Dans le domaine de la santé, les barrières linguistiques représentent des risques considérables pour la sécurité des patient-e-s et la qualité des soins. Selon des recherches, un accès limité à des interprètes qualifiés entraîne souvent des malentendus, des diagnostics partiels ou incorrects, et une perte de confiance. Une étude réalisée en 2018 par de Moissac et Bowen a souligné que les patient-e-s canadien-ne-s appartenant à une minorité linguistique officielle obtiennent de moins bons résultats en matière de santé en raison des barrières linguistiques [19]. De même, une étude du JAMA réalisée en 1996 a révélé que les interprètes étaient rarement sollicités dans les services d’urgence, ce qui empêchait les patients de bien comprendre leurs diagnostics et leurs traitements [20]. Ces conclusions, ainsi que le multilinguisme helvétique, montrent la nécessité d’un soutien linguistique accessible et fiable dans le domaine médical.

Le potentiel des grands modèles de langage pour la communication dans le secteur de la santé
De grands progrès ont été réalisés récemment dans le domaine de l’intelligence artificielle, notamment dans l’amélioration des réseaux neuronaux, le perfectionnement des architectures Transformer et le développement de grands modèles de langage. Ils contribuent tous à surmonter les barrières linguistiques en améliorant la précision et la cohérence des traductions, en saisissant mieux les contextes et en rendant plus compréhensibles les contenus médicaux spécifiques aux patients. Les modèles de langage basés sur l’IA peuvent améliorer la communication entre les professionnels de santé et les patient-e-s de différentes manières :

1. Traductions instantanées : les grands modèles de langage peuvent traduire en temps réel d’une langue à l’autre et offrir ainsi une aide précieuse. En l’absence de traducteur, cette technologie peut être utilisée pour fournir aux patient-e-s des informations de base compréhensibles et les aider dans leur situation.
2. Explications médicales accessibles : les patient-e-s ont souvent du mal à comprendre la terminologie médicale complexe. Les grands modèles de langage peuvent simplifier le jargon médical et fournir des explications claires qui améliorent la compréhension et la confiance. 
3. Disponibilité 24h/24 et 7j/7 : les grands modèles de langage sont toujours disponibles, y compris lorsque le temps presse, notamment en situation d’urgence, quand le patient souhaite encore communiquer des informations importantes. 

Bien que les grands modèles de langage offrent de nombreux avantages, des défis subsistent. La précision et la sécurité médicale sont des facteurs essentiels ; les traductions effectuées par l’IA doivent être soigneusement validées afin d’éviter toute interprétation erronée, en particulier dans le cadre d’entretiens médicaux critiques. Les biais et les considérations éthiques jouent également un rôle important, car les modèles de langage peuvent refléter les biais présents dans les données d’entraînement, ce qui peut affecter la qualité des traductions pour certaines langues ou certains dialectes. En outre, les questions de confidentialité sont très importantes, car la protection des données des patient-e-s est essentielle. Nous y reviendrons plus en détail dans le chapitre 6. Il est donc nécessaire de mettre en œuvre des modèles d’IA sécurisés et conformes à la protection des données afin de protéger les informations médicales sensibles. 

À une époque où le volume de la littérature scientifique connaît une croissance exponentielle, avec un taux de croissance annuel de 4,1 % et un temps de doublement de 17,3 ans [21], les chercheurs, les décideurs politiques et les praticiens ont du mal à suivre les dernières évolutions. Les méthodes traditionnelles de résumé manuel des travaux scientifiques sont inefficaces et chronophages.

L’introduction de grands modèles de langage offre une aide prometteuse pour relever ce défi. Ils se sont révélés extrêmement performants dans le résumé scientifique automatisé et rendent la recherche plus accessible et plus compréhensible. Des études récentes soulignent la capacité des grands modèles de langage à résumer de manière structurée et efficace des contenus académiques. Quel rôle jouent les grands modèles de langage dans le résumé scientifique ?

1. Amélioration du résumé grâce à des entrées structurées
   EUne étude menée par Creo et al. [22] souligne que les entrées structurées améliorent considérablement les grands modèles de langage dans le domaine des résumés scientifiques. En fournissant aux modèles des mots-clés prédéfinis, comme des mots-clés d’auteurs ou des listes de thèmes générées par l’IA, il est possible de produire des résumés ciblés, cohérents et pertinents sur le plan contextuel. Ce pilotage ciblé augmente la précision des résumés générés et permet d’utiliser plus efficacement des modèles de taille réduite à des fins scientifiques. 
2. Traitement de volumes importants de littérature scientifique
   Le framework SumBlogger, développé par Zakkas et al. [23], montre comment les grands modèles de langage peuvent aider à traiter plusieurs travaux de recherche simultanément et à les résumer efficacement. Cela est particulièrement utile dans des domaines de recherche dynamiques tels que l’intelligence artificielle et la biotechnologie, où il est important de synthétiser rapidement de nombreuses études. Grâce à l’ingénierie de prompt et aux techniques de résumé automatique par abstraction, les grands modèles de langage peuvent produire des textes précis et concis qui préservent les informations détaillées tout en réduisant la charge cognitive pour les chercheurs.
3. Amélioration de la cohérence sémantique et structuration de la recherche
   Les grands modèles de langage offrent également un potentiel supplémentaire en garantissant la précision sémantique et l’alignement sur les formats scientifiques établis. Une étude menée par Nechakhin et al. [24] évalue des modèles tels que GPT-3.5, Llama 2 et Mistral en fonction de leur capacité à saisir et à restituer avec précision des contenus scientifiques. Les résultats montrent que les grands modèles de langage sont tout à fait capables d’extraire des résultats de recherche pertinents et de les présenter de manière structurée, même si une optimisation supplémentaire est nécessaire pour respecter les normes académiques. Dans les graphes de connaissances appliqués à la recherche scientifique, par exemple, les grands modèles de langage permettent de relier efficacement des informations issues de différentes disciplines et de les rendre plus faciles à trouver. 
4. Adaptation du contenu à différents groupes cibles
   L’un des avantages décisifs des grands modèles de langage est leur capacité à adapter des contenus scientifiques à différents groupes de lecteurs. L’étude de Fonseca & Cohen [25] examine comment les grands modèles de langage peuvent générer des résumés pouvant servir, selon les besoins, d’abstracts, d’explications compréhensibles par tous ou de plans systématiques. En adaptant le prompt design et le contrôle des modèles, il est possible de générer des résumés spécifiques à chaque groupe cible, qui rendent les connaissances scientifiques plus facilement accessibles.

Voici quelques aspects essentiels qui simplifient la gestion des travaux scientifiques :

• Augmentation de l’efficacité et gain de temps
  Les grands modèles de langage réduisent considérablement le temps consacré à la recherche documentaire en résumant les travaux scientifiques en quelques secondes. Ils aident également les chercheurs à traiter et à analyser de grandes quantités d’ouvrages. Un autre aspect important est qu’ils permettent d’évaluer rapidement si un travail scientifique mérite d’être lu dans son intégralité en laissant un LLM en extraire les messages clés et les contenus pertinents. 
• Meilleure compréhension et accessibilité
  Les explications et résumés générés par de grands modèles de langage facilitent la compréhension des contenus scientifiques pour différents groupes cibles. Les conclusions scientifiques peuvent être préparées de manière ciblée, p. ex. pour les décideurs ou le grand public. 
• Soutien dans le cadre de revues systématiques
  Des outils comme SumBlogger, NotebookLM et d’autres applications permettent de résumer simultanément plusieurs études, facilitant ainsi les méta-analyses et les revues systématiques. 
• Flexibilité et adaptation à différents formats de communication
  Les contenus scientifiques peuvent être optimisés pour différents contextes, par exemple pour des demandes de subventions, des articles spécialisés ou des publications de vulgarisation. Cela permet de générer des contenus ciblés pour différents formats de publication. 
• Intégration dans les bases de données scientifiques grâce aux graphes de connaissances​​​​​​​Les grands modèles de langage peuvent aider à classer les informations scientifiques de manière structurée et à les relier entre elles, ce qui améliore la possibilité de trouver et de mettre en réseau les résultats de la recherche dans différentes disciplines.

L’un des principaux avantages des grands modèles de langage réside dans leur capacité à convertir automatiquement des textes cliniques non structurés en formats structurés. Cela concerne notamment les champs de texte libre, p. ex. dans les systèmes d’information ou les fichiers PDF des dossiers électroniques de santé, comme les notes d’historique, les rapports de sortie ou les rapports de pathologie. Ces textes constituent une source de données précieuse, mais difficile d’accès, en particulier lorsqu’ils doivent être exploités à des fins de recherche, d’assurance qualité ou d’aide à la décision.

Les approches antérieures, telles que les systèmes basés sur des règles du traitement du langage naturel (NLP), étaient souvent spécifiques à une application, difficiles à entretenir et peu résistantes aux changements de format ou de terminologie [26]. Les grands modèles de langage comme GPT-4 ou Gemma-2, en revanche, ne nécessitent pas d’entraînement spécifique à une tâche et fonctionnent de manière fiable même avec des textes et des formulations hétérogènes. Une grande étude menée par le système de santé des anciens combattants américains a montré qu’un grand modèle de langage était capable d’extraire avec une grande précision (F1 jusqu’à 99 %) des diagnostics histopathologiques tels que des dysplasies ou des adénocarcinomes à partir de rapports de pathologie, sans entraînement spécifique au domaine et avec un processeur peu performant [26]. Même dans les jeux de données au format variable (p. ex. MICI vs maladies non MICI), les modèles sont restés stables et ont donné des résultats cohérents. 

Dans l’espace germanophone également, des études montrent que les grands modèles de langage pourraient s’imposer comme des outils fiables pour l’extraction de données à partir de textes cliniques semi-structurés ou non structurés. Une évaluation suisse de 18 modèles de langage a démontré que GPT-4, Claude 3 ou LLaMA-3-70B, en particulier, sont capables de détecter de manière fiable les complications postopératoires à partir de rapports synthétiques sur les patients. Les meilleurs modèles ont nettement surpassé les modèles transformer classiques comme RoBERTa en termes de précision, de cohérence et de taux d’erreur [27]. 

Autre domaine d’application : la catégorisation automatisée des diagnostics en texte libre dans la médecine d’urgence pédiatrique. Dans ce domaine, un modèle GPT-3 affiné a atteint une précision presque parfaite (99,9 %) dans l’identification des maladies respiratoires dans des textes libres sujets à des erreurs typographiques, une tâche très fastidieuse et chronophage pour les spécialistes en codage [28]. 

L’exemple de la start-up suisse 44ai, sur lequel nous nous penchons plus en détail dans le chapitre « Exemples d’applications pratiques dans le secteur de la santé », montre comment ces principes peuvent être mis en pratique. Nous y voyons un exemple de la manière dont les grands modèles de langage sont utilisés pour extraire des informations pertinentes pour le traitement à partir de textes non structurés dans des systèmes d’information et les rendre accessibles de manière structurée.

Les notes médicales constituent un outil de communication et de documentation central dans le quotidien clinique, mais elles représentent également une charge de travail considérable. Les médecins consacrent chaque jour entre 52 et 102 minutes à la rédaction de notes cliniques [29]. Ce temps n’est alors plus disponible pour le contact direct avec les patients, ce qui contribue manifestement à l’insatisfaction et au burn-out [29]. L’espoir de réduire ce travail de documentation à l’aide de grands modèles de langage occupe une place de plus en plus centrale, notamment en raison de leur capacité à créer des notes structurées, lisibles et médicalement valides à partir de données brutes issues d’entretiens ou de textes fragmentaires.

Un cas d’application concret est la génération automatique de notes cliniques à partir d’entretiens entre médecins et patient-e-s. Un benchmark correspondant a été créé dans le cadre du défi MEDIQA-Chat 2023. Des approches d’apprentissage en contexte (ICL) basées sur GPT-4 ont notamment été évaluées, dans lesquelles le modèle ne reçoit pas de post-traitement (fine-tuning) à proprement parler, mais seulement quelques exemples dans un prompt. Les résultats sont remarquables : lors d’une évaluation contrôlée menée auprès de trois cliniciens, il a été constaté que les notes générées par GPT-4 étaient préférées aussi souvent que les notes originales rédigées à la main, et nettement plus souvent que celles issues de modèles classiques affinés comme le Longformer-Encoder-Decoder (LED) [30]. Les notes générées par l’IA étaient correctes sur le plan du contenu, clairement structurées et contenaient nettement moins de redondances.

Un élément central de ce succès a été la sélection d’exemples appropriés dans le prompt : à l’aide de dialogues sémantiquement similaires, GPT-4 a pu apprendre quelle structure, quelle tonalité et quelle densité d’informations caractérisent généralement les notes cliniques. Les prompts les plus performants contenaient trois exemples ainsi que l’instruction de ne pas halluciner des informations, une restriction particulièrement critique dans le contexte médical. En complément, des critères d’évaluation manuels tels que les « omissions critiques » et les « faits hallucinés » ont permis de s’assurer qu’aucune erreur liée à la sécurité n’était générée. Le niveau de compréhensibilité, l’absence de redondance et la précision factuelle ont également été systématiquement vérifiés [32].

Dans le cadre d’une autre étude, MST-DIALOG a permis de créer un vaste jeu de données accessible au public, composé de 1700 entretiens simulés entre médecins et patient-e-s et des notes correspondantes, une ressource importante pour faire progresser le développement de tels systèmes en dehors des fournisseurs commerciaux. Il est apparu que la synthèse guidée (c’est-à-dire la spécification explicite de sections de notes telles que « HPI » ou « Plan ») permettait d’augmenter encore la précision et de réduire le taux d’hallucinations. Les meilleurs modèles ont néanmoins omis jusqu’à 33 % des faits médicaux contenus dans la source, ce qui montre clairement les limites des systèmes actuels [29]. 

Même si les grands modèles de langage comme GPT-4 fournissent des résultats impressionnants, des études telles que celle de Lehman et al. montrent que les modèles  de plus petite taille, entraînés spécifiquement pour un domaine, sont souvent plus efficaces. Ainsi, des modèles spécialement entraînés sur les données MIMIC avec seulement 220 à 770 millions de paramètres (T5-Base / T5-Large) ont pu surpasser les performances de modèles généralisés nettement plus grands tels que T5-XL (3B) ou GPT-3 (175B), et ce avec des exigences informatiques nettement moindres et un meilleur contrôle de la protection des données et des hallucinations [31]. Cela est particulièrement important pour les hôpitaux et les institutions en Europe, car l’utilisation de grands modèles basés sur des API est difficile sur le plan réglementaire en vertu du Règlement général sur la protection des données (RGPD).

L’entreprise suisse Intonate, que nous examinerons plus en détail dans le chapitre suivant, montre comment ces capacités peuvent être mises en pratique. Intonate propose une solution de bout en bout pour la création automatisée de dossiers médicaux à partir des consultations des patient-e-s. Le contenu des entretiens est analysé, les informations médicales pertinentes sont extraites et des textes structurés et précis sont générés à partir de celles-ci.