L'utilisation de grands modèles de langage pour optimiser le triage des traumatismes pédiatriques a fait l'objet d'une étude récente publiée le 12 juin dans le Journal of the American College of Surgeons. Dirigée par les chercheurs du laboratoire DARTS à l'École de médecine Jacobs de l'Université de Buffalo, cette recherche explore comment l'intelligence artificielle peut traiter les communications urgentes pour améliorer la précision médicale initiale. Dans les situations d'urgence, les appels transmis par les équipes de secours sur le terrain sont souvent brefs, chaotiques et ponctués d'informations incomplètes. Ce contexte favorise les risques de sous-triage, lorsqu'un patient gravement blessé ne reçoit pas une intervention rapide, ou de sur-triage, lorsqu'il est pris en charge de manière disproportionnée. Ces enjeux sont particulièrement critiques en pédiatrie, où la physiologie infantile compense longtemps les chocs avant de s'effondrer brusquement, masquant ainsi des saignements internes qui seraient immédiatement visibles chez un adulte. De plus, le manque d'expérience des secouristes face aux traumatismes infantiles accentue ces difficultés d'évaluation. Pour remédier à ces défis, l'équipe de recherche a soumis cent trente-trois activations pédiatriques à un modèle de langage. Le système est conçu pour écouter ou lire le rapport en temps réel, filtrer le bruit informationnel, extraire les données cliniques essentielles comme les signes vitaux ou le mécanisme de la blessure, et générer un résumé structuré avec un niveau de triage recommandé. Les tests ont montré que le modèle réduit la longueur des transcriptions de près de quatre-vingts pour cent tout en préservant la précision médicale. Plus de quatre-vingt-dix-huit pour cent des mots prononcés lors de ces appels ne comportaient aucune information clinique pertinente. Les résultats montrent que la précision du triage généré par l'IA est comparable à celle des professionnels de santé. Bien que cet écart puisse sembler faible, l'impact clinique s'avère significatif. Lorsque le personnel médical a consulté la recommandation du modèle après avoir pris une décision de triage erronée, la probabilité de corriger cette erreur a été multipliée par trois. Les chercheurs soulignent que ces outils ne remplacent pas le jugement clinique, mais agissent comme des assistants cognitifs en temps réel. En gérant le traitement de l'information sous pression, l'IA permet aux médecins de focaliser leur expertise sur la validation des recommandations, créant ainsi une synergie entre l'analyse algorithmique et la supervision humaine. Cette approche ouvre la voie à une intégration plus large de l'intelligence artificielle dans les protocoles d'urgence préhospitaliers, où la fiabilité des informations transmises détermine directement l'efficacité des équipes hospitalières et la survie des patients.