L’individualisation posologique des anti-infectieux est un enjeu important pour optimiser l’efficacité et minimiser la toxicité face à une forte variabilité inter-individuelle. L’apprentissage automatique (ML pour machine learning ), une branche de l’intelligence artificielle, émerge comme une alternative aux approches traditionnelles. Les algorithmes de ML permettent de développer a priori des stratégies pour prédire la dose initiale optimale et a posteriori des stratégies pour estimer avec précision l’exposition médicamenteuse (aire sous la courbe [ASC]) à partir d’échantillons limités. Cet article de revue synthétise les avancées récentes, illustrées par des applications réussies pour la vancomycine, la daptomycine et le ganciclovir, montrant des performances souvent comparables ou supérieures aux méthodes classiques. Les approches hybrides, combinant ML et pharmacocinétique de population, sont également explorées comme une voie d’avenir prometteuse. Malgré les défis à surmonter, le ML s’impose comme un outil transformateur pour une médecine de précision plus sûre et efficace.

Precision dosing of anti-infectives is an important challenge, aiming to maximize efficacy while minimizing toxicity in the face of high inter-in-dividual variability. Machine learning (ML), a field of artificial intelligence, is emerging as a data-driven alternative to traditional methods. ML algorithms enable two complementary strategies: a priori approaches to predict the optimal initial dose based on patient characteristics, and a posteriori approaches to accurately estimate drug exposure (Area Under the Curve, AUC) from limited samples for therapeutic drug monitoring. This review summarizes recent advances, illustrated by successful applications for key drugs such as vancomycin, daptomycin, and ganciclovir, which have demonstrated performance comparable or superior to standard methods. The potential of hybrid models, combining ML with population pharma-cokinetics, is also explored as a promising path forward. While challenges remain, ML is proving to be a transformative tool for a safer and more effective precision medicine.