre moins rigoureuse.

Quel rôle joue la culture d’équipe dans la construction de la confiance envers la documentation assistée par IA ?

Les équipes qui discutent ouvertement de la documentation assistée par IA, en partageant des exemples de notes ayant nécessité une révision importante ou de consultations où l’outil a bien fonctionné, contribuent à normaliser la période d’ajustement. Les cliniciens seniors jouent un rôle particulier : lorsque des praticiens expérimentés lisent, éditent et discutent visiblement des notes générées par IA dans le cadre de leur pratique courante, ils établissent une norme d’équipe selon laquelle l’engagement actif avec les résultats de l’IA est attendu et professionnel. Lorsque les notes sont acceptées sans examen parce que le personnel senior semble le faire, un risque culturel s’installe, difficile à inverser.

Quand un clinicien doit-il signaler des préoccupations concernant la qualité des notes générées par IA ?

L’édition routinière est attendue et ne nécessite pas d’escalade. Ce qui importe, c’est la distinction entre les corrections individuelles et les schémas d’erreur suggérant un problème systémique. Les préoccupations justifiant une escalade incluent des inexactitudes factuelles répétées du même type, des notes qui omettent systématiquement une catégorie d’informations cliniques, des codes médicaux mal appliqués sur plusieurs consultations, et toute situation où une note inexacte est entrée dans le système de dossiers médicaux sans correction et a eu des conséquences cliniques ultérieures.

Qui est légalement et professionnellement responsable du contenu d’une note clinique générée par IA ?

Quelle que soit la manière dont une note clinique a été générée, le clinicien qui la signe conserve l’entière responsabilité professionnelle et juridique de son contenu. Cela s’applique aussi bien aux notes manuscrites, dictées à un scribe humain ou générées par un assistant IA. Dans un contexte clinique européen, les outils de documentation IA répondant à la définition d’un dispositif médical sont soumis au Règlement sur les dispositifs médicaux, et le traitement des données des patients doit être conforme au Règlement général sur la protection des données. Le clinicien est responsable de ce qui figure dans le dossier, d’où l’importance de l’étape de révision.

Quels sont les signes qu’un clinicien a développé une relation saine et mature avec son assistant médical IA ?

Les marqueurs clés incluent : la révision ressemble à un raffinement plutôt qu’à un sauvetage, avec des modifications généralement mineures et la note déjà précise avant les ajustements. Le clinicien peut identifier quels types de consultations tendent à produire des notes nécessitant plus d’attention. La documentation n’est plus source d’anxiété en tant que tâche distincte. Signer une note devient un véritable acte d’approbation professionnelle, et non une acceptation réticente. Ces marqueurs reflètent une tendance générale, même si les expériences individuelles varient selon la spécialité, le type de consultation et la configuration de l’outil.