Dans l'environnement calme et à enjeux élevés d'une consultation médicale, la première tâche, et la plus critique, n'est souvent pas le diagnostic lui-même, mais la collecte de l'histoire. Un médecin doit écouter la plainte d'un patient, puis poser une séquence spécifique de questions pour découvrir les détails cachés qui distinguent une maladie d'une autre. Ce processus, connu sous le nom de recueil de l'anamnèse, est une enquête structurée plutôt qu'une discussion libre. Il exige du médecin qu'il suive des dizaines de variables en mouvement : le moment d'un symptôme, sa gravité, les antécédents médicaux du patient et ses habitudes quotidiennes. Si un médecin manque un seul détail, comme un voyage récent ou un type de douleur spécifique, l'ensemble du diagnostic peut être erroné. Pendant des décennies, des chercheurs ont tenté d'apprendre aux ordinateurs à effectuer ce travail, espérant construire une intelligence artificielle capable d'agir comme un assistant infatigable en télémédecine. Cependant, les premières tentatives ont souvent trébuché, soit en posant les mêmes questions de manière répétitive, soit en s'écartant du sujet parce qu'elles traitaient la conversation comme un simple jeu de langage plutôt que comme une enquête logique.

Une nouvelle étude présente un système conçu pour résoudre ce problème en traitant l'entretien médical comme une carte dynamique plutôt que comme un script. Les chercheurs ont construit un agent d'intelligence artificielle qui maintient un registre interne clair de ce qu'il sait à chaque instant, décidant de sa question suivante en fonction de cet état spécifique de connaissance. Pour comprendre l'efficacité de ce système et voir comment il se compare aux vrais médecins, l'équipe a analysé des centaines d'entretiens médicaux enregistrés. Ils ont cartographié les connexions entre les symptômes et les maladies, et ils ont retracé le chemin que les médecins empruntent lorsqu'ils passent d'un sujet à un autre. Le résultat est un système qui pose de meilleures questions et produit des résumés plus précis que les méthodes précédentes, mais l'étude révèle également une vérité surprenante sur le fonctionnement réel des entretiens médicaux : les symptômes les plus courants sont souvent les moins utiles pour affiner un diagnostic, et la manière dont les médecins organisent leurs questions suit un rythme prévisible en deux parties que les machines peuvent désormais apprendre à imiter.

Le système au cœur de cette recherche, appelé MedAgent-RAG, fonctionne comme un détective habile qui n'oublie jamais un indice. Au lieu de simplement générer la phrase suivante en fonction de ce que le patient vient de dire, le système maintient un état mental détaillé. Il garde une trace de chaque symptôme confirmé par le patient, de chaque diagnostic encore possible, de chaque question déjà posée et de tout signe d'alerte urgent qui est apparu. Avant de poser la moindre question, il vérifie cet état interne pour décider quelle information manque et quelle question apportera la plus grande valeur. Si le système détecte un signal d'alarme, tel qu'un patient qui crache du sang, il change immédiatement de stratégie pour donner la priorité à cette découverte urgente. Une fois l'entretien terminé, le système ne se contente pas de deviner la réponse ; il recherche des directives médicales spécifiques et les combine avec les preuves recueillies pour produire une évaluation finale. Cette approche permet au système de s'adapter aux réponses du patient en temps réel, évitant les boucles répétitives qui piègent souvent les chatbots plus simples.

Pour tester si cette approche était réellement efficace, les chercheurs ont opposé leur système à un modèle d'intelligence artificielle standard qui tentait de diagnostiquer un patient à partir d'un résumé unique de la conversation, sans poser de questions de suivi. Les résultats étaient clairs. Le nouveau système, qui engageait un dialogue de va-et-vient, produisait des évaluations nettement plus précises et mieux structurées que le modèle à coup unique. En termes de proximité entre le résumé final de l'ordinateur et la conclusion du médecin humain, le nouveau système a amélioré son score de 0,68 à 0,84. Cependant, cette amélioration s'est accompagnée d'un compromis : le système interactif a nécessité en moyenne 15,8 tours pour terminer un entretien, alors que le modèle à coup unique répondait en un seul tour. Le temps supplémentaire a été consacré à la collecte des preuves précises nécessaires pour prendre une décision fiable, suggérant qu'en médecine, une conversation plus longue donne souvent un résultat plus sûr.

Les chercheurs ne se sont pas arrêtés à la construction du système ; ils ont également utilisé les données de 231 entretiens médicaux réels pour comprendre la structure sous-jacente de la pensée des médecins. Ils ont traité les entretiens comme un réseau, traçant des lignes entre les symptômes et les maladies qu'ils pourraient indiquer. Ce qu'ils ont découvert, c'est que la connaissance médicale n'est pas une hiérarchie unique et nette où l'on passe du général au spécifique. Au contraire, la connaissance est divisée en compartiments ou modules distincts. Un groupe de symptômes et de maladies concerne les problèmes de gorge, un autre les problèmes pulmonaires chroniques, et un autre les infections virales. Ces compartiments sont séparés, ce qui signifie qu'un patient ayant mal à la gorge se trouve probablement dans un monde diagnostique différent d'un patient souffrant de douleurs thoraciques. L'étude a montré que les symptômes les plus courants, comme la toux ou l'essoufflement, agissent comme des ponts entre ces différents mondes. Parce qu'ils apparaissent dans de nombreux types de cas différents, ils n'aident pas beaucoup à affiner le diagnostic. En revanche, les découvertes plus rares, telles que cracher du sang ou une perte de poids inexpliquée, transportent beaucoup plus d'informations et sont bien plus utiles pour identifier la maladie exacte.

Cette découverte a remis en question une hypothèse courante dans la formation médicale : l'idée qu'un médecin devrait toujours décrire pleinement la plainte principale avant de passer à d'autres sujets. L'analyse de réseau a montré que passer du temps à caractériser un symptôme commun comme la toux apporte souvent très peu de nouvelles informations sur ce que le patient a réellement. Les chercheurs ont constaté que les questions les plus discriminantes arrivent souvent plus tard dans l'entretien, lorsque le médecin explore l'histoire sociale, les antécédents familiaux ou les expositions spécifiques. De plus, l'étude a révélé que les médecins divisent naturellement leurs questions en deux phases distinctes. La première phase se concentre sur la maladie immédiate et les antécédents médicaux, tandis que la seconde phase couvre les habitudes sociales, l'histoire familiale et les expositions environnementales. Le flux de questions entre ces sujets suit un schéma simple et prévisible qui peut être décrit par un modèle mathématique de base, ce qui signifie qu'une fois que le médecin connaît le sujet actuel, il peut prédire le suivant avec une grande précision.

Les implications de ces découvertes pour la conception de l'intelligence artificielle médicale sont directes et pratiques. Les chercheurs ont comparé les règles internes de leur système avec les modèles trouvés dans les entretiens réels. Ils ont découvert que la méthode du système pour décider quand un entretien était « terminé » était bien calibrée par rapport à la façon dont les médecins occupent réellement leur temps. Cependant, l'ordre dans lequel le système posait les questions ne l'était pas. Le système était programmé pour interroger les symptômes d'abord et l'histoire sociale en dernier, ce qui est l'opposé de la façon dont les médecins de l'étude se comportaient. Les médecins des données commençaient par les informations de base et passaient à l'histoire sociale beaucoup plus tôt. En ajustant simplement le système pour qu'il suive l'ordre naturel observé dans les entretiens humains, les chercheurs ont pu faire en sorte que l'agent artificiel se comporte davantage comme un vrai médecin sans changer sa technologie de base.

L'étude conclut que l'avenir de l'intelligence artificielle médicale réside dans la compréhension de la structure même de la conversation. En cartographiant les connexions entre les symptômes et les maladies, et en observant le rythme selon lequel les médecins passent d'un sujet à un autre, les chercheurs peuvent construire des systèmes qui posent les bonnes questions au bon moment. Le système décrit dans l'article prouve qu'un agent qui maintient un état de connaissance clair et adapte ses questions en fonction de cet état peut surpasser les modèles qui reposent uniquement sur la fluidité du langage. Bien que le système mette plus de temps à parvenir à une conclusion qu'un humain dans un scénario idéal, le temps supplémentaire est consacré à la collecte de l'information spécifique à haute valeur ajoutée qui mène à un diagnostic correct. La recherche suggère que la prochaine génération d'assistants médicaux ne sera pas seulement meilleure pour parler, mais meilleure pour réfléchir, utilisant la carte cachée de la connaissance médicale pour guider chaque étape de la conversation.