• Langue : Français
• Discipline : Médecine d'urgence
• Identifiant : 2025ULILM172
• Type de thèse : Doctorat de médecine
• Date de soutenance : 20/06/2025

Résumé en langue originale

Contexte: Cette thèse évalue les performances de 3 modèles d’intelligence artificielle (IA)— Natural Language Processing (NLP), Large Language Model (LLM) et Joint-Embedding Predictive Architecture (JEPA)—dans la prédiction du sous-triage et sur-triage des patients adultes aux urgences. Méthode: Menée sur 7 mois au CHU de Lille, l’étude de type MR-004, enregistrée sur la plateforme du Health Data Hub au numéro 18605502, compare ces modèles à l’échelle FRENCH (référence clinique) et au triage infirmier standard. Les données de 657 passages aux urgences ont été analysées, avec 80% utilisés pour l’entraînement et 20% pour la validation. Les métriques regroupent à la fois un score composite — incluant l’erreur absolue moyenne (MAE), l’erreur quadratique moyenne (RMSE), le Kappa pondéré et le coefficient de Spearman — ainsi que les scores F1 et les taux d’accord exact et approximatif. Résultats: Le modèle LLM (URGENTIAPARSE) a montré une précision supérieure (score composite : 2,514) par rapport au JEPA (EMERGINET, 0,438) et au NLP (TRIAGEMASTER, - 3,511), surpassant le triage infirmier (-4,343). Les analyses secondaires ont souligné l’efficacité d’URGENTIAPARSE dans la prédiction des besoins d’hospitalisation (GEMSA) et sa robustesse avec des données structurées versus des transcriptions brutes. Conclusion: Ces résultats suggèrent que l’IA, notamment les LLM, peut optimiser le triage aux urgences, sous réserve de résoudre les limites des modèles et d’assurer une intégration éthique et transparente dans les pratiques cliniques.