Can Large Language Models Diagnose Primary Immunodeficiency from Patient-Described Symptoms?

Pour des millions de personnes, le chemin vers un diagnostic médical n'est pas une ligne droite, mais un long voyage confus. Cela est particulièrement vrai pour ceux qui souffrent de maladies rares, où les symptômes peuvent être vagues, communs ou facilement confondus avec autre chose. Ces dernières années, beaucoup de ces individus se sont tournés vers un nouveau genre d'assistant : les grands modèles de langage. Il s'agit de programmes informatiques avancés entraînés sur de vastes quantités de textes, capables de tenir des conversations et de répondre à des questions sur la santé. Ils sont devenus une ressource incontournable pour les personnes cherchant à donner un sens à leur propre corps, souvent avant même de voir un spécialiste. Mais une question cruciale demeure : ces outils numériques peuvent-ils réellement comprendre un patient lorsque c'est le patient lui-même qui décrit le problème ? La réponse dépend fortement de celui qui parle. Lorsqu'un médecin résume un cas en utilisant des termes médicaux précis, l'ordinateur comprend parfaitement. Lorsqu'une personne ordinaire décrit sa douleur, sa fatigue ou ses infections récurrentes dans un langage quotidien, l'ordinateur s'y perd souvent.

Une équipe de chercheurs s'est donné pour mission de tester cet écart entre le langage expert et le langage des patients, en se concentrant sur un groupe de troubles rares connus sous le nom d'immunodéficiences primaires. Ce sont des conditions où le système de défense naturel du corps, qui combat habituellement les germes, est défaillant ou absent. Les personnes atteintes de ces conditions tombent très souvent malades, parfois avec des infections graves nécessitant une hospitalisation, et elles font face à un risque élevé d'autres complications comme les maladies auto-immunes. Parce que ces conditions sont rares et complexes, les patients attendent souvent des années avant d'obtenir un diagnostic correct, un retard qui peut être dangereux et épuisant émotionnellement. Pendant cette période d'attente, beaucoup se tournent vers des chatbots pour obtenir des réponses. Les chercheurs voulaient savoir si ces chatbots pouvaient détecter les signes d'un système immunitaire défaillant lorsque la description provient directement du patient, plutôt que d'un médecin.

Pour le découvrir, les chercheurs ont recueilli les récits de vingt-et-un adultes ayant déjà reçu un diagnostic d'immunodéficience primaire. Ces individus avaient tous vécu de longs délais avant d'obtenir leur diagnostic. L'équipe leur a demandé de décrire les tout premiers symptômes qui leur ont fait sentir que quelque chose n'allait pas. Les chercheurs ont pris ces descriptions brutes, non éditées — exactement telles que les patients les ont formulées, avec tous leurs hésitations, répétitions et mots quotidiens — et les ont injectées dans un puissant modèle de langage étendu. Ils ont supprimé toute mention du diagnostic final afin que l'ordinateur doive se fier uniquement aux symptômes. L'objectif était simple : l'ordinateur suggérerait-il que le patient pourrait souffrir d'une immunodéficience primaire, ou du moins reconnaîtrait-il que le problème vient de son système immunitaire ?

Les résultats ont révélé une différence flagrante entre la performance de l'ordinateur avec une entrée d'expert versus une entrée de patient. Dans une étude précédente utilisant le même modèle informatique, lorsque les médecins rédigeaient les antécédents des patients en utilisant un langage médical professionnel, l'ordinateur identifiait correctement la maladie dans quatre-vingt-seize pour cent des cas. C'était presque parfait. Cependant, lorsque les chercheurs ont utilisé les propres mots des patients, la performance de l'ordinateur a chuté de manière spectaculaire. Il a correctement identifié l'immunodéficience primaire dans seulement sept des vingt-et-un cas, soit environ un tiers. L'ordinateur n'a pas réussi à nommer la condition spécifique dans la majorité des cas, même si les patients décrivaient exactement les mêmes maladies.

Malgré l'absence de diagnostic spécifique, l'ordinateur n'était pas totalement inutile. Dans dix-sept des vingt-et-un cas, il a suggéré que le patient pourrait avoir des problèmes généraux avec son système immunitaire, même s'il ne nommait pas la maladie rare spécifique. C'est une découverte significative car elle suggère que l'outil peut encore agir comme un signal utile. Pour un patient à qui plusieurs médecins ont dit que ses symptômes étaient simplement dus au stress ou aux allergies, un ordinateur suggérant des « problèmes de système immunitaire » pourrait l'encourager à consulter un spécialiste. Cependant, l'étude a également montré que l'ordinateur suggérait souvent d'autres conditions plus communes. Il suggérait fréquemment des allergies, des facteurs environnementaux comme la mauvaise qualité de l'air, ou des problèmes endocriniens comme des problèmes de thyroïde. Ce sont les choses que les médecins considèrent en premier, mais elles peuvent aussi être des impasses pour quelqu'un qui souffre réellement d'un trouble immunitaire rare.

Les chercheurs ont constaté que l'ordinateur avait le plus de chances de réussir le diagnostic lorsque l'histoire du patient incluait trois indices spécifiques : des infections ayant débuté durant l'enfance, des infections très graves ayant nécessité une hospitalisation, ou des symptômes qui n'étaient pas des infections du tout, tels qu'un retard de croissance ou des problèmes digestifs. Lorsque les patients décrivaient leurs difficultés de ces manières claires et classiques, l'ordinateur avait une meilleure chance de faire le lien. Mais quand les descriptions étaient plus subtiles ou se concentraient sur le sentiment général de mal-être, l'ordinateur peinait. Cela souligne une faiblesse fondamentale : l'outil est hautement sensible à la manière dont l'histoire est racontée. Il prospère grâce au langage structuré et précis de la médecine, mais échoue face à la façon désordonnée, émotionnelle et variée dont les gens parlent réellement de leur santé.

Les auteurs de l'étude précisent avec prudence que cela n'est pas un verdict final sur la sécurité ou l'utilité de ces outils, mais plutôt un avertissement sur la façon dont ils sont actuellement utilisés. Ils soulignent que leur test était un scénario idéal. Les patients qu'ils ont interrogés connaissaient leur diagnostic et pouvaient se souvenir de leurs symptômes plus clairement que ne le feraient eux au tout début de leur maladie. Si l'ordinateur performe aussi mal avec des récits rétrospectifs clairs, il pourrait être encore moins performant avec des patients confus, en pleine phase de pré-diagnostic, qui ne savent pas ce qui ne va pas. De plus, l'étude n'a pas testé la fréquence à laquelle l'ordinateur donnerait de fausses alertes à des personnes en bonne santé, ce qui est une préoccupation majeure. Si l'outil signale trop de personnes en bonne santé comme ayant des problèmes immunitaires, cela pourrait submerger les médecins et retarder les soins pour ceux qui en ont réellement besoin.

En fin de compte, cette recherche souligne un défi croissant de la médecine moderne. Alors que de plus en plus de personnes se tournent vers l'intelligence artificielle pour obtenir des conseils de santé, l'écart entre ce que la technologie peut faire et la façon dont les gens l'utilisent réellement devient un problème de sécurité. L'ordinateur n'est pas cassé ; il est simplement entraîné pour comprendre le langage des experts, et non le langage des patients. Pour les millions de personnes naviguant dans une odyssée diagnostique, la promesse de ces outils reste inaboutie tant qu'ils ne peuvent pas véritablement écouter la personne dans la pièce, et pas seulement le dossier médical. La voie à suivre consiste à construire des systèmes capables de combler ce fossé, afin que, lorsqu'un patient décrit sa souffrance avec ses propres mots, la réponse qu'il reçoit ne soit pas seulement une supposition, mais un guide fiable vers les soins dont il a besoin.