Des chercheurs de l'Université de Californie à San Francisco ont présenté HACHI, un nouveau cadre de développement qui associe l'intelligence artificielle et l'expertise clinique pour créer des outils de prédiction médicale plus fiables. De nombreux modèles d'IA peinent à s'imposer en milieu hospitalier en raison de leur manque de transparence et de confiance. HACHI, acronyme de Human+Agent Co-design for Healthcare Instruments, résout ce problème en répartissant intelligemment les tâches. Les grands modèles de langage analysent rapidement de vastes dossiers médicaux pour identifier des facteurs de risque potentiels, tandis que les cliniciens vérifient ces résultats, éliminent les biais et valident la pertinence des indicateurs retenus. Cette méthode itérative, publiée dans la revue npj Digital Medicine, repose sur un dialogue continu entre l'IA et les experts. En trois ou quatre cycles de validation, généralement moins de huit heures, les équipes parviennent à concevoir des modèles prédictifs simples et interprétables, alors que le processus manuel nécessiterait habituellement plusieurs mois. Le chercheur principal, le professeur Jean Feng, précise que cette synergie permet de générer des instruments plus performants que ne pourrait le faire chaque groupe isolément. La validité du framework a été testée avec succès sur deux scénarios cliniques distincts. Pour la prédiction des traumatismes crâniens chez l'enfant après un choc à la tête, un modèle à cinq facteurs a surpassé les méthodes actuelles. Dans un second cas, concernant les insuffisances rénales aiguës lors d'interventions chirurgicales, HACHI a identifié à la fois des indicateurs de risque établis et des signaux précédemment négligés, améliorant la précision sur différentes périodes. Les auteurs prévoient désormais de déployer ces outils dans des environnements hospitaliers réels et d'étendre le cadre à d'autres pathologies, ouvrant la voie à une intégration plus rapide et plus sûre de l'IA dans la prise en charge des patients.