Une équipe de chercheurs de l'université Cedars-Sinai Health Sciences a mis au point un modèle d'intelligence artificielle capable de prédire l'hypoglycémie chez les patients hospitalisés jusqu'à vingt-quatre heures à l'avance. Cette innovation cible un problème persistant en milieu hospitalier : la prise en charge des baisses de glycémie reste majoritairement réactive, alors que cette complication peut devenir rapidement grave, notamment pour les patients diabétiques, ceux à jeun avant un examen ou les personnes aux soins intensifs. Le système repose sur un algorithme de mémoire à long terme et à court terme conçu pour traiter les dossiers médicaux électroniques. Il analyse les données collectées toutes les quatre heures sur une période de cinq jours, en croisant les prescriptions médicamenteuses, les résultats de laboratoire et l'apport alimentaire. Cette lecture continue permet au modèle d'identifier les schémas précurseurs et d'alerter les équipes soignantes avant la survenue d'un épisode hypoglycémique, tout en indiquant les facteurs de risque précis pour chaque individu. Les chercheurs ont entraîné et validé l'outil à partir de plus de 143 000 admissions adultes enregistrées dans trois hôpitaux du réseau Cedars-Sinai entre 2014 et 2025. Des tests prospectifs ont ensuite confirmé que le modèle fonctionne en temps réel avec les données habituellement saisies par le personnel soignant. Selon les estimations des auteurs, la détection anticipée pourrait éviter trois à quatre épisodes dangereux par jour dans un hôpital de grande taille. À l'échelle mondiale, la réduction des complications associées, telles que les convulsions, le coma ou les troubles cardiaques, représenterait un gain significatif pour la sécurité des patients. Les auteurs de l'étude, publiée dans la revue npj Digital Medicine, soulignent que cet outil s'inscrit dans une logique de déploiement pratique. Conçu pour s'intégrer directement aux flux de travail cliniques existants, il vise à renforcer les programmes de gestion du diabète à l'hôpital. En passant d'une médecine réactive à une approche proactive fondée sur les données, cette technologie pourrait à terme transformer la prise en charge des pathologies métaboliques et contribuer à une meilleure coordination entre les différents services hospitaliers.