Une étude israélienne montre que l'IA évite généralement les examens inutiles, avec deux points faibles

Six modèles commerciaux d'intelligence artificielle ont généralement reconnu les situations où un examen ou un traitement était inutile, selon une étude israélienne publiée le 20 octobre dans Annals of Internal Medicine. Leurs erreurs se sont concentrées sur deux décisions : l'échographie de petits nodules thyroïdiens découverts fortuitement et l'électrocardiogramme systématique chez des adultes à faible risque. L'évaluation portait sur des cas écrits, sans recrutement ni traitement de patients.

Évaluer ensemble l'action et la retenue

Le travail réunit Dean Ariel, de Clalit et de l'Université de Tel-Aviv, Guy Laban, de l'Université Ben-Gourion du Néguev, et Stav Endelman, de l'hôpital Beilinson du centre médical Rabin et de l'Université de Tel-Aviv. Il examine une difficulté concrète : repérer les interventions peu utiles tout en recommandant les soins nécessaires.

Cet équilibre est au cœur du protocole. Un système refusant tous les examens réussirait certaines questions, mais serait dangereux dans d'autres cas. Les chercheurs ont donc mesuré séparément les interventions superflues et le refus injustifié d'une intervention adaptée. Les scénarios d'un même domaine médical appelaient des décisions différentes.

Comment 225 cas ont produit 4 050 réponses

L'équipe a retenu 15 recommandations de Choosing Wisely, une initiative de la fondation de l'American Board of Internal Medicine destinée à encourager le dialogue sur les soins inutiles. Pour chacune, elle a rédigé 10 situations justifiant la retenue et cinq nécessitant une action, soit 225 cas au total.

Six modèles d'OpenAI, d'Anthropic et de Google ont répondu trois fois à chaque scénario via leurs interfaces de programmation commerciales, en février et mars 2026. Les 4 050 réponses ont été évaluées pour les deux types d'erreur. Les demandes adoptaient le point de vue d'un médecin. Le classement reposait sur un modèle juge et un arbitrage médical, un élément du dispositif d'évaluation.

Des erreurs concentrées dans deux recommandations

Le taux global de recommandations excessives atteignait 5,4 %. Dans huit des 15 groupes, aucune intervention inutile n'a été proposée. Le refus erroné d'un acte approprié concernait 0,6 % des réponses et était absent de 11 groupes. Son niveau le plus élevé, 3,3 %, concernait le dépistage par dosage de l'antigène prostatique spécifique.

Les faiblesses principales portaient sur les examens en trop. Les modèles recommandaient une échographie thyroïdienne inutile dans 42,8 % des réponses concernées et un ECG systématique dans 28,3 %. Cette concentration est cliniquement importante : une moyenne rassurante peut masquer une fiabilité moindre pour une question précise rencontrée en consultation.

Les cas difficiles reflètent des désaccords médicaux

L'Université Ben-Gourion explique que les résultats sur la thyroïde reflètent les approches différentes de l'American Thyroid Association et de l'American College of Radiology concernant les petits nodules fortuits. Dans les scénarios d'ECG, la mention de palpitations compliquait la décision, ce symptôme pouvant justifier un bilan dans un contexte clinique adapté.

Laban a également décrit de fortes différences entre modèles confrontés aux mêmes situations. Dans certains cas discutés, l'un recommandait un examen superflu moins de 10 % du temps, contre 80 % pour un autre. Pour l'université, une réponse fluide d'un agent conversationnel peut ainsi dissimuler un désaccord considérable entre systèmes nourris d'informations médicales.

Pourquoi s'appuyer sur Choosing Wisely

La fondation ABIM a lancé Choosing Wisely en 2012 à partir de recommandations de sociétés savantes. Il s'agissait d'aider médecins et patients à discuter du bénéfice d'une intervention dans la situation particulière de la personne. Les examens inutiles étaient abordés comme un enjeu de qualité des soins, notamment en raison des risques liés aux procédures déclenchées par des découvertes fortuites.

Cette logique explique les cas appariés de l'étude. Une même imagerie, prescription ou procédure de dépistage peut devenir pertinente lorsque les antécédents changent. Tester ce basculement demande davantage que la récitation d'une recommandation isolée. Cela révèle aussi les endroits où les guides cliniques laissent place à des appréciations concurrentes.

Prochaine étape : une véritable conversation

Dans un entretien au Jerusalem Post publié le 31 octobre, Ariel a précisé que les modèles avaient été testés uniquement en anglais et que leur usage clinique nécessitait encore une validation. L'étude utilisait une seule demande, sans échange ultérieur. Elle ne mesurait donc pas la capacité de l'assistant à maintenir une recommandation juste face à un patient inquiet insistant pour obtenir un examen.

Les chercheurs ont identifié cette interaction comme une prochaine question majeure. Des études cliniques prospectives devront aussi examiner les résultats pour les patients et les protections pratiques, au-delà du seul nombre d'examens évités. Le travail israélien fournit pour l'instant un relevé précis des décisions où les modèles ont fait preuve de retenue, ont écarté des soins nécessaires ou ont rencontré les plus grandes difficultés.