Qu'apporte l'intelligence artificielle à l'allergologue ?

Dans un domaine très « clinico-biologique » (avec peu d’imagerie), l’intelligence artificielle a le potentiel de maximiser l’utilisation de données souvent négligées (dossiers médicaux, capteurs, expositions, omiques), ainsi que de renforcer la normalisation des protocoles d’essais et des chemins critiques. Cependant, cela nécessite une meilleure vérification, une réglementation accrue et un entretien rigoureux de ces outils. Artificial intelligence in allergy and immunology : Recent developments, implementation challenges, and the road toward clinical impact
van Breugel, Merlijn et al. Journal of Allergy and Clinical Immunology, Volume 157, Issue 2, 295 - 306

Méthode

Article de synthèse narrative (2022–2025) sur les développements récents concernant les modèles de langage (LLM), l’IA multimodale, les « agents » intelligents et leur utilisation potentielle en allergologie/immunologie.
Examen des cas d’utilisation proposés (diagnostic, suivi, prévention, recherche), ainsi que des obstacles à leur mise en œuvre (données, partialité, fiabilité, réglementation, adoption).
Proposition d’une feuille de route en 6 points pour franchir la “dernière marche” entre preuve de concept et soins.

Résultats

Utilisations actuelles ou imminentes

NLP (traitement naturel du langage) / Dossiers médicaux : détection de symptômes, phénotypes, facteurs de risque, et même d’événements (exacerbations d’asthme, anaphylaxie) dans des textes non structurés.
Vision / imagerie clinique : évaluation de sévérité de dermatite atopique à partir de photos, objectivation de tests (ex. provocation conjonctivale) via analyse d’images.
Expositions et capteurs : mesures « low cost » des pollens et moisissures avec données en temps réel et modèles prédictifs pour anticiper le risque et guider le patient.
Aide à la consultation : IA génératives utiles pour expliquer, reformuler, structurer (à condition de maîtriser les hallucinations), et “scribes” ambiants pour réduire la charge de documentation.

Mais un retard de mise en oeuvre net Malgré l’autorisation par la FDA de plus de 1000 dispositifs IA à la mi-2024, aucun n’est spécifiquement « allergologie-immunologie ». Cela reflète une spécialité moins « image-centrée » avec des données plus hétérogènes.

Discussion

Ce qui entrave et est très spécifique à l’allergologie

Données rares, hétérogènes, provenant de sources multiples (cliniques, biologiques, environnementales), avec des phénotypes évolutifs (âge, saisons, nouveaux allergènes) ce qui entraîne une généralisation difficile, avec un risque de « drift » (dérive de performance).
Biais algorithmiques (population, environnement) : le risque est accru en cas de sous-phénotypage et de dossiers incomplets
Fiabilité des LLM : hallucinations, difficulté à « ancrer » la réponse dans des sources vérifiées ;
Adoption : formation des cliniciens, intégration dans le flux ambulatoire, responsabilité médico-légale, coûts et remboursement.

La feuille de route (6 points) à retenir pour une IA utile

Identifier des enjeux majeurs et exploiter des données insuffisamment utilisées (notes, trackers, expositions, omiques).
Définir des repères cliniques (avec en tête coût-efficacité, faisabilité, déploiement).
Évaluer et régir : validation externe, expérimentation, formats de résumé (TRIPOD-AI, CONSORT-AI…)
Passer du prototype au “production-ready” (partenariats, ingénierie, interopérabilité).
Encourager l’adoption grâce à une IA « digne de confiance » (explicabilité utile, gestion du risque, prise en compte de l’humain).
Gérer le cycle de vie : surveillance, détection de dérives, mise à jour, formation continue.

Définitions

NLP (Natural Language Processing) : extraction de données cliniques à partir des textes. https://fr.wikipedia.org/wiki/Trait...
LLM (Large Language Model) : modèle génératif de texte, puissant, mais susceptible d’hallucinations. https://fr.wikipedia.org/wiki/Grand...
RAG (Retrieval-Augmented Generation) : génération “ancrée” sur des sources (recommandations, bases validées). https://en.wikipedia.org/wiki/Retri...
Data drift : dérive des données (saisons, expositions, pratiques) ⇒ perte de performance. https://en.wikipedia.org/wiki/Conce...

Conclusion

L’IA en allergologie présente déjà des « points d’accroche » concrets : standardiser certains tests, mieux exploiter les dossiers, suivre les symptômes/expositions, et soulager la charge administrative. Le message principal de cet article est pragmatique : l’impact clinique ne viendra pas d’une IA « brillante », mais d’une IA bien choisie, bien évaluée, bien gouvernée… et qui sera maintenue dans le temps.