L'IA redéfinit la formation des ambulanciers et des techniciens médicaux d'urgence pour les interventions vitales

Les prestataires de services médicaux d'urgence exercent dans certains des environnements les plus imprévisibles et les plus critiques du secteur de la santé, ce qui rend une formation complète et réaliste indispensable. Les méthodes de simulation traditionnelles — mannequins, scénarios scriptés — peinent à reproduire toute la complexité des soins préhospitaliers. Cette revue de portée a évalué de manière systématique la façon dont l'intelligence artificielle est intégrée dans la formation des services médicaux d'urgence, ainsi que les opportunités futures qui en découlent.

L'équipe de recherche a effectué une recherche documentaire assistée par un bibliothécaire dans PubMed, Embase et Web of Science, en limitant les résultats aux articles en langue anglaise, spécifiques aux services médicaux d'urgence, publiés entre janvier 2010 et mars 2025. Les études étaient incluses si elles impliquaient directement du personnel de services médicaux d'urgence, reproduisaient des environnements préhospitaliers ou validaient des interventions pilotées par l'IA dans ces contextes. Onze études clés ont été synthétisées de manière thématique selon quatre domaines : l'amélioration de la simulation, la formation aux procédures et à l'évaluation, l'apprentissage personnalisé et la préparation aux catastrophes.

Dans le domaine de la simulation, les outils de réalité augmentée et de réalité mixte améliorés par l'IA ont démontré des gains significatifs en matière de réalisme et d'engagement des apprenants. Un modèle d'apprentissage automatique appelé Robust Vision Model a aidé les premiers intervenants à détecter des victimes dans des scénarios de sauvetage à faible visibilité grâce à des flux de caméras thermiques. Par ailleurs, des patients virtuels intégrant l'IA et alimentés par ChatGPT ont permis une formation à la communication non scriptée et adaptive pour les premiers intervenants médicaux, bien que des délais de traitement et des réponses occasionnellement fabriquées aient été signalés comme des obstacles. Le programme SaNuRN a utilisé le traitement automatique du langage naturel (NLP) pour permettre aux stagiaires d'expérimenter à la fois les perspectives du prestataire et du patient au sein de simulateurs cliniques virtuels.

Pour la formation aux procédures, les modèles d'IA ont affiché de solides performances diagnostiques. Un modèle d'apprentissage profond (ResNet50-V2) a classifié des images échographiques pour les examens FAST avec une précision de 96 %, permettant potentiellement à des prestataires de services médicaux d'urgence moins expérimentés de réaliser des examens POCUS sur le terrain. Un système d'IA analysant des vidéos de tentatives d'intubation endotrachéale a détecté des ouvertures glottiques avec une précision allant jusqu'à 80 % grâce aux modèles KNN et SVM, offrant un retour d'information en temps réel aux prestataires novices. Un modèle d'apprentissage profond double (ResNeXt-101 et Vision Transformer) a classifié des types de plaies à partir d'images avec une précision de 92,78 %, permettant une coordination préalable à l'arrivée avec les hôpitaux d'accueil.

L'apprentissage personnalisé est apparu comme une autre frontière prometteuse. Le système LEARNER utilise des capteurs physiologiques et comportementaux portables pour adapter dynamiquement le contenu de la formation aux niveaux de stress et aux lacunes de connaissances de chaque individu. Des grands modèles de langage (LLMs) tels que ChatGPT sont évalués pour la génération de vignettes cliniques et de supports pédagogiques adaptés aux apprenants individuels, bien que les hallucinations — des résultats assurés mais inexacts — demeurent une préoccupation importante. Pour la médecine de catastrophe, des modèles d'apprentissage automatique fédérés permettent une formation décentralisée en temps réel, pouvant être déployée dans l'ensemble des agences de services médicaux d'urgence sans centraliser les données sensibles.

La revue reconnaît d'importantes réserves : la plupart des études incluses sont de petite envergure ou constituent des preuves de concept, une synthèse statistique formelle n'a pas été possible en raison de l'hétérogénéité des études, et les questions éthiques portant sur la précision de l'IA, les biais et la confidentialité des données dans les contextes de formation restent non résolues. Néanmoins, les auteurs soutiennent qu'avec un investissement soutenu dans la recherche et des garde-fous éthiques, l'intégration de l'IA pourrait améliorer substantiellement la préparation des prestataires de services médicaux d'urgence, leur jugement clinique et, en définitive, les résultats pour les patients.