Les actualités d'iamedicale.org

La question mérite d'être posée, tant elle contredit l'intuition dominante selon laquelle la formation à l'intelligence artificielle permettrait de les transformer en médecins augmentés. Une étude randomisée publiée en 2026 dans NEJM AI apporte sur ce point une réponse dérangeante : non, la formation ne suffit pas. Elle est nécessaire, mais elle n'immunise pas contre le biais d'automatisation, cette tendance à accorder une confiance excessive à une suggestion produite par une machine.

La question mérite d'être posée sans détour, car la réponse honnête est inconfortable : une part importante des professionnels de la santé qui utilisent aujourd'hui ChatGPT, Claude ou d'autres grands modèles de langage le font, sans toujours le savoir, en infraction avec la loi. Non pas parce qu'ils utilisent l'IA, ce qui est parfaitement licite, mais parce qu'ils y introduisent, presque par réflexe, des données de leurs patients.

La promesse d'OpenEvidence, une IA spécialisée, entraînée sur des sources médicales validées, laisse supposer une supériorité sur les modèles généralistes comme ChatGPT ou Gemini. Une étude indépendante publiée dans Nature Medicine en juin 2026 invite à nuancer cette intuition¹.

Est-il autorisé d’utiliser ChatGPT avec des données patients? La réponse est tout simplement non, et ceci pour la très grande majorité des chatbots, ChatGPT, Gemini, Perpexity ou OpenEvidence. Dans cet article, nous vous présentons les principales options pour utiliser les grands modèles de langage en pratique clinique, qu'il s'agisse de données identifiantes ou anonymisées.

De plus en plus de patients utilisent ChatGPT, Gemini ou d’autres grands modèles de langage pour comprendre des symptômes, interpréter un résultat ou décider s’il faut consulter. La littérature scientifique montre que ces outils peuvent être utiles pour expliquer une maladie ou reformuler une information médicale, mais qu’ils deviennent nettement plus problématiques lorsqu’ils servent à orienter une décision clinique [1-3].

On parle beaucoup des grands modèles de langage (LLM) en médecine. Ils résument des dossiers, rédigent des courriers, proposent des hypothèses diagnostiques ou expliquent un traitement en langage patient. Le potentiel est réel. Mais l’impact clinique ne dépend pas principalement de la “puissance” du modèle. Le vrai défi est de transformer une technologie prometteuse en un outil fiable, intégré et utile au quotidien. En pratique, on observe souvent une règle empirique : 20% de l’effort concerne le modèle ; 80% concerne tout le travail sociotechnique autour.