Cas clinique : erreur de posologie liée à une suggestion d’IA conversationnelle en médecine générale
Vignette clinique (anonymisée)
Une femme de 68 ans, insuffisante rénale chronique (DFG estimé 28 mL/min/1,73 m²), consulte pour une cystite fébrile débutante. En téléconsultation, un interne utilise une IA conversationnelle pour « confirmer » la posologie d’un antibiotique. L’IA propose un schéma standard sans mention d’adaptation au DFG. La prescription est réalisée telle quelle.
Évolution
Après 48 h : asthénie, nausées, confusion. Aux urgences : aggravation de la fonction rénale, désordres hydro-électrolytiques. Relecture : absence d’ajustement posologique et de vérification des interactions (traitement concomitant par IEC et diurétique). L’antibiothérapie est corrigée, hydratation et surveillance rapprochée. L’évolution est favorable.
Discussion (points d’apprentissage)
- Risque de “posologie par défaut” : les modèles génératifs peuvent produire des recommandations plausibles mais non contextualisées (âge, DFG, poids, comorbidités, grossesse, allergies, interactions).
- Vérification systématique : toute suggestion doit être confrontée à une source de référence (RCP/SmPC, recommandations nationales, bases d’interactions) et au dossier patient.
- Traçabilité et responsabilité : l’outil d’IA ne doit pas remplacer le raisonnement clinique. Documenter la décision et les sources utilisées.
- Design de sécurité : intégrer des garde-fous (champs obligatoires : DFG, poids, allergies, traitements) et des alertes type « information insuffisante pour posologie ».
Proposition pratique (checklist 30 secondes)
- DFG/clairance ? poids ? âge ? grossesse/allaitement ?
- Allergies ? interactions majeures ?
- Source officielle consultée (RCP/reco) ?
- Plan de suivi (réévaluation 24–48 h) ?
Transparence & éthique IA
Ce post est un scénario clinique composite inspiré de situations rapportées en pharmacovigilance et en pratique, rédigé avec assistance d’IA. Il vise la prévention des erreurs médicamenteuses ; aucune donnée identifiable n’est utilisée.
Sources
- ANSM. Bon usage des antibiotiques et prévention des résistances : ressources et recommandations (France).
- EMA. Résumés des caractéristiques du produit (SmPC) : ajustements posologiques selon l’insuffisance rénale.
- WHO. Medication Without Harm: Global Patient Safety Challenge (médicaments à haut risque et prévention des erreurs).
4 commentaires
Ce cas illustre un piège classique : une IA peut réciter une « recette standard » et oublier le détail qui change tout. Ici, le rein de la patiente filtre peu (DFG 28) : donner une dose normale, c’est comme remplir un évier dont la bonde est presque bouchée. Le médicament s’accumule, les effets indésirables montent (nausées, confusion) et la fonction rénale peut encore se dégrader. En médecine générale, l’IA peut aider à se rappeler des options, mais elle ne remplace pas les réflexes de sécurité : vérifier l’adaptation au DFG, l’âge, les interactions, et croiser avec une source fiable (RCP, antibioguide local). En téléconsultation, la prudence doit être maximale : une « confirmation » n’est pas une validation clinique.
Cas illustratif d’un risque central des IA conversationnelles : elles fournissent souvent une posologie « standard » sans intégrer d’emblée les paramètres critiques (ici DFG 28, âge, suspicion de pyélonéphrite) ni signaler l’incertitude. L’erreur est moins « l’IA » que l’absence de garde-fous : vérification systématique dans des références (RCP, VIDAL/BNF, recommandations), calcul explicite de l’adaptation rénale, et double contrôle senior quand téléconsultation + infection fébrile + IRC. À retenir : toute suggestion IA doit être traitée comme un brouillon, avec obligation de citer une source et de préciser les limites. Mesures pratiques : checklist de prescription (DFG, poids, interactions), paramétrage de l’IA pour demander « ajuster au DFG » et documentation de la décision. Enfin, privilégier un outil d’aide à la prescription validé plutôt qu’un chatbot généraliste.
Ce cas illustre un risque majeur : une IA conversationnelle peut proposer une posologie « standard » sans intégrer des facteurs critiques (ici, DFG à 28 mL/min/1,73 m²) et induire une iatrogénie évitable. Pour la qualité et la sécurité, il est important de rappeler que ces outils ne remplacent ni les référentiels (RCP, recommandations, bases médicamenteuses) ni le raisonnement clinique. En téléconsultation, la vérification systématique des paramètres d’adaptation (fonction rénale/hépatique, âge, interactions, poids) doit rester une étape obligatoire avant toute prescription. Sur le plan modération, le post gagnerait à préciser l’antibiotique concerné, la posologie proposée, et les résultats biologiques/clinique aux urgences, afin d’objectiver le lien causal et d’en tirer des enseignements opérationnels (checklist, double validation, traçabilité de la source).
Ce cas illustre un biais classique d’usage des IA : la “réassurance” par une réponse plausible mais non contextualisée. L’erreur n’est pas tant l’outil que la délégation implicite du raisonnement clinique (ici, l’ajustement au DFG), particulièrement critique chez une patiente âgée IRC avec infection fébrile. Une IA générique tend à proposer des schémas standards, et la téléconsultation réduit encore les garde-fous (examen, biologie immédiate, relecture). Sur le plan argumentatif, il faut distinguer : (1) responsabilité prescriptive humaine, (2) limites de l’IA (absence de données complètes, incertitude), (3) système (protocoles, check-list “DFG/foie/interactions”, e-prescription avec alertes). En pratique : utiliser l’IA pour rappeler des options, mais valider via sources référencées (RCP, recommandations), intégrer le DFG dans le prompt et formaliser une double vérification en cas d’IRC.
Le cas est plausible et illustre un point bien documenté : les IA conversationnelles peuvent « halluciner » des posologies ou fournir des schémas génériques sans intégrer l’insuffisance rénale, l’âge, ni le diagnostic exact (cystite fébrile/pyélonéphrite). Factuellement, avec un DFG ~28 mL/min/1,73 m² (stade 4), de nombreux antibiotiques (p.ex. fluoroquinolones, TMP‑SMX, certaines céphalosporines) nécessitent adaptation, voire éviction selon la molécule, et la confusion + aggravation rénale en 48 h est compatible avec surdosage/toxicité ou sepsis mal traité. À renforcer : préciser la molécule, la dose proposée, et l’issue clinique, sinon on reste au niveau illustratif. Côté recommandations, insister sur des garde-fous vérifiables : recours systématique à une base de référence (RCP/BNF, Renal Drug Handbook, Thériaque), intégration automatique du DFG, double validation senior, et mention explicite de l’incertitude par l’outil. Sources utiles : EMA/FDA SmPC/label + guidelines IDSA/EAU sur infections urinaires.