Dans ma formation médicale, j’ai appris progressivement à ne pas fonder la pratique clinique uniquement sur l’autorité, l’expérience individuelle ou l’avis des experts.

La médecine a elle-même connu cette évolution. Pendant longtemps, une grande partie du savoir médical était transmise par les maîtres, les écoles de pensée et les experts reconnus. Puis s’est imposée une autre manière de pratiquer : une médecine davantage fondée sur les preuves, les données, les études et l’évaluation critique de la littérature.

C’est dans ce contexte que j’ai été formé à l’Evidence-Based Medicine, l’EBM. Pendant plus de quatre années de formation postgraduée, j’ai appris à formuler une question clinique, à structurer un PICO, à rechercher les meilleures données disponibles, à évaluer leur qualité et à les intégrer à la décision clinique.

Cette manière de travailler m’a accompagné pendant de nombreuses années.

Aller chercher l’évidence

Dans une rencontre clinique, une question dépasse régulièrement ce que l’on peut résoudre avec sa seule mémoire, son expérience ou ses connaissances générales. Il peut s’agir d’une situation inhabituelle, d’une question thérapeutique complexe, d’une interaction médicamenteuse, d’une comorbidité particulière ou simplement d’un choix entre plusieurs stratégies.

Dans ce type de situation, il faut aller chercher l’évidence.

Pendant longtemps, cette démarche signifiait faire une recherche sur PubMed, construire un PICO, consulter des bases spécialisées, ouvrir plusieurs articles et identifier ce qui répondait réellement à la question clinique. Très souvent, on finissait par retenir un article important, parfois deux ou trois, qui permettaient d’éclairer la décision.

UpToDate a aussi joué un rôle important dans cette évolution en permettant de retrouver rapidement des synthèses de la littérature organisées autour de questions cliniques concrètes.

Une nouvelle manière d’interroger les données

Puis les grands modèles de langage sont arrivés. Et très rapidement, quelque chose a commencé à changer.

La littérature médicale, déjà largement disponible dans PubMed et d’autres bases, est devenue plus facilement interrogeable par des modèles capables de rechercher, de synthétiser et de reformuler une quantité importante d’informations. Des outils comme Perplexity ont facilité la recherche accompagnée de références. OpenEvidence s’est positionné spécifiquement dans le domaine médical. UpToDate a lui-même évolué avec l’introduction d’Expert AI.

Ce changement ne concerne pas seulement la vitesse de recherche. Il modifie aussi notre manière d’interagir avec les évidences.

Au lieu de parcourir une longue liste de résultats, d’ouvrir plusieurs articles et de reconstruire progressivement une réponse, il devient possible de formuler directement une question clinique et d’obtenir une synthèse structurée, souvent accompagnée de références.

Nous sommes probablement en train d’entrer dans une nouvelle étape de la médecine basée sur les évidences : une Evidence-Based Medicine amplifiée par l’intelligence artificielle.

Un signal intéressant, pas une conclusion définitive

Une étude récente publiée dans Nature Medicine m’a particulièrement intéressé. Les auteurs ont comparé trois modèles généralistes — GPT-5.2, Gemini 3.1 Pro et Claude Opus 4.6 — à deux outils cliniques spécialisés, OpenEvidence et UpToDate Expert AI.

L’évaluation comportait 500 questions MedQA, 500 items HealthBench et 100 requêtes cliniques réelles. Pour ces dernières, douze cliniciens américains ont évalué en aveugle les réponses, produisant 1 800 annotations. Dans ces trois évaluations, les modèles généralistes ont obtenu de meilleures performances globales que les outils cliniques spécialisés.1

Ce résultat remet en question une intuition assez naturelle : celle selon laquelle un outil spécialisé en médecine devrait nécessairement être supérieur à un modèle généraliste.

Ce n’est apparemment pas toujours le cas.

Les auteurs restent cependant prudents. Leur étude représente surtout une photographie d’un domaine qui évolue extrêmement rapidement. Elle comporte aussi plusieurs limites : les outils spécialisés ont été interrogés par leurs interfaces web, les benchmarks ont leurs propres faiblesses, et la qualité des citations, la vitesse des réponses ainsi que l’intégration réelle dans les pratiques cliniques n’ont pas été évaluées.

Il faut donc éviter de tirer des conclusions définitives. Mais le signal est suffisamment important pour être observé.

Le fait que des modèles généralistes puissent aujourd’hui égaler ou dépasser certains outils médicaux spécialisés montre probablement que nous ne sommes encore qu’au début de cette évolution. Le fine-tuning, l’intégration de bases médicales spécialisées, les systèmes de récupération documentaire et l’intégration aux environnements cliniques continueront certainement à évoluer.

Ce qui ne change pas

Dans ma propre pratique récente, je constate déjà que j’utilise davantage cette nouvelle manière d’approcher la recherche des évidences.

Cela ne remplace pas le raisonnement clinique.

Cela ne remplace pas l’expérience.

Cela ne remplace pas non plus l’esprit critique.

Au contraire, ces éléments deviennent probablement encore plus importants. Plus les outils deviennent puissants, plus le médecin doit être capable d’évaluer la qualité de la réponse, de vérifier les sources, de replacer les données dans le contexte clinique et de rester responsable de la décision finale.

La médecine basée sur les évidences a profondément transformé la pratique médicale au cours des dernières décennies. Nous sommes peut-être au début d’une nouvelle transformation : une médecine toujours fondée sur les preuves, mais dans laquelle l’accès aux données, leur synthèse et leur interprétation initiale seront de plus en plus assistés par l’intelligence artificielle.

La médecine dans cinq ans sera probablement différente de celle que nous pratiquons aujourd’hui. Dans dix ans, elle le sera davantage encore.

Il faut donc rester attentif à cette évolution.

Ni avec fascination, ni avec peur.

Mais avec curiosité, rigueur, esprit critique et méthode scientifique.

C’est probablement ainsi qu’il faut observer ce qui est en train de commencer.

Référence

  1. Vishwanath K, Alyakin A, Ghosh M, et al. General-purpose large language models outperform specialized clinical AI tools on medical benchmarks. Nature Medicine. 2026;32:2405–2409. doi:10.1038/s41591-026-04431-5.