Design and Feasibility of a Large Language Model-Based Teaching Pathway for Clinical Pharmacy Practice Competencies

Dans le monde de la santé, apprendre à parler aux patients est tout aussi crucial que de savoir quel médicament prescrire. Pour les nouveaux pharmaciens cliniques, le chemin vers la maîtrise de ces conversations est souvent bloqué par une réalité simple : il n'y a pas assez de vrais patients disponibles pour la pratique, et les experts qui pourraient les guider sont trop occupés pour observer chaque interaction. Traditionnellement, les écoles ont utilisé des « patients standardisés » — des acteurs formés pour simuler une maladie avec des symptômes spécifiques — afin de créer des environnements de pratique sécurisés. Bien qu'efficaces, ces acteurs sont coûteux à embaucher, difficiles à planifier et ne peuvent répéter un scénario qu'un nombre limité de fois avant de se fatiguer ou de devenir incohérents.

Pour résoudre ce problème, les chercheurs ont commencé à se tourner vers l'intelligence artificielle, plus précisément un type de programme informatique appelé modèle de langage étendu. Ces modèles sont entraînés sur de vastes quantités de texte et peuvent générer des réponses semblables à celles d'un humain, ce qui en fait des candidats potentiels pour créer des patients virtuels qui ne se fatiguent jamais. Cependant, les premières tentatives d'utilisation de cette technologie en médecine ont souvent abouti à des conversations rigides et robotiques qui semblaient artificielles ou ne fournissaient pas de commentaires utiles. Le défi consistait à apprendre à ces programmes informatiques non seulement à parler, mais aussi à agir comme une personne réelle possédant un historique médical, tout en leur apprenant comment évaluer la performance d'un étudiant de manière équitable.

Une équipe de chercheurs de l'Hôpital affilié de l'Université médicale de Nanjing a entrepris de construire et de tester une nouvelle façon de former les pharmaciens grâce à cette technologie. Ils voulaient voir s'ils pouvaient créer un système d'enseignement virtuel qui soit assez réaliste pour être utile, mais assez intelligent pour donner des commentaires précis sans la présence d'un enseignant humain. Ils se sont concentrés sur l'oncologie, ou les soins contre le cancer, un domaine où la gestion des médicaments est complexe et où les erreurs peuvent être dangereuses. L'équipe a créé trois scénarios spécifiques impliquant des patients avec différents types de cancer et des protocoles de chimiothérapie. Ils ont ensuite invité vingt et un stagiaires, comprenant des pharmaciens débutants et des étudiants de troisième cycle, à pratiquer leurs compétences en ayant une conversation avec un patient virtuel alimenté par un modèle d'intelligence artificielle en code ouvert.

Les chercheurs ont conçu le système avec deux objectifs principaux : premièrement, faire en sorte que le patient virtuel sonne et agisse comme une personne réelle, et deuxièmement, faire en sorte que l'ordinateur évalue automatiquement la performance du stagiaire. Pour atteindre le premier objectif, ils ont utilisé un ensemble structuré d'instructions, appelé « prompt », qui disait à l'ordinateur exactement comment se comporter. L'ordinateur avait pour instruction de rester dans son personnage de patient, de répondre aux questions naturellement et de partager des détails médicaux uniquement lorsqu'on lui demandait ou lorsqu'il s'agissait de choses qu'une personne réelle aurait tendance à mentionner spontanément. Pour atteindre le second objectif, ils ont donné à l'ordinateur un ensemble distinct d'instructions pour agir en tant qu'examinateur, examinant le texte de la conversation pour voir si le stagiaire avait posé les bonnes questions et recueilli les informations nécessaires.

Lorsque l'étude a commencé, les résultats étaient prometteurs. Les patients virtuels étaient remarquablement convaincants. Des experts ayant examiné les conversations ont évalué très haut la capacité de l'ordinateur à sonner comme un véritable humain, notant que le discours était naturel et exempt de rigidité robotique. Les stagiaires étaient d'accord, déclarant qu'ils se sentaient à l'aise et moins tendus lors des interactions qu'ils ne le seraient avec un acteur humain. Ils ont apprécié que le patient virtuel offre un espace sûr pour la pratique sans la peur du jugement, leur permettant de se concentrer entièrement sur la conversation. Le système a réussi à simuler le flux d'une véritable visite de service hospitalier, passant de l'anamnèse à la dispensation de conseils et à la réponse aux questions du patient.

L'ordinateur s'est également révélé capable de noter les stagiaires. Lorsque les chercheurs ont comparé les scores donnés par l'intelligence artificielle à ceux donnés par un panel d'experts humains, ils ont constaté un très fort accord. L'ordinateur et les humains classaient généralement les stagiaires dans le même ordre, identifiant ceux qui réussissaient bien et ceux qui avaient besoin de plus de pratique. Cependant, l'étude a également révélé une faille spécifique dans la logique de notation de l'ordinateur. L'intelligence artificielle avait tendance à donner des scores inférieurs à ceux des experts humains, une différence d'environ deux points et demi sur une échelle standard.

La raison de cet écart réside dans la manière dont l'ordinateur interprète les règles. Dans une conversation réelle, un patient peut mentionner spontanément des informations importantes, comme un effet secondaire qu'il ressent, même si le pharmacien ne l'a pas encore demandé ; les experts humains considèrent cela comme une interaction réussie car le pharmacien possède désormais l'information. L'ordinateur, cependant, était programmé pour chercher strictement une question spécifique suivie d'une réponse. Si le patient donnait l'information sans qu'elle soit demandée, l'ordinateur déduisait parfois des points, pensant que le pharmacien avait échoué à poser la bonne question. Cela suggère que, bien que l'ordinateur soit excellent pour suivre des règles strictes, il éprouve encore des difficultés avec la nature subtile et flexible de la conversation humaine où le contexte importe plus qu'une liste de contrôle.

Malgré cette limitation de notation, l'étude a conclu que cette approche est un outil puissant pour la formation. Le système n'est pas encore prêt à remplacer les enseignants humains pour des examens à enjeux élevés où un score unique détermine une carrière, en raison de cette sous-estimation constante. Mais pour la pratique quotidienne, l'auto-évaluation et le renforcement de la confiance, il offre une solution à faible coût, toujours disponible et hautement efficace. Les chercheurs ont démontré qu'en utilisant des instructions claires pour guider l'intelligence artificielle, ils pouvaient créer un parcours d'apprentissage qui soit à la fois réaliste et évolutif. Cela signifie que les hôpitaux et les écoles disposant de budgets limités pourraient potentiellement adopter cette méthode pour donner à leurs stagiaires la pratique dont ils ont besoin, comblant ainsi le fossé entre l'apprentissage théorique et les soins réels aux patients. Ce travail suggère que l'avenir de la formation médicale ne dépendra peut-être pas de l'embauche d'acteurs supplémentaires, mais de l'apprentissage des ordinateurs à écouter et à répondre avec la nuance d'un véritable être humain.