Formation aux professions médicales et de santé

Sur cette page

Cette page est traduite en français. Les pages d'articles sont encore rédigées en anglais. Lire cette page en anglais

Cette page est une traduction automatique de la page anglaise, non relue par un locuteur natif.

Formation aux professions médicales et de santé (Medical and Health Professions Education, HPE) — l'enseignement et la formation des professionnels de la médecine, des soins infirmiers, de la pharmacie et des professions de santé alliées. L'IA transforme ce domaine par la simulation clinique, les entraîneurs par apprentissage par renforcement, l'apprentissage adaptatif, et l'application de principes d'apprentissage fondamentaux (cognition expérientielle, située et distribuée) dans les contextes des professions de santé. Parce que la formation aux professions de santé est à fort enjeu, fondée sur les compétences et ancrée dans la clinique, elle soulève des questions distinctes quant au rôle de l'IA dans l'acquisition des compétences, la sécurité des patients et le jugement de l'éducateur. Les soins infirmiers, le programme le plus étudié dans ce domaine, disposent désormais d'une page propre — formation en soins infirmiers — où la frontière de compétence, la formation de l'identité et les données probantes relatives à la main-d'œuvre que cette page ne porte qu'à grands traits sont développées en détail.

Questions à examiner

En médecine, les bénéfices de l'IA comme la pratique extensible et la rétroaction adaptative doivent être mis en balance avec des risques comme l'érosion des compétences cliniques pratiques — là où les erreurs ont des conséquences directes pour les patients. Où placeriez-vous la frontière entre ce que l'IA devrait faire et ce qu'un stagiaire doit pratiquer lui-même ?
La page soutient que l'IA devrait servir à opérationnaliser des principes d'apprentissage séculaires — cognition expérientielle, située, distribuée — plutôt qu'à remplacer le rôle de guidage de l'éducateur. Qu'est-ce qui rend le jugement de l'éducateur indispensable même lorsque l'IA peut simuler ou personnaliser la pratique ?
Les entraîneurs par apprentissage par renforcement et l'IA agentique sont désormais employés pour les compétences cliniques et procédurales en résidence. Si un agent d'IA forme un résident à une procédure, comment vérifieriez-vous qu'il l'a réellement apprise en sécurité avant de la pratiquer sur un patient ?
Parce que la formation aux professions de santé est à fort enjeu et fondée sur les compétences, les questions d'évaluation portent un poids particulier. Comment une évaluation assistée par l'IA pourrait-elle à la fois améliorer et menacer l'évaluation de la compétence clinique ?
La dépendance excessive à l'IA est une préoccupation spécifique en médecine. Comment, à votre avis, une formation avec l'IA pourrait-elle produire un clinicien plus sûr de lui mais moins capable de raisonner de manière indépendante — et qu'est-ce qui pourrait s'y opposer ?

Introduction

L'IA dans la formation aux professions médicales et de santé est un pan croissant de la couverture par domaines disciplinaires de la base de connaissances. À la différence de l'enseignement supérieur général, la formation aux professions de santé est orientée vers le développement de compétences cliniques, de compétences procédurales et de jugement professionnel, ce qui façonne la manière dont les outils d'IA sont conçus et évalués.

Comment l'IA apparaît dans la formation aux professions de santé

Opérationnaliser les principes d'apprentissage fondamentaux. Fowlin et al. (développé à la Medical University of South Carolina) soutiennent que l'IA devrait servir à opérationnaliser des principes d'apprentissage séculaires — l'apprentissage expérientiel de Dewey, la cognition située et la cognition distribuée — plutôt qu'à remplacer le rôle de guidage de l'éducateur. L'IA enrichit l'apprentissage personnalisé et adaptatif tandis que l'enseignant reste central pour l'engagement des étudiants et les résultats.
Compétences cliniques et apprentissage par renforcement. ResidencyRL utilise l'apprentissage par renforcement pour entraîner le raisonnement clinique et les compétences procédurales en résidence, démontrant l'IA comme partenaire d'entraînement aux compétences dans des flux de travail cliniques réels.
Simulation et IA agentique. La simulation par IA agentique en curiethérapie montre comment des agents d'IA soutiennent la formation procédurale pratique dans des spécialités médicales.
Ludification de l'apprentissage médical. MedGame applique la ludification et les LLM pour engager les étudiants en médecine.
Soins infirmiers et formation interdisciplinaire. La transformation de la formation en soins infirmiers par l'IA documente la manière dont l'IA refaçonne les curricula et l'enseignement en soins infirmiers. Cette page garde les soins infirmiers comme un programme parmi la médecine, la pharmacie, l'art dentaire et les professions de santé alliées, organisés autour du problème partagé de la compétence clinique extensible ; le dossier propre aux soins infirmiers — une frontière de compétence où s'arrêtent les bénéfices documentés de l'IA, un cadrage explicitement fondé sur l'identité professionnelle, et l'anxiété des étudiants face à l'emploi — relève de la page formation en soins infirmiers et y est renvoyé plutôt que repris ici.
Simulation assistée par l'IA en soins infirmiers. Jiang et al. (2026) proposent une revue systématique en méthodes mixtes de 19 études (N = 1,253) montrant que les simulations pilotées par l'IA (IA générative/LLM, patients virtuels/mannequins, RV/RM augmentée par l'IA, et agents conversationnels) améliorent significativement les connaissances cognitives et les résultats affectifs (auto-efficacité, confiance en communication) dans les dispositifs les plus solides, mais sont incohérentes pour les compétences psychomotrices complexes — un essai contrôlé randomisé a montré la simulation assistée par l'IA inférieure aux patients standardisés. Leur concept d'« écart d'authenticité » (authenticity gap) — un manque de résonance émotionnelle, d'indices non verbaux et d'examen tactile perçu par l'apprenant — fonde la raison pour laquelle l'IA convient le mieux à des objectifs hautement structurés (communication fondamentale, recueil d'anamnèse) et devrait se situer dans un continuum de simulation graduel aux côtés, et non à la place, des patients standardisés humains et des stages cliniques. C'est un affinement distinct et ancré dans les données probantes du pan simulation du domaine, qui rejoint le constat d'acceptation-confiance selon lequel les apprenants préfèrent la rétroaction humaine perçue comme « bienveillante » à l'IA perçue comme simplement « compétente ».
Les LLM et la reconstitution de l'identité professionnelle en soins infirmiers (2026). Sun et al. (2026), dans une revue intégrative critique de 489 études couvrant 47 pays (cadre de Whittemore & Knafl), déplacent la question de ce que les LLM peuvent faire dans la formation en soins infirmiers vers ce que leur intégration fait aux processus développementaux par lesquels un infirmier se forme. Cadrée par l'acquisition de compétences de Benner, la théorie de la charge cognitive, le biais d'automatisation et la formation de l'identité de Wenger, elle montre que la même technologie renforce et érode la compétence selon que le travail cognitif déplacé est extrinsèque à la compétence visée ou constitutif de celle-ci — la dépendance non structurée a produit des déficits mesurables en raisonnement éthique et en jugement clinique. Leur Professional Identity Tension Model distingue une intégration des LLM qui soutient la formation professionnelle d'une intégration qui s'y substitue silencieusement, et la Structural Empathy Suppression recadre la « surperformance » apparente de l'IA sur les métriques relationnelles comme un symptôme de surmenage systémique plutôt que comme une véritable empathie de l'IA. Une carte des lacunes de données probantes montre que les domaines aux conséquences politiques les plus élevées (identité professionnelle, compétence relationnelle et éthique, résultats à long terme) reposent sur les données probantes rigoureuses les plus minces — une mise en garde contre les déclarations de déploiement confiantes dans la formation en soins infirmiers.
Patients standardisés par IA multi-agents dans la formation à l'entretien clinique. Dans un essai contrôlé randomisé de 2026 portant sur 95 étudiants en médecine analysés (Yang et al.), la formation avec des patients standardisés par IA multi-agents a élevé les scores à un examen final aligné sur l'OSCE par rapport à un témoin structuré non-LLM à divulgation progressive (71.8% contre 55.6% ; β = 16.4 points de pourcentage ; P = 3.30e-4), tout en laissant l'exactitude diagnostique binaire statistiquement identique (84% contre 86% ; P = 1.000). Cette dissociation indique que les gains en début de formation clinique peuvent apparaître d'abord dans la qualité du processus de consultation — communication (moyenne 3.53 contre 2.64 sur une échelle OSCE de 1 à 5 ; P = 4.50e-4), expression empathique (+31 points de pourcentage sur l'item de la liste de contrôle « exprimer l'empathie »), et comportements sélectionnés de recueil d'anamnèse — avant toute amélioration des critères diagnostiques, et que les patients d'IA nécessitent encore des évaluateurs humains et un corps professoral pour les jugements de professionnalisme et de préparation.
Les étudiants traitent par défaut un patient d'IA comme une base de données interrogeable. Lors d'un pilote en apprentissage par problèmes consistant à interviewer par la voix un avatar d'IA générative, les étudiants posaient des questions fermées centrées sur l'efficacité — l'un demandant si l'IA n'était « que, genre, une base de questions » — et les rencontres duraient 55–65 minutes contre 36–39 pour le module hérité (Mool et al., 2026).
Répartition des tâches et cadre SCAN. Tsim et al. recadrent l'intégration de l'IA, d'un « mésusage » par l'apprenant vers une mauvaise classification — un échec de l'évaluation métacognitive en temps réel. Leur cadre SCAN (Substitute, Complement, Aid, Non-Negotiable), fondé sur la zone proximale de développement de Vygotsky, répartit les tâches d'IA générative selon l'état développemental individuel de l'apprenant et identifie l'engagement passif au sein de tâches étayées par l'IA comme une voie cachée vers la perte de compétence (mis-skilling) qui exige une réidentification de l'IA vers l'assistance experte, avec des auditeurs épistémiques humains.
Génération d'actifs pédagogiques avec l'humain dans la boucle. Gen-Mentor (Dong et al. 2026) intègre un socle de modèle vision-langage dans un flux de travail de radiographie dentaire : Faster R-CNN localise quatre constatations cibles (obturation, implant, dent incluse, carie), un modèle de diffusion conditionnel génère des candidats de régions d'intérêt synthétiques spécifiques à la classe, un modèle vision-langage produit des légendes liées aux données, et un LLM les reformate en descriptions de cas, comparaisons et invites de quiz — le tout avant une revue experte structurée. Évalué auprès de 45 étudiants en art dentaire (SUS moyen 72.7), il démontre comment la revue avec l'humain dans la boucle d'actifs pédagogiques générés par l'IA peut élargir la diversité des cas et le soutien à rétroaction immédiate tout en conservant la supervision experte sur ce que voient les étudiants.
Notation par l'IA d'examens de pharmacie. Falahat, Das, Bhaumik & Thambi (2026) ont évalué ChatGPT-5 face à la notation par un corps professoral d'un examen de pharmacie de 21 items (16 étudiants) couvrant des items à choix multiples, sélectionner tout ce qui s'applique, texte à trous, listes, réponses brèves et dissertations. Le modèle concordait étroitement avec les enseignants sur les items objectifs (CCC 0.935–1.000) mais n'était pas fiable pour les listes, les réponses brèves (CCC ≈0) et les dissertations (0.341–0.854), et une grille structurée n'améliorait pas de façon constante l'accord — preuve que, dans l'évaluation à fort enjeu et fondée sur les compétences des professions de santé, l'IA convient aux items bien spécifiés tandis que la revue humaine reste nécessaire pour le raisonnement clinique subjectif et ouvert.
Un juge LLM validé pour la communication clinique. Hasan et al. (2026) ont noté les compétences de communication des 3E à partir des seules transcriptions, avec un juge atteignant Pearson 0.759 et ICC(A,1) 0.746 face au consensus des évaluateurs humains, dans la dispersion des humains individuels, bien que sa dimension la plus faible (Be Explicit) ne se soit pas améliorée d'une rencontre à l'autre.
L'IA générative dans la formation aux soins de santé par scénarios. Neto et collègues (2026) ont passé en revue systématiquement 23 études d'IA générative dans l'apprentissage par scénarios, cas, problèmes et simulation dans la formation aux soins de santé (PRISMA 2020). Leur conclusion centrale est que la conception d'invites fonctionne comme une spécification pédagogique — encodant les cibles cognitives et les critères de qualité implicites dans la création experte — et pourtant seules 34.8% des études alignaient les contenus générés sur des cadres pédagogiques et seules 34.8% rapportaient les invites avec assez de détail pour les reproduire. GPT-4 dominait les implémentations (44.4%), la collaboration hybride humain-IA surpassait les approches entièrement automatisées, et les données probantes étaient les plus solides pour les compétences cognitives d'ordre supérieur mais incohérentes ailleurs. Cela fonde la pédagogie par scénarios et par problèmes dans la formation médicale sur des repères de qualité de validation et d'intégration.
Notation par l'IA de questions d'examen ouvertes. Olvet et al. (2026) ont testé si GPT-4 pouvait noter de manière fiable des questions ouvertes sur des évaluations pré-internat dans deux écoles de médecine américaines. Alors que les enseignants affinaient itérativement les grilles de notation sur trois tours d'analyse des schémas d'erreur, la fiabilité inter-juges IA-enseignants a atteint un accord substantiel à quasi parfait sur trois des quatre questions (kappa pondéré jusqu'à 0.94) mais seulement modéré sur l'item à grille holistique (κw = 0.54) ; les divergences relevaient des deux côtés (GPT-4 sur-notant les réponses à réponses multiples ou au vocabulaire absent de la grille ; les enseignants étant trop généreux) et des inexactitudes occasionnelles de rétroaction maintiennent les humains dans la boucle. Les auteurs soutiennent que le cas de la notation automatisée des questions ouvertes est renforcé par le fait que ~82% des écoles de médecine américaines notent les travaux pré-internat en réussi/non réussi, où l'accord exact du score de l'IA n'est pas toujours exigé.
Évaluer les agents pédagogiques d'IA, et pas seulement les déployer. Zhang et al. (2026) ont déployé huit agents pédagogiques à base de LLM sur quatre paradigmes de jeu de rôle (patient, étudiant, expert, membre de la famille) dans un programme d'endocrinologie et ont noté 167 dialogues d'étudiants avec une grille de qualité pédagogique à 8 dimensions. Les scores des plateformes divergeaient fortement de la qualité évaluée par la grille ; les agents différaient le plus sur les dimensions de connaissance et le moins sur l'incarnation du rôle ; le calibrage adaptatif de la difficulté était une faiblesse partagée ; et renforcer l'empathie d'un agent élevait la qualité du jeu de rôle sans améliorer la couverture des connaissances. Le fait que les paradigmes de jeu de rôle puissent être séparés (au-delà du script patient-médecin par défaut) oriente vers la conception et l'évaluation d'agents selon des dimensions pédagogiques explicites.
La forme de la littérature propre du champ. Sriram, Nichols, Ganti et Gue (2026) cartographient la littérature elle-même sur l'éthique de l'IA dans la formation médicale : 1,403 publications du Web of Science de 1995 à 2026, négligeables pendant deux décennies, puis 113 en 2023, 256 en 2024 et 500 en 2025 ; 39 pays dépassent le seuil de publication, menés par les États-Unis (533 publications) devant la Chine (189) et l'Angleterre (95) ; et les travaux les plus cités sont des tests de capacité — la performance de ChatGPT aux examens d'exercice de la médecine avant tout — plutôt que des travaux de recherche sur la gouvernance. Leur lecture est que le champ a crû rapidement sans croître uniformément, et que l'évaluation empirique des cadres de gouvernance est le travail que le dossier de citations ne récompense pas. C'est une mise en garde utile pour quiconque traite le volume de recherche publiée sur l'IA dans la formation médicale comme la preuve que ses questions d'usage sûr ont reçu une réponse.

Une revue de cadrage de 153 rapports sur l'IA générative dans la formation médicale dresse la carte des applications — simulation et compétences cliniques en tête (47 rapports), devant la génération et la rétroaction d'évaluation (22) et l'apprentissage par cas et le raisonnement clinique (21) — et pourtant seuls 13 rapports portaient un signal de suivi ou de rétention et aucun résultat au niveau du patient n'a été trouvé (Zhao et al. (2026)).

Pourquoi cela compte

La formation aux professions de santé est un domaine à fort enjeu et fondé sur les compétences, où les bénéfices de l'IA (pratique extensible, rétroaction adaptative, simulation) doivent être mis en balance avec des risques (dépendance excessive, érosion des compétences cliniques pratiques, préoccupations éthiques et de sécurité). Les concepts généraux de la base de connaissances — rôle de l'enseignant, évaluation, rétroaction, équité et éthique — s'appliquent avec une intensité particulière dans les professions de santé, où les erreurs ont des conséquences directes pour les patients.

Wang et Shan (2026) nomment l'« écart de sécurité » (safety gap) qui en résulte — la divergence entre la performance assistée par l'IA d'un étudiant et sa capacité non assistée à la vérifier — et préconisent de retenir les solutions, une friction cognitive constructive, et des architectures d'IA socratiques ou adverses pour la formation clinique à fort enjeu.

Implications pour les éducateurs des professions de santé

Utiliser l'IA pour opérationnaliser les principes d'apprentissage, non pour remplacer l'éducateur. Fowlin et al. soutiennent que l'IA devrait opérationnaliser l'apprentissage expérientiel, situé et la cognition distribuée tandis que l'enseignant reste central pour l'engagement et les résultats.
Exploiter l'IA pour la formation aux compétences cliniques. ResidencyRL et la simulation agentique montrent l'IA comme partenaire d'entraînement aux compétences dans des flux de travail cliniques réels — intégrez-la là où elle ajoute une pratique sûre et extensible.
Mettre en balance les bénéfices à fort enjeu et la dépendance excessive. La formation aux professions de santé est fondée sur les compétences et à fort enjeu ; prémunissez-vous contre la substitution par l'IA des compétences cliniques pratiques et du jugement, et appliquez les considérations de rétroaction, d'évaluation et d'éthique avec un soin particulier.
Adapter avec discernement l'IA ludifiée et interdisciplinaire. L'apprentissage ludifié par LLM et la transformation de la formation en soins infirmiers sont prometteurs mais nécessitent une évaluation des résultats en matière de sécurité et de compétences ; pour les soins infirmiers spécifiquement, ces données probantes de sécurité et de compétence — y compris l'essai contrôlé randomisé où la simulation assistée par l'IA a sous-performé face aux patients standardisés — sont rassemblées sur la page formation en soins infirmiers.

Concepts liés

Apprentissage par problèmes
Enseignement supérieur
Simulation
Apprentissage adaptatif
Apprentissage personnalisé
Apprentissage par le jeu
L'apprentissage expérientiel
Apprentissage situé
Cognition distribuée
L'enseignement
Évaluation
La rétroaction
L'IA en éducation
L'IA en éducation dans les disciplines
La formation en soins infirmiers — the nursing strand of health-professions education
Réalité virtuelle et augmentée — immersive and AR clinical training

Métadonnées

Discipline	Medical Education
Niveau	Higher Ed
Public visé	Learners, Instructors
Technologies et techniques	Apprentissage adaptatif, Simulation
Évaluation et mesure	Évaluation
Fondements de l'IA dans l'éducation	L'enseignement

Source History Edit Chat