Une équipe de recherche multinationale a démontré comment l’intelligence artificielle (IA) et l’apprentissage par renforcement peuvent optimiser le choix et le dosage des traitements dans le choc septique, une complication mortelle qui est la principale cause de décès en milieu hospitalier. Menée par Suchi Saria, professeure à l’Université Johns Hopkins, cette étude, publiée dans le Journal of the American Medical Association, s’appuie sur des données issues de plus de 3 500 patients, complétées par des jeux de données publics. Saria, déjà à l’origine d’un système d’alerte précoce basé sur l’IA qui réduit la mortalité liée à la sepsis dans des dizaines d’hôpitaux aux États-Unis, a mis au point un modèle d’apprentissage par renforcement capable d’ajuster le moment d’initiation de la vasopressine, un médicament puissant utilisé pour stabiliser la pression artérielle. La sepsis provoque une hypotension sévère pouvant entraîner une insuffisance d’organes, avec plus de 270 000 décès par an aux États-Unis. Le traitement d’urgence repose sur l’administration de fluides et de vasopresseurs, dont la norepinephrine est le premier choix, suivie de la vasopressine si la pression ne remonte pas. Or, le choc septique évolue rapidement, rendant difficile la décision de passer à la vasopressine. Trop tôt, ce médicament risque de causer des effets secondaires graves ; trop tard, les conséquences peuvent être fatales. Contrairement aux essais cliniques traditionnels, coûteux et longs, qui testent une seule règle à la fois, l’équipe a utilisé l’apprentissage par renforcement, une branche de l’IA où un agent virtuel apprend par essais et erreurs pour maximiser la probabilité d’un bon pronostic. Le modèle a analysé des données cliniques en temps réel — pression artérielle, scores d’insuffisance organique, autres traitements — pour déterminer le moment optimal d’initiation de la vasopressine. Validé sur près de 11 000 patients supplémentaires, le modèle a montré une réduction significative de la mortalité hospitalière, en particulier lorsque le traitement correspondait précisément aux recommandations de l’algorithme. Les résultats ont révélé que le modèle recommandait souvent une initiation plus précoce que les pratiques cliniques courantes, mais que les cas où la vasopressine était administrée encore plus tôt se sont soldés par de pires résultats, soulignant l’importance d’une personnalisation fine. « Il n’existe pas de règle universelle, affirme Romain Pirracchio, professeur à l’UCSF. La variabilité des pratiques entre hôpitaux et pays est grande, et l’IA permet d’adapter le traitement à chaque patient. » La prochaine étape consiste à déployer le modèle en milieu réel, d’abord à l’UCSF Medical Center, puis à l’échelle nationale en collaboration avec Bayesian Health, une plateforme d’IA clinique issue des recherches de Saria. Cette approche ouvre la voie à une révolution dans la recherche en santé : au lieu de mener des expériences coûteuses, l’IA exploite des données existantes pour simuler des milliers de scénarios, identifiant les meilleures stratégies dans des contextes spécifiques. « C’est comme si l’expérience avait déjà été faite, et qu’on l’exploitait pour apprendre », explique Saria. Ce n’est qu’un début : l’apprentissage par renforcement pourrait transformer de nombreux aspects du traitement, de la gestion des médicaments à la prise de décision en soins intensifs.