Journal de recherche sur Internet médical

Publié le 6 janvier 2026. L’intelligence artificielle pourrait améliorer significativement la qualité des informations fournies aux patients avant une intervention chirurgicale buccale, selon une étude récente. Des formulaires de consentement éclairé générés par des modèles d’IA se sont avérés plus clairs et plus complets que les documents traditionnels disponibles en ligne, bien qu’aucun des deux types n’atteigne encore le niveau de compréhension idéal.

• Les formulaires de consentement éclairé (FCE) générés par l’IA obtiennent de meilleurs scores en termes de qualité globale que ceux disponibles sur le web.
• Les FCE générés par l’IA sont plus faciles à lire que les documents traditionnels, mais restent trop complexes pour le grand public.
• Les modèles d’IA tels que ChatGPT et Claude produisent des résultats plus satisfaisants que d’autres, mais nécessitent une validation par des professionnels de santé.

Le consentement éclairé est une pierre angulaire de l’éthique et du droit médical, garantissant que les patients comprennent pleinement la nature, les risques et les alternatives d’un traitement proposé. En chirurgie buccale, où les procédures peuvent être complexes, des FCE clairs et précis sont particulièrement cruciaux. Or, de nombreux documents existants dépassent le niveau de lecture recommandé, compromettant ainsi la compréhension des patients.

Face à l’essor récent de l’intelligence artificielle (IA), et plus particulièrement des grands modèles de langage (LLM), les chercheurs se sont intéressés à leur potentiel pour améliorer la communication patient-médecin. Une étude a donc été menée pour comparer la qualité et la lisibilité des FCE de chirurgie buccale conventionnels, disponibles sur internet, à ceux générés par des LLM.

Dix procédures courantes de chirurgie buccale (apicoectomie, biopsie, augmentation osseuse, cystectomie, implants dentaires, incision et drainage, anesthésie locale, chirurgie parodontale, extraction dentaire et extraction des dents de sagesse) ont été sélectionnées. L’équipe de recherche a collecté 300 FCE disponibles en ligne (30 par procédure) via Google Chrome en mode navigation privée. Parallèlement, quatre LLM (ChatGPT 3.5, Claude, Bard et Bing Chat) ont été sollicités pour générer des FCE pour les mêmes interventions, en utilisant des instructions standardisées. Pour chaque procédure et chaque modèle, deux formulations différentes ont été utilisées afin de minimiser les biais et garantir la neutralité, ce qui a permis d’obtenir 80 FCE générés par l’IA.

Deux chirurgiens bucco-dentaires et maxillo-faciaux ont ensuite examiné les documents collectés, en appliquant des critères d’inclusion et d’exclusion prédéfinis. La qualité a été évaluée à l’aide d’une version modifiée de l’outil DISCERN, baptisé GATWICK (Graz Assessment Tool for Written Informed Consent Keypoints), validé par des experts. Cet outil comprend 11 éléments notés sur une échelle de Likert à 5 points. Deux résidents en chirurgie buccale et maxillo-faciale ont réalisé cette évaluation de manière indépendante. La lisibilité a été mesurée à l’aide de six formules établies, et un niveau de lecture moyen a été calculé. Les analyses statistiques ont inclus le test de Mann-Whitney U, le test de Kruskal-Wallis et le coefficient de corrélation tau-b de Kendall, avec un seuil de signification fixé à P ≤ 0,05.

Sur les 380 documents examinés, 213 FCE ont répondu aux critères d’inclusion : 136 basés sur le web et 77 générés par l’IA. La fiabilité inter-évaluateurs pour les scores GATWICK était excellente (coefficient de corrélation intraclasse = 0,948).

Les FCE générés par l’IA ont obtenu des scores GATWICK totaux significativement plus élevés que ceux basés sur le web (médiane de 32,5, IQR 28-35,5 contre médiane de 27,5, IQR 20,375-37 ; P = 0,007). Les éléments relatifs aux alternatives de traitement, à la justification de l’intervention recommandée et à la discussion des options ont été particulièrement bien notés dans les formulaires générés par l’IA. Les FCE basés sur le web ont obtenu de meilleurs résultats concernant les instructions de conduite à tenir avant et après l’opération.

En termes de lisibilité, les formulaires web étaient significativement plus difficiles à lire (niveau scolaire médian de 12,45, IQR 11,3-13,325) que ceux générés par l’IA (médiane de 10,7, IQR 10,1-12,4 ; P < 0,001), bien qu’aucun des deux types n’atteigne le niveau recommandé de 6e année. Une faible corrélation a été observée entre la lisibilité et la qualité globale (t = 0,132 ; P = 0,005).

Les formulaires web étaient plus longs (médiane de 794 mots, IQR 475,25-1068,75 mots) que ceux générés par l’IA (médiane de 338 mots, IQR 296-381 mots ; P < 0,001). Une faible corrélation positive a été constatée entre la longueur du document et la qualité (t = 0,270 ; P < 0,001).

Parmi les LLM, les services basés sur ChatGPT (ChatGPT 3.5 et Claude) ont obtenu les meilleurs résultats en termes de qualité. Les FCE concernant l’extraction dentaire ont obtenu des scores inférieurs à ceux des formes relatives à la chirurgie parodontale. Les FCE générés par l’IA se sont avérés supérieurs aux versions conventionnelles, avec des différences notables selon les procédures de chirurgie buccale et les types de LLM utilisés. Tableau 1 : Qualité des formulaires de consentement éclairé (FCE) mesurée grâce au score GATWICK.

Cette étude confirme que les FCE de chirurgie buccale disponibles en ligne sont souvent de qualité modeste et difficiles à comprendre pour le patient moyen. Les FCE générés par l’IA représentent une voie prometteuse pour améliorer la qualité et l’accessibilité de ces documents, même s’ils ne répondent pas encore pleinement aux exigences de lisibilité idéales. Il est cependant essentiel de valider les résultats de l’IA par des professionnels de santé afin de garantir l’exactitude, l’exhaustivité et la compréhension des patients.

Remerciements

Les résultats préliminaires ont été présentés lors du 27e Congrès de l’Association européenne de chirurgie cranio-maxillo-faciale (EACMFS) à Rome, en Italie, du 17 au 20 septembre 2024.

Financement

Aucun soutien financier ou subvention externe n’a été reçu d’entités publiques, commerciales ou à but non lucratif pour la recherche, la paternité ou la publication de cet article.

Disponibilité des données

Les ensembles de données générés et analysés au cours de la présente étude sont disponibles auprès de l’auteur correspondant sur demande raisonnable.

Contributions des auteurs

JG : Conceptualisation, Méthodologie, Logiciel, Validation, Analyse formelle, Enquête, Ressources, Conservation des données, Rédaction – préparation du projet original, Rédaction – révision et édition, Visualisation, Administration de projet. BR : Conceptualisation, Méthodologie, Validation, Enquête, Ressources, Rédaction – préparation du projet original, Rédaction – révision et édition. A-KJ : Conceptualisation, Méthodologie, Validation, Enquête, Ressources, Rédaction – préparation du projet original, Rédaction – révision et édition. BA : Validation, Ressources, Rédaction – révision et édition, Supervision. AF : Validation, Ressources, Rédaction – révision et édition, Supervision. MR : Conceptualisation, Méthodologie, Validation, Analyse formelle, Enquête, Ressources, Conservation des données, Rédaction – préparation du projet original, Rédaction – révision et édition, Supervision, Administration du projet. Tous les auteurs ont lu et approuvé le manuscrit final.

Conflits d’intérêts

Aucun déclaré.

Abréviations

Édité par Naomi Cahill ; soumis le 28 avril 2024 ; évalué par Hao Zhang, Rudra Pranab, Weam Banjar ; version finale révisée reçue le 1er décembre 2025 ; accepté le 1er décembre 2025 ; publié le 5 janvier 2026.

Droit d’auteur

© Jan Gaessler, Bernhard Remschmidt, Ann-Kathrin Jopp, Behrouz Arefnia, Adrian Franke, Marcus Rieder. Publié initialement dans le Journal of Medical Internet Research (https://www.jmir.org), le 5 janvier 2026.