Un modèle d’intelligence artificielle pourrait choisir le prochain examen médical en imaginant d’abord son résultat

D’où naît le choix : quand les résultats sont encore dans l’imagination

Des résultats imaginés pour orienter le choix.

ACTMED demande à un modèle de langage d’imaginer les issues plausibles de chaque examen candidat, puis évalue l’impact que ces issues auraient sur la probabilité de la maladie. Dans un exemple concret portant sur l’insuffisance rénale chronique, le système compare la créatinine sérique et le sodium. Pour chaque examen, il imagine deux résultats plausibles, calcule la nouvelle probabilité d’insuffisance rénale après chacun d’eux, puis détermine quel examen modifierait le plus cette probabilité s’il était prescrit.

Une valeur élevée de créatinine porte la probabilité à 0,65, tandis qu’une valeur normale la ramène à 0,22. Un taux bas de sodium n’atteint que 0,45, et une mesure normale l’abaisse à 0,18. Comme les issues imaginées pour la créatinine font varier davantage la probabilité, ACTMED retient la créatinine sérique plutôt que le sodium.

L’équipe appelle cela le gain d’information attendu : il mesure dans quelle mesure un résultat affinerait le diagnostic. La méthode considère chaque examen comme une expérience dont la valeur ne tient pas seulement à son coût, mais au changement de conviction qu’il peut produire avant tout prélèvement. Ruhrberg Estévez et ses collègues écrivent que « le cadre émet des recommandations d’examens plutôt que des décisions fixes, permettant aux cliniciens de passer outre les suggestions en fonction du contexte et de relancer la requête avec des résultats d’examen alternatifs ».

La qualité du simulateur fixe le plafond de performance.

Le simulateur fixe la limite supérieure des performances. Le principe d’ACTMED consiste à imaginer d’abord les résultats possibles d’un examen, puis à identifier celui qui modifierait le plus le diagnostic. Si ces issues imaginées sont erronées, le choix qui en découle l’est également.

Un simulateur de qualité médiocre peut échouer de deux manières distinctes. Un modèle open source générait parfois des valeurs cliniquement improbables, comme des nombres non entiers pour le nombre de grossesses précédentes. Un autre renvoyait souvent la même valeur lors d’échantillonnages répétés, même lorsque l’aléa était accru. Dans les deux cas, le système ne parvenait pas à estimer dans quelle mesure un nouveau résultat modifierait la probabilité estimée.

Cet échec se traduit par une baisse de précision. Pour l’hépatite C, le simulateur médical moins performant rendait ACTMED moins précis qu’un classifieur simple utilisant tous les examens disponibles (0,489 contre 0,511). Ruhrberg Estévez et ses collègues attribuent ce résultat à la difficulté de ces modèles à capturer l’incertitude propre à chaque patient.

Un simulateur généraliste plus robuste a donné de meilleurs résultats : ses issues simulées restaient plus proches des distributions réelles, et ACTMED a surpassé la sélection aléatoire, un ensemble fixe d’exams optimaux ainsi que la sélection implicite par LLM sur le jeu de cas au format OSCE élargi. L’équipe souligne toutefois que les grands modèles de langage actuels ne sont pas encore prêts pour un diagnostic autonome direct.

Là où le médecin garde le dernier mot, et là où la méthode montre ses limites

Les cliniciens conservent la main. Le système peut proposer des examens, mais le médecin reste libre d’examiner les estimations de risque initiales, de vérifier la plausibilité des résultats simulés, de rejeter les tests irréalisables et de passer outre les choix jugés dangereux. Comme l’indiquent Ruhrberg Estévez et ses collègues, « les LLM actuels ne sont pas encore prêts pour un diagnostic autonome direct ».

L’équipe souligne également que « notre cadre est actuellement limité à la classification binaire. Chaque tâche est formulée comme une décision unique de oui ou non, bien que le travail inclue une collection plus large de cas au style OSCE. Les évaluations futures devraient toujours couvrir les comorbidités et les configurations multi-étiquettes si la méthode doit atteindre les vrais services hospitaliers ».

Le coût constitue une autre limite. Estimer la valeur attendue d’un examen candidat prenait environ 20 secondes avec GPT-4o ou GPT-4o-mini, tandis qu’un classificateur statique peut utiliser toutes les caractéristiques en un seul passage. Les auteurs estiment que cette latence est acceptable car les examens inutiles et le diagnostic retardé entraînent des coûts médicaux et financiers plus élevés.

La méthode exclut également les rapports en texte libre tels que les notes d’imagerie ou de pathologie. Des versions structurées de ces dossiers pourraient être ajoutées plus tard, mais jusqu’à présent, le système ne fonctionne qu’avec des caractéristiques catégorielles et numériques.

Un outil d’aide à la décision, non un substitut au médecin

L’intérêt d’ACTMED réside dans sa capacité à transformer le diagnostic en une succession de choix raisonnés plutôt qu’en un simple coup de dés. Le système interroge chaque examen sur ce qu’il révélerait probablement, puis recommande celui qui devrait réduire le plus l’incertitude. Il s’éloigne ainsi d’une « boîte noire » qui se contenterait de délivrer une étiquette.

Ruhrberg Estévez et ses collègues présentent ACTMED comme un outil émettant des recommandations plutôt que des décisions figées. Ils soulignent également que les grands modèles de langage actuels ne sont « pas encore prêts pour un diagnostic autonome direct », mais qu’ils pourraient s’avérer plus adaptés en tant qu’aides à la décision. Les bénéfices potentiels sont concrets : moins d’examens inutiles, un triage accéléré dans les services saturés et une traçabilité des raisons ayant conduit au choix de chaque test.

Les médecins restent maîtres du jeu. Ils peuvent examiner les suggestions, interpréter les sorties intermédiaires et appliquer leur jugement clinique à chaque étape. La méthode repose toutefois sur des simulateurs capables d’imaginer des résultats plausibles. Une dépendance que les modèles moins performants mettent en lumière lorsqu’ils génèrent des valeurs impossibles chez un patient ou se figent sur une réponse unique répétée. L’évaluation a porté sur un ensemble élargi de cas au format OSCE, variés dans leur nature, mais chaque tâche y est traitée comme une décision diagnostique binaire.

Le cadre a été appliqué à des maladies distinctes plutôt que dans un contexte multi-étiquettes unique, et l’équipe identifie les comorbidités comme axe de développement futur. Le texte libre issu des scanners et des rapports d’anatomopathologie reste pour l’instant hors de portée. Malgré ces limites, la trajectoire s’oriente vers une médecine où les machines aident à choisir l’étape suivante, tandis que les médecins conservent le jugement final.