Ariel Guerra-Adames

Résumé de l’intervention
Les biais cognitifs humains peuvent particulièrement impacter la prise de décision médicale lorsque celle-ci doit être rapide, en particulier dans les situations d'enjeu vital comme la prise en charge aux urgences. Une méthode innovante utilisant l'IA générative a été développée pour détecter et quantifier ces biais de genre dans le triage aux urgences.

Cette approche consiste à entraîner des grands modèles de langage sur les données de plus de 480 000 entrées aux urgences, leur permettant de reproduire les décisions de triage du personnel soignant. En modifiant automatiquement le genre mentionné dans les dossiers cliniques tout en conservant les mêmes symptômes, cette méthode de "counterfactual testing" révèle des biais significatifs : à dossiers cliniques identiques, la sévérité de l'état des femmes tend à être sous-évaluée par rapport à celle des hommes.

Cette stratégie d'audit algorithmique peut être transposée à la néphrologie pour analyser les disparités dans la prise en charge rénale : initiation de la dialyse et inscription sur liste de greffe. L'objectif est d'objectiver ces écarts et de proposer des interventions ciblées pour améliorer l'équité des parcours de soins rénaux et réduire l'impact des biais inconscients sur les décisions cliniques.

Travaux de recherche
Ariel Guerra-Adames est doctorant en informatique médicale au Bordeaux Population Health Research Center (Université de Bordeaux / INSERM/Inria). Ses travaux portent sur la quantification des biais cognitifs dans le triage d’urgence et la régulation médicale à l’aide de grands modèles de langage. Il est auteur de « Uncovering Judgment Biases in Emergency Triage: A Public Health Approach Based on Large Language Models » (ML4H 2024) et co-auteur de recherches sur l’optimisation des flux patients, la dé-identification automatique de dossiers médicaux, et la génération de donnés médicales synthétiques tabulaires et textuelles.