Sepsis : les nouveaux algorithmes de détection face au défi de l'efficacité réelle

Il y a cinq ans, les algorithmes de prédiction de la septicémie ont connu un échec retentissant. Des centaines d’hôpitaux avaient adopté un outil développé par Epic, leader des dossiers médicaux électroniques, promettant d’alerter les médecins sur les cas potentiels de septicémie. Pourtant, malgré des résultats prometteurs sur le papier, cette technologie a échoué en conditions réelles.

Le système générait un volume d’alertes si élevé que les médecins ont fini par les ignorer, voire que certains hôpitaux ont désactivé le dispositif. Résultat : une perte de confiance dans les solutions automatisées de détection de la septicémie.

Cinq ans plus tard, de nouveaux modèles voient le jour. Epic a présenté une version améliorée de son algorithme. Des startups testent leurs propres solutions dans des systèmes de santé. Une équipe explore même l’utilisation de grands modèles de langage pour analyser les notes cliniques et détecter les signes de septicémie. Mardi, Bayesian Health, une entreprise issue de l’université Johns Hopkins, a annoncé avoir obtenu l’autorisation de la FDA pour son dispositif de détection de la septicémie.

Ces avancées soulèvent une question cruciale : la performance d’un algorithme suffit-elle à garantir son succès ? L’histoire récente montre que l’efficacité réelle dépend autant de la précision du modèle que de son intégration dans les workflows médicaux et de l’adhésion des professionnels de santé.

Les défis restent nombreux. Comment éviter la surcharge d’alertes ? Comment s’assurer que les cliniciens utilisent ces outils au quotidien ? Et surtout, comment mesurer leur impact réel sur la réduction de la mortalité ? Les réponses à ces questions détermineront si ces nouvelles solutions éviteront le sort de leur prédécesseur.