On ne prescrit pas un examen en espérant qu'il soit positif
Quand une médecin demande un dosage de troponine, sa question n'est pas « ce patient fait-il un infarctus ? ». Elle se demande plutôt : « jusqu'où ce résultat doit-il modifier ce que je pense ? ». Ce ne sont pas les mêmes questions.
Avant même de prescrire l'examen, elle a déjà une estimation en tête. Un homme de 62 ans qui présente une douleur thoracique irradiant dans le bras gauche, avec des sueurs, a une forte probabilité pré-test de syndrome coronarien aigu. Une femme de 28 ans qui consulte pour le même motif après trois expressos a une probabilité faible. Le résultat de la troponine n'a pas le même sens pour l'un et pour l'autre. Chez le premier, une troponine discrètement élevée confirme ce qu'elle soupçonnait. Chez la seconde, le même résultat est plus probablement un faux positif : le test n'est pas parfait, et quand on applique un test imparfait à quelqu'un qui n'a probablement pas la maladie, le calcul joue contre vous.
Tout test a une sensibilité et une spécificité. La sensibilité indique à quelle fréquence le test détecte la maladie quand elle est présente. La spécificité, à quelle fréquence il écarte à juste titre quelqu'un qui ne l'a pas. Aucun test n'atteint 100 % sur l'une ou l'autre. Un test sensible à 95 % passe encore à côté de 5 % des vrais cas. Un test spécifique à 90 % classe encore à tort comme positifs 10 % des sujets sains. Ces chiffres sont des propriétés du test, pas du patient. Ils signifient que chaque résultat comporte une incertitude, qui doit faire évoluer votre degré de confiance, et non s'y substituer.
C'est cela, le raisonnement bayésien. On part de ce qu'on sait déjà du patient. Une information nouvelle arrive. On révise son estimation en fonction de la fiabilité de cette information. Puis on recommence avec la suivante.
L'IA clinique fait presque toujours l'inverse
La plupart des systèmes d'IA en santé travaillent à rebours. Ils prennent un ensemble de résultats (constantes, biologie, diagnostics, traitements) et les comparent rétrospectivement aux schémas appris pendant l'entraînement. Le système voit une créatinine à 1,6, un antécédent de diabète, un IEC sur l'ordonnance, et conclut « MRC probable », parce que cette combinaison revenait souvent dans les cas sur lesquels il a été entraîné.
Cela paraît raisonnable, jusqu'à ce qu'on pense à ce qui manque. Le système ignore si la créatinine monte ou si elle est stable. Il ignore si l'IEC a été prescrit pour protéger le rein ou pour traiter une hypertension. Il ignore que la créatinine était à 0,9 il y a deux ans et qu'elle n'a cessé de grimper depuis. Il ne tient pas compte du fait que le dosage de l'albuminurie a, dans cette population, un taux de faux positifs de 15 %. Il compare simplement l'instantané du jour à des schémas passés et en tire une étiquette.
Face au même patient, une médecin raisonnerait vers l'avant. Elle partirait de la probabilité a priori d'une MRC compte tenu de l'âge, du sexe et des facteurs de risque. Elle la réviserait à la lumière de la créatinine, mais en modulant cette révision selon la confiance qu'elle accorde à un dosage isolé. Elle regarderait la tendance, pas seulement le chiffre du jour. Elle tiendrait compte de l'IEC, mais se demanderait pourquoi il a été prescrit avant d'y voir un argument en faveur d'une atteinte rénale. Chaque élément déplace la probabilité, et chacun pèse à proportion de sa fiabilité.
L'approche rétrospective se demande : à quoi cela ressemble-t-il ? L'approche prospective se demande : compte tenu de tout ce que nous savons déjà, que nous apprend cette information nouvelle, et quel crédit lui accorder ?
Voir le patient, ou ne voir que ses résultats
L'une des premières choses qu'on apprend en formation clinique, c'est qu'on soigne un patient, pas un bilan. Une kaliémie à 5,8 sur un prélèvement hémolysé ne veut rien dire. Une tension à 160 chez quelqu'un qui vient de courir pour ne pas rater son rendez-vous n'est pas une hypertension. C'est le contexte qui décide si un résultat est un signal ou du bruit, et le contexte exige de connaître le patient au-delà de ce qui figure dans le dossier du jour.
Une IA généraliste traite des résultats. Elle lit les chiffres, les comptes rendus, les diagnostics codés, et produit une réponse à partir de régularités textuelles. Elle le fait très bien. Elle résume un compte rendu de sortie plus vite que n'importe quel humain. Elle sait extraire des données structurées d'un texte clinique désordonné. Mais elle lit le dossier comme on lit un cas clinique dans un manuel : après coup.
La médecin qui examine un patient en temps réel fait autre chose. Elle raisonne dans l'incertitude et dans le sens du temps ; elle révise son évaluation à chaque information nouvelle et pondère chacune selon la confiance qu'elle lui accorde. Elle sait que des D-dimères positifs chez un patient à faible risque sont probablement un faux positif. Elle sait qu'une radiographie thoracique normale n'élimine pas une pneumopathie débutante. Elle garde en tête la probabilité a priori et l'ajuste à chaque constatation, non pas uniformément, mais en proportion de la valeur diagnostique de chacune.
En concevant Chroneme, nous voulions que le système raisonne comme elle, et non comme un moteur de recherche. Vers l'avant, pas à rebours. En révisant les probabilités à chaque nouvel élément, pondéré selon sa fiabilité réelle.
Concrètement
Un homme de 58 ans, diabétique de type 2, vient pour un bilan de routine. Compte tenu de son âge, de son sexe et de son diabète, sa probabilité initiale de maladie rénale chronique part d'un certain niveau. Pas nulle, puisque le diabète est la première cause de MRC. Pas élevée non plus, puisqu'il n'a aucun symptôme ni aucun antécédent rénal.
Sa créatinine revient à 1,2. Techniquement dans les normes, mais plus haute que la fois précédente. Le système révise son estimation, mais de peu : une créatinine légèrement augmentée n'a qu'une valeur diagnostique modeste. Prise isolément, une créatinine n'a ni une sensibilité ni une spécificité très élevées pour la MRC.
Dix mois plus tard, la créatinine est à 1,4 et le DFGe est passé sous 60. La révision est cette fois plus importante, car un DFGe inférieur à 60 a une valeur diagnostique nettement plus élevée pour la MRC. Mais le système voit aussi ce qu'un modèle statique ne peut pas voir : la trajectoire. La créatinine n'est pas seulement élevée. Elle monte à un rythme qui, prolongé, la conduit dans une zone préoccupante.
Un an après, une protéinurie apparaît. La probabilité est désormais assez haute pour justifier une décision. Mais voici ce qui compte cliniquement : le système signalait ce patient des mois avant l'apparition de la protéinurie. Sans certitude, avec une probabilité dont la progression méritait l'attention. La médecin qui relit le dossier peut voir chaque révision, ce qui l'a motivée, et décider si elle est d'accord. Si elle pense que l'IEC a été prescrit pour la tension et non pour le rein, elle peut donner à ce facteur un autre poids dans son jugement clinique. Le système expose son raisonnement. Elle applique le sien.
La trajectoire devient à elle seule un élément de preuve, indépendamment de toute valeur isolée.
Pourquoi c'est une question de confiance
Quand un réseau de neurones annonce « 73 % de risque de MRC », impossible de lui demander pourquoi. Le chiffre émerge de millions de paramètres qui ne correspondent à aucun concept clinique. Une médecin ne peut pas dire : « je suis d'accord pour la partie créatinine, mais je trouve que vous surestimez le poids des antécédents médicamenteux ». Il n'y a pas de partie créatinine. Pas de partie médicaments. Il n'y a qu'un chiffre.
Quand un système bayésien annonce 73 %, la médecin peut demander pourquoi. Elle voit quels éléments ont déplacé la probabilité, et de combien. Elle peut contester un facteur précis et appliquer son propre jugement. C'est par ce dialogue que l'IA clinique change réellement les soins. Sans lui, le résultat est une affirmation. Avec lui, il devient un argument.
Un néphrologue à qui nous avons présenté le système l'a dit très clairement. Il a parcouru, pour un patient, la chaîne des éléments de preuve et nous a dit qu'il en approuvait l'essentiel, mais qu'un facteur lui semblait surpondéré, parce que le contexte de la prescription n'était pas celui que le système supposait. Il avait raison. Qu'il ait pu faire cette observation, désigner le facteur en cause et y appliquer son expertise, c'est exactement ce que l'aide à la décision clinique doit permettre. Une boîte noire lui aurait donné la même probabilité, sans aucun moyen d'avoir cette discussion.
Les limites que nous ne cachons pas
L'inférence bayésienne suppose que les éléments de preuve sont indépendants conditionnellement à la maladie. En pratique clinique, c'est souvent faux. Dans la MRC, créatinine et protéinurie sont corrélées. C'est une limite connue, et la lever parfaitement reste un problème ouvert dans le domaine.
La qualité du résultat dépend de la qualité des poids attribués aux éléments. Certains sont bien établis dans la littérature. D'autres sont des approximations que nous affinons au fil de la validation. La calibration est un travail en cours, et nous ne prétendons pas le contraire.
L'inférence bayésienne traite bien les données structurées et quantifiables : biologie, constantes, traitements, diagnostics codés. Elle traite moins bien les comptes rendus en texte libre et les symptômes rapportés par les patients. Nous employons des méthodes différentes selon le type de données cliniques, en choisissant l'outil adapté au problème.
Nous avons choisi l'inférence bayésienne parce qu'elle reproduit la façon dont les médecins pensent déjà. Le système formalise ce qu'un bon clinicien fait d'instinct, à grande échelle, pour chaque patient, en continu. Rien de plus. Pas de magie. Simplement les mathématiques du raisonnement clinique, rendues explicites.