Objectifs. La numérisation croissante des données de santé et le développement rapide de l’intelligence artificielle (IA) ouvrent la voie à des stratégies innovantes pour la prise en charge des maladies infectieuses. Cette étude visait à identifier de manière systématique et à résumer les données probantes actuelles concernant l’utilisation et les performances de modèles fondés sur l’IA pour la détection des infections associées aux soins (IAS) (c’est-à-dire l’identification d’infections déjà présentes dans les données disponibles) et leur prédiction (c’est-à-dire l’estimation du risque futur à partir d’informations antérieures sur les patients). Méthodes. PubMed, Embase, Scopus et Web of Science ont été interrogées pour identifier des études expérimentales et observationnelles publiées entre le 1er juillet 2018 et le 12 février 2024. Les critères de jugement principaux comprenaient des indicateurs de performance technique pour la détection et la prédiction des IAS (par exemple rappel, précision, aire sous la courbe ROC [AUROC]). Les éventuelles conséquences cliniques, organisationnelles ou économiques rapportées ont été évaluées comme critères de jugement secondaires. Résultats. Sur 4 489 références initialement identifiées, 121 études ont été incluses. Vingt-cinq études (20,6%) portaient sur la détection des IAS, dont plus de la moitié rapportaient une AUROC supérieure à 0,90. En revanche, les études portant sur la prédiction des IAS (n=93, 76,9%) présentaient des performances plus hétérogènes. Parmi les études comparant l’IA aux méthodes traditionnelles (n=32), les modèles d’IA surpassaient les approches conventionnelles dans 81,3% des cas (n=26). Conclusion. Un nombre croissant de données suggère que les modèles d’IA sont équivalents ou supérieurs aux méthodes traditionnelles pour la détection et la prédiction des IAS, mais des difficultés persistent dans l’évaluation des performances, de nombreuses études ne comportant pas de comparateur, peu d’évaluations prospectives étant disponibles et l’évaluation des conséquences organisationnelles restant limitée.
Barbati C, Viviani L, Vecchio R, et al.
Artificial intelligence use and performance in detecting and predicting healthcare-associated infections: A systematic review. Artif Intell Med. 2026;172:103321. Doi : 10.1016/j.artmed.2025.103321.