Améliorer la qualité des prescriptions d’antimicrobiens grâce à « Ask Eolas » (modèle de langage) : évaluation par tests utilisateurs et simulations

Pourquoi une prescription intelligente concerne tout le monde

Les antibiotiques ont sauvé d’innombrables vies, mais leur surutilisation et leur mauvais usage favorisent l’émergence de bactéries dangereuses devenues « super‑résistantes ». Cette crise silencieuse menace les interventions chirurgicales courantes, les traitements du cancer et même les infections simples. L’étude décrite dans cet article évalue un nouvel assistant d’intelligence artificielle nommé Ask Eolas, conçu pour guider les médecins vers des choix d’antibiotiques plus sûrs et plus précis. En vérifiant si cet outil réduit les erreurs dans des cas de test réalistes, les chercheurs posent une question qui nous concerne tous : une IA digne de confiance peut‑elle aider à préserver l’efficacité des antibiotiques pour l’avenir ?

Un assistant numérique pour les décisions de traitement quotidiennes

Ask Eolas est intégré à une application médicale déjà utilisée dans la plupart des hôpitaux en Angleterre pour accéder aux recommandations locales de traitement. Plutôt que de forcer les cliniciens à faire défiler de longs documents ou des organigrammes complexes, cette nouvelle fonctionnalité leur permet de poser des questions en langage courant, par exemple quel médicament et quelle posologie conviennent pour une infection donnée. En coulisses, Ask Eolas interroge uniquement les règles antibiotiques de l’hôpital, puis rédige une réponse courte et adaptée, accompagnée de liens vers les recommandations originales afin que les utilisateurs puissent vérifier la source eux‑mêmes. Ainsi, il se comporte moins comme une boîte noire robotique et plus comme un assistant efficace qui sait où tout est rangé.

Tester l’outil dans des scénarios hospitaliers réalistes

Pour savoir si Ask Eolas améliore réellement la prescription, les chercheurs ont mené une étude de simulation contrôlée avec 45 cliniciens, incluant des consultants, des médecins juniors, des pharmaciens et des infirmiers prescripteurs. Les participants ont été assignés au hasard à l’une des trois options : les recommandations PDF traditionnelles sur l’intranet de l’hôpital, l’application Eolas existante ou la nouvelle fonctionnalité IA Ask Eolas. Chaque personne a traité 45 cas de prescription d’antibiotiques, allant d’infections simples à des situations complexes impliquant des profils de résistance et des comorbidités multiples. Pour chaque cas, l’équipe a vérifié si l’ordonnance finale respectait exactement les règles de l’hôpital concernant le médicament, la voie d’administration, la dose, la durée et la prise en compte des données locales de résistance.

Moins d’erreurs, réponses plus claires, esprits plus calmes

Les différences entre les outils étaient frappantes. Les cliniciens utilisant Ask Eolas n’ont commis aucune erreur de prescription sur l’ensemble des cas de test, tandis que ceux utilisant l’application ou les recommandations PDF n’avaient des ordonnances sans erreur que dans 60 % et 47 % des cas, respectivement. Autrement dit, pour deux cliniciens passant des PDF à Ask Eolas, un patient supplémentaire recevrait une prescription entièrement correcte. La plupart des erreurs avec les outils traditionnels n’étaient pas des jugements catastrophiques mais des problèmes subtils de dose ou de durée de traitement—exactement le genre de détails qui peuvent échapper à du personnel fatigué parcourant des documents denses. Les participants ont rapporté que les résumés courts et ciblés d’Ask Eolas, associés aux liens vers les sections de la recommandation d’origine, facilitaient la confiance et la mise en œuvre des conseils.

Concevoir une IA que les gens veulent réellement utiliser

Au‑delà de la précision, l’étude a examiné l’expérience d’utilisation de l’outil. À l’aide de questionnaires reconnus, les cliniciens ont indiqué qu’Ask Eolas était le système le plus facile à utiliser, celui qu’ils souhaiteraient employer le plus régulièrement et celui qui les rendait le plus confiants dans leurs décisions. Les mesures de la charge mentale ont montré que l’outil IA réduisait la pression temporelle, l’effort et la frustration par rapport au défilement de PDF ou à la navigation dans une application statique. Les entretiens ont révélé que les utilisateurs appréciaient la transparence—pouvoir voir exactement quels passages des recommandations avaient servi à formuler la réponse—et que le système s’adaptait aux détails individuels du patient. Quelques inconvénients sont apparus, comme de brefs temps de chargement ou des préférences variables sur la longueur des réponses, mais ils ont été jugés mineurs au regard des bénéfices.

Du test prometteur à la pratique en conditions réelles

Les auteurs rappellent que leur évaluation s’est déroulée dans un environnement sûr et simulé plutôt que sur des services hospitaliers chargés, et qu’elle impliquait un nombre relativement restreint de participants dans un seul établissement. Les pressions du monde réel, la diversité des hôpitaux et des données de laboratoire en direct pourraient tous modifier les performances de l’outil. Pour guider un déploiement sûr, l’équipe propose une feuille de route TRUST‑AI insistant sur la transparence, les liaisons aux données en temps réel, une conception conviviale, de solides garanties de sécurité, une responsabilité claire et des pistes d’audit, ainsi qu’une intégration fluide aux dossiers de santé électroniques. Malgré ces réserves, l’étude fournit des preuves initiales et encourageantes que des IA conçues avec soin peuvent aider les cliniciens à suivre plus fidèlement les recommandations optimales en matière d’antibiotiques, soutenant à la fois les patients et la lutte mondiale contre les infections résistantes aux médicaments.

Citation: Waldock, W.J., Gilchrist, M., Ashrafian, H. et al. Enhancing quality of antimicrobial prescribing through ‘Ask Eolas’ (language model): a user-testing and simulation evaluation. npj Antimicrob Resist 4, 16 (2026). https://doi.org/10.1038/s44259-026-00187-7

Mots-clés: résistance aux antimicrobiens, prescription d’antibiotiques, aide à la décision clinique, intelligence artificielle en santé, grands modèles de langage