IA générative en santé : l’assistant ne porte pas la blouse

En 2026, une IA générative peut rédiger un scénario de simulation infirmière, reformuler une consigne ou rapprocher des éléments d’un dossier, d’une image médicale, d’une lame de pathologie et d’un profil génomique. Elle peut aussi produire une réponse fausse avec une syntaxe impeccable. La forme ne valide pas le raisonnement.

Dans la formation, les bénéfices décrits portent surtout sur le temps de préparation, l’organisation et l’inspiration pédagogique. En oncologie, les revues décrivent des pistes pour combiner des données hétérogènes, soutenir l’analyse clinique et optimiser le suivi. Aucune de ces possibilités ne transfère la décision à l’outil.

Le jugement clinique reste humain.

La formation infirmière mesure surtout des perceptions

Pour rappel, une revue systématique publiée en 2026 dans BMC Medical Education a synthétisé 13 études empiriques sur l’expérience d’enseignants en soins infirmiers, soit 3 082 participants. Les auteurs ont suivi PRISMA 2020 et ont recherché les travaux dans PubMed, CINAHL, Web of Science et ERIC. La diversité des méthodes ne permettait pas de calculer un score global d’efficacité.

La synthèse regroupe les résultats par thèmes : possibilités et difficultés de l’IA générative d’un côté, compétences et usages de l’autre. Les enseignants citent un gain de temps, une aide à l’organisation, des idées pédagogiques et la création de scénarios fondés sur des cas. Ils évoquent aussi des retours formatifs et des activités entre professions de santé.

Les réserves portent sur la perte de rôle professionnel, l’intégrité académique et le risque d’érosion du raisonnement critique chez les étudiants. L’expérience de l’outil, la position de l’établissement, les règles internes et le soutien disponible sont associés à des attitudes et à une confiance différentes.

Chez les étudiants, la vitesse ne remplace pas la vérification

Une méta-synthèse qualitative publiée en 2026 dans Frontiers in Medicine a intégré 18 études qualitatives. Elle a relevé 49 thèmes regroupés en 13 catégories, puis quatre constats : une expérience faite d’autonomie et de difficultés, une tension entre technologie et humanisme soignant, des écarts liés aux contraintes pratiques et une demande de soutien pédagogique et institutionnel.

Les usages ne se limitent pas à la rédaction. Le corpus décrit l’emploi de modèles de langage pour comprendre un concept, organiser un travail ou explorer un raisonnement clinique. Des agents conversationnels peuvent aussi simuler un échange avec un patient ou une prise d’histoire. La synthèse porte sur ces expériences d’apprentissage, pas sur une preuve d’amélioration des compétences cliniques ou des soins.

Sauf que la qualité des réponses, l’accès aux outils et la capacité à vérifier une information modifient l’expérience. Les étudiants expriment des doutes sur l’exactitude des contenus et craignent qu’une dépendance réduise la réflexion autonome ou le jugement clinique. Le problème pédagogique est alors identifiable : une sortie générée sans examen critique.

Transformer la sortie en objet d’examen

Un exercice peut faire de la réponse produite un matériau à vérifier. L’étudiant garde la décision, l’argumentation et la communication avec le patient au centre du travail.

1. Donner à l’outil une tâche limitée, comme produire un cas fictif ou reformuler une consigne. Exclure le diagnostic et le plan de soins.
2. Demander à l’étudiant d’annoter les erreurs, les omissions, les formulations douteuses et les éléments à vérifier.
3. Exiger une justification indépendante à partir du cours, de recommandations professionnelles ou de références validées.
4. Évaluer séparément la décision proposée, la communication avec le patient, la protection des données et l’explication des limites de la réponse.

En oncologie, l’IA assemble les données sans porter la décision

Une revue scientifique publiée en 2026 dans MedComm examine les applications de l’IA générative et des grands modèles de langage en oncologie clinique. Elle couvre les modèles de langage, les réseaux antagonistes génératifs, les modèles de diffusion et les modèles de fondation multimodaux. Leur intérêt potentiel vient de l’intégration de textes cliniques, d’images médicales, de lames de pathologie, de données génomiques et d’informations issues des dossiers.

Dans ce champ, l’IA générative est étudiée pour le diagnostic du cancer, la prévision du pronostic, la planification du traitement, le suivi des patients et l’optimisation des essais cliniques. Elle peut aussi générer des données synthétiques ou rapprocher plusieurs types d’informations. La revue décrit des possibilités d’aide à la décision, pas un bénéfice généralisé démontré chez les patients.

Les travaux restent fragmentés selon les tâches, les types de cancer et les architectures. La revue signale des problèmes d’interprétabilité, de fiabilité, de confidentialité, de gouvernance réglementaire et d’intégration dans le travail réel. Une sortie qui paraît précise ne remplace donc ni la validation clinique ni le professionnel qui en assume l’usage.

Avant un usage clinique, l’établissement doit fixer l’environnement autorisé, les données qui peuvent y entrer, les droits d’accès, la traçabilité des échanges, la procédure de vérification et la personne qui valide la sortie. Une interface ouverte au public n’est pas adaptée par défaut aux données patient identifiables.

Le biais apparaît à chaque étape du cycle

Une revue publiée en 2026 dans JACC: Advances suit l’équité sur le cycle de vie d’un système d’IA en médecine cardiovasculaire : création et traitement des données, développement et validation, déploiement dans les soins, puis surveillance après la mise en service.

Le biais de représentation apparaît si les données d’entraînement couvrent mal la population visée. Le biais de mesure vient d’informations incomplètes ou mal enregistrées. Le biais d’étiquetage survient lorsque la cible reflète une décision humaine, un accès aux soins ou un coût plutôt que l’état de santé recherché. Le biais de déploiement apparaît lorsqu’un modèle validé dans un centre universitaire très équipé est utilisé dans un contexte rural ou moins doté.

La revue cite une analyse de 56 algorithmes de détection des arythmies : l’écart de précision atteignait 39 % entre des sujets noirs et asiatiques, malgré des indicateurs globaux proches. Elle rapporte aussi des erreurs plus fréquentes chez des femmes noires et hispaniques avec un outil de dépistage sur radiographies thoraciques. Ces résultats concernent l’IA médicale au sens large et ne décrivent pas un modèle génératif unique.

Cinq contrôles avant le déploiement

1. Comparer la population de validation avec les patients concernés, en examinant l’âge, le sexe, l’origine, le territoire et les niveaux de ressources.
2. Vérifier la qualité des mesures et demander si les étiquettes décrivent un état de santé plutôt qu’un coût ou un recours aux soins.
3. Mesurer les performances par sous-groupe, au lieu de retenir seulement une moyenne globale.
4. Tester l’outil dans le contexte de travail prévu et le recalibrer si les patients, les pratiques ou la fréquence des maladies diffèrent.
5. Organiser un suivi après le lancement, avec une personne responsable, des seuils d’alerte et la possibilité de suspendre l’usage.

Une moyenne peut masquer une erreur de groupe.

La charte doit précéder le premier prompt

Les deux publications consacrées à la formation infirmière convergent sur un besoin de règles plus structurées. Une politique limitée à la fraude académique ne couvre pas la gouvernance, les données sensibles, les biais, l’accès équitable ni les compétences nécessaires pour utiliser l’outil.

Une charte doit préciser les usages autorisés et interdits, la déclaration de l’aide d’une IA et les vérifications requises avant de réutiliser un contenu. Elle doit aussi organiser la formation des enseignants et des étudiants, puis prévoir une révision régulière des règles, car les outils changent.

Dans le cursus, l’apprentissage de l’IA doit être associé au raisonnement critique, à l’éthique et au soin relationnel. Pour un enseignant, elle peut fournir une première ébauche, un cas ou une variante pédagogique; la validation du contenu et le choix de l’activité restent humains.

Les revues de 2026 décrivent un cadre de travail plus précis qu’une adoption automatique ou une interdiction générale : tâche délimitée, sortie vérifiée, responsable identifié et suivi du système dans son contexte réel.

Une réponse fluide ne devient pas un soin.