Biais implicite au diagnostic : genre, race et âge
Sommaire
Deux personnes arrivent au dispensaire avec la même plainte, décrite presque dans les mêmes mots. L'une est un homme de quarante ans ; l'autre, une femme noire de soixante-dix ans. L'étudiant qui les reçoit jure qu'il traiterait les deux de la même façon, et il y croit. Pourtant, la liste des hypothèses, les questions qu'il pose et la mesure dans laquelle il prend la plainte au sérieux peuvent changer sans qu'il s'en rende compte.
NEXO est un jeu quotidien de diagnostic médical : un cas clinique par jour, six indices progressifs et un retour de proximité dans la CIM-10 sur cinq niveaux.
C'est de cela qu'il s'agit avec le biais implicite : des attitudes et des stéréotypes qui agissent hors de la conscience et qui peuvent diverger de ce que la personne croit de façon explicite. Ce guide explique comment il est mesuré, ce que les revues montrent sur le genre, la race et l'âge dans les soins de santé, et ce que l'étudiant et le précepteur peuvent faire pour percevoir leur propre biais.
Points principaux
- Le biais implicite est une association automatique, hors de la conscience, entre un groupe de personnes et une attitude ou un stéréotype.
- Des revues systématiques ont trouvé un biais implicite chez les professionnels de santé à des niveaux semblables à ceux de la population générale.
- Dans une partie des études, des niveaux plus élevés de biais implicite se sont associés à une moins bonne communication et à des décisions de traitement différentes, mais les résultats sont mitigés.
- Dans une étude menée auprès d'étudiants et de résidents, la moitié adhérait à des croyances fausses sur des différences biologiques entre personnes noires et blanches, et cela s'est associé à l'évaluation de la douleur.
- Entraîner la compétence par la pratique et le retour a réduit le biais dans l'évaluation de la douleur lors d'une expérience, davantage que le seul fait d'augmenter la conscience.
Qu'est-ce que le biais implicite
Attitude explicite et association automatique
L'attitude explicite est ce que la personne dit et croit. L'association implicite est ce que l'esprit relie de façon automatique, rapide et sans intention. Les deux peuvent diverger. Dans une étude menée auprès de 287 résidents de médecine interne et d'urgence, les participants ont rapporté une absence de préférence explicite entre patients blancs et noirs, mais les tests d'association ont montré une préférence implicite pour les blancs (Green et al., 2007).
Différent des heuristiques
La disponibilité, l'ancrage et la représentativité sont des raccourcis portant sur l'information du cas, décrits dans le guide des exemples d'heuristiques dans le raisonnement clinique. Le biais implicite part d'ailleurs : de l'identité du patient. Il peut modifier la probabilité que le médecin attribue à chaque hypothèse, comme s'il changeait le taux de base sans aucune donnée nouvelle.
Voisins proches
L'émotion du moment, le biais affectif, déplace aussi l'attention, mais elle a une autre origine. La pause diagnostique est une procédure qui peut inclure une question sur le biais implicite. Et le jugement d'une erreur après le dénouement relève du biais rétrospectif. Chaque thème a son propre guide dans cette série.
Comment le biais implicite est mesuré
Le test d'association implicite
L'instrument le plus utilisé est le test d'association implicite, ou IAT, qui mesure le temps de réaction lorsqu'on associe des visages ou des mots de groupes différents à des concepts positifs ou négatifs. Une revue de 37 études sur le biais racial chez les professionnels de santé avec l'IAT a trouvé des preuves d'un biais pro-blanc ou anti-noir, hispanique, autochtone ou à peau foncée dans 31 d'entre elles (Maina et al., 2018).
Vignettes avec le patient échangé
La deuxième méthode utilise des vignettes identiques où seule une caractéristique du patient change, comme la race, le genre ou l'âge. Une revue systématique a inclus cette méthode parce que les psychologues du domaine la reconnaissent comme un moyen de détecter la possible présence d'un biais implicite, même si elle seule isole mal l'attitude implicite (FitzGerald et Hurst, 2017).
Limites de la mesure
L'IAT mesure une association, et non un comportement. Un score élevé est un signal de risque, et non la preuve que la personne va discriminer quelqu'un. C'est pourquoi les études les plus utiles sont celles qui relient la mesure à des décisions ou à des interactions.
Ce que montrent les revues
Des niveaux semblables à ceux de la population
Une revue systématique de 42 articles a trouvé des preuves de biais implicite chez les professionnels de santé dans 35 d'entre eux, et toutes les études qui ont testé une corrélation ont trouvé un lien entre le niveau de biais implicite et une moindre qualité des soins (FitzGerald et Hurst, 2017). Sur les 42 articles, 27 portaient sur un biais racial ou ethnique, et dix sur d'autres biais, comme le genre, l'âge et le poids (FitzGerald et Hurst, 2017).
Une autre revue, portant sur 15 études, a trouvé des niveaux faibles à modérés de biais implicite racial ou ethnique dans presque toutes, semblables à ceux de la population générale (Hall et al., 2015). Le biais était associé de façon significative à l'interaction entre patient et professionnel, aux décisions de traitement, à l'observance et aux résultats, même si une partie des associations testées est restée non significative (Hall et al., 2015).
Des résultats mitigés sur les soins
Dans la revue de 2018, parmi 14 études avec vignettes ou patients simulés, huit n'ont pas montré d'association significative entre biais implicite et soins, et six ont trouvé une association avec des différences dans les recommandations de traitement, la prise en charge de la douleur et l'empathie (Maina et al., 2018). Les sept études qui ont observé des interactions réelles ont trouvé une moins bonne communication chez les professionnels ayant le biais le plus fort (Maina et al., 2018).
Le tableau est celui-ci : le biais implicite existe chez les professionnels, il apparaît de façon constante dans la communication et de façon moins constante dans les décisions. Les auteurs demandent davantage de recherche en soins réels (Maina et al., 2018).
.jpg){kind=link}
Genre, race et âge
Race et décision
Dans l'étude de 2007, les internes ont lu la vignette d'un patient présentant un tableau coronarien aigu aux urgences, tiré au sort comme blanc ou noir (Green et al., 2007). À mesure que le biais implicite pro-blanc augmentait, augmentait aussi la probabilité d'indiquer le traitement au patient blanc et de ne pas l'indiquer au patient noir (Green et al., 2007).
Race, fausses croyances et douleur
Une étude a examiné les fausses croyances sur les différences biologiques entre personnes noires et blanches, comme celle selon laquelle la peau des personnes noires serait plus épaisse (Hoffman et al., 2016). La moitié d'un échantillon d'étudiants en médecine et d'internes blancs adhérait à ces croyances, et ceux qui y adhéraient évaluaient la douleur du patient noir comme plus faible et faisaient des recommandations de traitement moins exactes (Hoffman et al., 2016).
Le résultat est utile pour l'enseignement parce qu'il montre un mécanisme concret : une idée fausse apprise à un moment donné, et jamais révisée, qui modifie l'évaluation d'un symptôme.
Genre et race ensemble
Dans trois études portant sur 532 participants, à partir de vidéos de personnes réelles souffrant de douleur, les observateurs ont sous-estimé de façon disproportionnée la douleur des femmes noires par rapport aux hommes noirs, aux femmes blanches et aux hommes blancs (Ruben et Stosic, 2024). L'effet de la somme des caractéristiques, et pas seulement de chacune, rappelle que le biais agit rarement sur un seul axe.
Âge
Un essai récent décrit l'âgisme comme une menace silencieuse pour la qualité des soins : symptômes attribués au "vieillissement normal", diagnostics manqués et traitement insuffisant (Cheung, 2026). L'autrice pointe l'ancrage sur l'âge, plutôt que sur l'évaluation individuelle, comme mécanisme central (Cheung, 2026).
Que faire de son propre biais
Acceptez que vous en avez aussi
Les études montrent un biais chez les professionnels à des niveaux semblables à ceux de la population (Hall et al., 2015). Partir de ce constat, et non de la certitude de son impartialité, est le premier pas. La métacognition en médecine aide à regarder son propre raisonnement sans se défendre.
Changez le patient dans votre tête
Face à une décision, demandez-vous : "ferais-je la même chose si le patient était d'un autre genre, d'une autre couleur ou d'un autre âge ?". L'exercice imite la conception des vignettes avec le patient échangé et est assez rapide pour tenir dans la routine.
Révisez les croyances apprises
L'étude de 2016 montre que les fausses croyances sur les différences biologiques persistent dans la formation (Hoffman et al., 2016). Quand une règle pratique relie un groupe à un symptôme ou à une réponse au traitement, il vaut la peine de chercher d'où elle vient.
Entraînez la compétence, et pas seulement la conscience
Dans l'expérience de 2024, une intervention fondée sur la pratique et le retour immédiat a réduit les biais dans l'évaluation de la douleur davantage que des formations qui ne faisaient qu'augmenter la conscience des biais sociaux ou personnels (Ruben et Stosic, 2024). Pour les précepteurs, la leçon est que discuter du biais aide, mais que pratiquer l'évaluation avec retour aide davantage. Le guide du feedback dans les cas cliniques traite de la manière de donner ce retour.
Utilisez l'histoire complète
Une anamnèse soignée réduit la place du stéréotype, car elle apporte des données individuelles à la place de la moyenne imaginée du groupe. Le guide sur les signes, les symptômes et l'histoire montre le poids de l'histoire dans le diagnostic, et celui sur le diagnostic différentiel aide à garder la liste ouverte.
Raisonner à partir des données dans NEXO
Dans NEXO, le cas du jour arrive en six indices au maximum, et le joueur forme l'hypothèse à partir des données qui apparaissent, une à la fois. S'entraîner avec des cas variés aide à séparer la donnée clinique de l'image qu'on se fait du patient. À chaque Sans hypothèse, la proximité dans la CIM-10 en cinq niveaux montre à quelle distance l'hypothèse s'est arrêtée.
Les cas sont fictifs avec une présentation clinique réelle, et le guide qu'est-ce que NEXO explique toute la partie. La façon dont les modes sont débloqués se trouve sur la page Économie de NEXO.
Si vous coordonnez une faculté, une ligue ou un internat et souhaitez discuter des biais avec la classe, découvrez NEXO Closer. Les chercheurs en éducation médicale peuvent proposer des études via NEXO Researcher. Les médecins qui révisent des cas participent via NEXO Curator, et ceux qui créent du contenu de santé sur les réseaux peuvent participer via NEXO Creators.
Questions fréquentes
Qu'est-ce que le biais implicite ?
C'est une association automatique, hors de la conscience, entre un groupe de personnes et une attitude ou un stéréotype, qui peut diverger de ce que la personne croit de façon explicite.
Les médecins ont-ils un biais implicite ?
Des revues ont trouvé un biais implicite chez les professionnels de santé à des niveaux semblables à ceux de la population générale (Hall et al., 2015).
Comment le biais implicite est-il mesuré ?
Surtout par le test d'association implicite et par des vignettes identiques où seule une caractéristique du patient change (FitzGerald et Hurst, 2017).
Le biais implicite change-t-il le diagnostic ?
Les résultats sont mitigés : il apparaît de façon constante dans la communication et de façon moins constante dans les décisions (Maina et al., 2018).
Peut-on réduire le biais implicite ?
Une expérience a montré qu'une pratique avec retour immédiat a réduit le biais dans l'évaluation de la douleur plus que le seul fait d'augmenter la conscience (Ruben et Stosic, 2024).
Qu'est-ce que l'âgisme en médecine ?
C'est traiter le patient différemment en raison de l'âge, par exemple en attribuant des symptômes au vieillissement sans évaluation individuelle (Cheung, 2026).
Checklist du biais implicite
- Partez du principe que vous avez aussi des biais.
- Changez le patient dans votre tête avant de décider.
- Cherchez l'origine des règles pratiques sur les groupes.
- Recueillez l'histoire complète, avec des données individuelles.
- Gardez la liste des hypothèses ouverte.
- Entraînez-vous avec retour, en plus de discuter du sujet.
- Observez la communication, où le biais apparaît en premier.
Vous voulez entraîner le raisonnement à partir des données ? Jouez le cas du jour dans NEXO.
Références
- FitzGerald C, Hurst S. Implicit bias in healthcare professionals: a systematic review. BMC Med Ethics. 2017. https://pubmed.ncbi.nlm.nih.gov/28249596/
- Hall WJ, Chapman MV, Lee KM, Merino YM, Thomas TW, Payne BK, et al. Implicit Racial/Ethnic Bias Among Health Care Professionals and Its Influence on Health Care Outcomes: A Systematic Review. Am J Public Health. 2015. https://pubmed.ncbi.nlm.nih.gov/26469668/
- Maina IW, Belton TD, Ginzberg S, Singh A, Johnson TJ. A decade of studying implicit racial/ethnic bias in healthcare providers using the implicit association test. Soc Sci Med. 2018. https://pubmed.ncbi.nlm.nih.gov/28532892/
- Green AR, Carney DR, Pallin DJ, Ngo LH, Raymond KL, Iezzoni LI, et al. Implicit bias among physicians and its prediction of thrombolysis decisions for black and white patients. J Gen Intern Med. 2007. https://pubmed.ncbi.nlm.nih.gov/17594129/
- Hoffman KM, Trawalter S, Axt JR, Oliver MN. Racial bias in pain assessment and treatment recommendations, and false beliefs about biological differences between blacks and whites. Proc Natl Acad Sci U S A. 2016. https://pubmed.ncbi.nlm.nih.gov/27044069/
- Ruben MA, Stosic MD. Documenting Race and Gender Biases in Pain Assessment and a Novel Intervention Designed to Reduce Biases. J Pain. 2024. https://pubmed.ncbi.nlm.nih.gov/38692397/
- Cheung K. The Silent Threat to Clinical Excellence: Ageism in Medicine. J Gen Intern Med. 2026. https://pubmed.ncbi.nlm.nih.gov/41239116/