Modélisation des tâches infirmières dans des scénarios d’urgence simulés : enseignements pour la formation clinique et la pratique

Pourquoi cette recherche importe pour la prise en charge des patients

Lorsqu’un patient aux urgences se détériore soudainement, ce sont souvent les infirmières et infirmiers qui remarquent et agissent en premier. Leurs décisions rapides — quoi vérifier, qui appeler, quel traitement initier — peuvent faire la différence entre la guérison et des complications sévères. Pourtant, beaucoup de ces choix sont pris si rapidement et de façon si intuitive que même des professionnels expérimentés ont du mal à expliquer leur raisonnement. Cette étude examine si les méthodes d’intelligence artificielle modernes peuvent apprendre les schémas sous‑jacents aux actions des infirmiers experts dans des simulations d’urgence réalistes, dans l’objectif, un jour, d’orienter les soignants moins expérimentés dans des situations à forts enjeux.

Comment les infirmières expérimentées réfléchissent sur le vif

Les infirmières chevronnées qui s’occupent de patients très malades font bien plus que suivre des listes de contrôle étape par étape. Elles combinent en continu les lectures des moniteurs, les résultats inscrits dans le dossier, ce qu’elles observent et perçoivent lors de l’examen clinique, et les informations que les patients leur transmettent sur leur état ressenti. Une grande partie de cette prise de décision est rapide, intuitive et difficile à verbaliser. Les néo‑gradués, en revanche, se raccrochent souvent aux protocoles écrits et se focalisent fortement sur les chiffres des moniteurs, ce qui peut les rendre moins aptes à s’adapter quand l’état du patient évolue de manière imprévue. Les chercheurs ont avancé que si l’on peut capturer la séquence d’actions visibles que réalisent les infirmiers — comme vérifier les signes vitaux, parler au patient ou appeler un médecin — il pourrait être possible de modéliser ce processus décisionnel suffisamment bien pour soutenir la formation et la pratique.

Urgences simulées en environnement sécurisé

Pour étudier ces schémas sans mettre de vrais patients en danger, l’équipe a utilisé des simulations détaillées avec des mannequins réalistes. Onze infirmières expérimentées et treize étudiantes en troisième année ont réalisé des scénarios d’urgence impliquant un patient ayant développé soudainement un accident ischémique, et, pour les expertes, un scénario supplémentaire avec des patients présentant des complications sévères de la Covid‑19. Chaque action des infirmières — 19 comportements distincts au total — a été enregistrée en vidéo, horodatée, puis codée avec soin par des experts cliniques et en facteurs humains. Ces nombreuses actions spécifiques ont ensuite été regroupées en huit catégories plus larges, telles que la vérification des signes vitaux, la réalisation d’examens physiques ciblés, la conversation avec le patient, la consultation du dossier, l’administration de médicaments, l’appel au médecin, la prescription d’examens supplémentaires ou l’initiation d’une équipe de réponse rapide.

Ce que les données ont révéllé sur les schémas infirmiers

Sur 33 épisodes de simulation, les infirmières et étudiantes ont exécuté 1 024 actions, soit en moyenne environ 31 actions par scénario. La vérification des signes vitaux était de loin le comportement le plus fréquent, suivie des examens physiques ciblés et des échanges avec le patient. Une carte de transition a montré que, quel que soit l’acte précédent, l’action suivante la plus probable était la vérification du moniteur — suggérant qu’elles utilisaient régulièrement les valeurs numériques pour confirmer ce qu’elles voyaient et entendaient. On a également observé des différences notables entre les expertes et les étudiantes : les expertes répartissaient leur temps entre les moniteurs et les évaluations pratiques, et ordonnaient plus souvent des examens complémentaires et administraient des médicaments, tandis que les étudiantes s’appuyaient davantage sur le moniteur seul. Ces distinctions ont généré un ensemble varié de schémas comportementaux susceptibles d’aider un modèle à apprendre des règles plus générales de prise en charge.

Enseigner à un modèle à prédire la prochaine étape infirmière

La question centrale était de savoir si une approche moderne d’IA connue sous le nom de transformeur basé sur l’attention pouvait apprendre à prédire quelle action une infirmière réaliserait ensuite, uniquement à partir de la séquence d’actions précédentes. L’équipe a entraîné ce modèle sur les données codées des simulations et l’a comparé à deux méthodes de séquence plus traditionnelles : un réseau de neurones récurrent basique et un réseau à mémoire à long terme (LSTM). Les trois modèles ont tous fait mieux que la simple prédiction de l’action la plus fréquente. Le modèle basé sur l’attention a atteint environ 73 % de précision globale et offrait en général la performance la plus équilibrée entre les différents types d’actions, notamment pour retrouver des comportements moins fréquents mais importants. Le modèle LSTM a obtenu une précision légèrement supérieure — ce qui signifie que lorsqu’il prédisait une action particulière, il avait un peu plus de chances d’être correct — mais ses performances variaient davantage selon les types d’actions.

Ce que cela pourrait signifier pour la formation et la prise en charge réelle

Pour un non‑spécialiste, le résultat clé est qu’un système informatique peut apprendre des schémas significatifs à partir de la manière dont les infirmières gèrent réellement les urgences et peut prédire de façon raisonnablement précise ce qu’une infirmière experte est susceptible de faire ensuite. À court terme, un tel système pourrait être intégré à la formation par simulation : lorsque des étudiantes travaillent un scénario d’AVC, par exemple, le modèle pourrait observer leur séquence d’actions et suggérer avec délicatesse l’étape suivante utile lorsqu’elles sont bloquées, en préservant l’approche holistique de l’infirmière humaine plutôt qu’en la remplaçant. Les auteurs soulignent qu’il faudra davantage de données, une extension à d’autres situations cliniques au‑delà de l’AVC et de la Covid‑19, et une attention rigoureuse à la confidentialité avant d’utiliser des outils similaires dans des hôpitaux réels. Néanmoins, cette étude offre un aperçu précoce de la manière dont l’IA pourrait un jour soutenir, plutôt que supplanter, les décisions rapides et vitales des infirmières.

Citation: Anton, N.E., Malusare, A.M., Aggarwal, V. et al. Modeling nursing care tasks in simulated emergency scenarios: insights for clinical training and practice. npj Health Syst. 3, 24 (2026). https://doi.org/10.1038/s44401-026-00079-y

Mots-clés: prise de décision infirmière, simulation clinique, apprentissage automatique, modèles d’attention, soins d’urgence