Publié le 19 novembre 2025. Des chercheurs ont mis au point un système d’intelligence artificielle capable d’optimiser le traitement du choc septique, une complication grave et fréquente qui représente la première cause de décès en milieu hospitalier. Cette avancée pourrait permettre d’améliorer significativement la prise en charge des patients et de réduire la mortalité.
- L’IA permet d’affiner la sélection et le dosage des traitements pour le choc septique.
- Un modèle d’apprentissage par renforcement analyse les données des patients pour déterminer le moment optimal d’administrer la vasopressine.
- Les essais ont montré que l’utilisation de l’algorithme est associée à une amélioration des taux de survie.
Le choc septique, une réaction extrême du corps à une infection, provoque une chute brutale de la tension artérielle et peut entraîner un dysfonctionnement d’organes potentiellement fatal. Plus de 270 000 décès y sont attribués chaque année aux États-Unis. Le traitement repose sur l’administration rapide de liquides et de médicaments vasopresseurs, destinés à remonter la tension artérielle et à rétablir la circulation sanguine. Cependant, déterminer la meilleure stratégie thérapeutique pour chaque patient reste un défi majeur.
Les protocoles médicaux actuels préconisent l’utilisation de la noradrénaline en première intention, suivie de la vasopressine si la tension artérielle ne répond pas suffisamment. La vasopressine, une hormone puissante, doit être administrée avec prudence car un dosage trop précoce peut entraîner des effets secondaires indésirables. Le choc septique étant une condition en constante évolution, il est difficile de déterminer le moment idéal pour introduire la vasopressine.
« Traditionnellement, pour déterminer le moment optimal de débuter la vasopressine, nous établissions des critères très précis et menions des essais cliniques, coûteux et de longue haleine, comparant ces critères aux pratiques standards », explique Romain Pirracchio, professeur d’anesthésie et de soins périopératoires à l’Université de Californie à San Francisco. « Cela ne nous permettait de tester qu’un seul critère à la fois. »
L’équipe de recherche, dirigée par Suchi Saria de l’Université Johns Hopkins, a exploré une approche alternative basée sur l’apprentissage par renforcement, une branche de l’intelligence artificielle dans laquelle un agent virtuel apprend par essais et erreurs pour maximiser ses chances de succès. Suchi Saria avait déjà développé un système d’alerte précoce basé sur l’IA qui a permis de réduire les taux de mortalité liées à la septicémie dans de nombreux hôpitaux américains.
En analysant les données de plus de 3 500 patients issus de différents hôpitaux et de bases de données publiques, les chercheurs ont entraîné un modèle d’apprentissage par renforcement à prendre en compte la tension artérielle, les scores de dysfonctionnement organique et les autres traitements administrés afin de déterminer le moment optimal pour commencer la vasopressine. Ce modèle a ensuite été validé sur une cohorte de près de 11 000 patients supplémentaires, confirmant son efficacité et son potentiel à réduire la mortalité.
« Un nombre significatif de patients ont reçu de la vasopressine exactement au moment où notre algorithme l’aurait recommandé », souligne Pirracchio. « En utilisant des méthodes statistiques sophistiquées pour tenir compte des biais et des différences entre les patients, nous avons pu démontrer que l’adéquation entre le traitement et les recommandations de l’algorithme était systématiquement associée à de meilleurs résultats en termes de survie. »
L’algorithme recommandait systématiquement de commencer la vasopressine plus tôt que ne le faisaient la plupart des médecins. Dans les rares cas où le médicament était administré encore plus tôt que suggéré par l’algorithme, les résultats pour les patients étaient moins favorables.
« Cela démontre l’intérêt d’individualiser la stratégie thérapeutique pour chaque patient », affirme Pirracchio. « Il n’existe pas de solution universelle. En cas de choc septique, les pratiques de réanimation varient considérablement d’un hôpital à l’autre et d’un pays à l’autre, notamment en ce qui concerne l’utilisation des vasopresseurs. Compte tenu de la diversité de la population étudiée, nos résultats suggèrent qu’une approche individualisée de l’initiation de la vasopressine pourrait améliorer les résultats pour les patients atteints de choc septique. »
La prochaine étape consiste à déployer le modèle en pratique clinique, en passant « de la promesse à la réalité », selon les termes de Saria. Pirracchio et son équipe prévoient de commencer les tests au centre médical UCSF avant de s’étendre à d’autres centres à l’échelle nationale en partenariat avec Bayesian Health, une plateforme d’IA clinique issue des recherches de Saria.
Les applications de l’apprentissage par renforcement dans le domaine de la santé ne se limitent pas à l’administration de vasopresseurs. « Avec ce type d’infrastructure, au lieu de mener trois expériences à la fois, nous pouvons en mener mille simultanément, sans même avoir à réaliser d’expériences. Nous tirons simplement des leçons des données existantes », explique Saria.
« C’est comme si l’expérience avait déjà été menée, gratuitement, et que nous en tirions simplement des conclusions et découvrions intelligemment les contextes précis dans lesquels différentes stratégies devraient être mises en œuvre pour améliorer les résultats pour les patients et sauver des vies. »
Suchi Saria, professeur d’informatique
« Les possibilités d’apprentissage par renforcement sont nombreuses. Ce n’est que le début. »
Sur le même sujet
