16 septembre 2026

« Peut-on faire confiance à ce que répond une intelligence artificielle ? » La question est récurrente chez les vétérinaires praticiens, et elle mérite d'être retournée : avant de savoir si l'on peut se fier à une IA, il faut déjà savoir à quoi l'on se fie soi-même en matière de démarche clinique — une publication scientifique, un chapitre d'ouvrage, la diapositive d'un confrère, une recommandation de consensus… La confiance dans les sources de données, y compris bibliographiques, n'est pas née avec les grands modèles de langage (large language models). Ceux-ci l'ont seulement rendue impossible à éluder.

Le consensus, un label plus rare qu'il n'y paraît

Le réflexe le plus répandu consiste à chercher un consensus scientifique. Le repère est bon, mais étroit : depuis 2002, une trentaine de recommandations de consensus seulement ont été publiées par le collège américain de médecine interne vétérinaire (American College of Veterinary Internal Medicine, ACVIM), dont 20 depuis 2020.

Le collège européen (ECVIM) ne publie pas de série équivalente : la fonction est assurée par des groupes thématiques, comme l'European Advisory Board on Cat Diseases (ABCD), auteur de 52 documents sur les maladies infectieuses félines depuis 2009 — dont quatre versions successives des recommandations sur la péritonite infectieuse, la dernière en avril 2026. Le repère change selon la discipline, et l'absence de consensus reste la situation ordinaire.

Revue générale, revue systématique, consensus

Plusieurs méthodologies cohabitent parmi les publications dénommées « revue bibliographique », et elles n'ont pas la même valeur. La revue générale est signée par un auteur qui fait le tour de la question et retient les articles qu'il juge pertinents : rien ne permet de savoir précisément ce qu'il a écarté. Les auteurs d'une revue systématique, eux, fixent et publient leur méthode avant d'ouvrir la première publication retenue — bases bibliographiques interrogées, mots-clés, critères d'inclusion, sélection par deux lecteurs indépendants… — de sorte qu'une autre équipe reproduisant le travail retrouverait le même corpus. Le consensus, enfin, réunit un panel de spécialistes qui analysent et arbitrent, notamment là où les preuves manquent.

Douze ans pour actualiser un consensus

La cadence de révision des recommandations cliniques est faible. Le consensus sur la maladie de Lyme chez le chien, qui date initialement de 2006, a été actualisé en 2018 et étendu à cette occasion au chat ; celui sur la leptospirose canine de 2010 l'a été en 2023 ; celui sur la valvulopathie mitrale canine de 2009 en 2019. Le délai est de 12 ans en médiane, et certaines recommandations n'ont encore jamais été révisées.

Cet intervalle peut être comparé à la durée de vie d'une revue systématique. Passé 5,5 ans en médiane, une donnée nouvelle est venue en modifier la conclusion : un résultat qui bascule, un effet dont l'ampleur varie de moitié, ou un effet indésirable jusque-là non décrit (Shojania et al., Ann Intern Med, 2007).

Rapprochons les deux durées. Il faut une douzaine d'années en moyenne pour qu'un consensus soit actualisé, alors qu'une revue systématique cesse d'être à jour au bout d'un peu plus de 5 ans. Le temps qu'une nouvelle version d'un consensus paraisse, les synthèses qui avaient servi à écrire la précédente ont été renouvelées deux fois. Le praticien qui suit un consensus travaille donc, en moyenne, sur un état des connaissances qui a déjà changé…

Une recommandation forte sur cinq ne survit pas

Que devient une recommandation de consensus lorsque le sujet est révisé ? Sur 619 recommandations de rang élevé suivies d'une version à la suivante (actualisée) en cardiologie humaine : 80,0 % ont été conservées, 9,2 % ont été rétrogradées ou inversées, et 10,8 % supprimées (Neuman et al., JAMA, 2014 ; voir infographie en illustration principale).

Ce taux de survie dépend surtout du fondement scientifique : il est de 90,5 % si la recommandation s'appuie sur plusieurs essais randomisés, et de 73,7 % si elle découle d'un avis d'expert, lequel a ainsi 3,14 fois plus de risques de ne pas survivre à l'actualisation.

Ces chiffres proviennent de la cardiologie humaine. Qu'en est-il des consensus vétérinaires ? Personne ne l'a mesuré. Mais l'on sait sur quoi ils s'appuient : les revues systématiques vétérinaires récentes soumises à une cotation formelle ressortent toutes en qualité « faible » ou « très faible » (Block, JVIM, 2024). Faute de preuves solides, les panels tranchent suivant l'avis d'experts. Les consensus vétérinaires relèvent donc de la catégorie la plus fragile — celle dont, en médecine humaine, un quart des recommandations ne survit pas à la première actualisation.

Le pimobendane chez le chat : histoire d'une contre-indication contournée

Illustration sous un autre angle avec l'usage du pimobendane chez le chat. La molécule arrive sur le marché français en 2000 avec une indication précise : une seule espèce cible, le chien, et une seule situation, l'insuffisance cardiaque congestive due à une cardiomyopathie dilatée ou à une insuffisance valvulaire. Le résumé des caractéristiques du produit comporte une contre-indication explicite : ne pas utiliser en cas de cardiomyopathie hypertrophique, ni lorsque l'augmentation du débit cardiaque est impossible pour des raisons anatomiques.

Or, la cardiomyopathie hypertrophique est précisément l'affection cardiaque la plus fréquente du chat. La pratique s'installe malgré ces réserves, « hors AMM », et la littérature accompagne le mouvement. En 2014, une étude cas-témoins rétrospective portant sur 27 chats traités et 27 témoins appariés, recevant un protocole sans pimobendane, rapporte une survie médiane de 626 jours contre 103 (Reina-Doreste et al., JAVMA, 2014). Une longévité 6 fois plus élévée : l'usage félin paraît acquis.

En 2021 toutefois, le premier essai prospectif randomisé, contrôlé, en double aveugle, mené sur 83 chats, ne retrouve aucune différence sur son critère principal : atteindre 180 jours de survie sans avoir à augmenter la dose de furosémide (Schober et al., JVIM, 2021). Et chez les 30 chats présentant un rétrécissement de la voie d'éjection du ventricule gauche, le placebo fait mieux que le pimobendane — 60 % de succès contre 28,6 % — sur un effectif certes trop faible pour conclure, mais dans le sens exact que la contre-indication d'origine anticipait.

Vingt-cinq ans après, l'autorisation de mise sur le marché (AMM) n'a pas changé de périmètre. Elle s'est élargie aux stades précliniques chez le chien, jamais au chat ni aux cardiomyopathies hypertrophiques : le résumé des caractéristiques du produit en vigueur aujourd'hui porte toujours la même contre-indication qu'en 2000. Trois repères coexistent donc sans coïncider — ce qu'autorise l'AMM, ce que fait la profession, et ce qu'établit la science.

Ce que l'IA hérite du corpus

Le corpus éclaire le point de départ : sur les 402 000 publications vétérinaires indexées dans PubMed depuis 1975, les revues systématiques n'en représentent que 0,25 %, contre 1,09 % en littérature biomédicale globale (voir tableau ci-dessous).

Le déficit ne porte pas sur la valeur des données produites — la profession vétérinaire publie proportionnellement autant d'essais randomisés que la médecine humaine — mais sur leur inventaire : le travail de tri et d'analyse qui permettrait de savoir ce que l'ensemble de ces essais établit reste quatre fois plus rare qu'en médecine humaine.

Pour en revenir à la question initiale, c'est ce que l'IA générative ne compense pas : un modèle de langage restitue ce qui est fréquent dans le corpus analysé, non ce qui est récent ni ce qui est le mieux étayé. Ainsi, dans l'exemple du pimobendane chez le chat, l'étude rétrospective de 2014 est aujourd'hui citée par 27 publications, contre 11 pour l'essai randomisé de 2021. Le biais n'est pas idéologique, il est arithmétique.

Ce contrôle n'a d'ailleurs pas été fait en médecine vétérinaire. Sur les 23 publications associant modèles de langage et médecine vétérinaire, aucune ne vérifie si les réponses produites sont conformes aux recommandations en vigueur : elles portent sur les questionnaires à choix multiples, la fouille de dossiers ou la perception des étudiants. Tant que ce travail n'existe pas, la vérification revient à celui qui pose la question.

Que faire en pratique

En pratique, 2 réflexes suffisent. Le premier consiste à regarder sur quoi repose une donnée avant de fonder une décision médicale sur elle, puis à ajuster sa conduite selon ce qu'on a trouvé.

• Plusieurs essais randomisés concordants : appliquer.
• Un essai isolé, ou une recommandation de consensus récente : appliquer, en signalant au propriétaire que la donnée est jeune.
• Une série rétrospective seule : à réserver aux impasses thérapeutiques, en notant dans le dossier de l'animal pourquoi ce choix a été fait.
• Un avis d'expert ou un usage hors AMM : respecter le principe de la cascade, informer le propriétaire, en laisser une trace écrite.

Le second réflexe concerne l'IA. Une réponse produite par un modèle de langage n'est pas une source, c'est un point de départ. Trois questions la qualifient : sur quelle publication s'appuie-t-elle, de quand date cette publication, et existe-t-il depuis une recommandation qui la contredit ? Si le modèle ne sait pas répondre aux deux premières, sa réponse ne vaut rien.

Perspectives pour le vétérinaire praticien

Un angle mort s'ajoute : les travaux des groupes d'étude de l'Association française des vétérinaires pour animaux de compagnie (AFVAC) ne sont pas indexés dans les bases bibliographiques internationales, quelle que soit leur qualité. Ils échappent ainsi à PubMed comme à une IA généraliste. L'inverse est donc vrai aussi : une donnée qu'on ne trouve ni sur PubMed ni auprès d'une IA peut être parfaitement établie et validée par la profession vétérinaire française. L'absence de trace en ligne n'est pas un verdict.

Ainsi, une donnée sûre n'est ni une donnée récente, ni une donnée labellisée. C'est une donnée dont on connaît le fondement, l'âge et le degré de réplication.

Il reste aussi au vétérinaire praticien ce qu'aucune source ne prend en charge. Le consensus ne signe pas l'ordonnance, l'ouvrage ne pose pas la main sur l'animal, le modèle de langage ne comparaît pas en cas de réclamation. Faute d'encadrement réglementaire de l'IA en médecine vétérinaire, la responsabilité d'une décision prise avec l'aide d'un outil IA pèse entièrement sur son utilisateur (Bertin et al., JVIM, 2026). Avec ou sans intelligence artificielle, c'est le vétérinaire qui engage sa responsabilité devant l'animal et son propriétaire, et lui seul aura à expliquer sur quoi il l'a fondée.