Potentiel de l’IA générative en néphrologie
Carmine Zoccali et Al. soulignent que les modèles de langage de grande taille (LLMs) comme ChatGPT, Gemini ou MedPaLM peuvent transformer la pratique néphrologique en :
- Soutenant la prise de décision clinique (diagnostic, triage, transplantation).
- Améliorant l’éducation médicale (préparation aux examens, formation continue).
- Facilitant l’éducation des patients (explications vulgarisées, conseils diététiques).
- Automatisant la documentation médicale (notes cliniques, synthèses de dossiers).
- Optimisant la recherche (revues systématiques, génération de données synthétiques).
- Prédiction de risques (progression de la MRC, survenue d’IRA).
Des outils spécialisés comme KidneyIntelX (prédiction de progression de la MRC) et DreaMed Advisor (ajustement de l’insulinothérapie) sont déjà validés et utilisés en pratique.
Techniques avancées pour améliorer la fiabilité
- RAG (Retrieval-Augmented Generation) : permet aux LLMs d’accéder à des données médicales en temps réel, réduisant les risques de réponses obsolètes ou erronées.
- Chain-of-Thought (CoT) prompting : améliore le raisonnement en structurant les réponses étape par étape, utile pour les cas cliniques complexes.
Limites et risques identifiés
Les néphrologues insistent sur plusieurs points de vigilance :
1. Fiabilité et exactitude
- Les LLMs généralistes peuvent produire des réponses plausibles mais incorrectes (hallucinations).
- Les performances varient selon les domaines : ChatGPT est moins précis en glomérulopathies que Gemini ou BioGPT.
2. Biais et représentativité
- Les modèles sont souvent entraînés sur des données non représentatives des patients à haut risque (dialysés, comorbidités complexes).
- Risque d’inégalités de soins si les recommandations ne tiennent pas compte des spécificités cliniques.
3. Transparence et interprétabilité
- Le fonctionnement des LLMs reste une boîte noire, ce qui peut freiner leur adoption par les cliniciens.
4. Acceptabilité par les patients
- Méfiance vis-à-vis de l’IA, notamment sur la confidentialité des données et la fiabilité des diagnostics.
5. Enjeux réglementaires et éthiques
- Nécessité de validation clinique rigoureuse et d’un cadre réglementaire clair avant déploiement à grande échelle.
6. Impact environnemental
- L’entraînement des LLMs consomme énormément d’énergie, soulevant des questions de durabilité en lien avec les principes de la “green nephrology”.
Conclusion et perspectives
L’IA générative ne vise pas à remplacer les néphrologues, mais à compléter leur expertise. Son intégration réussie dépendra de :
- La validation clinique des modèles.
- Leur intégration dans les systèmes de santé (DPI, workflows).
- Une adoption éthique et responsable, avec supervision humaine.
- Une attention aux enjeux écologiques.