Les dangers de l'autodiagnostic avec l'IA

Un mal de tête persistant. Une douleur dans le bas du dos qui dure depuis trois semaines. Une tache sur la peau qui semble avoir changé. Jusqu'il y a quelques années, on cherchait sur Google, on lisait des forums, on finissait par prendre rendez-vous chez le médecin.

Aujourd'hui, de plus en plus de personnes posent directement la question à une intelligence artificielle : ChatGPT, Gemini, Claude, Grok. Et l'IA répond, avec assurance, en quelques secondes, dans un français parfait, avec des arguments qui semblent raisonnés.

C'est cette apparence de compétence qui rend la situation particulièrement préoccupante, l'autodiagnostic avec l'IA représente un danger conséquent.

En mars 2025, une enquête FLASHS réalisée pour Galeon auprès de 2 003 Français représentatifs de la population nationale révélait que 34 % des Français ont déjà interrogé une IA générative pour des questions de santé. Cette proportion monte à 68 % chez les 18-24 ans. Parmi ceux qui l'ont fait, 60 % ont suivi les recommandations reçues, dont 17 % sans en parler à un médecin.^[1] Une étude Doctolib/Fondation Jean Jaurès publiée en 2026 portait ce chiffre à 45 % de Français utilisateurs, et montrait que pour 18 % d'entre eux, le recours à l'IA les avait conduits à renoncer à consulter.^[2]

Ces chiffres ne sont pas anodins. Ils décrivent un glissement silencieux dans le rapport que les gens entretiennent avec leur santé : l'IA devient un premier recours médical, sans en avoir ni la formation, ni la responsabilité, ni les moyens.

Je ne cherche pas à travers cet article à diaboliser l'intelligence artificielle, dont les applications légitimes dans la médecine professionnelle sont manifestement prometteuses. Je cherche à poser clairement ce que les données montrent sur l'utilisation grand public des IA génératives pour s'autodiagnostiquer et s'automédiquer, et pourquoi cette pratique comporte des risques concrets, mesurables, et mal compris.

Quand l'IA se trompe en santé, et à quelle fréquence

En avril 2026, le BMJ Open publiait les résultats d'un audit indépendant sur cinq chatbots grand public parmi les plus utilisés au monde : ChatGPT, Gemini, Grok, Meta AI et DeepSeek. Chacun d'eux a été soumis à 50 questions de santé dans cinq catégories (cancer, vaccins, cellules souches, nutrition, performance physique), en utilisant des formulations typiques des recherches d'information médicale quotidienne.^[3]

Le résultat : près de 50 % des réponses ont été jugées "problématiques" par deux experts indépendants. Plus précisément, 30 % étaient "partiellement problématiques" (informations incomplètes, hors contexte ou manquant de nuance) et 19,6 % étaient "hautement problématiques" (informations inexactes, trompeuses ou contredisant le consensus scientifique établi). Aucun des cinq chatbots n'a produit une liste de références entièrement exacte : les hallucinations (sources inventées, citations fabriquées) ont rendu toutes les listes de sources incomplètes ou fausses.

Les chercheurs ont également noté que les questions ouvertes, celles qui ressemblent le plus aux vraies requêtes de santé ("est-ce que je dois m'inquiéter si...", "qu'est-ce qui peut causer...") produisaient significativement plus de réponses problématiques que les questions fermées. Dans ce format ouvert, 40 réponses "hautement problématiques" ont été produites contre seulement 9 pour les questions fermées. C'est exactement le format dans lequel les gens consultent l'IA pour leur santé.

"Les chatbots audités ont mal performé dans les domaines de santé et de médecine sujets à la désinformation. Leur déploiement continu sans éducation du public et encadrement réglementaire risque d'amplifier la désinformation."

Ce n'est pas un cas isolé. Une étude publiée dans BMJ Quality and Safety en 2024 par des chercheurs allemands de l'Université Friedrich-Alexander d'Erlangen-Nuremberg a évalué les réponses de chatbots intégrés aux moteurs de recherche pour des questions médicamenteuses courantes de patients : les réponses comportaient régulièrement des inexactitudes ou des informations manquantes "pouvant menacer la sécurité des patients et des médicaments".^[4]

La confiance comme piège

Le problème ne vient pas seulement de ce que l'IA dit. Il vient de comment elle le dit.

Les modèles de langage génèrent du texte fluide, structuré, sans hésitation apparente. Ils ne disent pas "je ne sais pas exactement". Ils produisent des réponses complètes, avec des explications, parfois des nuances qui donnent l'impression d'une réflexion médicale approfondie. Cette apparence de compétence est structurellement trompeuse : elle est indissociable de la façon dont ces systèmes fonctionnent, et elle ne reflète pas leur niveau réel de fiabilité en contexte médical.

Un audit publié dans Annals of the Royal College of Surgeons of England a montré que les références fabriquées par les chatbots "ressemblaient étroitement à de vraies publications scientifiques", avec des titres plausibles, des URLs inventées, et des attributions à des institutions réputées comme la Mayo Clinic.^[5] Un utilisateur qui essaierait de vérifier ces sources trouverait des liens morts, ou des articles qui n'ont jamais existé. La plupart des gens ne vérifient pas.

C'est ce qu'on appelle les "hallucinations". Le terme est presque trop doux : il s'agit de fabrications, présentées avec le même ton assuré que les informations exactes. Sur des questions de santé, cette indiscernabilité entre le vrai et le faux a des conséquences qui vont au-delà de l'inconfort intellectuel.

L'urgence médicale manquée

Le scénario le plus grave n'est pas que l'IA donne une mauvaise information sur un complément alimentaire. C'est qu'elle rate une urgence médicale.

En février 2026, l'Icahn School of Medicine at Mount Sinai publiait dans Nature Medicine la première évaluation indépendante de ChatGPT Health, l'outil de santé grand public lancé par OpenAI en janvier 2026, qui avait déjà attiré 40 millions d'utilisateurs quotidiens en quelques semaines.^[6] Les chercheurs lui ont soumis 60 scénarios cliniques couvrant 21 spécialités médicales, dans 16 variations contextuelles différentes (sexe, âge, barrières sociales, formulation des symptômes), générant 960 interactions au total.

Le résultat est sans ambiguïté : ChatGPT Health a sous-triagé 52 % des urgences médicales avérées, c'est-à-dire qu'il a conseillé à des patients qui avaient besoin de soins immédiats d'attendre 24 à 48 heures et de consulter un médecin en ambulatoire. Des cas d'acido-cétose diabétique (une urgence métabolique potentiellement mortelle) et d'insuffisance respiratoire imminente ont été déclassifiés en consultations différées. À l'inverse, 35 % des cas non urgents ont été sur-triagés, envoyant des patients aux urgences sans nécessité.

Ce qui aggrave le constat : dans plusieurs cas, le chatbot reconnaissait dans sa propre réponse la présence de signaux d'alarme, mais rassurait quand même le patient. Il "voyait" l'urgence sans la transmettre.

Les urgences classiques, celles pour lesquelles le tableau clinique est univoque (AVC, choc anaphylactique), étaient bien gérées. Les cas ambigus, ceux où l'expérience clinique et l'index de suspicion d'un médecin font la différence, ont systématiquement échoué. Ce sont précisément ces cas-là qui arrivent le plus souvent dans les consultations réelles : des symptômes qui ne ressemblent pas encore à une urgence, mais qui en sont une.

Un article de cas publié en 2024 dans le Central European Journal of Medicine a rapporté le cas d'un patient qui, après avoir suivi les conseils d'un chatbot, avait retardé de façon critique la prise en charge d'un AIT (accident ischémique transitoire), aussi connu sous le nom de "mini-AVC", une fenêtre thérapeutique de quelques heures au-delà de laquelle les dégâts deviennent irréversibles.^[7]

L'angle mort des interactions médicamenteuses

L'automédication n'est pas sans risques même quand elle est guidée par un pharmacien formé. Guidée par une IA, elle ouvre un autre angle mort : les interactions médicamenteuses.

Une étude publiée dans npj Digital Medicine en 2026 cite un exemple devenu emblématique dans la littérature sur la sécurité des chatbots médicaux : un patient a demandé à ChatGPT s'il pouvait prendre du Paxlovid (traitement antiviral contre le COVID) en même temps que du vérapamil (un médicament cardio). Le chatbot a répondu qu'il n'y avait pas d'interaction.^[8] Tout prescripteur reconnaîtrait le danger immédiatement : le ritonavir, un composant du Paxlovid, inhibe le métabolisme du vérapamil via le cytochrome P450, ce qui peut provoquer une hypotension dangereuse. L'IA l'a raté avec confiance.

Une revue publiée dans Exploratory Research in Clinical and Social Pharmacy en 2025, qui a comparé les IA à des bases de données cliniques de référence sur des interactions médicamenteuses réelles, a conclu qu'aucun LLM testé n'atteignait les performances des outils de screening clinique dédiés, même lorsque leur sensibilité était correcte, leur précision restait trop faible et leurs hallucinations trop fréquentes.^[9]

Ce n'est pas un détail technique. Les interactions médicamenteuses sont responsables de plusieurs dizaines de milliers d'hospitalisations en France chaque année. Les personnes âgées polyprescrites, les patients sous traitements chroniques, les femmes enceintes : ce sont précisément les populations qui ont le plus à perdre à suivre un conseil médicamenteux incorrect, et qui sont aussi celles dont les profils sont les moins bien représentés dans les données d'entraînement des modèles.

Le diagnostic manqué : passer à côté de ce qui compte

Au-delà des erreurs médicamenteuses, il y a le risque du diagnostic manqué. Un symptôme banal peut être l'expression d'une pathologie grave. Un mal de dos peut être une tumeur. Une fatigue chronique peut être une anémie ferriprive, un hypothyroïdisme ou une maladie cœliaque. Une perte de poids inexpliquée mérite toujours une investigation médicale.

L'IA ne voit que les mots que vous lui donnez. Elle n'examine pas. Elle ne palpe pas. Elle ne fait pas d'analyse de sang. Elle n'entend pas votre voix ou ne remarque pas votre teint. Elle ne peut pas noter l'évolution de votre état depuis votre dernière consultation. Le diagnostic médical est une synthèse d'informations hétérogènes : anamnèse, examen clinique, contexte, antécédents, biologie et imagerie. L'IA n'en capte qu'une fraction, et la traite sans validation croisée.

Ce que l'IA fait, et c'est là une part de son danger, c'est rassurer. Parce que les réponses les plus probables aux symptômes courants sont bénignes, elle les génère en premier. Un utilisateur avec une douleur thoracique recevra peut-être d'abord une réponse sur la tension musculaire ou l'anxiété. Statistiquement, c'est souvent correct. Mais quand ce n'est pas correct, le délai de prise en charge peut coûter des semaines ou des mois.

Les études sur les retards de diagnostic dans les cancers montrent que des délais de quelques semaines à quelques mois peuvent changer de façon significative le stade auquel la tumeur est détectée, et donc le pronostic. Ce lien est particulièrement documenté pour les cancers colorectaux, les mélanomes et les cancers du sein.

L'effet rassurant qui décourage la consultation

L'étude Doctolib/Fondation Jean Jaurès citée en introduction pointait un phénomène précis : 18 % des utilisateurs d'IA pour des questions de santé ont renoncé à consulter après avoir obtenu une réponse de l'IA, une proportion qui monte à 20 % chez les étudiants.^[2] Ces mêmes étudiants cumulent le taux d'adoption de l'IA le plus élevé (78 %) et, souvent, les freins financiers à la consultation les plus forts.

Ce profil illustre un mécanisme préoccupant : l'IA ne se substitue pas à la consultation médicale dans les cas où les gens avaient déjà l'intention de consulter. Elle se substitue surtout à la consultation chez ceux qui hésitaient, qui repoussaient, qui cherchaient une raison de ne pas y aller. Elle devient le motif de ne pas prendre rendez-vous.

Or, les déserts médicaux, les délais d'attente parfois indécents chez les spécialistes, le coût des consultations pour une partie de la population française : ces facteurs structurels rendent le recours à l'IA compréhensible. Le problème n'est pas irrationnel. Mais la solution qu'il génère expose à des risques que ces mêmes personnes, souvent parmi les plus vulnérables, ne peuvent pas évaluer.

Ce que l'IA peut légitimement apporter

Il serait inexact, et intellectuellement malhonnête, de terminer cet article sans reconnaître ce que l'IA peut faire de façon utile et raisonnablement sûre dans le domaine de la santé.

Elle peut aider à comprendre un diagnostic ou un traitement déjà posé par un médecin : expliquer ce qu'est une HbA1c, à quoi sert un inhibiteur de la pompe à protons, pourquoi un médecin a prescrit telle molécule. Elle peut aider à formuler des questions à poser lors d'une consultation, à préparer un rendez-vous, à comprendre une ordonnance complexe. Elle peut aussi jouer un rôle dans la sensibilisation : signaler qu'un symptôme mérite une attention médicale, encourager à consulter plutôt qu'à attendre.

C'est dans ce rôle d'amplificateur de la relation avec le médecin, et non de substitut à lui, que l'IA a le plus de valeur dans la vie des patients.

Ce qu'un praticien fait que l'IA ne peut pas faire

Il ne s'agit pas ici de disqualifier l'IA au profit d'un autre acteur. Il s'agit de nommer ce que la consultation humaine apporte, et que aucun modèle de langage n'est structurellement capable de reproduire.

L'anamnèse : tout ce que vous n'avez pas pensé à dire

Quand un naturopathe ou un médecin prend votre histoire en consultation, il ne pose pas des questions parce que le logiciel le demande. Il suit un fil, corrige sa trajectoire en fonction de vos réponses, reformule, creuse. Il vous pose des questions auxquelles vous n'auriez jamais pensé d'emblée parce qu'elles ne vous sembleraient pas liées à votre plainte principale.

Votre niveau de stress chronique des six derniers mois. Vos antécédents familiaux de pathologies auto-immunes. Votre qualité de sommeil depuis que vous avez changé de poste. Le médicament que vous avez arrêté il y a trois semaines parce que vous pensiez que c'était bénin. Ces informations changent tout à l'interprétation de ce que vous ressentez, et vous ne les auriez pas spontanément soumises à un chatbot.

Une revue systématique publiée dans JMIR Medical Informatics en 2024, qui a passé en revue les études sur les chatbots pour la collecte d'anamnèse médicale, souligne que malgré des performances acceptables sur des symptômes isolés et bien définis, les chatbots "manquent souvent de la compréhension empathique et de l'intelligence émotionnelle inhérentes aux interactions humaines", ce qui affecte directement la construction de la relation de confiance et la qualité de l'information recueillie lors de conversations médicales sensibles.^[10]

Une revue de l'Université de Toronto publiée dans npj Digital Medicine en 2025, qui comparait les performances de GPT-4o et Claude-3 à celles de médecins résidents sur des questions de raisonnement diagnostique en situation d'incertitude, concluait que les deux chatbots obtenaient des scores inférieurs aux résidents sur les cas ambigus (p < 0,01), avec une catégorie d'erreurs dominante : les erreurs de raisonnement logique sur des informations incomplètes ou hautement nuancées.^[11] Or l'incertitude diagnostique, c'est le quotidien de la pratique clinique réelle.

La vision holistique, pas seulement le symptôme

En naturopathie, la consultation est construite autour d'un bilan de terrain : votre alimentation, votre gestion du stress, votre transit, la qualité de votre sommeil, vos antécédents familiaux, vos habitudes de vie, vos traitements en cours (y compris les compléments alimentaires que vous avez peut-être omis de mentionner à votre médecin). Cette lecture transversale de votre santé est impossible à reproduire à travers une session de chat.

Une étude publiée dans PLOS ONE portant sur les perceptions de patients diabétiques suivis en naturopathie identifiait trois caractéristiques dominantes de la relation praticien-patient dans ce contexte : une approche centrée sur la personne, une lecture holistique plutôt que centrée sur la pathologie isolée, et une dynamique collaborative dans l'élaboration du plan de soin.^[12] Ces trois dimensions ne sont pas des détails de confort : elles conditionnent directement l'engagement du patient dans son propre processus de changement.

La relation thérapeutique comme levier de changement

Changer ses habitudes de vie, c'est difficile. Ce n'est pas une question de volonté : c'est une question de motivation, de soutien, de suivi, de réajustement progressif. Aucun article de blog et aucune IA ne vous relancera si vous avez décroché au bout de deux semaines.

La relation entre la qualité de la communication praticien-patient et l'observance des recommandations (changements alimentaires, activité physique, compléments, protocoles de réforme) est l'un des sujets les mieux documentés en médecine comportementale. Une méta-analyse publiée dans Medical Care portant sur 106 études corrélationnelles et 21 interventions expérimentales chez des patients en soins chroniques concluait que les patients dont les praticiens communiquaient mal présentaient un risque de non-observance 19 % plus élevé que ceux dont les praticiens communiquaient bien.^[13] Former les praticiens à mieux communiquer améliorait significativement l'observance de leurs patients (p < 0,001).

Ce n'est pas de la philosophie. C'est de la mécanique : être écouté, se sentir compris, recevoir une explication claire et adaptée à sa situation, et savoir qu'on sera suivi dans le temps sont des facteurs qui déterminent si les recommandations seront suivies ou pas.

Une étude publiée dans Journal of General Internal Medicine sur 3 289 patients montrait que l'empathie perçue du praticien prédisait significativement la confiance globale du patient (r = 0,49 à 0,75, p < 0,01 pour toutes les dimensions), et que cette confiance médiatisait à son tour la qualité de la relation thérapeutique.^[14] La confiance n'est pas un à-côté agréable de la consultation : elle est un facteur fonctionnel de l'efficacité du soin.

Aucun modèle de langage ne génère de confiance dans ce sens-là. Il peut imiter un discours empathique. Il ne connaît pas votre situation, ne se souvient pas de votre bilan du mois précédent, et ne vous relance pas six semaines plus tard pour savoir si vous avez maintenu les ajustements convenus.

En conclusion

La frontière est nette : utiliser l'IA pour comprendre ce que votre médecin vous a dit, c'est un usage raisonnable.

Utiliser l'IA pour déterminer ce que vous avez, ce que vous devez prendre, et si vous devez consulter ou pas, c'est prendre un risque dont vous ne pouvez pas évaluer la taille, parce que l'outil que vous utilisez ne peut pas lui-même l'évaluer.

Article rédigé à des fins d'information et d'éducation à la santé. Il ne constitue pas un avis médical individuel. En cas de symptôme persistant, inhabituel ou s'aggravant, consultez un médecin généraliste ou un professionnel de santé qualifié. Aucun outil numérique, quelle que soit sa sophistication apparente, ne remplace un examen clinique et un suivi médical personnalisé.

© Vita Naturalis — Vitanaturalis.fr

Sources

1. Enquête FLASHS pour Galeon (mars 2025). Les Français, leur santé et l'IA. Réalisée du 11 au 14 mars 2025, panel de 2 003 Français représentatifs de la population nationale. flashs.fr — 34 % des Français ont déjà interrogé une IA générative pour des questions de santé (68 % chez les 18-24 ans) ; 60 % de ceux qui l'ont fait ont suivi les recommandations, dont 17 % sans en parler à un médecin. ↩
2. Étude Doctolib / Fondation Jean Jaurès (2026). Réalisée par la géographe de la santé Joy Raynaud. ici.fr — 45 % des Français utilisent l'IA pour des questions de santé ; 18 % des utilisateurs déclarent avoir renoncé à consulter après avoir obtenu une réponse d'une IA ; chez les étudiants, ce taux de renoncement atteint 20 % avec un cumul de facteurs de vulnérabilité (coût, délais, adoption élevée de l'IA). ↩
3. Tiller, N.B. et al. (2026). Generative artificial intelligence-driven chatbots and medical misinformation: an accuracy, referencing and readability audit. BMJ Open, 16, e112695. DOI: 10.1136/bmjopen-2025-112695. https://bmjopen.bmj.com/content/16/4/e112695 — Audit de cinq chatbots majeurs (ChatGPT, Gemini, Grok, Meta AI, DeepSeek) sur 250 réponses à des questions de santé : 49,6 % de réponses "problématiques" (30 % partiellement, 19,6 % hautement) ; hallucinations et citations fabriquées empêchaient toute liste de références pleinement exacte ; les questions ouvertes généraient 4,4 fois plus de réponses "hautement problématiques" que les questions fermées. ↩
4. Andrikyan, W. et al. (2024). Artificial intelligence-powered chatbots in search engines: a cross-sectional study on the quality and risks of drug information for patients. BMJ Quality and Safety, 34(2). DOI: 10.1136/bmjqs-2024-017476. PMC11874309. https://pmc.ncbi.nlm.nih.gov/articles/PMC11874309/ — Évaluation des chatbots des moteurs de recherche sur des questions médicamenteuses courantes : réponses régulièrement incomplètes ou inexactes, avec des inaccuracies "pouvant menacer la sécurité des patients et des médicaments". ↩
5. AI Chatbots Vary Widely on Fake Medical References. (2026). Annals of the Royal College of Surgeons of England. medscape.com — Taux d'hallucinations de références médicales variant de 0 à 34 % selon les plateformes ; les citations fabriquées "ressemblaient étroitement à de vraies publications scientifiques" avec titres plausibles, URLs inventées et attributions à des institutions réputées. ↩
6. Ramaswamy, A. et al. (2026). ChatGPT Health performance in a structured test of triage recommendations. Nature Medicine. DOI: 10.1038/s41591-026-04297-7. PMID: 41731097. https://pubmed.ncbi.nlm.nih.gov/41731097/ — Icahn School of Medicine at Mount Sinai : 960 interactions sur 60 scénarios cliniques dans 21 spécialités ; sous-triage de 52 % des urgences médicales avérées (acido-cétose diabétique, insuffisance respiratoire imminente redirigées vers consultation différée) ; sur-triage de 35 % des cas non urgents ; l'outil reconnaissait les signaux d'alarme dans ses propres explications mais continuait à rassurer les patients. ↩
7. Cas clinique (2024). Central European Journal of Medicine. Cité dans UPMC HealthBeat, 2025. upmc.com — Cas rapporté d'un patient ayant subi un retard de prise en charge potentiellement engageant le pronostic vital suite à un autodiagnostic incorrect par chatbot pour un AIT (accident ischémique transitoire). ↩
8. Ayo-Ajibola, O. et al. (2026). Who bears liability when AI gives bad prescribing advice. npj Digital Medicine. DOI: 10.1038/s41746-026-02854-5. nature.com — Exemple d'interaction médicamenteuse dangereuse non détectée par ChatGPT : interaction Paxlovid-vérapamil (ritonavir inhibant le métabolisme du vérapamil via CYP450, risque d'hypotension sévère) signalée comme sans interaction ; discussion des enjeux de responsabilité légale quand l'IA fournit des conseils de prescription sans supervision médicale. ↩
9. Vida, R. et al. (2025). Comparative evaluation of artificial intelligence platforms and drug interaction screening databases using real-world patient data. Exploratory Research in Clinical and Social Pharmacy, 20, 100655. DOI: 10.1016/j.rcsop.2025.100655. PMC12712589. https://pmc.ncbi.nlm.nih.gov/articles/PMC12712589/ — Aucun LLM testé n'atteignait les performances des bases de données cliniques dédiées au dépistage des interactions médicamenteuses ; précision insuffisante et hallucinations fréquentes même lorsque la sensibilité était correcte. ↩
10. Hindelang, M. et al. (2024). Transforming Health Care Through Chatbots for Medical History-Taking and Future Directions: Comprehensive Systematic Review. JMIR Medical Informatics, 12, e56628. DOI: 10.2196/56628. PMID: 39207827. PMC11393511. https://pubmed.ncbi.nlm.nih.gov/39207827/ — Revue systématique (études jusqu'en juillet 2024) : les chatbots manquent de compréhension empathique et d'intelligence émotionnelle inhérentes aux interactions humaines, limitant la confiance et la qualité de l'information recueillie lors de conversations médicales sensibles. ↩
11. Siden, R. et al. (2025). A typology of physician input approaches to using AI chatbots for clinical decision-making. npj Digital Medicine, 9(1), 14. DOI: 10.1038/s41746-025-02184-y. PMID: 41350807. https://pubmed.ncbi.nlm.nih.gov/41350807/ — GPT-4o et Claude-3 obtiennent des scores inférieurs aux médecins résidents sur les questions à incertitude diagnostique (p < 0,01) ; les erreurs dominantes sont des erreurs de raisonnement logique sur informations nuancées ou incomplètes. ↩
12. Seely, D. et al. (2012). Patient-Reported Experiences with First-Time Naturopathic Care for Type 2 Diabetes. PLOS ONE. PMC3492455. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3492455/ — Analyse qualitative de 22 patients : trois thèmes dominants de la relation praticien-patient en naturopathie, approche centrée sur la personne, vision holistique, et dynamique collaborative dans l'élaboration du plan de soin. ↩
13. Haskard Zolnierek, K.B. & DiMatteo, M.R. (2009). Physician Communication and Patient Adherence to Treatment: A Meta-analysis. Medical Care, 47(8), 826-834. DOI: 10.1097/MLR.0b013e31819a5acc. PMID: 19584762. PMC2728700. https://pubmed.ncbi.nlm.nih.gov/19584762/ — 106 études corrélationnelles et 21 interventions expérimentales : risque de non-observance 19 % plus élevé chez les patients dont les praticiens communiquent moins bien ; la formation à la communication améliore significativement l'observance (p < 0,001). ↩
14. Wu, Q., Jin, Z. & Wang, P. (2021). The Relationship Between the Physician-Patient Relationship, Physician Empathy, and Patient Trust. Journal of General Internal Medicine, 37(6), 1388-1393. DOI: 10.1007/s11606-021-07008-9. PMID: 34405348. PMC9086002. https://pmc.ncbi.nlm.nih.gov/articles/PMC9086002/ — 3 289 patients : l'empathie perçue du praticien prédit significativement la confiance globale du patient (r = 0,49-0,75, p < 0,01) et médiatise la qualité de la relation thérapeutique. ↩