IA de triage aux urgences : ce que montrent les évaluations disponibles

Les services d’urgence sont débordés, et le triage — décider qui doit être vu en premier — est un moment décisif. Des équipes de recherche ont donc entraîné des modèles d’apprentissage automatique pour aider à cette décision. Que montrent leurs évaluations ? Cet article examine ce qui est établi sur l’IA et le triage aux urgences, à la date de sa rédaction, et ce qu’il faut exiger avant tout usage clinique.

Le triage, en deux mots

Le triage attribue une priorité à chaque patient à son arrivée, à partir de ses plaintes, de ses constantes vitales et de son état. Des échelles standardisées existent, comme l’Emergency Severity Index (ESI) ou le Manchester Triage System. Elles dépendent du jugement de l’infirmier, qui varie d’une personne et d’un jour à l’autre : c’est la variabilité que l’IA voudrait réduire.

Ce que montrent les études publiées

Des modèles qui prédisent bien, sur données passées

Plusieurs travaux de 2018-2019 ont évalué des modèles entraînés sur des dossiers d’urgences. Hong et collègues (PLOS ONE, 2018) ont montré qu’un modèle prédit l’hospitalisation à partir des données disponibles au triage plus précisément qu’un score fondé sur l’ESI seul. Raita et collègues (Critical Care, 2019) ont rapporté des résultats comparables pour la prédiction de l’hospitalisation et de la prise en charge en soins critiques. Levin et collègues (Annals of Emergency Medicine, 2018) ont décrit un outil de triage électronique qui distingue mieux les patients à risque que l’échelle de référence. Ce sont des évaluations rétrospectives, menées dans un ou quelques centres, sur des données américaines.

Peu de preuves d’un bénéfice pour les patients

Prédire une hospitalisation n’est pas améliorer le devenir d’un patient. Les évaluations prospectives qui mesurent des délais de prise en charge, des événements indésirables ou la mortalité sont rares. Le passage d’un modèle performant sur le papier à un outil qui change réellement la pratique reste peu documenté.

Les risques bien identifiés

• Biais : un modèle entraîné sur une population peut moins bien fonctionner sur d’autres, selon l’âge, le sexe, l’origine ou la langue. Il peut aussi reproduire des inégalités de prise en charge présentes dans les données.
• Dérive : les performances baissent quand les pratiques, les maladies ou les systèmes d’information changent.
• Sur-confiance : un soignant peut suivre une recommandation de l’outil sans la discuter, y compris quand elle est fausse.
• Données manquantes : aux urgences, l’information est incomplète à l’arrivée ; le modèle doit gérer ce manque sans fausse assurance.
• Transposition : un modèle entraîné dans un pays à ressources élevées ne se transfère pas sans validation dans un autre contexte.

Le cadre réglementaire

Le règlement européen sur l’intelligence artificielle (règlement (UE) 2024/1689) classe parmi les systèmes à haut risque ceux destinés au triage des patients en soins de santé d’urgence (annexe III). Les obligations correspondantes — gestion des risques, qualité des données, documentation, supervision humaine, exactitude et robustesse — s’appliquent en principe à partir du 2 août 2026, un report ayant été proposé fin 2025 et restant en discussion à la date de cet article. Un dispositif de ce type relève en outre souvent de la réglementation sur les dispositifs médicaux. Les recommandations de publication TRIPOD+AI (2024) et DECIDE-AI (2022) décrivent comment rapporter et évaluer ces modèles.

Ce qu’un établissement devrait exiger

1. Une validation locale sur les données de l’établissement, séparées de l’entraînement, avec discrimination, calibration et analyse par sous-groupes.
2. Une évaluation prospective encadrée, d’abord en mode « silencieux » (le modèle calcule sans que le résultat soit montré), puis en aide à la décision, avec comparaison à la pratique habituelle.
3. Une supervision humaine explicite : le soignant peut toujours passer outre et le dit sans pénalité.
4. Un suivi continu : indicateurs de performance, détection de dérive, procédure d’arrêt.
5. Une information du patient et un circuit de recours.

Ce qu’on retient

L’IA de triage est prometteuse comme aide, mais les preuves d’un bénéfice pour les patients manquent encore. La prudence consiste à valider localement, à évaluer en conditions réelles et à garder le soignant décisionnaire. Les systèmes d’information de santé doivent aussi fournir des données fiables : d’où l’importance de l’infrastructure de santé numérique et d’une identité patient solide, telles que les aborde la solution Betz. Le diagnostic permet de cadrer un tel protocole d’évaluation.

1. Hong W. S. et al., « Predicting hospital admission at emergency department triage using machine learning », PLOS ONE, 2018.
2. Raita Y. et al., « Emergency department triage prediction of clinical outcomes using machine learning models », Critical Care, 2019.
3. Levin S. et al., « Machine-learning-based electronic triage more accurately differentiates patients with respect to clinical outcomes compared with the Emergency Severity Index », Annals of Emergency Medicine, 2018.
4. Règlement (UE) 2024/1689 sur l’intelligence artificielle, annexe III.
5. Collins G. S. et al., TRIPOD+AI, 2024 ; Vasey B. et al., DECIDE-AI, 2022.

Questions fréquentes

Une IA peut-elle remplacer l'infirmier de triage ?

Les évaluations publiées portent sur l'aide à la décision, pas sur le remplacement. Le jugement clinique reste central, notamment pour les signes que les données ne capturent pas.

Comment évaluer un modèle de triage ?

Sur des données locales, séparées de celles de l'entraînement, avec des mesures de discrimination et de calibration, une analyse par sous-groupes de patients, puis une évaluation prospective encadrée en conditions réelles.

Le règlement européen sur l'IA s'applique-t-il ?

Oui, l'annexe III du règlement (UE) 2024/1689 cite les systèmes destinés à évaluer et classer les appels d'urgence ou à établir des priorités dans l'envoi des secours, ainsi que les systèmes de triage des patients en soins de santé d'urgence.