Raisonnement clinique interprofessionnel sur des problèmes de santé fréquents à l’aide de cas de patient·e·s virtuel·le·s assistés par l’IA
Des cas cliniques virtuels avec IA renforcent le raisonnement clinique interprofessionnel des étudiant·e·s en médecine et des infirmier·ère·s en pratique avancée (IPA) grâce à un feedback personnalisé.
Durée : décembre 2025 – novembre 2026
Statut : en cours
Niveau de formation : niveau tertiaire
Thème : artificial intelligence AI
Mots-clés : raisonnement clinique, patients virtuels, formation interprofessionnelle, intelligence artificielle, formation médicale
Situation initiale
Le raisonnement clinique est une compétence essentielle tant pour les étudiant·e·s en médecine que pour les infirmier·ère·s en pratique avancée (IPA). Pourtant, les cas cliniques virtuels (VP) actuellement disponibles ne proposent que des solutions types, sans feedback personnalisé. Cela limite les apprentissages et soutient peu la prise de décision diagnostique. Par ailleurs, aucun format interprofessionnel n’existe à ce jour, bien que le raisonnement clinique en équipe soit fondamental dans la pratique. Dans le même temps, la croissance des cohortes étudiantes et les nouveaux cursus centrés sur les cas nécessitent des formats numériques évolutifs. Des travaux antérieurs menés dans le cadre de BeLEARN ont démontré que les grands modèles de langage (LLM) peuvent fournir un feedback très individualisé sur les productions des étudiant·e·s, comblant ainsi une lacune majeure des cas VP. Néanmoins, aucun curriculum sur les problèmes de santé courants intégrant des cas VP mono- et interprofessionnels avec LLM n’existe à ce jour. Ce projet vise à combler cette lacune par la création d’un curriculum couvrant 20 thématiques et trois cas VP enrichis par LLM.
Objectifs
Le projet a pour objectif de développer un curriculum de raisonnement clinique interprofessionnel autour de 20 problèmes de santé fréquents, et d’implémenter trois cas VP améliorés par LLM. Ces cas soutiendront l’apprentissage mono- et interprofessionnel et seront évalués en comparaison avec les cas VP classiques.
Méthode
Un curriculum de 20 thèmes est élaboré, et trois cas VP existants sont enrichis de feedback généré par LLM, capable d’analyser les textes libres produits par les étudiant·e·s et d’y répondre de manière ciblée. Des parcours d’apprentissage différenciés sont conçus pour les étudiant·e·s en médecine, les IPA et les binômes mixtes. Une étude en méthode mixte comparera les gains d’apprentissage entre les cohortes via un test Key-Feature et explorera les expériences d’apprentissage à travers des groupes de discussion.
Translation prévue
En s’appuyant sur un format VP déjà établi, les résultats du projet pourront être directement intégrés aux curriculums de médecine et d’IPA. Les données issues de l’étude orienteront les décisions en matière d’implémentation à plus grande échelle, notamment pour un usage interprofessionnel. La collaboration entre l’Université de Berne et la BFH garantit l’ancrage durable dans les programmes d’enseignement et soutient l’expansion du format VP dans les deux filières. Le projet améliore l’apprentissage grâce à un feedback personnalisé par l’IA et renforce les compétences diagnostiques interprofessionnelles. Il soutient également les cursus basés sur les cas, à grande échelle. L’impact sera mesuré à l’aide de comparaisons de gains d’apprentissage, d’analyses qualitatives des expériences étudiantes et de retours sur la faisabilité et l’acceptabilité dans les deux formations.
