Les soins primaires européens sont multilingues dans la pratique. Un médecin généraliste à Bruxelles peut documenter en néerlandais tout en consultant un patient parlant le darija marocain. Un médecin de famille à Vienne alterne entre l’allemand standard et le dialecte viennois au cours d’une même phrase. Un cabinet à Manchester reçoit des patients dont la langue maternelle est l’ourdou, le polonais ou le somali. Lorsque les outils de documentation IA sont introduits dans ces environnements, ils se heurtent à une réalité linguistique pour laquelle la plupart n’ont pas été conçus. Les écarts de performance qui en résultent ne sont pas de simples désagréments. Ils représentent des risques potentiels pour la sécurité des patients.

Comment les outils de documentation IA traitent la langue parlée

La plupart des outils de documentation IA utilisés dans les soins primaires combinent deux composants distincts. La reconnaissance vocale automatique (ASR, automatic speech recognition) convertit les mots parlés en texte. Un grand modèle de langage (LLM, large language model) ou une couche de traitement du langage naturel (NLP, natural language processing) transforme ensuite ce texte transcrit en documentation médicale structurée.

Les erreurs se cumulent à travers ces deux couches. Si la couche ASR interprète mal un mot, en particulier un terme médical prononcé avec un accent régional, la couche NLP reçoit une entrée erronée et peut générer une note plausible mais cliniquement incorrecte.

La recherche sur les systèmes de documentation vocale a montré que même les moteurs de reconnaissance vocale spécialisés atteignent une précision limitée pour les termes diagnostiques au sein d’une même langue. Le vocabulaire spécifique au domaine crée des écarts de précision qui deviennent bien plus marqués lorsque les ressources linguistiques sont rares.

Les cliniciens qui évaluent les outils de documentation IA devraient se demander non seulement « Prend-il en charge cette langue ? », mais aussi « Où dans la chaîne de traitement échoue-t-il, et comment ? »

Pourquoi certaines langues européennes sont mieux prises en charge que d’autres

La raison fondamentale des disparités de performance entre les langues européennes réside dans le déséquilibre des données d’entraînement. Les grands modèles de langage et les systèmes ASR sont principalement entraînés sur des ensembles de données en anglais.

Lorsqu’un modèle a été exposé à des milliards de documents médicaux en anglais mais seulement à des millions, voire des centaines de milliers, de textes équivalents en néerlandais, roumain ou grec, ses performances dans ces langues seront structurellement plus faibles.

Une recherche publiée dans Scientific Reports en 2025 a abordé les défis rencontrés par les LLM fondamentaux dans les tâches spécifiques au domaine telles que la synthèse médicale, en tenant compte de la richesse morphologique, de la variation syntaxique et de la diglossie, avec un impact particulier sur les langues sous-représentées.

Les langues généralement mieux prises en charge incluent l’anglais, avec une nette avance, en raison de sa représentation dominante dans les corpus d’entraînement. L’espagnol, le français et l’allemand sont raisonnablement représentés, bien qu’avec des lacunes dans le vocabulaire médical. Le néerlandais, le portugais et l’italien bénéficient d’un support modéré, avec des manques notables dans la terminologie spécialisée.

Les langues généralement sous-représentées dans les données d’entraînement de l’IA médicale incluent le polonais, le roumain, le grec, le tchèque, le hongrois, le finnois, le catalan, le gallois et le maltais. Pour les cliniciens pratiquant dans ces langues, la précision de base de tout outil de documentation IA doit être vérifiée de façon indépendante, et non présumée.

Les défis spécifiques des langues germaniques, romanes et slaves dans la documentation médicale

La structure des familles linguistiques crée des modes de défaillance prévisibles dans la documentation médicale IA. Les comprendre aide les cliniciens à anticiper les endroits où les erreurs sont les plus probables.

Langues germaniques (allemand, néerlandais)

L’allemand et le néerlandais utilisent largement les noms composés, des mots uniques formés en joignant plusieurs concepts. Un terme médical allemand tel que Herzinsuffizienz (insuffisance cardiaque) ou Bluthochdruck (hypertension) doit être reconnu comme une entité clinique unique, et non analysé comme des syllabes isolées.

Les outils IA qui ne sont pas suffisamment entraînés sur des textes médicaux allemands segmentent ou reconnaissent souvent mal ces composés, générant des notes qui omettent ou déforment le diagnostic.

Langues romanes (français, espagnol, portugais, italien)

Ces langues attribuent un genre grammatical à la terminologie médicale, et le sens clinique peut changer en cas d’erreur d’accord. Au-delà de la grammaire, la variation régionale du vocabulaire médical est significative : la même affection peut être désignée par des termes différents en France et en Belgique, ou en Espagne et en Amérique latine.

Un outil IA entraîné sur des données médicales en espagnol castillan peut être moins performant dans les régions catalanophones, comme le montre la recherche sur les notes de soins primaires bilingues en espagnol et catalan, qui a révélé que la reconnaissance conjointe et la liaison ICD-10 des diagnostics dans les notes bilingues non standard constituent un problème distinct et complexe nécessitant un ajustement spécifique à la langue.

Langues slaves (polonais, tchèque, slovaque)

Le polonais et le tchèque sont morphologiquement complexes, avec des systèmes flexionnels étendus qui modifient les terminaisons des mots en fonction du cas, du genre et du nombre. Un terme médical pour une même affection peut apparaître sous six formes ou plus au cours d’une seule consultation.

Un modèle IA sans exposition suffisante à cette variation flexionnelle ne parviendra pas à reconnaître de manière cohérente le même concept clinique à travers ses différentes formes. Les évaluations multilingues de la fiabilité des LLM dans les soins de santé ont identifié cela comme un obstacle majeur à l’adoption dans les environnements cliniques de langue slave.

Dialectes, variation régionale et discours accentué : la couche que la plupart des outils ignorent

Même au sein d’une langue officiellement prise en charge, la variation dialectale et le discours accentué peuvent considérablement dégrader la précision de l’ASR. Un outil validé pour le néerlandais standard (tel que parlé aux Pays-Bas) peut encore être moins performant dans un cabinet de médecin généraliste flamand à Gand.

Le suisse allemand est suffisamment distinct de l’allemand standard pour que de nombreux systèmes ASR entraînés sur le Hochdeutsch ne parviennent pas à le transcrire de façon fiable. Le catalan, bien que parlé par des millions de personnes en Espagne et en France, est souvent traité comme un cas limite par les fournisseurs d’IA dont le marché principal est l’espagnol castillan.

Une revue narrative du Centre ADAPT de la Dublin City University identifie ce point comme l’un des défis centraux non résolus dans la technologie du langage IA pour les soins de santé : une production fluide dans une variété standard ne garantit pas une performance acceptable sur l’ensemble du continuum dialectal de cette langue. La revue note que les gains d’efficacité des outils de langage IA peuvent masquer les erreurs, réduire la traçabilité et déplacer la responsabilité entre les cliniciens et les systèmes de santé, des risques amplifiés lorsque la variation dialectale n’est pas prise en compte lors de la validation.

Le discours accentué des locuteurs non natifs présente un défi connexe mais distinct. Un médecin généraliste né en Roumanie exerçant en Irlande et documentant en anglais avec un accent roumain peut constater que la précision de l’ASR est significativement inférieure à celle d’un locuteur natif utilisant le même outil. Cela a des implications directes pour les cabinets employant des cliniciens formés à l’international, qui représentent une part significative des effectifs de soins primaires dans l’UE et au Royaume-Uni.

Alternance codique : que se passe-t-il lorsque les cliniciens et les patients mélangent les langues en pleine consultation ?

L’alternance codique, le passage entre deux langues ou plus au sein d’une même conversation, est courante dans les contextes cliniques multilingues, mais elle demeure l’un des scénarios les plus mal gérés par les outils de documentation IA.

Un clinicien au Luxembourg peut documenter en français tout en utilisant des termes anatomiques latins, des noms de médicaments anglais et des phrases allemandes occasionnelles. Un médecin généraliste dans un cabinet gallois peut alterner entre le gallois et l’anglais au sein d’une même phrase.

Les médecins dans les environnements arabophones conversent souvent principalement en arabe mais rédigent les notes médicales en anglais, ce qui ajoute une charge mentale. Ce flux de travail bilingue est mal pris en charge par les outils IA existants en raison du manque de corpus d’entraînement en langue arabe. Le même problème structurel s’applique à toute paire de langues où l’une est sous-représentée dans les données d’entraînement.

Pour la plupart des outils de documentation IA actuels, l’alternance codique entre une langue bien dotée en ressources et une langue sous-dotée tend à produire l’un des deux modes de défaillance : l’outil bascule entièrement vers la langue dominante et ignore le contenu parlé dans la langue minoritaire, ou il tente de transcrire les deux langues mais introduit des erreurs systématiques aux points de transition. Aucun de ces résultats n’est acceptable dans un contexte de documentation médicale, où les informations manquantes ou déformées peuvent compromettre la sécurité des patients.

Terminologie médicale à travers les langues : plus qu’un problème de traduction

Une idée répandue est que la documentation médicale multilingue relève principalement d’un défi de traduction : un outil IA devrait simplement mapper les termes parlés dans une langue à leurs équivalents anglais avant d’appliquer le codage médical standard. Cette hypothèse est erronée, et l’appliquer conduit à des erreurs systématiques dans les notes structurées.

Le vocabulaire médical n’est pas uniformément standardisé à travers les langues européennes. SNOMED CT, le système de terminologie médicale le plus largement utilisé, dispose de traductions officielles dans plusieurs langues européennes, mais la couverture reste inégale.

En pratique, les cliniciens utilisent fréquemment des termes informels, abrégés ou localement préférés qui ne correspondent pas directement à un code standardisé. Un outil IA entraîné sur des corpus médicaux anglais peut reconnaître correctement le terme anglais « heart failure » et le mapper au code SNOMED CT approprié, mais échouer à effectuer le même mappage lorsque le terme est prononcé en polonais, grec ou finnois, même si l’outil « prend en charge » nominalement ces langues.

La recherche sur le codage ICD-10 dans les notes de soins primaires bilingues en espagnol et catalan a montré que les formats de notes non standard et le mélange bilingue créent des défis spécifiques pour le codage automatisé, qui ne peuvent pas être résolus en appliquant des modèles entraînés sur des corpus monolingues standard. Les auteurs ont constaté qu’un ajustement fin efficace sur des données médicales spécifiques à la langue était nécessaire pour atteindre une performance acceptable, une conclusion qui a des implications directes pour les cabinets évaluant les outils de documentation IA dans toute langue européenne non anglaise.

Comment évaluer la performance linguistique d’un outil de documentation IA avant de le déployer en pratique

Les cliniciens et les gestionnaires de cabinet qui évaluent les outils de documentation IA pour des environnements multilingues devraient aller au-delà des arguments marketing des fournisseurs et poser des questions précises et vérifiables. Le cadre suivant reflète les meilleures pratiques actuelles en matière d’évaluation de l’IA médicale.

Demander des données de validation spécifiques à la langue

Dans quelles langues l’outil a-t-il été validé, et sur quel ensemble de données ? La validation a-t-elle été réalisée sur de la parole médicale réelle ou sur des enregistrements de studio propres ? Quel était le taux d’erreur de mots (WER, word error rate) pour l’ASR dans la langue cible, et comment se compare-t-il aux performances en anglais sur le même outil ?

Sonder la couverture des dialectes et des accents

L’outil a-t-il été testé sur la variété régionale spécifique de la langue utilisée dans votre cabinet (par exemple, néerlandais flamand, suisse allemand, catalan) ? Quelle est la différence de performance documentée entre les variétés standard et régionales ?

Tester la capacité d’alternance codique

L’outil gère-t-il les consultations où le clinicien et le patient utilisent des langues différentes ? Comment se comporte-t-il lorsque des termes médicaux sont prononcés en latin ou en anglais au sein d’une consultation non anglophone ?

Examiner la précision du codage médical séparément de la précision de la transcription

Un outil peut atteindre une précision de transcription acceptable tout en échouant à générer des codes SNOMED CT ou ICD corrects dans la langue cible. Demandez aux fournisseurs des données de précision de codage spécifiques à votre langue et à votre contexte médical.

Le commentaire de 2025 sur les scribes médicaux IA dans les soins de santé note que la plupart des évaluations existantes proviennent d’études pilotes à petite échelle et de courte durée avec des participants déjà sensibilisés à la technologie, une limitation qui s’applique tout particulièrement aux évaluations en langues non anglaises, où la base de preuves est encore plus mince.

Considérations relatives à l’hébergement des données et à la réglementation pour les outils IA multilingues dans l’UE

Le Règlement général sur la protection des données (RGPD) s’applique à toutes les données personnelles traitées au sein de l’UE, quelle que soit la langue dans laquelle elles ont été parlées ou enregistrées. Les enregistrements audio de consultations médicales, y compris ceux menés en polonais, roumain, arabe ou toute autre langue, constituent des données de santé sensibles au sens de l’article 9 du RGPD et sont soumis à l’ensemble des obligations de protection des données.

Un document de politique du BMJ sur la traduction IA dans les soins de santé souligne l’écart entre le déploiement rapide de l’IA et les cadres réglementaires, notant que cet écart est particulièrement marqué dans les contextes de soins de santé multilingues où les données circulent à travers les frontières linguistiques et juridictionnelles.

Les cabinets devraient vérifier où les données audio sont traitées. Certains outils de documentation IA acheminent l’audio vers une infrastructure cloud située hors UE pour la transcription, ce qui peut contrevenir aux exigences d’hébergement des données du RGPD.

Les cabinets devraient également vérifier où les données sont stockées. Les exigences d’hébergement des données au sein de l’UE s’appliquent tant au stockage qu’au traitement.

Vérifiez si la documentation de confidentialité du fournisseur couvre toutes les langues prises en charge. Les outils qui traitent l’audio non anglais via une infrastructure différente de celle de l’audio anglais peuvent présenter des politiques d’hébergement des données incohérentes.

Vérifiez le statut du Règlement sur les dispositifs médicaux (RDM). Les outils de documentation IA qui génèrent des résultats médicaux peuvent être qualifiés de dispositifs médicaux au sens du RDM UE, avec des implications pour les langues et les contextes cliniques ayant fait l’objet d’une validation formelle.

À quoi ressemble réellement une bonne performance multilingue : repères et signaux d’alarme

Il n’existe pas de seuils de précision universellement reconnus pour la documentation médicale IA à travers les langues européennes, mais les repères suivants reflètent les données actuelles et les considérations de risque clinique.

Seuils minimaux raisonnables pour l’utilisation clinique

Un taux d’erreur de mots ASR inférieur à 10 à 15 % pour la langue et le dialecte spécifiques utilisés (des seuils plus bas s’appliquent dans les contextes cliniques à enjeux élevés). Une précision de reconnaissance de la terminologie médicale supérieure à 80 % pour les termes diagnostiques les plus courants dans la langue cible. Une précision du codage ICD ou SNOMED comparable à celle obtenue par le même outil en anglais.

Signaux d’alarme suggérant une validation multilingue inadéquate

Le fournisseur ne cite que des études de validation en anglais et décrit la prise en charge d’autres langues comme « à venir » ou « en version bêta ». Les chiffres de précision sont présentés comme une valeur unique pour toutes les langues prises en charge, sans ventilation spécifique à chaque langue.

La validation a été effectuée sur des enregistrements propres plutôt que sur de la parole médicale réelle. L’outil ne dispose pas de données de performance documentées pour les dialectes régionaux ou le discours accentué. La capacité d’alternance codique est décrite de façon qualitative plutôt que soutenue par des données de précision.

Le benchmark EuropeMedQA est un point de référence utile : il s’agit d’un ensemble de données d’examen médical multilingue complet provenant d’examens réglementaires officiels à travers les pays européens, et il fournit un cadre structuré pour comparer les performances des LLM à travers les langues médicales européennes. Les cliniciens doivent toutefois garder à l’esprit que la performance sur des questions d’examen standardisées ne prédit pas nécessairement la performance sur la parole médicale réelle. Les deux tâches impliquent des registres linguistiques et des types d’erreurs différents.

Ce qui doit changer dans la documentation médicale IA pour l’Europe multilingue

L’écart de performance multilingue dans la documentation médicale IA n’est pas un problème insoluble, mais il reste actuellement sous-estimé par la communauté de recherche et les fournisseurs commerciaux. Plusieurs évolutions sont nécessaires avant que les outils de documentation IA puissent être considérés comme fiables et sûrs pour un déploiement à l’échelle de la diversité linguistique des soins primaires européens.

Des ensembles de données d’entraînement plus diversifiés

La domination des données en anglais dans les corpus d’entraînement de l’IA reflète des priorités historiques de recherche et commerciales, et non la réalité de l’activité médicale en Europe. La constitution d’ensembles de données cliniquement validés en polonais, roumain, grec, néerlandais et dans d’autres langues sous-représentées nécessite des investissements de la part des systèmes de santé, des bailleurs de fonds de la recherche et des fournisseurs d’IA.

La revue 2026 du Centre ADAPT soutient que cela nécessite non seulement de meilleurs modèles, mais aussi une conception sociotechnique responsable et une collaboration renforcée entre le traitement du langage naturel, la pratique clinique et la politique.

Développement de modèles sensibles aux dialectes

Les variétés standard des langues sont insuffisantes comme base de validation de l’IA médicale. Les modèles doivent être testés et, si nécessaire, ajustés sur les variétés régionales réellement utilisées en pratique clinique, y compris le néerlandais flamand, le suisse allemand, le catalan, les accents régionaux français et les nombreuses autres variétés qui composent le paysage linguistique réel des soins primaires européens.

La validation clinique comme exigence réglementaire

Le document de politique du BMJ appelle à des cadres politiques fondés sur des preuves, exigeant que les outils de langage IA en santé démontrent leur sécurité clinique à travers les langues et les contextes dans lesquels ils sont déployés. Sans pression réglementaire, les fournisseurs ont peu d’incitation commerciale à investir dans la validation pour les marchés linguistiques plus restreints.

Représentation honnête des limites actuelles

Les preuves issues de la recherche sur la fiabilité des LLM multilingues sont claires : les modèles actuels ne sont pas uniformément fiables à travers les langues européennes dans les contextes cliniques. Les cliniciens méritent des informations précises sur les domaines où ces outils fonctionnent bien et là où ils sont moins fiables, afin de pouvoir appliquer une supervision humaine appropriée et éviter une dépendance excessive à la documentation générée par l’IA dans les langues où la validation fait défaut ou est insuffisante.

Pour les cliniciens exerçant dans des environnements européens multilingues aujourd’hui, l’implication pratique est simple : la prise en charge linguistique affichée sur le site web d’un fournisseur ne correspond pas à une performance clinique validée. Les questions à poser, les repères à demander et les signaux d’alarme à surveiller sont bien définis. Les appliquer rigoureusement avant le déploiement est la meilleure protection contre les erreurs cumulatives que les outils de documentation IA multilingues peuvent introduire dans les dossiers médicaux.

Questions fréquemment posées

▶ Pourquoi les outils de documentation IA fonctionnent-ils différemment selon les langues européennes ?

La principale raison est le déséquilibre des données d’entraînement. Les grands modèles de langage et les systèmes de reconnaissance vocale automatique sont principalement entraînés sur des ensembles de données en anglais. Un modèle entraîné sur des milliards de documents médicaux en anglais mais seulement des centaines de milliers de textes équivalents en roumain ou en grec sera structurellement moins performant dans ces langues. Cela affecte à la fois la couche de transcription et celle qui convertit le texte transcrit en notes médicales structurées.

▶ Quelles langues européennes sont les mieux et les moins bien prises en charge par les outils de documentation médicale IA ?

L’anglais est la langue la mieux prise en charge, et de loin. L’espagnol, le français et l’allemand sont raisonnablement représentés, bien qu’avec des lacunes dans le vocabulaire médical. Le néerlandais, le portugais et l’italien bénéficient d’un support modéré. Les langues généralement sous-représentées incluent le polonais, le roumain, le grec, le tchèque, le hongrois, le finnois, le catalan, le gallois et le maltais. Les cliniciens pratiquant dans ces langues devraient vérifier de façon indépendante la précision de base plutôt que de la présumer.

▶ Quelles erreurs de documentation spécifiques les cliniciens doivent-ils anticiper avec les langues germaniques et slaves ?

En allemand et en néerlandais, les outils IA reconnaissent souvent mal les noms composés tels que Herzinsuffizienz (insuffisance cardiaque), soit en les segmentant, soit en les omettant. En polonais et en tchèque, les systèmes flexionnels étendus font que le même terme médical peut apparaître sous six formes ou plus au cours d’une seule consultation. Les outils sans exposition suffisante à cette variation ne parviendront pas à reconnaître de façon cohérente le même concept clinique à travers ses différentes formes, ce que les évaluations multilingues de la fiabilité des grands modèles de langage dans les soins de santé ont identifié comme un obstacle majeur à l’adoption dans la pratique réelle.

▶ Le dialecte et le discours accentué affectent-ils la précision de la documentation IA ?

Oui, de façon significative. Un outil validé pour le néerlandais standard peut être moins performant dans un cabinet flamand. Le suisse allemand est suffisamment distinct de l’allemand standard pour que de nombreux systèmes de reconnaissance vocale entraînés sur le Hochdeutsch ne parviennent pas à le transcrire de façon fiable. Le discours accentué des locuteurs non natifs pose également problème : un médecin généraliste né en Roumanie documentant en anglais peut constater que la précision de transcription est nettement inférieure à celle d’un locuteur natif utilisant le même outil. La recherche du Centre ADAPT de la Dublin City University identifie la variation dialectale comme l’un des défis majeurs non résolus dans la technologie du langage IA pour les soins de santé.

▶ Comment les outils de documentation IA gèrent-ils l’alternance codique, lorsque les cliniciens mélangent les langues en pleine consultation ?

La plupart des outils actuels gèrent mal l’alternance codique. Lorsqu’un clinicien passe d’une langue bien dotée en ressources à une langue sous-dotée, les outils basculent généralement entièrement vers la langue dominante et ignorent le contenu parlé dans la langue minoritaire, ou tentent de transcrire les deux mais introduisent des erreurs systématiques aux points de transition. Aucun de ces résultats n’est acceptable en documentation médicale, où les informations manquantes ou déformées peuvent compromettre la sécurité des patients.

▶ La documentation médicale multilingue est-elle simplement un problème de traduction ?

Non. Le vocabulaire médical n’est pas uniformément standardisé à travers les langues européennes. SNOMED CT, le système de terminologie médicale le plus largement utilisé, dispose de traductions officielles dans plusieurs langues européennes, mais la couverture reste inégale. Les cliniciens utilisent fréquemment des termes informels ou localement préférés qui ne correspondent pas directement à un code standardisé. La recherche sur le codage ICD-10 dans les notes de soins primaires bilingues en espagnol et catalan a montré que les formats de notes non standard et le mélange bilingue créent des défis spécifiques qui ne peuvent pas être résolus en appliquant des modèles entraînés sur des corpus monolingues standard.

▶ Quelles questions les cliniciens devraient-ils poser aux fournisseurs lors de l’évaluation d’un outil de documentation IA pour un cabinet multilingue ?

Les cliniciens devraient demander des données de validation spécifiques à la langue, y compris le taux d’erreur de mots pour la reconnaissance vocale automatique dans la langue cible par rapport à l’anglais. Ils devraient vérifier si l’outil a été testé sur la variété régionale spécifique utilisée dans leur cabinet, comme le néerlandais flamand ou le suisse allemand. Ils devraient également s’informer sur la gestion de l’alternance codique, et demander des données de précision de codage médical spécifiques à leur langue et contexte, car un outil peut atteindre une précision de transcription acceptable tout en échouant à générer des codes SNOMED CT ou ICD corrects dans la langue cible.

▶ Quelles sont les implications du RGPD concernant l’utilisation d’outils de documentation IA qui traitent l’audio non anglais ?

Les enregistrements audio de consultations médicales dans n’importe quelle langue constituent des données de santé sensibles au sens de l’article 9 du Règlement général sur la protection des données et impliquent l’ensemble des obligations de protection des données. Les cabinets devraient vérifier où les données audio sont traitées et stockées, car certains outils acheminent l’audio vers une infrastructure cloud hors UE pour la transcription. Les outils qui traitent l’audio non anglais via une infrastructure différente de celle de l’audio anglais peuvent présenter des politiques d’hébergement des données incohérentes. Le statut du Règlement sur les dispositifs médicaux est également pertinent, car les outils de documentation IA qui génèrent des résultats médicaux peuvent être considérés comme des dispositifs médicaux, avec des implications pour les langues et les contextes cliniques ayant fait l’objet d’une validation formelle.

▶ Quels repères de précision indiquent qu’un outil de documentation IA est adapté à l’utilisation clinique dans une langue non anglaise ?

L’article établit les seuils minimaux suivants, fondés sur les données actuelles : un taux d’erreur de mots de reconnaissance vocale automatique inférieur à 10 à 15 % pour la langue et le dialecte spécifiques utilisés, une précision de reconnaissance de la terminologie médicale supérieure à 80 % pour les termes diagnostiques les plus courants dans la langue cible, et une précision de codage ICD ou SNOMED comparable à celle obtenue par le même outil en anglais. Les signaux d’alarme incluent les fournisseurs ne citant que des études de validation en anglais, présentant la précision comme une valeur unique pour toutes les langues prises en charge, et décrivant la performance sur les dialectes ou l’alternance codique de façon qualitative plutôt qu’avec des données chiffrées.

▶ Quels changements sont nécessaires avant que les outils de documentation IA puissent être considérés comme fiables et sûrs à travers les soins primaires européens multilingues ?

L’article identifie trois exigences principales. Premièrement, des ensembles de données d’entraînement plus diversifiés dans les langues sous-représentées telles que le polonais, le roumain et le grec. Deuxièmement, le développement de modèles sensibles aux dialectes, allant au-delà des variétés standard pour couvrir les variétés régionales réellement utilisées en pratique clinique. Troisièmement, la validation clinique comme exigence réglementaire, afin que les fournisseurs doivent démontrer la sécurité à travers les langues et les contextes dans lesquels leurs outils sont déployés. Sans pression réglementaire, les fournisseurs ont peu d’incitation commerciale à investir dans la validation pour les marchés linguistiques plus restreints.