Dans la pratique clinique quotidienne, les soins prodigués aux patients sont documentés à différents endroits, notamment dans les notes d’évolution, les comptes rendus d’imagerie, les dossiers médicamenteux et les comptes rendus de sortie. Comme ces informations sont souvent incomplètes ou formulées de manière hétérogène, il peut être difficile de déterminer si les soins ont suivi les recommandations cliniques établies. La vérification de la conformité des processus médicaux est une méthode qui compare les événements survenus à ceux qui devraient normalement se produire selon les recommandations professionnelles.
Une étude récente menée par Leonardi et ses collègues, intitulée « Orchestrating Large Language Models to Support Medical Process Conformance Checking », a examiné la manière dont les grands modèles de langage, tels que ChatGPT, pourraient soutenir ce processus. Les grands modèles de langage sont des systèmes informatiques capables de comprendre et de produire du langage humain. Dans cette étude, ils ont été utilisés pour lire des documents cliniques et des recommandations, repérer les informations importantes et comparer les soins prodigués aux pratiques recommandées (Leonardi et al., 2026).
Les chercheurs ont utilisé plusieurs modèles de langage plutôt que de demander à un seul système d’accomplir l’ensemble de la tâche. Chaque modèle avait un rôle spécifique. L’un contribuait à repérer les événements cliniques, un autre examinait les recommandations des guides de pratique, et un troisième transformait ces recommandations en règles lisibles par un ordinateur. Cette approche progressive peut faciliter la vérification et la correction du processus.
L’étude portait sur les soins de l’AVC. Le système examinait les lettres de sortie et établissait une chronologie simple de la prise en charge de chaque patient. Il comparait ensuite ces chronologies à certaines recommandations relatives au traitement de l’AVC. Les résultats suggéraient que la plupart des dossiers des patients suivaient le parcours de soins attendu. Cela montre que les modèles de langage pourraient aider les hôpitaux à examiner plus efficacement un grand nombre de dossiers cliniques.
Cependant, ces résultats doivent être interprétés avec prudence. Un dossier médical peut ne pas rendre compte de tout ce qui s’est produit au cours du traitement. L’absence d’une intervention dans la documentation ne signifie pas toujours que cette intervention n’a pas été réalisée. De plus, certains patients peuvent nécessiter des traitements différents en raison de leur âge, de leurs antécédents médicaux, de leurs risques ou de leur situation personnelle.
Pour les thérapeutes et les autres professionnels de santé, cette technologie doit être considérée comme un outil de soutien, et non comme un substitut au jugement clinique. Elle peut aider à repérer des retards récurrents, des lacunes dans la documentation ou des différences entre les services. Ces observations peuvent ensuite orienter les échanges au sein des équipes, les démarches d’amélioration de la qualité et la communication entre professionnels.
L’un des avantages importants de cette approche est qu’elle peut rendre le raisonnement plus transparent. Les utilisateurs peuvent être en mesure de consulter le texte clinique original, la recommandation correspondante et la règle utilisée pour évaluer les soins. Cette méthode est plus sûre que de s’appuyer sur une réponse unique et inexpliquée produite par un système d’intelligence artificielle.
Cette approche soulève également d’importantes préoccupations éthiques. Les informations concernant les patients doivent être protégées, et les établissements de santé doivent contrôler attentivement la manière dont les dossiers sont utilisés. Les modèles de langage peuvent mal interpréter certaines informations ou produire des résultats biaisés, notamment lorsque la documentation est incomplète. Les cliniciens et les établissements demeurent responsables des décisions influencées par ces systèmes.
En conclusion, les grands modèles de langage pourraient contribuer à relier la documentation clinique aux recommandations médicales et à soutenir des soins plus sûrs et mieux organisés. Leur rôle doit rester un rôle de soutien, fondé sur la transparence. Les recherches futures devront examiner la précision de ces systèmes dans différents hôpitaux et différentes spécialités, ainsi que leur capacité réelle à améliorer la pratique clinique sans réduire les soins à de simples indicateurs chiffrés.
Références
Leonardi, G., Montani, S., Striani, M., Canessa, A., & Ferrandi, D. (2026). Orchestrating large language models to support medical process conformance checking. Neuroscience Informatics, 6(4), article 100294. https://doi.org/10.1016/j.neuri.2026.100294