L'application de l'apprentissage automatique (ML) dans la prise de décision clinique en dermatologie se répand de plus en plus, englobant des étapes clés telles que la reconnaissance des lésions, le diagnostic différentiel multimodal, les recommandations de traitement personnalisées, la prédiction de l'efficacité thérapeutique et l'évaluation du pronostic. Les modèles ML, intégrant des données multisources telles que l'imagerie, la génomique et les caractéristiques cliniques, permettent non seulement d'aider les médecins à améliorer la précision du diagnostic, mais aussi d'optimiser le choix des traitements, réalisant ainsi une gestion dynamique de la maladie et des interventions personnalisées, démontrant un potentiel clinique significatif. Par exemple, les systèmes d'analyse d'images basés sur les réseaux de neurones convolutionnels affichent des performances comparables voire supérieures à celles des experts en dermatologie dans la reconnaissance des tumeurs cutanées. En termes d'optimisation du traitement, le ML peut analyser des données multidimensionnelles des patients pour recommander des schémas thérapeutiques personnalisés, prédire la réponse au traitement et les risques d'événements indésirables, soutenant ainsi la médecine de précision. Concernant l'évaluation du pronostic et la gestion à long terme, les modèles ML combinant les résultats rapportés par les patients et les données en séries temporelles permettent une surveillance dynamique de la progression de la maladie et une prédiction individualisée du risque de récidive. Cependant, malgré le développement rapide des technologies, la traduction clinique réelle du ML dans la dermatologie fait toujours face à plusieurs obstacles, notamment les biais de données, la généralisation insuffisante des algorithmes, le manque de validation clinique, les difficultés d'intégration des systèmes ainsi que des problématiques éthiques et réglementaires incomplètes. Cette revue systématique fait l'état des lieux des applications actuelles et des avancées dans les différentes étapes de la prise de décision clinique en dermatologie avec le ML, analyse en profondeur les principaux obstacles et offre une revue complète des progrès d'application du ML pour soutenir la décision clinique, abordant la reconnaissance d'images, l'optimisation thérapeutique, l'évaluation pronostique et les défis éthiques, dans le but de fournir une référence utile pour la recherche et la pratique clinique.

apprentissage automatique;dermatologie;prise de décision clinique;diagnostic assisté par IA;données multimodales