Alerte clinique automatisée : l’étude évalue l’effet du dispositif sur 23 132 patients
Une étude publiée cet été dans le NEJM AI évalue le déploiement de l’Epic Deterioration Index (EDI), un modèle d’apprentissage automatique intégré au dossier patient informatisé, couplé à l’envoi automatique de notifications aux équipes d’intervention rapide (Rapid Response Teams, RRT). Menée par Thomas A. Nahass et ses collègues dans 11 établissements d’un même système de santé régional (hôpitaux universitaires, communautaires et non universitaires), la recherche porte sur 23 132 hospitalisations en médecine ou chirurgie présentant un score EDI d’au moins 60, entre octobre 2022 et août 2024. L’objectif était de déterminer si cette organisation, alliant prédiction algorithmique et circuit d’alerte clinique, était associée à une baisse de la mortalité hospitalière ajustée au risque.
Concrètement, le système générait des alertes en temps réel dans le dossier patient informatisé et adressait automatiquement une notification aux équipes RRT lorsqu’un patient atteignait le seuil de risque défini. Sur les séjours de la période post intervention, 5 746 (46,6 %) ont généré une notification aux équipes RRT, sans que toutes ces alertes se traduisent par une activation effective de l’équipe.
POURQUOI CELA COMPTE : Pour les directions des systèmes d’information hospitaliers, l’enjeu réside dans l’architecture du circuit d’alerte. La valeur clinique d’un outil de surveillance par IA dépend autant de sa capacité à identifier un risque que de son intégration à une chaîne de décision humaine capable d’agir dans un délai utile. En France, les scores prédictifs de dégradation restent le plus souvent en expérimentation ou hors du DPI, sans circuit d’alerte organisé vers une équipe dédiée : l’étude fixe un point de comparaison pour les établissements qui les déploient.
Réduire les alertes ignorées
L’étude ne mesure pas la performance d’un algorithme isolé, mais son effet une fois branché à une organisation de soins capable d’y répondre. C’est une réponse directe au problème classique de l’alerte ignorée, bien documenté en informatique médicale, où un score de risque s’affiche dans le dossier patient sans déclencher d’action clinique concrète. En couplant systématiquement la prédiction à une notification directe vers les équipes de réponse rapide, le dispositif transforme une information passive en déclencheur opérationnel.
Plus d’interventions rapides, sans hausse des transferts en soins intensifs
Après le déploiement, les activations des équipes de réponse rapide ont concerné 37,5 % des patients, contre 25,3 % avant l’intervention, soit un écart de 12,2 points (IC 95 % : 11,0-13,4). Après ajustement, la probabilité d’activation d’une RRT était 1,74 fois plus élevée dans le groupe post intervention (OR ajusté : 1,74 ; IC 95 % : 1,61-1,88).
Sur le plan de la mortalité, le taux brut est passé de 23,1 % avant l’intervention à 18,6 % après, soit une baisse de 4,5 points (IC 95 % : -5,6 à -3,5). Après ajustement sur l’âge, les comorbidités, le type d’hôpital, le score EDI et les effets propres à chaque établissement, les patients du groupe post intervention présentaient des odds de mortalité hospitalière inférieures de 18 % (OR ajusté : 0,82 ; IC 95 % : 0,74-0,91).
Point notable pour les directions d’établissements : les auteurs ne relèvent pas de hausse significative des escalades vers un niveau de soins supérieur. Celles-ci concernaient 1,1 % des patients après l’intervention contre 1,0 % avant, un écart de 0,1 point non significatif (IC 95 % : -0,18 à 0,37 ; OR ajusté : 1,34 ; IC 95 % : 0,97-1,85). Autrement dit, la multiplication des interventions des équipes de réponse rapide ne s’est pas traduite par une pression supplémentaire sur les lits de soins intensifs.
Les auteurs appellent à la prudence sur le lien de causalité. D’autres évolutions organisationnelles concomitantes, non isolées par le protocole, ont pu contribuer aux résultats.
Un modèle prédictif n’a d’impact que s’il est relié à une organisation capable d’agir
Pour les directions des systèmes d’information hospitaliers (SIH) et les responsables qualité, l’enseignement central dépasse la seule performance prédictive de l’EDI. Il porte sur l’architecture du circuit d’alerte : la valeur clinique d’un outil de surveillance par IA dépend autant de sa capacité à identifier un risque que de son intégration à une chaîne de décision humaine capable d’agir.
L’intérêt de ce critère est que l’étude ne se contente pas de démontrer la performance théorique d’un algorithme sur un jeu de données rétrospectif, mais documente un déploiement en conditions réelles, à grande échelle et sur la durée (11 hôpitaux et 23 132 patients suivis), avec des résultats quantifiés et évalués (hausse de 12,2 points des activations RRT, baisse de 18 % de la mortalité ajustée, absence de hausse significative des escalades de soins).
C’est ce niveau de preuve qui distingue un cas d’usage IA réellement opérationnalisé d’un simple pilote ou d’une promesse technologique.
L’alerte IA couplée aux équipes rapides réduit la mortalité, un résultat confirmé par un second cas recensé dans notre base de cas d’usage IA santé
Ce résultat n’est pas isolé. Une étude prospective multisite publiée dans Nature Medicine, portant sur 590 736 patients monitorés, a évalué TREWS, un système développé par Bayesian Health pour la détection précoce du sepsis. Le principe est le même que celui de l’EDI : un algorithme intégré au dossier patient informatisé surveille en continu les signes vitaux, les résultats biologiques, les antécédents et les notes cliniques, et déclenche une alerte exploitable par les soignants avant même l’initiation des antibiotiques.
Là encore, l’effet clinique ne se mesure pas à l’alerte elle-même, mais à ce qui suit : lorsque l’alerte est confirmée par un soignant dans les trois heures, la mortalité intra-hospitalière recule de 3,3 points en valeur absolue, soit une baisse de 18,7 % en relatif, un ordre de grandeur proche de celui observé avec l’EDI et les équipes de réponse rapide. L’étude relève par ailleurs un taux d’adoption clinique de 89 % et des alertes déclenchées en moyenne 3,6 heures avant la première antibiothérapie chez les patients dont le sepsis n’avait pas été reconnu immédiatement.
Deux modèles distincts, mais une même architecture ; alerte algorithmique couplée à une confirmation humaine obligatoire, et un même ordre de grandeur d’impact sur la mortalité. De quoi suggérer que le facteur déterminant n’est pas tel ou tel algorithme, mais la manière dont il s’insère dans une chaîne de décision clinique.
Un niveau de preuve encore variable d’après notre cartographie des cas d’usage IA aux urgences
Ce niveau de preuve n’est pas toujours la norme. Sur une cartographie de 28 cas d’usage de l’IA appliqués aux urgences, 8 citent une étude scientifique en source. La grande majorité des cas recensés sont documentés par des déploiements hospitaliers ponctuels, souvent limités à un à trois établissements, sans évaluation d’impact publiée. Autrement dit, la plupart des outils aujourd’hui en service dans les services d’urgences n’ont pas encore fait l’objet d’une démonstration comparable, en échelle et en rigueur méthodologique, à celle apportée par l’étude de Nahass et al. C’est précisément ce qui distingue un cas d’usage IA réellement évalué d’un déploiement encore au stade de la promesse.
Source : Nahass T.A. et al., Implementation of an AI-Triggered Rapid Response – Association with Mortality, NEJM AI, vol. 3, n°9, publié le 29 juillet 2026 · fiabilité : publication évaluée par les pairs · DOI : 10.1056/AIoa2500973
