Contexte. La surveillance des infections associées aux soins (IAS) est centrale pour la prévention des infections, mais elle demeure complexe, consommatrice de ressources et variable selon les contextes. Les grands modèles de langage (LLM) tels que ChatGPT offrent un soutien potentiel, mais n’ont pas été évalués pour l’application des définitions du National Healthcare Safety Network (NHSN). Méthodes. Cette simulation transversale a évalué l’exactitude et la cohérence de ChatGPT (GPT-4) dans l’application des définitions du NHSN. Un test de 20 items issu d’une banque d’entraînement validée a été classé par domaine. Trois tests indépendants ont été réalisés à l’aide de requêtes identiques et du manuel NHSN 2024, consulté via la plateforme ChatGPT Plus. Les réponses de ChatGPT ont été comparées à une clé de réponses validée et mises en regard de celles de professionnels de la prévention des infections (n=22). Les analyses comprenaient le test des rangs signés de Wilcoxon, le test t de Welch et la corrélation de Spearman. Résultats. ChatGPT a obtenu en moyenne 45% de réponses exactes sur l’ensemble des exécutions, avec seulement 20% des items corrects lors des trois tentatives. Les performances étaient meilleures pour les événements identifiés en laboratoire, mais inconstantes pour les infections nécessitant une logique temporelle ou des raisonnements en plusieurs étapes. Aucune corrélation significative n’a été observée entre l’exactitude de ChatGPT et celle des professionnels de la prévention des infections. Conclusion. Dans cette simulation constituant une proof of concept, ChatGPT-4 a montré une fiabilité limitée pour les tâches complexes de surveillance du NHSN, mais un potentiel dans des situations structurées fondées sur des données de laboratoire. Ces résultats mettent en évidence à la fois les limites actuelles et les perspectives des outils d’intelligence artificielle générative en prévention des infections.
Holmes K, Liu X, Moinuddin M, et al.
Simulation-based evaluation of ChatGPT for healthcare associated infection surveillance using validated case scenarios. Am J Infect Control. 2026. Online ahead of print. Doi : 10.1016/j.ajic.2026.01.021.