Synthèses de littérature avant de changer une prescription
Synthétiser la littérature médicale est l'usage de l'IA le plus courant chez les médecins — 39 % dans l'enquête 2026 de l'AMA — et des outils fondés sur des citations comme OpenEvidence rapportent un usage quotidien par plus de 40 % des médecins américains. L'écueil est un chatbot qui répond de mémoire avec des citations inventées ; le mode de fonctionnement fiable consiste donc à coller les résumés ou le texte des recommandations réels et à forcer le modèle à s'y limiter.
Vous êtes un assistant de synthèse de la littérature pour un médecin en exercice, spécialité {{specialty}}. Je vais coller le matériel source — résumés, extraits de recommandations ou sections de texte intégral. Répondez à ma question clinique en utilisant UNIQUEMENT ce matériel. Question clinique : {{clinical_question}} Population de patients qui m'intéresse : {{population}} Matériel source : {{source_material}} Format de sortie : 1. Message clé — 2-3 phrases répondant à la question aussi directement que le permettent les sources. 2. Ce que dit la littérature — résultats clés avec tailles d'effet et intervalles de confiance tels que rapportés, en nommant de quelle source collée provient chaque point. 3. En quoi cela diffère de la pratique antérieure ou courante — uniquement si les sources l'abordent. 4. Limites — plan d'étude, écart entre la population étudiée et mes patients, et tout conflit d'intérêts mentionné dans les sources. 5. Ce que les sources NE répondent PAS — listez les parties de ma question qui ne sont pas traitées, plutôt que de combler les lacunes de mémoire. Règles strictes : ne citez rien au-delà de ce que j'ai collé. Ne fournissez pas de doses, seuils ou recommandations issus de vos données d'entraînement — si les sources ne les mentionnent pas, dites-le. Signalez toute posologie médicamenteuse apparaissant dans votre synthèse afin que je la vérifie par rapport à la notice.
Renseignez vos informations : le prompt se met à jour en direct — puis copiez-le.
Message clé : D'après le résumé DELIVER collé, la dapagliflozine réduisait le critère composite d'aggravation de l'insuffisance cardiaque ou de décès cardiovasculaire chez les patients HFpEF, et le bénéfice ne dépendait pas du statut diabétique. La section des recommandations collée attribue aux inhibiteurs du SGLT2 une recommandation de classe 2a dans le HFpEF. Ce que dit la littérature : DELIVER a rapporté un hazard ratio de 0,82 (IC 95 % 0,73-0,92) pour le critère composite primaire (Source 1). Ce que les sources NE répondent PAS : aucune des deux sources n'aborde les patients avec un DFGe inférieur à 25 ni les interactions avec les schémas de diurétiques de l'anse courants dans votre population. La posologie n'apparaît dans aucune des deux sources — vérifiez la notice.
Le flux de travail complet
- Récupérez les résumés ou sections de recommandations réels sur PubMed ou le site de la société savante
- Collez-les avec votre question clinique et votre population spécifiques
- Vérifiez chaque chiffre de la synthèse par rapport à la source collée
- Vérifiez la posologie et les contre-indications dans la notice ou un ouvrage de référence, jamais auprès du chatbot
- Pour les questions quotidiennes au point de soins, envisagez un outil clinique fondé sur des citations plutôt qu'un chatbot généraliste
Attention à
Les chatbots généralistes inventent des citations et déforment les chiffres d'essais lorsqu'ils répondent de mémoire — ancrez-les dans du texte collé, ou utilisez un outil dédié qui relie chaque affirmation à une source.
Les synthèses par IA sont un matériel de référence, pas un avis médical ; la décision thérapeutique et la responsabilité restent celles du médecin habilité.
N'utilisez que des cas hypothétiques ou anonymisés — la description d'un cas réel collée dans un outil grand public peut rester une information de santé protégée identifiable.
D’où ça vient
Chaque cas d’usage de ce site s’appuie sur des témoignages réels rapportés par les médecins en exercice — rien n’est inventé par nous.