Comment les internes de médecine générale perçoivent-ils leur formation à l’intelligence artificielle générative, ainsi que ses usages actuels ou envisagés, ses bénéfices attendus et ses limites en pratique clinique, en France en 2026 ?
L’intelligence artificielle générative connaît un développement rapide et une diffusion croissante dans le domaine de la santé, notamment à travers des outils accessibles comme les modèles de langage. Ces technologies sont susceptibles d’influencer la pratique médicale, en particulier dans l’accès à l’information, l’aide à la décision et l’éducation en santé.
Cependant, leur utilisation reste encore peu encadrée et la formation des futurs médecins à ces outils apparaît limitée, alors même que leur usage semble déjà présent de manière informelle chez les étudiants et internes.
Dans ce contexte, il apparaît pertinent d’explorer la manière dont les internes de médecine générale perçoivent leur formation à l’intelligence artificielle générative, ainsi que les usages, bénéfices et limites qu’ils lui attribuent dans leur future pratique.
Comment les internes de médecine générale perçoivent-ils leur formation à l’intelligence artificielle générative, ainsi que ses usages actuels ou envisagés, ses bénéfices attendus et ses limites en pratique clinique, en France en 2026 ?
Hypothèses: L’hypothèse de cette étude est que les internes de médecine générale estiment ne pas être suffisamment formés à l’utilisation de l’intelligence artificielle générative dans le cadre de leur formation initiale, malgré un intérêt croissant et des usages déjà présents de manière informelle. Il est également attendu que les internes expriment des besoins de formation spécifiques, ainsi que des interrogations et des craintes concernant l’usage de ces outils, notamment en termes de fiabilité des informations, de responsabilité professionnelle, d’éthique et d’impact sur la relation médecin-patient.Étude qualitative exploratoire par entretiens individuels semi-structurés auprès d’internes de médecine générale.
Population : internes de médecine générale rattachés à une faculté de médecine française, principalement celle de Rouen.
Lieu de l’étude : terrains de stage en soins primaires (cabinets de médecine générale, maisons de santé pluriprofessionnelles) en Normandie.
Mode de recueil : entretiens individuels semi-structurés, enregistrés par dictaphone puis retranscrits de manière anonymisée.
Recrutement : recrutement par sollicitation directe via les réseaux d’internes et contacts personnels, selon un échantillonnage raisonné visant une diversité de profils (semestre, type de stage, appétence pour le numérique).
Effectifs envisagés : environ 15 à 20 participants, jusqu’à saturation des données.
Temps de recueil : entre mai et août 2026.
Stratégie d’analyse : analyse thématique inductive des entretiens, avec identification de thèmes récurrents et émergents.
1. Bajwa J, Munir U, Nori A, Williams B. Artificial intelligence in healthcare: transforming the practice of medicine. Future Healthc J. 2021;8(2):e188-e194.
2. Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D. Key challenges for delivering clinical impact with artificial intelligence. BMC Med. 2019;17:195.
3. Morley J, Machado CCV, Burr C, Cowls J, Taddeo M, Floridi L. Ethics of AI in health care: challenges and governance. Lancet Digit Health. 2020;2(10):e447-e458.
4. Kung TH, Cheatham M, Medenilla A, et al. Performance of ChatGPT on USMLE: potential implications for medical education. PLoS Digit Health. 2023;2(2):e0000198.
5. Razai MS, Kankam HKN, Majeed A, Esmail A, Williams DR. General practitioners’ perceptions of artificial intelligence in primary care: a qualitative study. PLoS One. 2024;19(1):e0314196.
Vous devez vous identifier pour postuler à ce poste.
