Un médecin fait en permanence quelque chose qui ressemble à un système de classification : il recueille des variables — douleur, localisation, durée, fièvre, aspect d’une lésion, résultats biologiques, imagerie — puis cherche quelles combinaisons sont compatibles avec quelles pathologies. L’IA est justement très performante pour repérer des configurations récurrentes dans beaucoup de variables simultanément.
Il y a plusieurs correspondances très fortes :
- Signe → caractéristique exploitable : en IA, on parlerait de feature. « Toux nocturne », « douleur à l’effort », « lésion asymétrique » deviennent des informations discriminantes.
- Faisceau de signes → pattern : un signe isolé est rarement suffisant ; c’est leur combinaison qui compte. C’est exactement le terrain des modèles statistiques et du machine learning.
- Diagnostic différentiel → classement probabiliste : le médecin ne cherche pas seulement « la maladie », mais plusieurs hypothèses plus ou moins plausibles. Une IA peut faire la même chose : A 60 %, B 25 %, C 10 %, etc.
- Nouvelle information → révision du diagnostic : un résultat biologique ou une réponse supplémentaire modifie les probabilités. C’est très proche d’un raisonnement bayésien.
- Grand corpus médical → apprentissage : l’IA peut confronter un cas à un nombre immense de descriptions de cas, comptes rendus, images ou résultats auxquels un humain ne pourrait pas accéder simultanément.
Et avec les IA multimodales, cela devient encore plus évident. La sémiologie n’est plus seulement verbale : une IA peut théoriquement combiner ce que dit le patient + photographie d’une lésion + voix et respiration + ECG + biologie + imagerie + antécédents. Elle reconstruit alors une sorte de sémiologie augmentée.
Il y a même un parallèle assez profond avec les grands modèles de langage. Lorsqu’un médecin entend :
homme de 65 ans + douleur thoracique constrictive + effort + irradiation bras gauche…
il anticipe immédiatement certaines hypothèses parce qu’il a appris les associations entre ces signes. Un LLM fonctionne aussi beaucoup par relations apprises entre des éléments et leur contexte.
Mais c’est également là que se trouve la limite. La médecine ne se réduit pas à la reconnaissance de patterns. Le même signe change de valeur selon l’âge, les antécédents, les médicaments, la prévalence d’une maladie, la manière dont le patient décrit son problème, etc. Et surtout, corrélation n’est pas causalité.
C’est pourquoi je dirais que la sémiologie est probablement l’une des parties de la médecine les plus naturellement compatibles avec l’IA : elle transforme le réel clinique en signes interprétables. L’IA est particulièrement forte dans l’étape suivante : mettre en relation ces signes, détecter les configurations et hiérarchiser les hypothèses.
C’est assez intéressant parce que cela rapproche beaucoup la sémiologie médicale de la sémiologie au sens sciences humaines / marketing : dans les deux cas, il s’agit de partir de manifestations visibles pour reconstruire quelque chose qui ne l’est pas directement — une pathologie dans un cas, un système de sens, des valeurs ou des représentations dans l’autre.
Laisser un commentaire