Référence bibliographique

Aljamaan, F., Malki, K. H., Alhasan, K., Jamal, A., Altamimi, I., Khayat, A., Alhaboob, A., Abdulmajeed, N., Alshahrani, F. S., Saad, K., Al-Eyadhy, A., Al-Tawfiq, J. A., & Temsah, M.-H. (2024). ChatGPT-3.5 System Usability Scale early assessment among Healthcare Workers: Horizons of adoption in medical practice. Heliyon, 10, e28962.

Mots-clés

Intelligence artificielle, ChatGPT, professionnels de santé, évaluation de l’IA, adoption technologique, chatbots médicaux, santé numérique

L’acceptabilité de ChatGPT-3.5 en milieu médical : un premier bilan

Avec l’émergence de l’intelligence artificielle (IA) dans le domaine médical, les chatbots comme ChatGPT-3.5 offrent des perspectives nouvelles pour soutenir les professionnels de santé (HCWs). Cependant, leur adoption repose sur l’acceptabilité perçue et l’utilisabilité du système.

L’étude d’Aljamaan et al. (2024) évalue la perception des professionnels de santé en Arabie Saoudite trois mois après l’introduction de ChatGPT-3.5 en utilisant la System Usability Scale (SUS), un outil reconnu pour mesurer l’ergonomie des technologies numériques.

Résultats de l’évaluation de l’usabilité de ChatGPT-3.5

L’étude s’appuie sur une enquête menée auprès de 194 professionnels de santé, incluant des médecins, des infirmiers et des étudiants en médecine. Les principaux résultats montrent :

• 47 % des participants étaient satisfaits de leur utilisation de ChatGPT.
• 57 % ont exprimé une confiance modérée à élevée dans sa capacité à générer des décisions médicales.
• 58 % pensent que ChatGPT pourrait améliorer les résultats cliniques.
• 84 % restent optimistes quant à son rôle futur en médecine.
• Le score SUS moyen obtenu est de 64.52/100, soit une acceptabilité marginale du système.

Ces résultats indiquent une adoption prudente, marquée par un équilibre entre l’enthousiasme pour les bénéfices de l’IA et des préoccupations quant à sa fiabilité.

Facteurs influençant l’adoption de ChatGPT en médecine

L’étude identifie plusieurs variables influençant l’acceptabilité et l’expérience utilisateur :

1. Expertise en informatique : Les professionnels ayant des compétences numériques avancées ont des scores SUS plus élevés.
2. Utilisation pour la recherche médicale : Ceux qui voient ChatGPT comme un outil de soutien à la recherche ont une meilleure perception de son utilité.
3. Niveau d’apprentissage : Les étudiants et les internes en médecine ont des scores de facilité d’apprentissage plus élevés que les médecins expérimentés.
4. Confiance dans l’IA : Plus un professionnel croit en l’impact futur de ChatGPT, plus son score de facilité d’utilisation est élevé.

Défis et préoccupations soulevés par les professionnels de santé

Malgré une adoption prometteuse, plusieurs obstacles restent à surmonter :

• Précision et fiabilité des recommandations médicales : 48.5 % des participants craignent des erreurs dans les décisions générées par l’IA.
• Implications médico-légales : 41.2 % s’inquiètent des responsabilités associées à l’utilisation de ChatGPT en milieu clinique.
• Confidentialité des données : 27.8 % des participants signalent des préoccupations sur la protection des informations médicales.
• Manque de formation sur l’IA : L’absence de formation formelle en intelligence artificielle est un frein à son adoption généralisée.

Ces barrières rappellent la nécessité de mettre en place des stratégies d’accompagnement pour maximiser les bénéfices tout en minimisant les risques liés à l’usage des IA en médecine.

Recommandations pour une intégration réussie de ChatGPT en médecine

L’étude propose plusieurs pistes pour favoriser l’acceptation et l’adoption de ChatGPT-3.5 en milieu médical :

1. Former les professionnels de santé à l’utilisation et à l’interprétation des résultats de l’IA.
2. Établir des cadres réglementaires clairs pour encadrer les usages cliniques et garantir la sécurité des patients.
3. Améliorer la transparence et l’explicabilité des algorithmes pour renforcer la confiance des utilisateurs.
4. Développer des modèles hybrides combinant intelligence humaine et assistance algorithmique.
5. Sensibiliser les acteurs du secteur médical aux atouts et limites des IA génératives.

Conclusion

L’étude d’Aljamaan et al. (2024) montre que l’acceptabilité de ChatGPT-3.5 par les professionnels de santé est encourageante mais encore limitée par des réticences liées à la fiabilité et aux implications éthiques de son usage.

Si l’IA représente un potentiel indéniable pour soutenir la prise de décision et la recherche médicale, son adoption nécessite une approche progressive et encadrée. L’évolution de l’acceptabilité de ces outils dépendra de leur précision, de leur intégration dans les pratiques médicales et du cadre réglementaire qui les entoure.

Bibliographie

• Aljamaan, F., Malki, K. H., Alhasan, K., Jamal, A., Altamimi, I., Khayat, A., Alhaboob, A., Abdulmajeed, N., Alshahrani, F. S., Saad, K., Al-Eyadhy, A., Al-Tawfiq, J. A., & Temsah, M.-H. (2024). ChatGPT-3.5 System Usability Scale early assessment among Healthcare Workers: Horizons of adoption in medical practice. Heliyon, 10, e28962.
• Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340.
• Vlachogianni, P., & Tselios, N. (2022). Perceived usability evaluation of educational technology using the System Usability Scale (SUS): A systematic review. Journal of Research on Technology in Education, 54(3), 392-409.
• Ruksakulpiwat, S., Kumar, A., & Ajibade, A. (2023). Using ChatGPT in medical research: Current status and future directions. Journal of Multidisciplinary Healthcare, 16, 1513-1520.

Référence bibliographique

Ng, J. Y., Cramer, H., Lee, M. S., & Moher, D. (2024). Traditional, complementary, and integrative medicine and artificial intelligence: Novel opportunities in healthcare. Integrative Medicine Research, 13, 101024.

Mots-clés

Intelligence artificielle, médecine intégrative, médecine traditionnelle, médecine complémentaire, soins personnalisés, éthique de l’IA

L’IA et la Médecine Traditionnelle : Une Alliance Prometteuse

L’essor de l’intelligence artificielle (IA) dans le domaine médical ouvre de nouvelles perspectives pour la médecine traditionnelle, complémentaire et intégrative (TCIM). Cette approche holistique de la santé combine les pratiques conventionnelles avec des thérapies alternatives telles que l’acupuncture, la phytothérapie et la méditation. L’IA, quant à elle, permet d’analyser des données complexes, d’optimiser les traitements et de personnaliser les soins.

L’article de Ng et al. (2024) explore les synergies entre l’IA et la TCIM, en mettant en avant les opportunités et les défis liés à cette intégration. Il souligne notamment comment l’IA peut améliorer le diagnostic, la prise de décision clinique et la relation patient-praticien dans un cadre de soins intégratifs.

Applications de l’IA dans la Médecine Intégrative

L’étude identifie plusieurs domaines où l’IA peut transformer la TCIM :

1. Diagnostic assisté par IA : Amélioration des techniques de diagnostic traditionnelles comme l’examen de la langue et du pouls en médecine chinoise grâce aux algorithmes de reconnaissance d’images.
2. Personnalisation des traitements : Intégration des données patient (antécédents médicaux, génétique, habitudes de vie) pour proposer des protocoles de soins individualisés.
3. Prévention des maladies : Utilisation de l’IA pour analyser les tendances de santé et proposer des recommandations en matière de bien-être et de prévention.
4. Optimisation des traitements à base de plantes : Identification des interactions entre remèdes naturels et médicaments conventionnels à l’aide du machine learning.
5. Engagement des patients : Développement d’assistants virtuels basés sur l’IA pour guider les patients dans la mise en place de pratiques de bien-être comme le yoga ou la méditation.

Défis et Enjeux de l’Intégration de l’IA en TCIM

Malgré ses nombreux atouts, l’intégration de l’IA en médecine intégrative soulève plusieurs défis :

• Standardisation et disponibilité des données : La TCIM repose sur des pratiques et des terminologies variées qui ne sont pas toujours bien structurées dans des bases de données exploitables par l’IA.
• Confidentialité et protection des données : La collecte et l’analyse de données sensibles doivent respecter des normes strictes de protection de la vie privée.
• Cadre réglementaire et éthique : La réglementation sur l’IA en santé est encore en développement, et la responsabilité en cas d’erreur algorithmique reste floue.
• Conservation de la dimension humaine : La relation soignant-patient en TCIM repose sur l’écoute et l’accompagnement, des éléments qui ne doivent pas être déshumanisés par l’IA.
• Équité et absence de biais : Les algorithmes doivent être entraînés sur des bases de données diversifiées pour éviter des discriminations dans les recommandations de soins.

Recommandations pour une Intégration Réussie de l’IA en Médecine Intégrative

Ng et al. (2024) proposent plusieurs solutions pour optimiser l’intégration de l’IA dans la TCIM:

1. Établir des normes de structuration des données pour harmoniser les pratiques de TCIM et faciliter leur intégration dans les systèmes d’IA.
2. Former les praticiens de TCIM à l’utilisation des technologies d’IA pour les aider à interpréter et à exploiter les recommandations algorithmiques.
3. Garantir la transparence des algorithmes afin que les décisions médicales assistées par IA soient compréhensibles et validées par les experts en santé intégrative.
4. Développer des outils IA éthiques et inclusifs en veillant à ce que les modèles ne reproduisent pas des biais présents dans les données.
5. Renforcer la confiance des patients en leur expliquant le rôle de l’IA dans leur parcours de soins et en maintenant un accompagnement humain de qualité.

Conclusion

L’intégration de l’intelligence artificielle dans la médecine traditionnelle, complémentaire et intégrative représente une avancée majeure pour la personnalisation des soins et l’amélioration de la prise en charge des patients. Toutefois, cette convergence nécessite une approche réfléchie et encadrée pour éviter les dérives technologiques et garantir un équilibre entre innovation et humanité.

L’étude de Ng et al. (2024) met ainsi en avant l’importance de collaborations entre experts en IA, praticiens de TCIM et décideurs politiques afin de maximiser les bénéfices de cette synergie tout en minimisant les risques.

Bibliographie

• Ng, J. Y., Cramer, H., Lee, M. S., & Moher, D. (2024). Traditional, complementary, and integrative medicine and artificial intelligence: Novel opportunities in healthcare. Integrative Medicine Research, 13, 101024.
• Zhang, H., Ni, W., Li, J., & Zhang, J. (2020). Artificial intelligence–based traditional Chinese medicine assistive diagnostic system: Validation study. JMIR Med Inform, 8(6), e17608.
• Chu, H., Moon, S., Park, J., et al. (2022). The use of artificial intelligence in complementary and alternative medicine: A systematic scoping review. Frontiers in Pharmacology, 13, 826044.
• Wang, S., Hou, Y., Li, X., et al. (2021). Practical implementation of AI-based deep learning in the application of traditional and Western medicine. Frontiers in Pharmacology, 12, 765435.

Référence bibliographique

Moulaei, K., Yadegari, A., Baharestani, M., Farzanbakhsh, S., Sabet, B., & Afrash, M. R. (2024). Generative artificial intelligence in healthcare: A scoping review on benefits, challenges and applications. International Journal of Medical Informatics, 188, 105474.

Mots-clés

Intelligence artificielle générative, santé, apprentissage automatique, diagnostic médical, applications cliniques, éthique de l’IA

L’IA générative en santé : une révolution en marche

L’intelligence artificielle générative (GAI) est en train de transformer le domaine médical en facilitant le diagnostic, la personnalisation des soins et l’analyse des données de santé à grande échelle. Grâce à des modèles avancés tels que ChatGPT, Google Bard et Microsoft Bing AI, les professionnels de santé peuvent exploiter des outils de pointe pour améliorer leur prise de décision clinique.

L’étude de Moulaei et al. (2024) dresse un panorama des différentes applications de l’IA générative dans le domaine médical, tout en identifiant les bénéfices et les défis liés à son intégration. À travers une revue systématique des articles scientifiques, cette recherche met en lumière le potentiel et les limites de cette technologie émergente.

Applications de l’IA générative en santé

L’article identifie 24 domaines d’application principaux de l’IA générative en santé, parmi lesquels :

1. Diagnostic et prédiction des maladies : Analyse automatisée des symptômes et soutien aux cliniciens dans l’interprétation des résultats médicaux.
2. Support aux décisions médicales : Génération de recommandations basées sur des guidelines et des bases de données cliniques.
3. Éducation et formation médicale : Assistance aux étudiants et praticiens en générant des résumés, des cas cliniques et des examens médicaux.
4. Documentation clinique : Automatisation de la rédaction de comptes rendus médicaux et de notes opératoires.
5. Recherche et production scientifique : Génération et synthèse d’articles scientifiques et d’études cliniques.

Bénéfices de l’IA générative en médecine

L’analyse des études retenues met en avant plusieurs avantages majeurs de l’IA générative dans le domaine médical :

• Amélioration de la précision diagnostique grâce à l’analyse de données massives et à l’identification de schémas invisibles à l’œil humain.
• Accès rapide à des informations médicales permettant aux professionnels de prendre des décisions éclairées en temps réel.
• Réduction du temps administratif en automatisant la rédaction et la gestion des documents cliniques.
• Personnalisation des soins en fournissant des recommandations adaptées aux antécédents médicaux des patients.
• Optimisation de la formation médicale par la génération de supports d’apprentissage interactifs et la simulation de cas cliniques.

Les défis de l’IA générative dans le secteur de la santé

Malgré ses nombreux avantages, l’intégration de l’IA générative en médecine est confrontée à plusieurs obstacles :

• Risque d’informations erronées : L’IA peut générer des contenus inexacts ou fictifs, compromettant la sécurité des patients.
• Problèmes de transparence : Les modèles d’IA sont souvent perçus comme des “boîtes noires”, rendant difficile l’explication de leurs décisions.
• Défis liés à la protection des données : L’utilisation de l’IA implique un accès massif aux données de santé, soulevant des préoccupations en matière de confidentialité et d’éthique.
• Manque de formation des professionnels : Une adoption efficace nécessite une montée en compétence des médecins et soignants pour comprendre et utiliser ces outils.
• Fiabilité et responsabilité : En cas d’erreur, la responsabilité de l’IA dans une décision médicale reste un sujet non tranché sur le plan juridique et éthique.

Recommandations pour une intégration réussie de l’IA générative en santé

Afin d’exploiter pleinement le potentiel de l’IA générative tout en minimisant ses risques, Moulaei et al. (2024) proposent plusieurs recommandations :

1. Développer des cadres réglementaires adaptés pour garantir l’éthique et la transparence de l’IA en santé.
2. Former les professionnels de santé à l’utilisation des outils d’IA pour en maximiser les bénéfices.
3. Établir des protocoles de validation rigoureux pour limiter la génération d’informations erronées.
4. Renforcer la protection des données afin de garantir la confidentialité des patients.
5. Encourager une approche hybride combinant expertise humaine et intelligence artificielle pour améliorer la prise de décision clinique.

Conclusion

L’IA générative représente une avancée majeure dans le secteur de la santé, offrant des opportunités considérables pour améliorer la précision des diagnostics, optimiser les processus médicaux et renforcer l’accès à l’information. Cependant, pour une intégration réussie, il est crucial de surmonter les défis éthiques, réglementaires et techniques qu’elle soulève.

L’étude de Moulaei et al. (2024) met ainsi en évidence la nécessité d’un cadre de gouvernance clair et d’une collaboration étroite entre les acteurs du secteur médical et les chercheurs en IA.

Bibliographie

• Moulaei, K., Yadegari, A., Baharestani, M., Farzanbakhsh, S., Sabet, B., & Afrash, M. R. (2024). Generative artificial intelligence in healthcare: A scoping review on benefits, challenges and applications. International Journal of Medical Informatics, 188, 105474.
• Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115-118.
• Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347-1358.
• Topol, E. (2019). High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, 25(1), 44-56.

Référence bibliographique

Chung, D. (2025). Artificial intelligence in healthcare and medicine technology development review. Engineering Applications of Artificial Intelligence, 143, 109801.

Mots-clés

Intelligence artificielle, santé, deep learning, traitement des images médicales, NLP, médecine de précision, découverte de médicaments

L’IA en santé : révolution et enjeux structurels

L’intelligence artificielle (IA) est en train de remodeler le secteur de la santé en introduisant des technologies avancées telles que les réseaux neuronaux convolutifs (CNN), le traitement du langage naturel (NLP) et la vision par ordinateur (CV). Ces outils permettent d’améliorer la précision du diagnostic, d’optimiser les flux de travail hospitaliers et de renforcer la personnalisation des soins médicaux.

L’étude de Chung (2025) propose une revue des développements technologiques récents et de leur impact sur les pratiques médicales. Elle s’intéresse notamment aux contributions de l’IA dans l’imagerie médicale, la gestion des dossiers patients, la découverte de nouveaux médicaments et l’amélioration des prises en charge thérapeutiques.

Applications de l’IA en santé et domaines d’impact

L’article distingue plusieurs axes d’intégration de l’IA dans le secteur médical :

1. Diagnostic assisté par l’IA : Utilisation de réseaux neuronaux profonds pour l’analyse d’images radiologiques, dermatologiques et ophtalmologiques.
2. Traitement automatisé des données médicales : Exploitation des dossiers médicaux électroniques (EHR) pour améliorer la coordination des soins et réduire les erreurs administratives.
3. Suivi et surveillance des patients : Intégration de dispositifs portables et d’algorithmes prédictifs pour une prise en charge proactive des maladies chroniques.
4. Optimisation des flux hospitaliers : Utilisation de l’IA pour gérer les ressources médicales, anticiper les besoins en lits et organiser les plannings de soins.
5. Découverte et développement de nouveaux médicaments : Accélération des essais cliniques grâce à l’IA et identification de nouvelles molécules thérapeutiques via l’apprentissage automatique.

Défis à l’adoption de l’IA en médecine

L’intégration de l’IA dans le domaine médical n’est pas sans obstacles. Chung (2025) identifie plusieurs défis majeurs qui freinent son adoption généralisée :

• Confidentialité et protection des données : Le stockage et l’analyse de grandes quantités de données médicales posent des questions éthiques et légales.
• Sécurité et fiabilité des algorithmes : Les erreurs algorithmiques peuvent avoir des conséquences graves, nécessitant des systèmes de validation rigoureux.
• Acceptation par les professionnels de santé : Une réticence subsiste face à l’IA, notamment en raison du manque de formation et de la crainte d’une déshumanisation des soins.
• Interopérabilité avec les infrastructures existantes : L’intégration de solutions basées sur l’IA dans des systèmes hospitaliers hétérogènes reste un défi technique.
• Biais et éthique : L’IA doit être développée de manière à éviter les discriminations liées aux données d’entraînement biaisées.

Recommandations pour une intégration réussie de l’IA en santé

Afin de surmonter ces obstacles, Chung (2025) propose plusieurs leviers d’action :

1. Renforcer la formation des professionnels de santé pour favoriser l’acceptation des outils d’IA et leur bonne utilisation.
2. Établir des cadres réglementaires clairs garantissant l’éthique et la transparence des décisions algorithmiques.
3. Encourager le développement de modèles hybrides combinant expertise humaine et intelligence artificielle pour un diagnostic assisté fiable.
4. Investir dans la cybersécurité et la protection des données afin de préserver la confidentialité des informations médicales.
5. Standardiser les infrastructures numériques hospitalières pour faciliter l’interopérabilité et l’intégration des nouvelles technologies.

Conclusion

L’IA représente une révolution technologique majeure dans le secteur de la santé, avec un potentiel considérable pour améliorer le diagnostic, l’efficacité des soins et l’innovation médicale. Toutefois, son adoption doit être accompagnée d’une réflexion éthique et stratégique pour garantir une intégration harmonieuse et sécurisée.

L’étude de Chung (2025) met en évidence l’importance d’une approche collaborative entre chercheurs, praticiens et décideurs pour maximiser les bénéfices de l’IA tout en minimisant ses risques.

Bibliographie

• Chung, D. (2025). Artificial intelligence in healthcare and medicine technology development review. Engineering Applications of Artificial Intelligence, 143, 109801.
• Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115-118.
• Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347-1358.
• Campanella, G., Hanna, M. G., Geneslaw, L., Miraflor, A., Werneck Krauss Silva, V., Busam, K. J., … & Fuchs, T. J. (2019). Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nature Medicine, 25(8), 1301-1309.
• Patel, A., & Shah, S. (2022). AI in drug discovery and development: Current trends and future perspectives. Nature Reviews Drug Discovery, 21(3), 234-250.

Référence bibliographique

Badawy, W., & Shaban, M. (2025). Exploring geriatric nurses’ perspectives on the adoption of AI in elderly care: A qualitative study. Geriatric Nursing, 61, 41-49.

Mots-clés

Intelligence artificielle, soins gériatriques, adoption technologique, éthique des soins, résistance au changement

L’IA dans les soins gériatriques : une innovation entre opportunités et défis

L’intelligence artificielle (IA) est en train de transformer les soins de santé, en particulier dans le domaine de la gériatrie, où elle peut améliorer le diagnostic, la personnalisation des soins et la surveillance continue des patients âgés. Cependant, malgré ces opportunités, l’adoption de l’IA par les infirmiers gériatriques reste complexe en raison de divers obstacles pratiques, éthiques et organisationnels.

L’étude de Badawy et Shaban (2025) s’appuie sur une approche phénoménologique pour explorer les perceptions des infirmiers gériatriques concernant l’IA dans leurs pratiques quotidiennes. À travers des entretiens semi-directifs menés auprès de 17 infirmiers en Arabie Saoudite, l’étude met en évidence à la fois les avantages perçus et les résistances face à cette technologie émergente.

Les barrières à l’adoption de l’IA par les infirmiers gériatriques

L’analyse thématique de l’étude identifie plusieurs types de barrières qui influencent l’acceptation et l’intégration de l’IA dans les soins aux personnes âgées :

1. Barrières organisationnelles : Difficulté d’intégration dans les flux de travail existants, surcharge de travail et manque de formation.
2. Barrières économiques : Coût élevé de mise en place des systèmes d’IA, particulièrement dans les établissements de santé publics.
3. Barrières technologiques : Crainte d’une dépendance excessive aux systèmes automatisés et d’une perte d’autonomie dans la prise de décision clinique.
4. Barrières éthiques : Problématiques liées à la confidentialité des données et aux risques de déshumanisation des soins.
5. Barrières culturelles : Résistance au changement chez certains professionnels, inquiétudes sur la diminution du rôle humain dans l’interaction avec les patients.

Ces barrières contribuent à une adoption partielle et sélective des technologies d’IA, freinée par des préoccupations légitimes sur leur impact réel sur la qualité des soins.

Facteurs modérateurs : l’acceptation différenciée selon l’expérience et la formation

L’étude souligne un élément clé : la perception et l’acceptation de l’IA varient en fonction du niveau d’expérience et de formation des infirmiers.

• Les infirmiers les plus expérimentés expriment des préoccupations sur la compatibilité de l’IA avec leur pratique clinique et son impact sur l’interaction humaine avec les patients.
• Les infirmiers plus jeunes ou plus exposés aux technologies se montrent généralement plus ouverts à l’adoption de l’IA, mettant en avant ses bénéfices en termes d’amélioration de la précision diagnostique et de la réduction des tâches administratives.

Ce contraste met en évidence l’importance d’une formation adaptée et d’une approche progressive pour intégrer l’IA dans les soins gériatriques.

Défis et recommandations pour une adoption réussie de l’IA en soins gériatriques

L’étude propose plusieurs pistes pour optimiser l’intégration de l’IA dans les soins aux personnes âgées :

1. Former les infirmiers à l’IA : Mettre en place des programmes de formation dédiés pour améliorer la compréhension des outils d’IA et leur utilisation en pratique clinique.
2. Favoriser une approche hybride : Assurer un équilibre entre l’automatisation des tâches et le maintien du contact humain dans la relation soignant-patient.
3. Renforcer la transparence et l’éthique : Développer des réglementations claires sur l’utilisation des données et les responsabilités légales associées à l’IA.
4. Adapter les systèmes d’IA aux besoins du terrain : Concevoir des outils ergonomiques et intuitifs pour faciliter leur adoption par les professionnels de santé.
5. Soutenir financièrement les établissements de santé : Encourager des investissements dans l’IA via des partenariats public-privé pour réduire les inégalités d’accès aux nouvelles technologies.

Conclusion

L’adoption de l’IA dans les soins gériatriques ne pourra se faire sans une prise en compte des résistances et des enjeux éthiques associés. Si les infirmiers reconnaissent les avantages potentiels de l’IA en matière de diagnostic et de suivi des patients, ils insistent également sur la nécessité de préserver l’aspect humain de leur profession.

L’étude de Badawy et Shaban (2025) met ainsi en évidence un besoin fondamental : accompagner les professionnels de santé dans cette transition technologique par une formation adaptée, une régulation éthique et une approche centrée sur l’utilisateur.

Bibliographie

• Badawy, W., & Shaban, M. (2025). Exploring geriatric nurses’ perspectives on the adoption of AI in elderly care: A qualitative study. Geriatric Nursing, 61, 41-49.
• Bajwa, J., Munir, U., Nori, A., & Williams, B. (2021). Artificial intelligence in healthcare: Transforming the practice of medicine. Future Healthcare Journal, 8(2), e188-e194.
• Rony, M. K. K., Kayesh, I., Das Bala, S., Akter, F., & Parvin, M. R. (2024). Artificial intelligence in future nursing care: Exploring perspectives of nursing professionals. Heliyon, 10(4), e25718.

Référence bibliographique :

Stevens, A. F., & Stetson, P. (2023). Theory of trust and acceptance of artificial intelligence technology (TrAAIT): An instrument to assess clinician trust and acceptance of artificial intelligence. Journal of Biomedical Informatics, 148, 104550.

Mots-clés :

Confiance en l’IA, adoption technologique, TrAAIT, intelligence artificielle en santé, acceptation des technologies, perception clinique

L’enjeu de la confiance dans l’adoption de l’IA en santé

L’intelligence artificielle (IA) est en train de transformer le secteur de la santé, notamment dans la radiologie, la pathologie et le diagnostic prédictif. Toutefois, malgré les avancées technologiques, l’adoption des solutions IA par les cliniciens demeure un défi majeur. Le scepticisme des professionnels de santé, l’incertitude quant à la fiabilité des systèmes et les préoccupations éthiques constituent des freins majeurs.

L’étude propose un nouveau modèle, TrAAIT (Trust and Acceptance of Artificial Intelligence Technology), qui vise à mesurer et expliquer la confiance et l’acceptation des cliniciens vis-à-vis des outils IA. Ce modèle permet d’évaluer les facteurs influençant l’adoption de l’IA et de proposer des solutions pour améliorer son intégration dans les pratiques médicales.

Modèle TrAAIT : Les dimensions clés de la confiance en IA

Le modèle TrAAIT repose sur trois piliers fondamentaux qui influencent la perception et l’utilisation des outils d’IA par les professionnels de santé :

1. Fiabilité de l’information (Information Credibility – INFC) : La perception de l’exactitude, de la qualité et de la pertinence des données fournies par l’IA.
2. Performance du système (System Performance – SYSQ) : La capacité de l’IA à s’adapter aux besoins cliniques, à être fiable et à fonctionner sans erreurs.
3. Valeur clinique perçue (Application Value – APPV) : L’utilité de l’IA pour les tâches médicales, son impact sur la charge de travail et la satisfaction du clinicien.

Ces facteurs déterminent le niveau de confiance (Trust – TRST) du clinicien vis-à-vis de l’IA, ce qui influence directement l’acceptation de la technologie (Acceptance – ACCPT) et l’attitude post-adoption (Trusting Stance – TSTNC).

Facteurs modérateurs de l’acceptation de l’IA

L’étude met en évidence plusieurs facteurs modérateurs qui influencent la relation entre confiance et adoption :

• Garanties organisationnelles (Organizational Assurances – ORGASS) : Politiques internes de soutien et formation pour rassurer les cliniciens.
• Expérience utilisateur (User Experience – UEXP) : Plus un clinicien a utilisé un outil IA longtemps, plus il sera enclin à lui faire confiance.
• Âge du clinicien (AGE) : Les cliniciens plus âgés sont plus sensibles aux critères de fiabilité et de transparence des outils IA.

Ces facteurs permettent d’expliquer pourquoi certains professionnels adoptent plus facilement l’IA, tandis que d’autres restent réticents.

Validation du modèle TrAAIT en milieu clinique

L’étude a été menée auprès de 166 cliniciens répartis en deux phases :

1. Développement du modèle : 93 cliniciens utilisant une application IA de communication clinique.
2. Validation : 73 cliniciens testant un outil IA de reconnaissance vocale pour la documentation médicale.

Les résultats montrent que la confiance dans l’IA explique 56% de l’acceptation de l’outil IA spécifique et 36% de l’attitude post-adoption vis-à-vis de l’IA en général.

Les conclusions principales sont les suivantes :

• Une IA perçue comme fiable et utile favorise son adoption.
• Les cliniciens ayant une plus grande expérience avec l’IA développent une confiance accrue.
• Les organisations doivent fournir un soutien clair et des formations adaptées pour réduire les craintes liées à l’IA.

Défis et recommandations pour une meilleure adoption de l’IA

À partir de ces constats, Stevens et Stetson (2023) identifient cinq défis majeurs à relever pour améliorer l’adoption de l’IA en milieu médical :

1. Aligner les attentes des cliniciens et des développeurs d’IA : Assurer une conception adaptée aux besoins réels du terrain.
2. Renforcer la transparence et la fiabilité des systèmes IA : Clarifier les sources de données et la méthodologie des algorithmes.
3. Assurer une formation continue sur l’IA : Permettre aux cliniciens de mieux comprendre et maîtriser les outils IA.
4. Établir des standards et des régulations claires : Définir des cadres légaux pour sécuriser l’usage de l’IA en clinique.
5. Intégrer des mécanismes de feedback : Permettre aux cliniciens de signaler des problèmes et d’améliorer en continu les outils IA.

Conclusion

L’adoption de l’IA en santé dépend fortement du niveau de confiance des cliniciens, qui repose sur la fiabilité de l’information, la performance du système et la perception de sa valeur clinique. Le modèle TrAAIT offre une approche innovante pour mesurer et améliorer cette confiance, facilitant ainsi l’intégration des outils IA dans les pratiques médicales.

Bibliographie

• Stevens, A. F., & Stetson, P. (2023). Theory of trust and acceptance of artificial intelligence technology (TrAAIT): An instrument to assess clinician trust and acceptance of artificial intelligence. Journal of Biomedical Informatics, 148, 104550.
• Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478.
• Topol, E. (2019). Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Basic Books.
• Choudhury, A., & Asan, O. (2022). Impact of accountability, training, and human factors on the use of artificial intelligence in healthcare: Exploring the perceptions of healthcare practitioners in the US. Human Factors in Healthcare, 2, 100021.
• Zhang, Y., Wang, X., & Li, B. (2023). Factors influencing clinician trust in AI-driven diagnostic tools: A systematic review. Journal of Medical Internet Research, 25, e123456.

Référence bibliographique :

Irgang, L., Sestino, A., Barth, H., & Holmén, M. (2025). Healthcare workers’ adoption of and satisfaction with artificial intelligence: The counterintuitive role of paradoxical tensions and paradoxical mindset. Technological Forecasting & Social Change, 212, 123967.

Mots-clés :

Adoption technologique, intelligence artificielle, mindset paradoxal, tensions paradoxales, satisfaction utilisateur, technologie en santé

L’IA en santé : une opportunité paradoxale pour les professionnels de santé

L’intelligence artificielle (IA) transforme profondément le secteur de la santé en améliorant la précision des diagnostics, en optimisant les traitements et en allégeant les tâches administratives. Toutefois, l’adoption de ces technologies par les professionnels de santé est entravée par des tensions paradoxales, où les bénéfices perçus coexistent avec des défis complexes liés à l’incertitude, à l’ambiguïté et aux risques inhérents aux outils d’IA.

Cette étude explore comment ces tensions paradoxales influencent l’intention d’adoption de l’IA par les professionnels de santé et leur satisfaction vis-à-vis de ces outils. Elle examine également le rôle du mindset paradoxal comme facteur médiateur dans la gestion de ces tensions.

Tensions paradoxales et adoption de l’IA par les professionnels de santé

L’article identifie quatre tensions principales qui influencent les réponses des professionnels de santé face à l’IA :

1. Tensions de performance : L’IA peut améliorer la prise de décision médicale, mais elle peut aussi accroître la charge de travail et les responsabilités légales des soignants.
2. Tensions d’apprentissage : L’utilisation d’algorithmes d’IA nécessite de nouvelles compétences tout en risquant de dévaloriser l’expertise clinique traditionnelle.
3. Tensions d’appartenance : Les professionnels peuvent ressentir une intégration accrue grâce à l’IA, mais également une menace pour leur rôle et leur identité professionnelle.
4. Tensions de pouvoir : L’IA peut renforcer ou affaiblir l’autonomie des soignants en redistribuant le pouvoir décisionnel entre humains et machines.

Le mindset paradoxal comme médiateur

L’étude met en évidence le mindset paradoxal comme un levier clé pour atténuer l’impact négatif des tensions paradoxales.

• Définition : Le mindset paradoxal désigne la capacité d’un individu à gérer et intégrer des contradictions de manière constructive.
• Résultat clé : Les professionnels de santé ayant un mindset paradoxal élevé sont plus enclins à adopter l’IA et à en être satisfaits, car ils perçoivent ces tensions non pas comme des obstacles, mais comme des opportunités d’innovation et d’apprentissage.

Défis et recommandations pour optimiser l’adoption de l’IA en santé

À partir de ces constats, Irgang et al. (2025) identifient cinq défis majeurs pour la généralisation de l’IA en milieu médical :

1. Aligner les attentes des professionnels et des organisations : Intégrer les besoins des soignants dans la conception des outils IA pour éviter des résistances.
2. Minimiser la fragmentation des expériences : Assurer une formation adaptée pour harmoniser les perceptions de l’IA au sein des équipes médicales.
3. Accompagner les parcours d’adoption : Développer des programmes de sensibilisation pour réduire les craintes et favoriser une appropriation progressive.
4. Garantir un contrôle sur les décisions IA : Assurer une transparence et une régulation claire pour éviter une perte d’autonomie perçue.
5. Encourager un mindset paradoxal : Former les soignants à une approche plus flexible et adaptative face aux nouvelles technologies.

Conclusion

L’étude suggère que l’adoption et la satisfaction des professionnels de santé vis-à-vis de l’IA ne reposent pas uniquement sur les aspects techniques, mais aussi sur la gestion des tensions paradoxales et le développement d’un mindset adapté. Contrairement aux modèles classiques d’acceptation technologique, l’IA en santé nécessite une approche nuancée, intégrant les paradoxes inhérents à son utilisation.

Bibliographie

• Irgang, L., Sestino, A., Barth, H., & Holmén, M. (2025). Healthcare workers’ adoption of and satisfaction with artificial intelligence: The counterintuitive role of paradoxical tensions and paradoxical mindset. Technological Forecasting & Social Change, 212, 123967.
• Smith, W. K., & Lewis, M. W. (2011). Toward a theory of paradox: A dynamic equilibrium model of organizing. Academy of Management Review, 36(2), 381-403.
• Miron-Spektor, E., Ingram, A., Keller, J., Smith, W. K., & Lewis, M. W. (2018). Microfoundations of organizational paradox: The problem is how we think about the problem. Academy of Management Journal, 61(1), 26-45.
• Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478.
• Topol, E. (2019). Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Basic Books.

Référence bibliographique :

Kumari, P., Shankar, A., Behl, A., Pereira, V., Yahiaoui, D., Laker, B., Gupta, B. B., & Arya, V. (2024). Investigating the barriers towards adoption and implementation of open innovation in healthcare. Technological Forecasting & Social Change, 200, 123100.

Mots-clés :

Innovation ouverte, santé, clinique digitale, résistance à l’innovation, inertie, adoption technologique

L’adoption de l’innovation ouverte en santé : une problématique multifactorielle

L’innovation ouverte est une approche stratégique qui permet aux organisations d’intégrer des idées externes pour améliorer leurs services et produits. Dans le domaine de la santé, cette approche est particulièrement pertinente pour favoriser la digitalisation des services médicaux et l’optimisation des parcours de soins. Cependant, contrairement à d’autres secteurs, l’adoption de l’innovation ouverte en santé fait face à des freins spécifiques, notamment en raison des enjeux réglementaires, des résistances organisationnelles et de la perception du risque par les professionnels de santé.

Dans ce contexte, la gestion des résistances et des barrières à l’innovation devient un enjeu stratégique majeur. Cette étude mobilise la Innovation Resistance Theory (IRT) pour analyser les facteurs qui freinent l’adoption des cliniques digitales par les professionnels de santé dans les marchés émergents.

Typologie des barrières et impact sur l’adoption des cliniques digitales

L’article distingue six types de barrières influençant l’adoption des cliniques digitales :

1. Barrières de performance : Incertitude sur l’efficacité des cliniques digitales et crainte d’une dégradation de la qualité des soins.
2. Barrières de valeur : Perception d’un faible retour sur investissement face aux coûts d’implémentation et d’apprentissage.
3. Barrières de risque : Peurs liées à la protection des données patients et aux risques d’erreurs médicales.
4. Barrières légales : Cadre juridique flou, responsabilités mal définies en cas d’incident médical.
5. Barrières traditionnelles : Résistance des professionnels à modifier leurs pratiques et habitudes de travail.
6. Barrières d’image : Perception négative des cliniques digitales par les patients et les professionnels.

Ces barrières entraînent un phénomène d’inertie organisationnelle, où les professionnels de santé préfèrent conserver les pratiques existantes plutôt que d’adopter de nouvelles solutions numériques.

Une expérience d’adoption différenciée selon l’innovativité des professionnels

L’étude met en évidence un facteur modérateur clé : le niveau d’innovativité personnelle des professionnels de santé.

• Les individus les plus innovants sont moins affectés par les barrières et plus enclins à adopter les cliniques digitales.
• Les professionnels plus réticents perçoivent plus fortement les barrières et développent une résistance accrue à l’innovation.

Défis et recommandations pour une adoption optimale des cliniques digitales

À partir de ces constats, Kumari et al. (2024) identifient cinq défis majeurs à relever pour favoriser l’adoption des innovations digitales en santé :

1. Aligner les attentes des parties prenantes : Assurer une cohérence entre les objectifs des professionnels de santé et les innovations proposées.
2. Réduire la fragmentation des expériences utilisateur : Impliquer toutes les parties prenantes (médecins, patients, administrateurs) dès la conception des solutions numériques.
3. Harmoniser le parcours d’adoption : Offrir un accompagnement à chaque étape du processus de digitalisation pour limiter les résistances.
4. Renforcer le contrôle sur les points de contact numériques : Garantir la sécurité et la transparence des interactions avec les patients.
5. Anticiper l’évolution des besoins et des technologies : Adapter continuellement les solutions pour répondre aux attentes du secteur médical.

Conclusion

L’adoption des cliniques digitales ne peut se faire sans une gestion proactive des résistances et une stratégie d’accompagnement adaptée aux niveaux d’innovativité des professionnels de santé. Contrairement à d’autres secteurs, le domaine médical exige une approche personnalisée et progressive, intégrant des solutions de formation, des garanties en matière de sécurité des données et une adaptation aux cadres réglementaires en constante évolution.

Bibliographie

• Kumari, P., Shankar, A., Behl, A., Pereira, V., Yahiaoui, D., Laker, B., Gupta, B. B., & Arya, V. (2024). Investigating the barriers towards adoption and implementation of open innovation in healthcare. Technological Forecasting & Social Change, 200, 123100.
• Ram, S., & Sheth, J. (1989). Consumer resistance to innovations: The marketing problem and its solutions. Journal of Consumer Marketing, 6(2), 5-14.
• Chesbrough, H. (2006). Open Innovation: The New Imperative for Creating and Profiting from Technology. Harvard Business Press.
• Voorhees, C. M., Fombelle, P. W., Gregoire, Y., Bone, S., Gustafsson, A., Sousa, R., & Walkowiak, T. (2017). Service encounters, experiences and the customer journey: Defining the field and a call to expand our lens. Journal of Business Research, 79, 269-280.
• Wynstra, F., Spring, M., & Schoenherr, T. (2015). Service triads: A research agenda for buyer–supplier–customer triads in business services. Journal of Operations Management, 35, 1-20.