Face à l’explosion des données de santé, à la complexité croissante des connaissances médicales et aux contraintes organisationnelles, les systèmes d’aide à la décision clinique (SADC) ont été développés pour soutenir les décisions médicales, en particulier en réanimation où les volumes de données et l’intensité décisionnelle sont extrêmes. Après des approches initiales fondées sur des règles explicites, l’essor de l’intelligence artificielle (IA) ouvre des perspectives majeures d’amélioration de la qualité, de la rapidité et de la personnalisation des décisions cliniques. Les étapes clés du développement et de l’implantation d’un SADC basés sur l’IA sont : définition des besoins cliniques, accès et préparation des données, développement des algorithmes, intégration dans les flux de travail, évaluation de la performance, conformité réglementaire et amélioration continue. La préparation des données constitue l’essentiel de l’effort, conditionnant directement la fiabilité et la capacité à généraliser des modèles. Les enjeux de confidentialité, de sécurité et d’accès aux données nécessitent des infrastructures adaptées, telles que les environnements sécurisés et l’apprentissage fédéré. L’implantation clinique apparaît comme un défi majeur, davantage lié aux facteurs humains, organisationnels et d’acceptabilité qu’à la performance algorithmique elle-même. L’évaluation prospective, notamment via les « essais silencieux », est essentielle pour garantir la sécurité et la robustesse des SADC. Les défis futurs dans le développement des SADC incluent l’explicabilité des modèles, la formation des soignants, le maintien de l’autonomie humaine, la souveraineté technologique et l’évolution des cadres réglementaires, conditionnant une adoption durable et éthique de l’IA en santé.

Faced with the explosion of health data, the growing complexity of medical knowledge, and organizational constraints, clinical decision support systems (CDSS) have been developed to support medical decisions, particularly in intensive care, where data volumes and decision-making intensity are extreme. After initial approaches based on explicit rules, the rise of artificial intelligence (AI) is opening up major opportunities to improve the quality, speed, and personalization of clinical decisions. The key steps in the development and implementation of an AI-based CDSS are: defining clinical needs, accessing and preparing data, developing algorithms, integrating into workflows, evaluating performance, regulatory compliance, and continuous improvement. Data preparation constitutes the bulk of the effort, directly determining the reliability and generalizability of the models. Issues of confidentiality, security, and data access require appropriate infrastructure, such as secure environments and federated learning. Clinical implementation appears to be a major challenge, linked more to human, organizational, and acceptability factors than to algorithmic performance itself. Prospective evaluation, particularly through “silent trials,” is essential to ensure the safety and robustness of SADCs. Future challenges in the development of SADCs include model explainability, caregiver training, maintaining human autonomy, technological sovereignty, and evolving regulatory frameworks, which are prerequisites for the sustainable and ethical adoption of AI in healthcare.