Modèles linguistiques améliorés pour prédire et comprendre la désengagement des soins liés au VIH : étude de cas en Tanzanie

Pourquoi il est essentiel de maintenir les personnes dans les soins du VIH

Rester sous traitement contre le VIH est l’un des outils les plus puissants pour préserver la santé des personnes et empêcher la propagation du virus. Pourtant, dans de nombreuses régions du monde, et en particulier en Afrique subsaharienne, certains patients cessent de récupérer leurs médicaments ou manquent des rendez-vous en clinique, souvent pour des raisons sociales et économiques complexes. Cette étude examine si un nouveau type d’intelligence artificielle, appelé grand modèle linguistique, peut aider les médecins en Tanzanie à repérer les patients les plus à risque d’abandon des soins afin que des soutiens leur parviennent avant l’apparition des problèmes.

Transformer les dossiers médicaux en récit utile

Les chercheurs ont travaillé avec plus de 4,8 millions de dossiers médicaux électroniques provenant de plus de 260 000 personnes vivant avec le VIH ayant reçu des soins en Tanzanie entre 2018 et 2023. Ces dossiers comprenaient l’âge, le sexe, les dates de visites en clinique, le nombre de comprimés délivrés, des résultats de laboratoire comme la charge virale, et des informations sur les établissements de santé. Plutôt que d’examiner des instantanés isolés, l’équipe s’est concentrée sur les historiques complets de prise en charge, capturant des schémas tels que les rendez-vous manqués ou retardés et les interruptions dans la prise d’antirétroviraux. Ils ont ensuite traduit ces données en résumés en langage clair qu’un modèle linguistique pouvait lire presque comme une biographie du patient.

Apprendre à une IA à penser comme un clinicien attentif

L’équipe a adapté un modèle linguistique open source (Llama 3.1) et l’a affiné sur les dossiers tanzaniens afin qu’il réponde à une question précise : au cours de l’année à venir, ce patient est-il susceptible d’interrompre son traitement pendant des semaines, de développer une charge virale non supprimée, ou d’être perdu de vue ? Pour fonctionner de façon cohérente, le modèle a reçu l’instruction de répondre dans un format de phrase fixe décrivant trois résultats : si le virus serait supprimé ou détectable, si la personne serait probablement perdue de vue pendant plus de 28 jours, et si son risque de non-adhérence au traitement serait élevé, modéré, faible ou nul. Comme l’entrée était également rédigée sous forme de texte standardisé, le système pouvait à la fois traiter des historiques complexes et expliquer son raisonnement en langage compréhensible par des humains.

Comment le nouveau modèle se compare aux outils plus anciens

Le modèle linguistique amélioré a été testé dans deux régions tanzaniennes : Kagera, où il a été entraîné, et Geita, où il n’avait jamais vu les données auparavant. Sa performance a été comparée à une méthode classique d’apprentissage automatique robuste et au même modèle linguistique utilisé « tel quel » sans affinage. Sur les résultats clés, le modèle amélioré a systématiquement mieux classé les patients. Pour prédire qui serait perdu de vue — une interruption de soins de 28 jours ou plus — il a obtenu des scores de précision (AUC) de 0,77 à Kagera et de 0,71 à Geita, supérieurs à ceux du modèle conventionnel et des modèles linguistiques non affinés. Lorsque les programmes de santé ne peuvent cibler qu’une fraction des patients, cela fait une différence : parmi les 25 % des patients que le modèle amélioré a signalés comme les plus à risque, environ trois sur quatre ont effectivement été perdus de vue, permettant d’orienter des ressources rares là où elles sont le plus nécessaires.

Ce à quoi l’IA « prête attention »

Parce que les modèles linguistiques utilisent des mécanismes d’attention, les chercheurs ont pu voir quelles informations influençaient le plus les prédictions. Le modèle s’est fortement focalisé sur des facteurs liés à la continuité des soins : longues périodes sans visite, rendez-vous retardés ou manqués, signes de mauvaise observance médicamenteuse, et durée depuis le diagnostic du VIH. L’âge et le sexe ont aussi joué un rôle, avec une performance particulièrement marquée pour prédire la perte de vue chez les personnes âgées et celles qui n’avaient pas été en soins en 2021. Comparé au modèle traditionnel, qui s’appuyait davantage sur des données démographiques de base et le comptage de comprimés, le modèle linguistique amélioré a dressé un tableau plus riche de l’engagement des patients au fil du temps. Des médecins tanzaniens spécialisés dans le VIH ayant examiné un échantillon de cas ont été d’accord avec les jugements du modèle dans 65 % des cas, et dans la plupart de ces cas concordants ils ont jugé les explications écrites de l’IA cliniquement sensées.

Équilibrer promesse, confidentialité et praticité

L’étude a également abordé des préoccupations concrètes concernant la confidentialité et le déploiement. Toutes les données ont été dé-identifiées et stockées sur un cluster informatique local sécurisé, et l’équipe a testé des protections supplémentaires comme un décalage léger des dates de visite tout en préservant les chronologies. Ils notent que l’utilisation d’une IA aussi avancée introduit des défis techniques et de maintenance, et que des modèles entraînés dans deux régions tanzaniennes peuvent nécessiter une adaptation ailleurs. Néanmoins, parce que le modèle amélioré identifiait mieux les patients à haut risque même lorsque ces cas étaient relativement rares, il pourrait rendre les programmes de sensibilisation plus efficaces — aidant les cliniciens à agir plus tôt, avant que des manquements au traitement n’entraînent une reprise virale et un risque accru de transmission.

Ce que cela signifie pour les personnes vivant avec le VIH

Pour un lecteur non spécialiste, le principal enseignement est que ce type d’IA fonctionne comme une paire d’yeux experte supplémentaire scrutant des milliers d’historiques de patients simultanément. Il ne remplace pas les médecins ou les infirmiers, mais il peut les alerter lorsqu’un schéma de visites et de résultats de laboratoire laisse penser qu’une personne risque de sortir bientôt du parcours de soin. Utilisés avec précaution et éthique, ces outils pourraient aider les professionnels de santé en Tanzanie et dans des contextes similaires à orienter des appels téléphoniques, des visites à domicile ou des aides financières vers ceux qui en ont le plus besoin, améliorant ainsi les taux de réussite du traitement et rapprochant le monde des objectifs de longue date de maîtrise de l’épidémie de VIH.

Citation: Wei, W., Shao, J., Lyu, R.Q. et al. Enhanced language models for predicting and understanding HIV care disengagement: a case study in Tanzania. npj Digit. Med. 9, 165 (2026). https://doi.org/10.1038/s41746-026-02349-3

Mots-clés: rétention dans les soins du VIH, grands modèles linguistiques, dossiers médicaux électroniques, Afrique subsaharienne, adhérence à la thérapie antirétrovirale