Le Département de médecine familiale et de médecine d'urgence (DMFMU) de l'Université de Montréal a mis sur pied un comité IA dédié à l'intégration de l'intelligence artificielle dans la formation des résidents en médecine familiale.
Nuance clinique
Le risque d’un enseignement mal calibré de l’IA aux résidents est double : soit on leur enseigne une confiance excessive (“l’IA peut tout faire”), soit une méfiance systématique (“l’IA est dangereuse”). Ni l’un ni l’autre n’est utile en clinique. Ce qu’on cherche à développer est une forme de scepticisme outillé — la capacité de poser les bonnes questions sur un outil IA, comme on poserait les bonnes questions sur une étude clinique. Les résidents qui sortent de la formation avec cet habitus seront capables de naviguer dans un environnement IA qui continuera à changer tout au long de leur carrière.
Points pratiques
Compétences à développer (pas de connaissances techniques) :
- Lire une étude de validation IA : comprendre les métriques (sensibilité, spécificité, AUC), identifier la population d’entraînement, chercher les analyses de sous-groupes
- Identifier les sources d’erreur spécifiques à l’IA : biais de représentation, hallucinations (LLM), dérive de performance hors du contexte de validation
- Maintenir la responsabilité professionnelle : comprendre que signer une note générée par un scribe IA, c’est la valider — pas la transmettre
- Évaluer un outil dans son propre contexte : tester, définir des critères de succès, documenter
- Confidentialité pratique : savoir quoi entrer (et ne pas entrer) dans un LLM public vs enterprise
Méthodes pédagogiques recommandées :
- Cas cliniques avec décision IA incorrecte : analyser ce qui a failli et pourquoi
- Exercice de lecture critique d’une étude de validation d’outil IA (comme pour une ECR)
- Atelier scribe IA sur de vraies consultations simulées : comparer la note générée à la note idéale
- Discussion de cas d’erreurs médicales liées à l’IA (littérature internationale)
Ce qu’on ne devrait pas enseigner :
- La technique des réseaux de neurones ou du machine learning — inutile pour la pratique clinique
- Une liste de “bons” et “mauvais” outils — elle sera périmée dans 6 mois
- Un optimisme ou un pessimisme général sur l’IA — les deux nuisent au jugement
Dans quel cadre l’enseigner :
- Intégrer dans les compétences CanMEDS existantes (expert médical, professionnel, communicateur)
- Modules courts (1-2h) récurrents tout au long de la résidence, pas un bloc isolé
- Formation des superviseurs en parallèle — ils doivent modéliser le comportement attendu
Preuves et contexte public
- UdeM DMFMU — Décoder l’IA pour simplifier votre pratique
- Comment se former à l’IA en santé comme médecin au Québec ?
- Évaluation clinique de l’IA — pilier