📋 Cas d'Étude: Continuous Discovery pour l'IA Générative en Médecine Interne

Cet article vient à la fois illustrer la démarche de “Continuous Discovery” et se poser comme la finalité de cette série pour un cas d’usage concret et actuel d’une interne en médecine.

PROMPT

un article d’exemple de mise en oeuvre dans une démarche de recherche / thèse sur les opportunités d’usage de l’IA générative pour les internes en médecine, qui doivent à la fois parfaire leur apprentissage savoir/savoir-faire auprès des séniors ou autres agents vivants/institutions ou d’IA, pour le mettre en pratique opérationnelle auprès de leurs patients, et se maintenir eux-mêmes en bonne santé, sans trop subir la pression, la fatigue, etc… L’article doit démontrer comment cadrer/cibler une problématique, et fouiller les opportunités, réaliser des interviews de parties prenantes, se focaliser sur la valeur à produire pour les pp et les intéressés en tant que médecin interne.

La suite est générée par Github Copilot.

🎯 Contexte de la Recherche

Le Défi Initial

Les internes en médecine font face à un trilemme complexe:

        APPRENTISSAGE
             ↓
    (Savoir/Savoir-faire)
             ↕
      Auprès des séniors
      Institutions
      IA générative
        
        PRATIQUE
             ↓
    (Opérationnelle, patients)
             ↕
      Transférer immédiatement
      Sous supervision
      Responsabilité juridique
        
        BIEN-ÊTRE
             ↓
    (Santé mentale/physique)
             ↕
      Pression quotidienne
      Fatigue, épuisement
      Risque burn-out

La question de recherche:

Comment l’IA générative peut-elle soutenir (et non surcharger) les internes dans ce trilemme? Quels usages créent réellement de la valeur sans augmenter la fatigue?

---

🗺️ Appliquer Continuous Discovery: OST et Interviews

Phase 1: Cadrages du Problème (Semaines 1-2)

1.1 Définir les Stakeholders Clés

Parties Prenantes Directes:

1. Internes en médecine (utilisateurs finaux)

   • Spécialités: interne générale, cardiologie, pédiatrie, etc.
   • Années: 1re, 2e, 3e année
   • Contextes: hôpital public/privé, ambulatoire

2. Médecins Séniors/Superviseurs (mentors)

   • Chefs de service
   • Responsables pédagogiques
   • Tuteurs cliniques

3. Patients (bénéficiaires indirects)

   • Impact de la qualité des soins
   • Confiance vis-à-vis de l’IA

4. Institution (governance)

   • Directeurs médicaux
   • Responsables conformité/éthique
   • Représentants RH

1.2 Hypothèses Initiales à Valider

Hypothèse 1 (Apprentissage):

• ❓ L’IA générative accélère-t-elle la compréhension diagnostique?
• ❓ Ou devient-elle un “raccourci” qui atrophie l’apprentissage?

Hypothèse 2 (Pratique):

• ❓ Quel type de tâches peut l’IA déléguer/accélérer?
• ❓ Rédaction rapide? Synthèse dossiers? Brainstorm diagnostique?

Hypothèse 3 (Bien-être):

• ❓ L’IA réduit-elle la fatigue ou l’augmente-t-elle (dépendance)?
• ❓ Crée-t-elle de l’anxiété (peur de l’erreur IA)?

---

Phase 2: Interviews de Parties Prenantes (Semaines 3-6)

2.1 Interview Internes (Users Primaires)

Objectif: Comprendre les workflows quotidiens, friction points, aspirations.

Structure d’Interview (45-60 min):

BLOC 1: Contexte Actuel (10 min)
├─ Quelle est votre jour type?
├─ Combien de temps pour: dossiers, préparation visites, apprentissage?
└─ Où ressentez-vous la plus grande pression?

BLOC 2: Apprentissage (15 min)
├─ Comment apprenez-vous actuellement?
│  └─ "Avec qui apprenez-vous le plus?"
│  └─ "Quand vous êtes bloqués sur un diagnostic?"
├─ Avez-vous utilisé ChatGPT/Claude pour des cas médicaux?
├─ Si OUI: pour quoi? Impact sur compréhension?
└─ Si NON: pourquoi? Barrières?

BLOC 3: Pratique Opérationnelle (15 min)
├─ Tâches où vous sentiriez gain de temps?
│  └─ Rédaction dossier médical?
│  └─ Synthèse ECG/imagerie?
│  └─ Preparation présentation cas?
├─ Craintes juridiques/éthiques?
├─ Serait-ce acceptable que l'IA propose une hypothèse diagnostique?
└─ Besoin de supervision?

BLOC 4: Bien-être (10 min)
├─ Sentiment d'épuisement? (Échelle 1-10)
├─ Travail après horaires?
├─ Impact santé mentale?
└─ Comment on pourrait alléger votre charge?

BLOC 5: Valeur Perçue (5 min)
├─ Si on vous proposait un outil IA médical, quelle feature n°1?
└─ Quel KPI vous montrerait que c'est utile?

Insights Attendus:

• Patterns d’apprentissage (comment ils capturent le savoir-faire)
• Goulots d’étranglement (rédaction, synthèse = 30-40% du temps?)
• Résistances (peur juridique, manque de confiance)
• Aspirations (déléger administratif pour plus de patient-care)

---

2.2 Interview Médecins Séniors (Mentors/Gatekeepers)

Objectif: Comprendre pédagogie, risques de supervision, éthique médicale.

Structure (45 min):

BLOC 1: Pédagogie Actuelle (10 min)
├─ Comment guidez-vous l'apprentissage?
├─ Qu'est-ce qui marque le plus ("aha moments")?
└─ Craintes sur "raccourcis pédagogiques"?

BLOC 2: Risques de l'IA (15 min)
├─ Posez un cas complexe à ChatGPT avant interview
├─ Montrez réponse IA au sénior
├─ "Est-ce que c'est une bonne réponse? Des erreurs?"
├─ "Un interne suivrait aveuglément ça?"
└─ "Comment superviseriez-vous?"

BLOC 3: Valeur Pédagogique (10 min)
├─ Pourrait aider à explorer hypothèses diagnostiques?
├─ Ou serait un frein à la réflexion critique?
├─ Exemple: "Restitution verbale" vs "IA suggère"?
└─ Comment garantir apprentissage PROFOND?

BLOC 4: Governance (10 min)
├─ Quel contrôle éthique/juridique?
├─ Acceptabilité institutionnelle?
└─ Audit/traçabilité: nécessaire?

Insights Attendus:

• Risques réels vs peur injustifiée
• Opportunités de supervision augmentée
• Critères d’apprentissage profond (pas superficiel)
• Garde-fous éthiques requis

---

2.3 Entrevues Patients (Bénéficiaires Indirects)

Objectif: Comprendre acceptabilité, craintes, confiance.

Structure (20-30 min):

BLOC 1: Compréhension Actuelle (5 min)
├─ Savez-vous que les médecins utilisent des outils?
├─ Pensez-vous que l'IA pourrait être utilisée en médecine?
└─ Première réaction (peur/confiance)?

BLOC 2: Scénarios (10 min)
Présenter 3 scénarios:

  Scénario 1: "Diagnostic Augmenté"
  ─────────────────────────────────
  Un interne explore 5 hypothèses avec IA.
  Chaque hypathèse discutée avec un sénior.
  Décision finale: médecin humain.
  → Acceptable? (1-10)
  
  Scénario 2: "Rédaction Accélérée"
  ─────────────────────────────────
  IA écrit brouillon dossier médical.
  Médecin relit + corrige.
  Signature médecin (responsabilité juridique).
  → Acceptable? (1-10)
  
  Scénario 3: "Synthèse Imagerie"
  ─────────────────────────────────
  IA analyse radiographie (deuxième avis).
  Radiologue valide.
  → Acceptable? (1-10)

BLOC 3: Craintes/Confiance (5 min)
├─ Quelle information vous rassurerait?
├─ Transparence nécessaire?
└─ Qui doit être responsable si erreur?

Insights Attendus:

• Acceptabilité varie par scénario (diagnostic vs administratif)
• Besoin de transparence > besoin de cacher l’IA
• Responsabilité humaine = clé confiance

---

2.4 Entrevues Responsables Institutionnels

Objectif: Comprendre governance, conformité, scalabilité.

Structure (30 min):

BLOC 1: Conformité (10 min)
├─ Cadre légal actuel (RGPD, responsabilité médicale)?
├─ Audit/traçabilité possible?
├─ Assurance responsabilité civile (impact)?
└─ Approbation IRB/éthique nécessaire?

BLOC 2: Risques Stratégiques (10 min)
├─ Réputation (si erreur IA divulguée)?
├─ Formation obligatoire avant usage?
├─ Support IT/helpdesk?
└─ Coûts infrastructure (GPU, API)?

BLOC 3: Valeur Institutionnelle (10 min)
├─ Attrait recrutement (IA-ready)?
├─ Réduction burnout internes?
├─ Qualité soins améliorée?
└─ ROI mesurable?

---

Phase 3: Construire l’OST (Opportunity Solution Tree)

3.1 Desired Outcome (Racine)

🎯 OUTCOME PRINCIPAL
──────────────────
"Internes en médecine maîtrisent le diagnostic 
et la pratique clinique SANS surcharge mentale
ni dépendance IA non-critique."

KPIs:
  ✅ Score apprentissage +20% (évals superviseur)
  ✅ Burnout score -30% (auto-rapport)
  ✅ Temps administratif -25% (gain réel)
  ✅ Erreurs non-augmentées vs baseline
  ✅ Confiance patient stable/augmentée

3.2 Opportunity Clusters (Branches)

CLUSTER 1: APPRENTISSAGE AUGMENTÉ
──────────────────────────────────
Opp-1.1: Explorer hypothèses sans peur
  └─ IA propose 5 hypothèses → Interne les évalue critiquement
  └─ Sénior review 1-2 hypothèses clés
  
Opp-1.2: Compréhension immédiate de concepts
  └─ IA explique physiopathologie en langage simple
  └─ Interne valide vs sources officiel

Opp-1.3: Capture de pratiques séniors
  └─ IA résume "patterns diagnostiques" du sénior
  └─ Interne peut réutiliser/adapter

CLUSTER 2: DÉLÉGATION INTELLIGENTE
──────────────────────────────────
Opp-2.1: Rédaction accélérée dossiers
  └─ IA brouillon structuré → Interne vérifie/signe
  └─ Gain estimé: 30-40 min/jour

Opp-2.2: Synthèse rapide résultats labo/imaging
  └─ IA extrait + contexte → Interne décide pertinence
  
Opp-2.3: Préparation visites (listing synthétique)
  └─ IA agrège infos patients du jour
  └─ Interne prépare questions stratégiques

CLUSTER 3: BIEN-ÊTRE PROTÉGÉ
────────────────────────────
Opp-3.1: Réduction charge administrative
  └─ IA gère 60-70% tâches non-cliniques
  └─ Interne se concentre apprentissage/patients

Opp-3.2: Supporteur émotionnel (sans jugement)
  └─ IA disponible H24 pour questions "naïves"
  └─ Séniors pas surcharges par questions basiques

Opp-3.3: Alerte perte de qualité de vie
  └─ Système suivi charge mentale
  └─ Intervention préventive si burnout détecté

CLUSTER 4: GOVERNANCE TRANSPARENTE
──────────────────────────────────
Opp-4.1: Audit et traçabilité IA
  └─ Chaque suggestion IA + décision interne = tracée
  └─ Responsabilité claire (humain décide)

Opp-4.2: Confiance patient
  └─ Communication "IA est utilisée en support"
  └─ Transparence > secret

3.3 Solutions Candidates (Feuilles)

Exemple pour Opp-1.1 (Explorer hypothèses):

SOLUTION 1: "Differential Diagnosis Explorer"
─────────────────────────────────────────────
Workflow:
1. Interne entre: symptômes + contexte patient
2. IA propose 5-7 hypothèses (probabilités)
3. Interne clique sur hypothèse → Voit:
   - Physiopathologie
   - Investigations (labo/imaging) recommandées
   - Points clés à l'examen
4. Interne sélectionne 1-2 hypothèses
5. Discussion avec sénior (basée IA)

Success Metrics:
  ✅ Interne pose questions plus profondes
  ✅ Sénior valide "bonne direction diagnostique"
  ✅ Temps de diagnostic -15% vs baseline
  ✅ Accuracy diagnostique (vs gold standard) = identique

SOLUTION 2: "Hypothesis Critique Module"
──────────────────────────────────────────
Même que Solution 1, mais:
  + Après IA propose, Interne DOIT argumenter 
    pourquoi elle rejette/accepte
  + Sénior donne feedback sur qualité argument
  (Apprentissage profond > dépendance IA)

SOLUTION 3: "Reverse Diagnosis"
────────────────────────────────
Interne propose diagnostic SANS IA.
IA afterwards valide + suggère alternatives manquées.
Discussion: "Interne a-t-il pensé à X?"
(Apprentissage par confrontation)

---

🎯 Protocole de Validation: Experiments

Experiment 1: Diagnostic Augmenté (8 semaines)

Cohort: 6 internes (3 expérimental, 3 contrôle)

Procédure:

GROUPE EXPÉRIMENTAL:
  └─ Accès IA différentiel diagnostique
  └─ Formation 2h sur prompts effectifs
  └─ Daily standup: "Cas du jour"
  
GROUPE CONTRÔLE:
  └─ Approche traditionnelle (sénior seul)
  
MESURES:
  ✅ Temps diagnostic (moyenne)
  ✅ Qualité hypothèses (superviseur rate)
  ✅ Apprentissage (post-test diagnostique)
  ✅ Satisfaction interne (confiance)
  ✅ Burnout (score psychologique)

Hypothèse d’Expériment:

“Internes avec IA exploreront plus hypothèses SANS réduire qualité apprentissage”

---

Experiment 2: Rédaction Accélérée (4 semaines)

Procédure:

PHASE 1: Baseline
  └─ Mesurer temps rédaction dossier (sans IA)
  └─ Évaluer qualité (grille checklist)
  
PHASE 2: IA Intervention
  └─ IA brouillonne dossier (avec contexte patient)
  └─ Interne: améliore + signe
  └─ Mesurer temps, qualité, satisfaction
  
SUCCESS CRITERIA:
  ✅ Temps -30% MINIMUM
  ✅ Qualité ≥ baseline
  ✅ Interne se sent plus confiant

---

📊 Résultats Attendus & Cadrage

Si OST + Experiments Valident:

✅ OPPORTUNITÉ CONFIRMÉE:
   "IA support apprentissage + pratique
    WITHOUT dépendance ou surcharge"
    
   → RECOMMENDATION: 
     Pilot institutionnel 12 mois
     (30 internes, governance claire)
     
   → ROADMAP:
     Phase 1 (6 mois): Audit complet, formation
     Phase 2 (6-12 mois): Scaling + feedback loops
     Phase 3: Intégration curriculum officiel

Si Experiments Invalident:

❌ PIÈGE DÉTECTÉ:
   Exemple: "IA crée dépendance pédagogique"
   
   → PIVOT:
     Rédesigner: "IA critique vs IA propose"
     Tester: "Hypothesis Critique Module" (voir Solutions)

---

🎓 Implications pour Thèse/Recherche

Contributions Attendues:

1. Evidence sur Apprentissage:

   • IA aide-t-elle à “penser médical” ou le court-circuite?
   • Quelles conditions garantissent apprentissage profond?

2. Evidence sur Bien-être:

   • Quantification réelle: burnout -X%, temps admin -Y%
   • Trade-offs (support vs dépendance)

3. Framework de Governance:

   • Modèle de supervision augmentée
   • Audit trail + responsabilité médicale
   • Acceptabilité patient/institution

4. Transfert Académique:

   • Protocole réplicable autre contexte (nursing, pharmacie, etc.)
   • Lessons learned: pitfalls, success factors

---

🤝 Conclusion: Valeur pour Toutes les PP

Partie Prenante	Valeur Réalisée	Risque Mitigé
Internes	Apprentissage + temps = mieux	Dépendance IA
Séniors	Mentorat augmenté (moins routine)	Perte contrôle pédagogique
Patients	Soins qualité maintenue/améliorée	Confiance en IA inconnue
Institution	Attractivité, burnout ↓, qualité ↑	Conformité, risque réputationnel
Thèse	Evidence robuste, impact	Généralisation limitée (contexte)

---

📞 Suites Possibles

Appliquer ce même framework Continuous Discovery à:

• Nursing (IA support documentation?)
• Pharmacologie (interaction drug-drug?)
• Gestion administrative (IA pour planning?)

La recette: OST + Interviews + Experiments = Confiance vs Hype

---

Continuous Discovery transforme “l’IA en médecine” d’une question abstraite en opportunités concrètes, testées, avec stakeholders.