Aux urgences, les assistants de documentation ne changent pas la donne

Le bâtiment des urgences du Brigham and Women's Hospital, à Boston, a ouvert en 2022. En 2025, il était déjà trop petit. Un soir du début septembre, le service comptait 59 patients, et 152 en comptant la salle d'attente. Christopher Baugh, médecin dans ce service, le dit sans détour : « Pour la salle de soins aigus, nous en avons 61. On ne peut pas accueillir 152 patients dans 61 salles. » Des lits ont été installés partout où c'était possible, et des patients dormaient dans les couloirs.

C'est là, dans le chaos des urgences, que se voient le mieux les limites de ce que l'IA change vraiment en médecine. La technologie la plus avancée du service, ce sont les assistants de documentation : des logiciels qui écoutent la conversation entre le médecin et le patient et aident à la retranscrire dans le dossier médical. Le reportage de STAT du 9 septembre 2026 résume leur effet d'une phrase : ils n'ont pas changé la donne.

Ils ne sont pas inutiles pour autant. Dans les hôpitaux qui les ont déployés, les mêmes bénéfices reviennent : moins d'heures passées sur la documentation, une charge administrative allégée pour l'équipe, une meilleure communication avec le patient. Sauf que ce soulagement ne se traduit pas automatiquement en capacité d'accueil. Il manque toujours des salles, des lits et du personnel, et la file d'attente se forme ailleurs, du côté des ressources, pas du clavier.

Les chiffres de cette soirée disent bien ce que l'IA peut changer. Un modèle de langage transforme l'enregistrement d'une conversation en une entrée du dossier médical. Il n'ouvre pas une salle et n'embauche pas d'infirmière. Améliorer la capacité d'accueil suppose donc d'agir sur les ressources, pas seulement sur la couche logicielle. La distinction compte à chaque fois qu'un service d'urgences envisage d'acheter un nouvel outil.

Là où les preuves manquent vraiment

Le même écart entre la promesse et la preuve est décrit dans un commentaire publié le 17 septembre 2026 dans npj Digital Medicine, signé Arjun Mahajan, Nigam H. Shah et Dylan Powell. Les auteurs soulignent que le développement rapide des grands modèles de langage en médecine complique l'approche classique de production et d'évaluation des preuves. Les modèles changent plus vite que les études, et les protocoles comme les modes de compte rendu des essais cliniques prospectifs sont trop divers pour évaluer rapidement et solidement l'efficacité et la sécurité des modèles cliniques.

La conclusion pratique pour les hôpitaux est la suivante. Les déploiements qui raccourcissent le temps de travail sur la documentation reposent sur des bases solides et peuvent être évalués. Les promesses sur la capacité d'accueil, les coûts ou les résultats des traitements, elles, exigent des études conçues pour les mesurer. Sans cela, on arrive vite à un assistant d'IA qui fait plaisir aux médecins pendant que les patients attendent dans le couloir.