L’intelligence artificielle assiste déjà les physiothérapeutes dans des domaines tels que la documentation, la recherche d’informations ou encore l’information des patient·e·s. Mais quelles tâches peut-elle réellement prendre en charge? Des recherches récentes montrent pourquoi, en l’état actuel des connaissances, les compétences fondamentales de la physiothérapie restent résolument humaines.
Texte: Physioswiss / Barbara Zesiger
Une étude du KOF Institut de l’EPF Zurich montre que l’intelligence artificielle générative transforme déjà de manière tangible le marché du travail suisse. Point déterminant: les chercheuses et chercheurs ne mesurent pas le potentiel d’automatisation à l’échelle de professions entières, mais au niveau de tâches ponctuelles (tasks). Les activités linguistiques, analytiques et numériques, pour lesquelles les modèles linguistiques réduisent considérablement le temps de traitement, sont particulièrement concernées (Kläui & Siegenthaler, 2025). Cette approche fondée sur les tâches peut également être transposée à la physiothérapie. Pour en comprendre les implications, il est utile de s’intéresser au cœur même du travail des physiothérapeutes.
L’IA automatise des tâches isolées. À première vue, il semble que de nombreuses activités en physiothérapie peuvent elles aussi être décomposées en tâches individuelles – l’anamnèse, l’examen clinique, ou la documentation, par exemple. Or, le processus thérapeutique ne repose pas simplement sur l’exécution correcte de tâches isolées, mais sur la capacité des physiothérapeutes à les relier continuellement entre elles.
Dans la littérature scientifique, le raisonnement clinique est décrit comme un processus décisionnel continu, adaptatif et contextuel (Huhn et al., 2019; Oostendorp et al., 2020). Les physiothérapeutes observent, interprètent, formulent des hypothèses, prennent des décisions et adaptent en permanence leur approche. Ce processus intègre aussi bien les constatations cliniques que le comportement face à la douleur, le quotidien, les ressources et les objectifs personnels des patient·e·s (Huhn et al., 2019; Oostendorp et al., 2020).
Deux patient·e·s présentant un diagnostic identique peuvent nécessiter des traitements totalement différents. La résistance physique, les objectifs, les antécédents médicaux, la motivation et les conditions de vie varient d’un individu à l’autre. Seule la mise en relation de l’ensemble de ces informations permet de prendre une décision thérapeutique fondée (Oostendorp et al., 2020).
La relation thérapeutique constitue un élément essentiel de ce processus. Des revues systématiques indiquent qu’une alliance solide entre le ou la physiothérapeute et le ou la patient·e améliore les résultats du traitement, en particulier dans le cas des troubles musculosquelettiques (Taccolini Manzoni et al., 2018; Kinney et al., 2020; Puustinen et al., 2026). Cette alliance repose notamment sur la définition d’objectifs communs, une confiance mutuelle et une collaboration active (Puustinen et al., 2026).
En physiothérapie, cette relation ne se construit pas uniquement par le dialogue. L’examen physique et l’intervention manuelle constituent eux aussi des formes de toucher thérapeutique (Geri et al., 2019). Ils associent l’expertise technique clinique à l’interaction humaine tout en fournissant en continu des informations sur les réactions des patient·e·s. Ces retours sont immédiatement intégrés au raisonnement clinique et orientent la suite du traitement (Geri et al., 2019). À ce jour, aucune donnée scientifique ne montre que l’IA soit capable de reproduire de manière équivalente cette interaction complexe entre le toucher physique, la relation thérapeutique et la prise de décision en situation (Hao et al., 2025).
En l’état actuel des connaissances, peu d’éléments indiquent que l’IA soit en mesure de prendre en charge l’intégralité du processus de traitement physiothérapeutique. Son potentiel réside plutôt dans l’accompagnement des praticien·ne·s pour des tâches chronophages et standardisables. Des revues de portée (scoping reviews) récentes examinent l’utilisation du machine learning pour établir des pronostics ainsi que pour soutenir l’évaluation et la prise de décision cliniques (Reis et al., 2024).
Dans la recherche, cette approche est qualifiée d’«augmentation»: l’IA élargit les possibilités des professionnel·le·s, sans les remplacer (Reis et al., 2024; Hao et al., 2025). Elle offre ainsi la possibilité de consacrer davantage de temps au raisonnement clinique, au dialogue avec les patient·e·s et à l’adaptation personnalisée des traitements (Omon et al., 2025).
À l’heure actuelle, le potentiel d’automatisation de l’IA concerne principalement des tâches isolées. Or, la compétence fondamentale de la physiothérapie réside dans la capacité à intégrer continuellement des informations, à adapter les décisions en fonction de chaque situation et à élaborer, avec les patient·e·s, la suite du parcours thérapeutique. L’IA peut soutenir ce processus, mais ne peut pas, en l’état actuel des connaissances, le remplacer. Elle permet en revanche de libérer du temps pour ce qui constitue l’essence même de la profession: observer, écouter, comprendre les interactions et prendre des décisions thérapeutiques individualisées. C’est précisément cette compétence humaine fondamentale qui continue de gagner en importance à l’ère de l’intelligence artificielle.
Geri, T., Viceconti, A., Minacci, M., Testa, M., & Rossettini, G. (2019). Manual therapy: Exploiting the role of human touch. Musculoskeletal Science and Practice, 44, 102044. https://doi.org/10.1016/j.msksp.2019.07.008
Hao, Y., et al. (2025). Artificial Intelligence in Physical Therapy: Evaluating ChatGPT’s Role in Clinical Decision Support for Musculoskeletal Care. Journal of Medical Systems. https://doi.org/10.1007/s10439-025-03676-4
Huhn, K., Gilliland, S. J., Black, L. L., Wainwright, S. F., & Christensen, N. (2019). Clinical reasoning in physical therapy: A concept analysis. Physical Therapy, 99(4), 440–456. https://doi.org/10.1093/ptj/pzy148
Kinney, M., Seider, J., Beaty, A. F., Coughlin, K., Dyal, B. W., & Clewley, D. (2020). The impact of therapeutic alliance in physical therapy for chronic musculoskeletal pain: A systematic review of the literature. Physiotherapy Theory and Practice, 36(8), 886–898. https://doi.org/10.1080/09593985.2018.1512034
Kläui, J., & Siegenthaler, M. (2025). KI und der Schweizer Arbeitsmarkt: Erste Evidenz zu Auswirkungen auf Arbeitslosigkeit und Stellenausschreibungen (KOF Studien Nr. 186).
Taccolini Manzoni, A. C., Bastos de Oliveira, N. T., Nunes Cabral, C. M., & Aquaroni Ricci, N. (2018). The role of the therapeutic alliance on pain relief in musculoskeletal rehabilitation: A systematic review. Physiotherapy Theory and Practice, 34(12), 901–915. https://doi.org/10.1080/09593985.2018.1431343
Omon, K., et al. (2025). Effects of Introducing Generative AI in Rehabilitation Clinical Documentation. Cureus. https://doi.org/10.7759/cureus.81313
Oostendorp, R. A. B., Elvers, J. W. H., & van Trijffel, E. (2020). Concept analysis of clinical reasoning in physical therapist practice. Physical Therapy, 100(8), 1353–1356. https://doi.org/10.1093/ptj/pzaa065
Puustinen, S., Kvist, T., & Stolt, M. (2026). The Core Components and Instruments of the Therapeutic Relationship in Musculoskeletal Physiotherapy. Musculoskeletal Care. https://doi.org/10.1002/msc.70219
Reis, F. J. J., Carvalho, M. B. L. D., Neves, G. D. A., Nogueira, L. C., & Meziat-Filho, N. (2024). Machine learning methods in physical therapy: A scoping review of applications in clinical context. Musculoskeletal Science & Practice, 74, 103184. https://doi.org/10.1016/j.msksp.2024.103184
