Système d’analyse et d’apprentissage des incidents basé sur l’intelligence artificielle pour renforcer la sécurité des patients et améliorer la qualité des traitements

Pourquoi des revues d’incidents plus intelligentes comptent pour les patients

Derrière chaque traitement contre le cancer sûr se cache une couche invisible de contrôles, de recontrôles et d’apprentissage à partir des quasi‑accidents. La radiothérapie est très précise, mais ses flux de travail complexes et fondés sur le travail d’équipe laissent la place à de petites erreurs qui peuvent se propager en problèmes majeurs. Les hôpitaux recueillent déjà des milliers de rapports sur des quasi‑incidents et de petites défaillances, mais trier ces récits manuellement est lent et inégal. Cet article décrit un nouveau système basé sur l’intelligence artificielle qui aide les experts à analyser rapidement les rapports d’incidents, à révéler des schémas cachés sur la façon et les raisons des défaillances, et à transformer ces connaissances en soins plus sûrs.

Des récits humains à l’apprentissage du système

Lorsqu’un événement inhabituel survient pendant un traitement par radiation — comme une consigne ambiguë, un retard ou un quasi‑accident — les cliniciens rédigent un rapport narratif avec leurs propres mots. Traditionnellement, les équipes qualité et sécurité lisent chaque récit, déterminent ce qui a mal tourné et l’inscrivent dans un cadre de facteurs humains appelé HFACS, qui décompose les causes contributives, des erreurs de première ligne jusqu’à des problèmes organisationnels plus profonds. Cette approche est puissante mais chronophage, surtout dans les centres de cancérologie où des milliers d’incidents sont consignés, dont la plupart n’endommagent pas les patients mais contiennent néanmoins des enseignements précieux. Le nouveau Système d’Analyse et d’Apprentissage des Incidents basé sur l’Intelligence Artificielle (AI‑ILS) vise à soutenir ces équipes en automatisant une grande partie du travail de classification tout en préservant la supervision experte.

Nettoyer et clarifier le langage des incidents

Avant qu’un algorithme puisse comprendre un récit d’incident, le texte doit être à la fois sûr à partager et clair dans son sens. AI‑ILS supprime d’abord les informations personnelles — telles que les noms, les dates et les numéros de dossier — en utilisant des modèles de langage spécialisés entraînés à reconnaître les informations sensibles dans des textes médicaux. Il étend ensuite le jargon médical et les abréviations locales en formulations plus claires, de sorte que des acronymes comme « DIBH » ou des abréviations propres à un poste soient correctement interprétés. Cette préparation en deux étapes rend les rapports anonymes et plus faciles à comprendre pour le modèle principal, tout en préservant la structure et l’intention originales du récit, ce qui est crucial pour juger avec précision ce qui a mal tourné.

Apprendre à une IA à discerner les causes profondes

Au cœur du système se trouve un grand modèle de langage affiné sur 1 548 rapports d’incidents factices soigneusement rédigés. Une équipe multidisciplinaire — comprenant physiciens, infirmières, thérapeutes, dosimétristes et médecins — a rédigé ces exemples pour couvrir une large gamme de problèmes répartis sur les quatre niveaux HFACS : actes dangereux, préconditions (comme le personnel ou l’environnement), supervision et influences organisationnelles plus larges. Le modèle a été entraîné en quatre branches parallèles, une pour chaque niveau, avec une option supplémentaire « aucun des précédents » pour éviter d’imposer à chaque récit une catégorie inadaptée. Après l’affinage, les performances du modèle se sont améliorées de façon spectaculaire : sa capacité à distinguer les étiquettes correctes des incorrectes (mesurée par des métriques standard d’exactitude et de corrélation) est passée d’un niveau proche du hasard à un fort accord avec le jugement des experts.

Tester le système dans des cliniques réelles

Les chercheurs ont ensuite appliqué AI‑ILS à 350 rapports d’incidents réels issus de la base de données de sécurité interne d’un grand centre de cancérologie. En comparant ses classifications à celles de physiciens médicaux expérimentés, ils ont trouvé environ 79 % d’accord strict et près de 88 % d’accord lorsque les cas limites étaient considérés comme « possiblement acceptables ». Le système fonctionnait beaucoup plus rapidement que les humains : il pouvait traiter et classifier complètement un incident en environ cinq secondes, alors que les réviseurs avaient besoin d’environ deux minutes et demie par cas. Une interface de type conversationnelle simple permet aux cliniciens de voir comment l’IA a interprété un rapport, de poser des questions de suivi et de mieux comprendre pourquoi une cause particulière a été suggérée, transformant l’outil en partenaire plutôt qu’en boîte noire.

Ce que cela signifie pour des soins plus sûrs

Cette étude suggère qu’un système d’IA soigneusement adapté peut soutenir de manière fiable les experts dans l’analyse de grands volumes de rapports de sécurité, libérant du temps pour des enquêtes et des actions plus approfondies. Plutôt que de remplacer le jugement humain, AI‑ILS organise et standardise les schémas d’incidents à travers les erreurs de première ligne, les conditions de travail, la supervision et les pratiques organisationnelles. Avec une adoption plus large et des jeux de données multi‑centres plus importants, des outils similaires pourraient aider les hôpitaux à passer de solutions réactives après un incident à des améliorations proactives et fondées sur les données de la prestation des soins — réduisant silencieusement les dommages évitables et rendant les traitements complexes comme la radiothérapie plus sûrs pour les patients partout.

Citation: Jinia, A.J., Chapman, K., Liu, S. et al. Artificial intelligence-based incident analysis and learning system to enhance patient safety and improve treatment quality. npj Digit. Med. 9, 254 (2026). https://doi.org/10.1038/s41746-026-02390-2

Mots-clés: sécurité des patients, radiothérapie, signalement d’incidents, intelligence artificielle, facteurs humains