L’intelligence artificielle transforme progressivement la gestion de l’asthme chez l’enfant en facilitant l’identification précoce, la stratification des risques et le monitorage à distance.
© IA Médicale | Image générée par IA
Le diagnostic de l’asthme chez l’enfant reste difficile, surtout chez les plus jeunes. Il y a à la fois des sous-diagnostics et des sur-diagnostics, parfois lourds de conséquences. Des études montrent qu’environ un enfant sur deux traité pour asthme ne l’est pas réellement. Avant 5 ans, faute de tests fiables, le diagnostic repose sur des critères cliniques comme la répétition d’épisodes sifflants (PNDS Asthme de l’enfant de moins de 36 mois, HAS, 2009). Or, environ 60 % des jeunes enfants considérés comme asthmatiques ne le seront plus après 3 ans. (HAS et SFP, Document d’information sur l’asthme du nourrisson, 2020)
Chez l’enfant plus âgé, la spirométrie, les examens d’imagerie et le bilan allergologique permettent de confirmer ou d’écarter le diagnostic. Les recommandations françaises insistent sur l’importance de réévaluer régulièrement la situation, notamment si les preuves manquent. Ces erreurs diagnostiques peuvent entraîner soit un retard de prise en charge, soit des traitements inutiles, avec effets indésirables et conséquences psychosociales.
Plusieurs travaux récents montrent que l’IA peut aider à identifier l’asthme dès la première ligne de soins. Une étude chinoise (Yu et al., Annals of Translational Medicine, 2020) a entraîné différents algorithmes de machine learning sur des dossiers médicaux électroniques d’enfants hospitalisés, dans le but de distinguer l’asthme d’autres affections respiratoires courantes. Le meilleur modèle, basé sur l’algorithme CatBoost, a atteint une précision de 84,7 % (AUC 90,9 %) sur un premier échantillon issu d’un service de pneumologie pédiatrique, et même 96,7 % (AUC 98,1 %) sur un second échantillon plus large incluant des patients d’autres services. Concrètement, un tel outil pourrait épauler les pédiatres pour éviter les confusions avec la bronchite ou la pneumonie, améliorant ainsi le taux de diagnostic correct et la prise en charge précoce.
Dans le même esprit, une équipe a conçu un système d’IA exploitant plus de 1,3 million de consultations pédiatriques provenant d’un grand hôpital. Ce système, qui s’appuie sur le traitement du langage naturel des comptes-rendus médicaux, a démontré une précision élevée pour les pathologies respiratoires . Pour l’asthme, le modèle a identifié correctement les diagnostics avec des taux de succès allant de 83 % pour la variante de l’asthme avec toux (cough variant asthma) jusqu’à 97 % pour l’asthme avec exacerbation aiguë. L’outil s’est notamment révélé capable de repérer des diagnostics d’asthme aigu potentiellement graves avec un niveau de confiance élevé (Liang et al., Nature Medicine, 2019).
L’IA objective l’auscultation grâce à des outils connectés, comme des stéthoscopes électroniques, qui analysent les bruits respiratoires. Des modèles de reconnaissance acoustique parviennent à distinguer un sifflement d’une toux normale, et même à différencier les toux asthmatiques de celles de sujets sains. Ces outils aident les médecins à détecter précocement les symptômes d’asthme et à orienter plus rapidement vers un diagnostic lorsqu’un sifflement est identifié.
Une des grandes promesses de l’IA pour l’asthme de l’enfant réside dans sa capacité à anticiper les risques futurs pour permettre une prévention ciblée. Cette perspective est confortée par une méta-analyse de 2023, qui rapporte une discrimination globalement performante des modèles prédictifs d’exacerbations, avec une AUC agrégée de 0,80. Parmi les approches évaluées, les algorithmes de type boosting (renforcement) se sont particulièrement distingués, atteignant une performance supérieure (AUC de 0,84) à celle des méthodes classiques ou des forêts aléatoires. De plus, les modèles entraînés sur de larges cohortes mixtes (enfants et adultes) affichent les meilleurs résultats (AUC 0,88), suggérant l’intérêt d’intégrer les données pédiatriques dans des modèles globaux robustes. En intégrant des facteurs clés tels que l’historique des visites aux urgences ou l’utilisation de corticoïdes systémiques, ces modèles offrent un outil précieux pour classer les patients selon leur niveau de risque et ajuster le suivi thérapeutique (Xiong et al., BMC Pulmonary Medicine, 2023).
Une application concrète de l’IA en asthme pédiatrique est illustrée par l’étude canadienne AIRE-KIDS, qui a développé un modèle prédictif capable d’anticiper les visites aux urgences pour asthme dans l’année suivant une crise. Le modèle a atteint de bonnes performances prédictives (AUC 0,72) et pourrait à terme orienter les stratégies de suivi après un passage aux urgences. Cet outil, encore en validation externe, représente une avancée vers une médecine personnalisée (Ooi et al., European Respiratory Journal, 2024).
L’IA permet de prédire si l’asthme persistera à l’âge adulte ou entrera en rémission. En analysant plus de 29 000 dossiers médicaux, des chercheurs ont mis au point des modèles capables d’anticiper l’état de la maladie à l’adolescence avec une très haute précision. Les résultats montrent une excellente performance prédictive, avec des AUC entre 0,85 et 0,93 selon l’âge et le modèle utilisé. Le meilleur niveau de précision est obtenu pour la prédiction du statut à 12-15 ans (AUC ≈ 0,93 avec un modèle de forêt aléatoire). Fait notable : seules 10 variables cliniques suffisent pour obtenir ces résultats. Cela ouvre la voie à un outil pratique pour identifier tôt les enfants à risque de conserver un asthme actif. Cette distinction précoce permettrait aux médecins d’adapter proactivement le suivi, offrant ainsi une stratégie véritablement sur mesure (Sagheb et al., J Allergy Clin Immunol Global, 2025).
Un contrôle optimal de l’asthme nécessite un monitoring régulier des symptômes et de la fonction respiratoire pour détecter précocement les dégradations. Or, le suivi conventionnel par consultations programmées présente des limites : l’asthme est une maladie émaillée d’exacerbations imprévisibles et épisodiques. De plus, la surveillance repose largement sur le ressenti et la mémoire des patients ou parents, avec un risque de biais de rappel et d’informations perdues entre les rendez-vous. Chez les jeunes enfants, la situation est encore plus complexe car ils ont une perception limitée de leurs symptômes, ou peuvent les minimiser volontairement. Résultat : la prise en charge est souvent réactive, l’intensification du traitement n’intervenant qu’après la survenue de symptômes marqués ou d’une crise.
L’essor des objets connectés et de l’IA ouvre la possibilité de passer d’une logique réactive à une approche proactive et individualisée. Des programmes de télésurveillance à domicile ont émergé, combinant applications mobiles, capteurs physiologiques et plateformes d’analyse des données. Par exemple, une étude pilote (Gijsen et al., Scientific Reports, 2025) menée aux Pays-Bas a évalué un suivi digital de 40 enfants asthmatiques (6-18 ans) sur 3 mois, intégrant un bracelet connecté mesurant des paramètres vitaux en continu, une spirométrie connectée hebdomadaire à domicile, et un retour médical personnalisé via une application. L’objectif était de détecter les signes précoces de perte de contrôle et d’intervenir sans attendre la prochaine consultation programmée.
Une élévation de la fréquence cardiaque nocturne, mesurée par montre connectée, s’est révélée être un marqueur prédictif significatif de la dégradation du contrôle. Concrètement, chaque augmentation du pouls nocturne était associée à un risque accru, indépendamment de la prise de bronchodilatateurs. Grâce à ce suivi en temps quasi réel, les cliniciens ont pu être alertés et contacter les familles en cas d’anomalie, ajustant le traitement avant que l’enfant ne présente des symptômes sévères.
Bien que l’amélioration du score de contrôle ACT en fin d’étude (Gijsen et al., Scientific Reports, 2025) n’ait pas atteint la significativité statistique (médiane passant de 22,5 à 24, p≈0,06), la tendance positive observée va dans le sens d’un bénéfice clinique potentiel. À minima, aucune détérioration de la fonction respiratoire n’a été constatée sur la période, suggérant que ce suivi rapproché a contribué à stabiliser l’asthme des participants.
Si les initiatives actuelles mêlant questionnaires et programmes éducatifs favorisent l’adhésion, elles se heurtent sur le long terme à la lassitude des patients face à la saisie manuelle. La solution réside dans le monitorage passif via des capteurs portables, capables d’enregistrer en continu des biomarqueurs sans contrainte pour l’enfant. Des travaux récents (Gijsen et al., Scientific Reports, 2025) confirment d’ailleurs que ces variations discrètes peuvent signaler l’imminence d’une crise. Le défi technologique actuel est d’exploiter pleinement l’IA pour analyser ces flux en temps réel et fournir un retour immédiat, une capacité encore limitée dans les outils d’aujourd’hui.
L’intégration de l’intelligence artificielle dans le parcours de soins de l’asthme pédiatrique reste un défi complexe malgré des résultats prometteurs. Pour dépasser ce stade expérimental, il est crucial d’analyser les freins actuels (biais, manque de données et acceptabilité) qui conditionnent son succès futur.
Des problèmes de taille d’échantillon sont notés : certains modèles prometteurs n’ont été validés que sur quelques dizaines d’enfants, ce qui limite la confiance dans leurs résultats et leur généralisation. Il sera important d’entraîner les algorithmes sur des bases de données plus larges et plus représentatives, intégrant la diversité des populations.
Les modèles d’IA sont souvent perçus comme des «boîtes noires». Cette absence de transparence peut freiner l’adoption par les médecins, qui hésiteront à faire confiance à une prédiction dont le raisonnement sous-jacent leur échappe. L’enjeu majeur réside dans la transparence des modèles : les cliniciens doivent pouvoir valider la logique sous-jacente aux prédictions.
Un algorithme performant dans un contexte donné peut voir ses performances chuter s’il est appliqué tel quel dans un autre contexte. La généralisation des modèles d’IA en asthme requiert donc des validations multicentriques. Or, l’allergologie pédiatrique reste en retrait dans l’exploitation des données massives. Par ailleurs, une vigilance particulière doit être apportée pour détecter et corriger les biais systémiques présents dans les données, afin que l’IA profite équitablement à tous les jeunes patients.
L’intelligence artificielle s’impose progressivement comme un levier majeur dans l’asthme pédiatrique, optimisant le parcours de soin du diagnostic jusqu’au suivi. Des algorithmes performants constituent une aide décisionnelle précieuse pour le praticien, facilitant l’identification de la maladie. Qu’il s’agisse d’anticiper le risque d’exacerbations sévères ou de distinguer la persistance de l’asthme d’une future rémission, ces outils transforment des données complexes en aide à la décision clinique. Cette finesse prédictive offre l’opportunité d’une médecine de précision : intensifier la prévention pour les profils à haut risque d’hospitalisation ou adapter les thérapeutiques au pronostic à long terme. Couplée à une télésurveillance capable de capter les signes avant-coureurs de dégradation, l’IA promet de réduire les crises graves et les errances diagnostiques, garantissant ainsi une meilleure qualité de vie aux jeunes patients.
Haute Autorité de Santé (HAS), Société Française de Pédiatrie (SFP), SP2A. Quand parler d’asthme chez l’enfant de moins de 3 ans ? – Document d’information à destination des familles. Disponible sur : https://www.has-sante.fr/jcms/r_1500603/en/asthme-quand-en-parler-chez-l-enfant-de-moins-de-3-ans
Haute Autorité de Santé. Arguments pour la mise en œuvre des recommandations de bonne pratique – Asthme de l’enfant de moins de 36 mois, 2009.
Delaisi B. L’asthme de l’enfant : sur ou sous-diagnostiqué ? Compte rendu des 20es Journées d’Information en Respiratoire Pédiatrique (JIRP), 16 juillet 2019. Disponible sur : https://www.realites-pediatriques.com/lasthme-de-lenfant-sur-ou-sous-diagnostique/
Lisik D. et al. (2025). Artificial intelligence in pediatric allergy research. European Journal of Pediatrics, 184: 98
Ojha T. et al. (2024). Exploring Machine Learning Applications in Pediatric Asthma Management: Scoping Review. JMIR AI, 3: e57983
Yu G. et al. (2020). The role of artificial intelligence in identifying asthma in pediatric inpatient setting. Annals of Translational Medicine, 8(21): 1367
Venditto L. et al. (2024). Artificial intelligence and wheezing in children: where are we now? Frontiers in Medicine, 11: 1460050
Sagheb E. et al. (2025). AI model for predicting asthma prognosis in children. J Allergy Clin Immunol Global, 4: 100429
Xiong S. et al. (2023). Machine learning for prediction of asthma exacerbations among asthmatic patients: a systematic review and meta-analysis. BMC Pulmonary Medicine, 23:278.
Gijsen C.E.W. et al. (2025). Towards improved asthma control in children by non-invasive home monitoring. Scientific Reports, 15: 39423
Huffaker MF et al. (2018). Passive nocturnal physiologic monitoring enables early detection of exacerbations in children with asthma: a proof-of-concept study. Am J Respir Crit Care Med, 198(3):320–328.
Liang H. et al. (2019). Evaluation and accurate diagnoses of pediatric diseases using artificial intelligence. Nature Medicine, 25(3): 433–438