Aller au contenu

Biais cognitifs les plus courants en médecine et leurs conséquences sur les diagnostics et les traitements/Stratégies de réduction des biais cognitifs (débiaisement)

Ajouter des liens
Une page de Wikiversité, la communauté pédagogique libre.
Cette page doit être mise en forme avec les patrons selon l'organisation des enseignements de Wikiversité.
Votre aide est la bienvenue !

4. Stratégies de réduction des biais cognitifs (débiaisement)

[modifier | modifier le wikicode]

Le débiaisement désigne l'ensemble des stratégies, méthodes et outils visant à diminuer ou corriger les biais cognitifs dans la prise de décisions et les jugements.

4.1. Application de la théorie du double processus

[modifier | modifier le wikicode]

Dans le contexte médical, les biais cognitifs surviennent principalement lorsque les professionnels ont recours de façon excessive à des raisonnement rapides et automatiques (activation dominante du système 1).  Par conséquent, le débiaisement vise à favoriser l'activation du système 2 en encourageant la réflexivité et l'auto-contrôle[1].

4.2. Stratégies de débiaisement

[modifier | modifier le wikicode]

4.2.1. Stratégies cognitives

[modifier | modifier le wikicode]

Les stratégies cognitives consistent à sensibiliser les professionnels de santé aux différents biais, à structurer leur pensée et consolider leur réflexion. Leur efficacité est reconnue, et on constate une amélioration significative des capacités auto-évaluées des participants après un atelier clinique[2]. En 2018, 50 % des interventions cognitives testées au sein d'une étude ont montré un effet positif[3].

Exemples de stratégies cognitives :

  • Les formations [2] : enseignement sur les biais fréquents, leur mécanisme et les stratégies d'évitement.
  • « Consider-the-opposite »[4] : technique proposant d'envisager une hypothèse alternative à l'hypothèse initiale.
  • Les check-lists diagnotiques [5] : outils guidant le clinicien à travers des étapes systématiques de réflexion afin qu'aucun élément essentiel au diagnostic ne soit négligé.
  • Des ateliers interactifs [2] : simulations de cas cliniques pour identifier et gérer les biais.

4.2.2. Stratégies technologiques

[modifier | modifier le wikicode]

Les stratégies technologiques permettent d'adapter et/ou de guider le cadre décisionnel pour soutenir les professionnels vers des choix objectifs et éclairés. Elles sont appréciées pour restructurer l'environnement informationnel et réduire la charge cognitive des médecins. Leur utilisation présente un meilleur taux d'efficacité avec 87,9 % de résultats positifs des interventions[3].

Exemples de stratégies technologiques :

  • Des représentations visuelles[6] [7] : présentation et complétion des informations statistiques à l'aide graphique.
  • Des outils d'aides à la décision[3] :  algorithmes, intelligences artificielles (cette stratégie est développée dans le paragraphe suivant), logiciels.
  • Des guidelines[8] : protocoles standardisés permettant des décisions diagnostiques rigoureuses.

4.3. Stratégies faisant appel à l’intelligence artificielle

[modifier | modifier le wikicode]

4.3.1. L’intelligence artificielle pour atténuer les biais cognitifs

[modifier | modifier le wikicode]

Au cours des dernières années, les milieux médicaux ont utilisé des applications d'intelligence artificielle, dans le but de soutenir les services d’imagerie médicale et de diagnostic[9] [10], de réduire la charge administrative pour les professionnels de santé et de diminuer les risques pour la santé[11] [12]. Les résultats d’une revue systématique et méta-analyse[13] ont montré que l’utilisation de ChatGPT-4 a permis d’améliorer le triage des patients et de réduire les décisions problématiques et dangereuses pour les patients au sein de services d’urgence. Les auteurs ont néanmoins discuté une utilisation critiquable de l’intelligence artificielle, si cette dernière est utilisée sans contrôle humain ou validation clinique par les professionnels de santé.  

Une étude a également montré que l’intelligence artificielle représente un outil à prendre en considération comme moyen de détecter les biais cognitifs en médecine[14]. Les auteurs se sont intéressés au potentiel des IA génératives dites « grands modèles de langage » (LLMs) pour détecter et quantifier les biais de genre en situation de prise de décision rapide dans un contexte de triage des patients aux urgences médicales. Ils ont montré que ces modèles sont capables d’identifier et de reproduire les biais qui guident la prise de décision humaine.

Par ailleurs, une revue de littérature[15] a identifié des caractéristiques technologiques et les facteurs humains qui semblent avoir un effet sur la collaboration entre les professionnels de santé et les systèmes d'aide à la décision clinique basés sur l'intelligence artificielle. Parmi ces différents éléments, les auteurs ont relevé que des biais cognitifs peuvent nuire à l'efficacité de la collaboration. Un autre élément relevé par les auteurs  est la confiance entre les humains et les systèmes qui apparaît comme un aspect important à prendre en compte. Lorsque les algorithmes d'intelligence artificielle se révèlent supérieurs aux médecins, en termes de précision, une autre étude[16] a cherché à savoir si leur intégration dans la pratique médicale pourrait être facilitée par la communication d'explications. Les résultats ont montré que les explications, en contribuant à la transparence des algorithmes peuvent augmenter leur confiance, mais que dans certains cas les explications n’ont pas permis d'accroître celle-ci et ont parfois contribué à la faire baisser. La communication d’explications sur l’intelligence artificielle n’assure donc pas un moyen infaillible d’optimisation de la confiance et les recherches sur ces questions doivent être poursuivies.

4.3.2. L’intelligence artificielle vectrice de biais cognitifs

[modifier | modifier le wikicode]

Si les systèmes d'intelligence artificielle peuvent limiter les biais cognitifs dans l'interprétation humaine sur les questions de santé, des recherches ont également relevé la tendance des systèmes d'intelligence artificielle à inclure des biais cognitifs dans leur modèle[17] [18]. Une revue systématique[19] a mis en évidence la nécessité d’interroger la fiabilité des intelligences artificielles dans le domaine de la santé. Leur travail de recherche confirme que le fait de ne pas tenir compte des préoccupations relatives à la fiabilité et au risque de biais dans les applications d'intelligence artificielle entraîne une baisse de la qualité des services médicaux. Les auteurs concluent que le développement d'applications d'intelligence artificielle fiables augmentera les avantages des technologies numériques dans le domaine de la santé, et permettra d'améliorer le diagnostic des maladies, et d'optimiser la qualité des services de santé. Dans le secteur de l’imagerie médicale, une étude collaborative internationale[20] a sensibilisé les professionnels travaillant dans le domaine de l'imagerie médicale à l'importance d'identifier et de traiter les biais de l'intelligence artificielle en proposant des recommandations pour lutter contre les biais dans l'intelligence artificielle.

4.4. Stratégies motivationnelles et affectives

[modifier | modifier le wikicode]

Ces stratégies sont encore peu représentées, elles ciblent l'influence des émotions ou de la motivation sur la qualité du jugement clinique[3]. Elles regroupent par exemple la responsabilisation des décisions prises qui pousse à un raisonnement approfondi ou la régulation des émotions susceptibles d'altérer le jugement.

4.5. Limites et axes d'amélioration

[modifier | modifier le wikicode]

Les études sur le débiaisement présentent certaines limites[3] :

  • Faible validité externe : la plupart des études sont réalisées en laboratoire, ce qui limite leur application et généralisation à des contextes cliniques réels.
  • Échantillons peu diversifiés : beaucoup d'interventions impliquent des étudiants plutôt que des cliniciens expérimentés.

Pour renforcer l'efficacité des interventions de débiaisement, plusieurs axes d'amélioration peuvent être envisagés[3] :

  • L'intervention des formations dès les études de médecine.
  • La combinaison de différentes stratégies.
  • Des tests en contexte clinique réel, notamment en médecine d’urgence.
  • Une meilleure représentation des professionnels en activité.
  1. ↑ Croskerry, P., Singhal, G., & Mamede, S. (2013). Cognitive debiasing 1 : Origins of bias and theory of debiasing. BMJ Quality & Safety, 22(Suppl 2), ii58‑ii64. https://doi.org/10.1136/bmjqs-2012-001712
  2. ↑ 2,0 et 2,1 Daniel, M., Carney, M., Khandelwal, S., Merritt, C., Cole, M., Malone, M., Hemphill, R. R., Peterson, W., Burkhardt, J., Hopson, L., & Santen, S. A. (2017). Cognitive debiasing strategies : A faculty development workshop for clinical teachers in emergency medicine. MedEdPORTAL, 10646. https://doi.org/10.15766/mep_2374-8265.10646
  3. ↑ 3,0 3,1 3,2 3,3 3,4 et 3,5 Ludolph, R., & Schulz, P. J. (2018). Debiasing health-related judgments and decision making : A systematic review. Medical Decision Making, 38(1), 3‑13. https://doi.org/10.1177/0272989X17716672
  4. ↑ Lord, C. G., Ross, L., & Lepper, M. R. (1979). Biased assimilation and attitude polarization : The effects of prior theories on subsequently considered evidence. Journal of Personality and Social Psychology, 37(11), 2098‑2109. https://doi.org/10.1037/0022-3514.37.11.2098
  5. ↑ Lee, W., Ooi, C., Phua, D., Wong, M., Chan, W., & Ng, Y. (2015). The Little India riot : Experience of an emergency department in Singapore. Singapore Medical Journal, 56(12), 677‑680. https://doi.org/10.11622/smedj.2015188
  6. ↑ Garcia-Retamero, R., & Galesic, M. (2010). How to reduce the effect of framing on messages about health. Journal of General Internal Medicine, 25(12), 1323‑1329. https://doi.org/10.1007/s11606-010-1484-9
  7. ↑ Garcia-Retamero, R., Galesic, M., & Gigerenzer, G. (2010). Do icon arrays help reduce denominator neglect? Medical Decision Making, 30(6), 672‑684. https://doi.org/10.1177/0272989X10369000
  8. ↑ Croskerry, P. (2003). The importance of cognitive errors in diagnosis and strategies to minimize them: Academic Medicine, 78(8), 775‑780. https://doi.org/10.1097/00001888-200308000-00003
  9. ↑ Joseph, S., Selvaraj, J., Mani, I., Kumaragurupari, T., Shang, X., Mudgil, P., Ravilla, T., & He, M. (2024). Diagnostic Accuracy of Artificial Intelligence-Based Automated Diabetic Retinopathy Screening in Real-World Settings : A Systematic Review and Meta-Analysis. American Journal of Ophthalmology, 263, 214‑230. https://doi.org/10.1016/j.ajo.2024.02.012
  10. ↑ McGenity, C., Clarke, E. L., Jennings, C., Matthews, G., Cartlidge, C., Freduah-Agyemang, H., Stocken, D. D., & Treanor, D. (2024). Artificial intelligence in digital pathology : A systematic review and meta-analysis of diagnostic test accuracy. NPJ Digital Medicine, 7, 114. https://doi.org/10.1038/s41746-024-01106-8
  11. ↑ Al Kuwaiti, A., Nazer, K., Al-Reedy, A., Al-Shehri, S., Al-Muhanna, A., Subbarayalu, A. V., Al Muhanna, D., & Al-Muhanna, F. A. (2023). A Review of the Role of Artificial Intelligence in Healthcare. Journal of Personalized Medicine, 13(6), 951. https://doi.org/10.3390/jpm13060951
  12. ↑ Aleksandra, S., Robert, K., Klaudia, K., Dawid, L., & Mariusz, S. (2024). Artificial Intelligence in Optimizing the Functioning of Emergency Departments; a Systematic Review of Current Solutions. Archives of Academic Emergency Medicine, 12(1), Article 1. https://doi.org/10.22037/aaem.v12i1.2110
  13. ↑ Kaboudi, N., Firouzbakht, S., Shahir Eftekhar, M., Fayazbakhsh, F., Joharivarnoosfaderani, N., Ghaderi, S., Dehdashti, M., Mohtasham Kia, Y., Afshari, M., Vasaghi-Gharamaleki, M., Haghani, L., Moradzadeh, Z., Khalaj, F., Mohammadi, Z., Hasanabadi, Z., & Shahidi, R. (2024). Diagnostic Accuracy of ChatGPT for Patients’ Triage; a Systematic Review and Meta-Analysis. Archives of Academic Emergency Medicine, 12(1), e60. https://doi.org/10.22037/aaem.v12i1.2384
  14. ↑ Guerra-Adames, A., Avalos-Fernandez, M., Doremus, O., Gil-Jardiné, C., & Lagarde, E. (2025). Uncovering Judgment Biases in Emergency Triage : A Public Health Approach Based on Large Language Models. Proceedings of the 4th Machine Learning for Health Symposium, 420‑439. https://proceedings.mlr.press/v259/guerra-adames25a.html
  15. ↑ Knop, M., Weber, S., Mueller, M., & Niehaves, B. (2022). Human Factors and Technological Characteristics Influencing the Interaction of Medical Professionals With Artificial Intelligence–Enabled Clinical Decision Support Systems : Literature Review. JMIR Human Factors, 9(1), e28639. https://doi.org/10.2196/28639
  16. ↑ Rosenbacke, R., Melhus, Å., McKee, M., & Stuckler, D. (2024). How Explainable Artificial Intelligence Can Increase or Decrease Clinicians’ Trust in AI Applications in Health Care : Systematic Review. JMIR AI, 3(1), e53207. https://doi.org/10.2196/53207
  17. ↑ Abràmoff, M. D., Tarver, M. E., Loyo-Berrios, N., Trujillo, S., Char, D., Obermeyer, Z., Eydelman, M. B., & Maisel, W. H. (2023). Considerations for addressing bias in artificial intelligence for health equity. NPJ Digital Medicine, 6, 170. https://doi.org/10.1038/s41746-023-00913-9
  18. ↑ Chen, F., Wang, L., Hong, J., Jiang, J., & Zhou, L. (2024). Unmasking bias in artificial intelligence : A systematic review of bias detection and mitigation strategies in electronic health record-based models. Journal of the American Medical Informatics Association : JAMIA, 31(5), 1172‑1183. https://doi.org/10.1093/jamia/ocae060
  19. ↑ Albahri, A. S., Duhaim, A. M., Fadhel, M. A., Alnoor, A., Baqer, N. S., Alzubaidi, L., Albahri, O. S., Alamoodi, A. H., Bai, J., Salhi, A., Santamaría, J., Ouyang, C., Gupta, A., Gu, Y., & Deveci, M. (2023). A systematic review of trustworthy and explainable artificial intelligence in healthcare : Assessment of quality, bias risk, and data fusion. Information Fusion, 96, 156‑191. https://doi.org/10.1016/j.inffus.2023.03.008
  20. ↑ Koçak, B., Ponsiglione, A., Stanzione, A., Bluethgen, C., Santinha, J., Ugga, L., Huisman, M., Klontzas, M. E., Cannella, R., & Cuocolo, R. (2025). Bias in artificial intelligence for medical imaging : Fundamentals, detection, avoidance, mitigation, challenges, ethics, and prospects. Diagnostic and Interventional Radiology, 31(2), 75‑88. https://doi.org/10.4274/dir.2024.242854
Récupérée de "https://fr.wikiversity.org/w/index.php?title=Biais_cognitifs_les_plus_courants_en_médecine_et_leurs_conséquences_sur_les_diagnostics_et_les_traitements/Stratégies_de_réduction_des_biais_cognitifs_(débiaisement)&oldid=981955"