Les avancées de l'intelligence artificielle en santé promettent des diagnostics plus précoces et une meilleure prédiction des résultats cliniques. Pourtant, la collaboration entre l'IA et les médecins reste souvent contre-productive, car les algorithmes peuvent afficher une confiance excessive dans des predictions erronées ou ignorer des avis cliniques pertinents. Pour résoudre ce problème, une équipe de chercheurs de l'Université Washington à Saint-Louis a mis au point CURA, un cadre capable d'apprendre à l'IA clinique à évaluer sa propre fiabilité. Le framework, développé par Sizhe Wang et supervisé par le professeur Chenyang Lu, vise à calibrer les estimations de certitude et d'incertitude des modèles de langage cliniques. Au lieu de proposer systématiquement une réponse, l'algorithme indique désormais quand il est raisonnable de se fier à son analyse et quand il convient de rester prudent. Les prédictions accompagnées d'une forte incertitude signalent des cas ambigus nécessitant l'attention d'un clinicien, tandis que celles à faible incertitude peuvent être traitées automatiquement. CURA a été testé sur le jeu de données critiques MIMIC IV, en utilisant les notes cliniques et les labels de prédiction existants. L'équipe a affiné trois modèles de langage pré-entraînés, puis a appliqué une calibration individuelle de l'incertitude. Si une prédiction est jugée fiable, le modèle renforce sa confiance. À l'inverse, il signale une incertitude plus élevée lorsqu'il anticipe un risque d'erreur. Les résultats, présentés lors de la réunion annuelle de l'Association for Computational Linguistics à San Diego en juillet deux mille vingt-six, montrent une amélioration cohérente de la calibration sur cinq tâches de prédiction du risque clinique, sans dégradation des performances initiales. Cette approche corrige un biais fréquent des modèles de langage médicaux : une confiance quasi absolue, voire une surconfiance dangereuse. En rééquilibrant cette dynamique, CURA facilite une collaboration plus sûre entre l'homme et la machine. Les médecins peuvent ainsi prioriser leur temps sur les cas complexes signalés par l'IA, tout en s'appuyant sur ses recommandations pour les situations à haut risque clairement identifiées. Les chercheurs prévoient d'étendre le cadre CURA à des populations de patients plus diversifiées et d'en évaluer l'impact réel dans des environnements hospitaliers. Cette avancée marque une étape importante vers des outils d'aide à la décision clinique plus transparents et dignes de confiance.