L'INESSS évalue les technologies numériques en santé selon un cadre de classification par risque, distinguant l'IA administrative (risque moindre) de l'IA diagnostique comme le triage (soumise à une réglementation stricte en raison des risques cliniques élevés).
Nuance clinique
Le triage clinique est l’une des tâches médicales où les biais algorithmiques ont le potentiel d’avoir les effets les plus inéquitables : si un modèle sous-estime systématiquement la gravité pour certains groupes de patients (par exemple, les femmes souffrant de douleur thoracique atypique, ou les patients issus de communautés sous-représentées dans les données d’entraînement), les conséquences peuvent être fatales. C’est précisément pour ça que les études de validation en urgence doivent impérativement inclure des analyses par sous-groupes — et pourquoi le déploiement sans supervision humaine n’est pas acceptable dans ce contexte.
Points pratiques
Applications IA documentées en urgence (contexte international, pertinence Québec) :
- Prédiction de sepsis : plusieurs modèles commerciaux (Epic Sepsis Model, Dascena) avec des performances variables selon les populations — certains déployés en milieu hospitalier québécois dans des projets pilotes
- Imagerie urgente : détection IA de pneumothorax, fractures, AVC sur scanner — utilisée comme aide en radiologie urgente dans certains établissements
- Priorisation dynamique : ajustement en temps réel de la priorisation triage basé sur les signes vitaux et antécédents — en développement ou pilote au Québec
- Prédiction de flux : modèles de prédiction d’achalandage pour l’organisation des ressources — plus couramment déployés
Différences critiques avec la médecine de première ligne :
- Délais de décision en urgence : minutes, pas jours → les erreurs algorithmiques ont moins de chances d’être interceptées
- Supervision humaine : toujours requise, mais la pression temporelle peut créer une automation bias (surconfiance dans la recommandation IA)
- Complexité des cas : les urgences voient les cas les plus atypiques — exactement ceux que les modèles entraînés sur des données “typiques” gèrent le moins bien
Ce que les urgentologues et infirmières de triage doivent savoir :
- Un outil IA d’aide au triage n’est pas un remplacement du jugement clinique — c’est un signal supplémentaire
- Connaître les limites documentées de l’outil (population d’entraînement, taux d’erreur en sous-groupes) avant de lui faire confiance dans les cas limites
- Signaler les cas où l’outil a sous-estimé ou surestimé la gravité — c’est une donnée essentielle pour l’amélioration