La recherche sur le raisonnement clinique (RC) diagnostique montre comment les décisions cliniques sont prises et pourquoi des connaissances bien structurées sont essentielles pour y parvenir. Parallèlement, il est possible de développer ses compétences diagnostiques de manière systématique grâce à des stratégies d’apprentissage ciblées.
Texte: Dr Roger Hilfiker
Photos: StarDweller/peopleimages.com – AdobeStock
Les physiothérapeutes prennent chaque jour de nombreuses décisions, souvent dans l’urgence et à partir d’informations incomplètes. Le processus de réflexion à la base de ces décisions est appelé RC: il englobe l’acquisition, l’interprétation et le recoupement d’informations tout au long du parcours de soins. L’un des éléments centraux de ce processus est l’élaboration de diagnostics physiothérapeutiques, laquelle constitue précisément l’objet de cet article. Les autres domaines du RC en sont volontairement exclus, notamment le raisonnement narratif (compréhension du vécu et du ressenti des patient·e·s), le raisonnement procédural (planification et mise en œuvre de mesures de soin), le raisonnement interactif (relation thérapeutique), le raisonnement collaboratif (fixation d’objectifs communs), le raisonnement éducatif (transmission ciblée du savoir), le raisonnement prédictif (prévision), ainsi que le raisonnement éthique (gestion des dilemmes moraux) (Edwards et al., 2004). Dès lors que des décisions thérapeutiques doivent être prises, les erreurs sont inévitables: un diagnostic erroné peut être posé – et un diagnostic correct exclu. Par conséquent, l’une des questions essentielles de la recherche autour du RC est la suivante: comment faire en sorte de limiter ces erreurs?
Dès les années 1970, la recherche a montré que le RC n’est pas une stratégie isolée de solutionnement des problèmes pouvant être apprise ou appliquée indépendamment des connaissances cliniques. Les béotien·ne·s et les expert·e·s se distinguent bien plus par leur approche. Si les béotien·ne·s recueillent d’importantes quantités de données et formulent souvent leurs hypothèses de manière trop précise et «scolaire», les expert·e·s, pour leur part, élaborent précocement trois à cinq hypothèses plus générales. En s’appuyant sur des connaissances bien structurées et des informations pertinentes, ils·elles sont en mesure de les affiner rapidement (Arocha et al., 1993). De même, les expert·e·s se posent des questions moins nombreuses, mais plus pertinentes et donc plus probantes pour l’inclusion ou l’exclusion d’un diagnostic. Les béotien·ne·s, au contraire, se posent davantage de questions qui n’ont toutefois que peu d’incidence sur la vraisemblance d’une hypothèse (Barrows & Bennett, 1972; Elstein et al., 1978; Kleinmuntz, 1968).
Dans les années 1980, il a été démontré que les clinicien·ne·s expérimenté·e·s formulent des hypothèses fondées sur la reconnaissance de modèles. Dans ce contexte, des situations de patients concrètes sont inconsciemment comparées à des cas déjà rencontrés, et ce, de manière rapide et automatique. Ce processus est prépondérant dans les diagnostics de routine, contrairement aux cas atypiques pour lesquels les expert·e·s procèdent également de manière analytique (Feltovich & Barrows, 1984; Norman et al., 2007). Les clinicien·ne·s moins expérimenté·e·s ne disposent pas de tels modèles, raison pour laquelle ils·elles doivent faire davantage appel à la démarche hypothético-déductive qui s’avère plus lente (Jones et al., 2018).
Pour permettre la reconnaissance de modèles, les connaissances doivent être bien structurées – et donc organisées de telle sorte que les nouvelles situations de patients puissent être rapidement associées aux expériences passées et aux connaissances spécialisées acquises. Un concept décrivant précisément cette structuration du savoir est apparu dans les années 1980: les Illness Scripts (scripts de maladies) (Feltovich & Barrows, 1984). Ceux-ci expliquent comment les schémas de maladies typiques sont mémorisés et peuvent être activés rapidement dans le cadre de la prise de décision clinique. Selon Feltovich et Barrows (1984), les Illness Scripts sont composés de trois éléments classiques:
Dès l’Antiquité, une distinction a été faite entre la pensée rapide et intuitive et la réflexion analytique plus lente. Dans le RC, la reconnaissance de modèles correspond au processus intuitif et rapide, tandis que l’approche hypothético-déductive correspond au processus de réflexion analytique plus lent (Croskerry, 2009). L’approche dite du Dual-Process ou double processus, qui est discutée systématiquement depuis les années 1980, décrit le traitement cognitif comme une interaction entre ces deux modes de pensée (Evans, 1984). Ces processus, ainsi que la nécessité de leur interaction, par exemple pour éviter les erreurs, ont été popularisés grâce à l’ouvrage «Thinking, Fast and Slow» de Daniel Kahnemann (Kahneman, 2011).
Certain·e·s auteur·e·s attribuent la cause principale des erreurs diagnostiques à la pensée intuitive non contrôlée et recommandent de recourir à des stratégies métacognitives pour les réduire (Gojanovic et al., 2022; Schwartzstein & Iyer, 2025). D’autres défendent la position selon laquelle un bon RC dépend principalement des compétences spécialisées en lien avec le problème et non du choix délibéré d’une stratégie de raisonnement (Norman et al., 2024). Les stratégies d’apprentissage reposant sur des processus de réflexion généraux, telles que les stratégies de réduction des biais cognitifs (débiaisement), sont vraisemblablement moins efficaces que les stratégies qui permettent d’acquérir des connaissances de manière ciblée (Cooper et al., 2021; Norman et al., 2024). En font notamment partie la réflexion structurée au sens d’une confrontation systématique des hypothèses en fonction du cas, les constatations qui contribuent à étayer ou à réfuter ces hypothèses, ainsi que les explications alternatives – par exemple, au moyen des questions suivantes: «Qu’est-ce qui plaide en faveur de telle hypothèse? Et contre? De quoi pourrait-il s’agir sinon?» (Mamede & Schmidt, 2023; Prakash et al., 2019). Les études de cas récurrentes avec retour d’information sont également importantes.
Des erreurs de diagnostic peuvent se produire aussi bien dans le cadre d’une réflexion rapide que d’une réflexion analytique. En fonction de la situation, la vérité n’est pas toute noire ou toute blanche là aussi (Elstein & Schwartz, 2002). Par exemple, dans les situations très complexes incluant de nombreux facteurs d’influence et une grande incertitude, telles que les diagnostics des causes profondes ou les pronostics dans le cadre de lombalgies non spécifiques, des règles de décision simples peuvent être préférables à une approche analytique complexe (Gigerenzer & Gaissmaier, 2011). Par conséquent, ce n’est pas la stratégie de raisonnement qui est fondamentale en soi, mais son adéquation à la situation correspondante, ce qui présuppose en retour des connaissances spécialisées. L’intuition mérite également d’être prise en compte: elle permet la reconnaissance de modèles et est également le résultat de l’expérience et du savoir acquis. Les impressions du type «quelque chose ne colle pas ici» doivent être prises au sérieux (Langridge et al., 2016; Oliva-Fanlo et al., 2022), en particulier lorsque le pressentiment et les observations ne coïncident pas (Stolper et al., 2011).
Dans la pratique, les stratégies d’apprentissage actives s’avèrent particulièrement efficaces. En font par exemple partie l’auto-test à l’aide de fiches ou de quizz, l’explicitation orale ou écrite des observations et de leurs causes, ainsi que la confrontation systématique des arguments en faveur ou en défaveur d’un diagnostic. Il est également utile de collecter les informations les plus importantes, de les noter et de réfléchir aux observations qui pourraient manquer. La comparaison de diagnostics similaires, au cours de laquelle les points communs et les différences (notamment en termes de symptômes principaux et de signaux d’alerte) sont analysés de manière ciblée, est également efficace.
Parmi les autres méthodes utiles, on peut citer les études de cas cliniques en petit comité ainsi que les formats d’échange structurés, comme le Think-Pair-Share: chaque personne réfléchit seule pendant 90 secondes et note deux points, puis les apprenant·e·s échangent pendant 1 à 3 minutes en binôme et répondent aux questions en suspens. Les résultats peuvent être partagés en réunion plénière le cas échéant. Autre outil: le One-Minute-Paper, dans le cadre duquel les apprenant·e·s résument très brièvement à l’écrit leurs principales observations, les points encore obscurs et leur ressenti vis-à-vis de leur propre évaluation (Bucklin et al., 2021; Chernikova et al., 2020; Mamede & Schmidt, 2023).
Les stratégies d’apprentissage doivent être adaptées en fonction des connaissances préalables: quand le savoir acquis est encore limité, les exemples préétablis proposant des solutions types s’avèrent particulièrement efficaces. Il est nécessaire d’attendre d’avoir étoffé ses connaissances préalables pour pouvoir résoudre ses propres études de cas. Les personnes disposant d’un socle de connaissances solide profitent davantage de l’analyse systématique de leurs propres cas. A contrario, la plupart du temps, les exemples de solutions ne permettent pas à ces personnes expérimentées d’acquérir davantage de connaissances. Remarque importante: les stratégies d’apprentissage actives sont nettement plus efficaces quand elles s’accompagnent de retours d’information externes de la part de collègues, ainsi que de réflexions personnelles fondées sur une auto-comparaison ou sur la reconnaissance de ses propres erreurs (Chernikova et al., 2020; Chernikova et al., 2023; Chernikova et al., 2024).
Lorsque vous travaillez sur des études de cas pour votre développement personnel, formulez vos propres hypothèses avant de lire la solution. Organisez chaque diagnostic sous la forme d’un Illness Script intégrant les trois composants suivants:
Enabling Conditions: qui est généralement touché par ce problème? Ces caractéristiques épidémiologiques déterminent la probabilité a priori, et donc la probabilité du diagnostic avant même votre analyse. Par exemple, la probabilité a priori d’arthrose du genou est différente chez un coureur de 25 ans présentant une gonalgie et chez une patiente de 65 ans en surpoids.
Fault: quelles sont les anomalies sur le plan pathophysiologique? Leur compréhension vous aide à déduire les conclusions attendues et à identifier les évolutions atypiques.
Consequences: quelles vont être vos conclusions? Et dans quelles mesures vont-elles modifier votre estimation de la probabilité? C’est là qu’interviennent les Likelihood Ratios: ils indiquent à quel point le résultat d’un test devrait modifier votre propre estimation de la probabilité d’un diagnostic spécifique pour un·e patient·e. Cet indicateur calculé à partir de la sensibilité et de la spécificité aide à estimer la probabilité d’un diagnostic après le test en fonction de la probabilité d’un diagnostic avant le test. Un test positif rend le diagnostic plus probable (LR+) tandis qu’un test négatif le rend plus improbable (LR-) (Pewsner et al., 2001). Certaines observations et conclusions ont beaucoup de poids dans le diagnostic, d’autres n’influencent quasiment pas la probabilité. Pour cette raison, vos Illness Scripts ne doivent pas contenir uniquement des caractéristiques typiques; ils doivent également révéler des signes probants pour le diagnostic. Certains doivent pencher fortement en faveur du diagnostic (LR+ >5), d’autres doivent quasiment l’exclure (LR− <0.2). Quels signes / observations distinguent cette affection des principaux diagnostics différentiels? Qu’est-ce qui ne va pas dans le sens de votre hypothèse? Dans vos Illness Scripts, intégrez également les points de vigilance potentiels et les mesures de précaution.
Physiothérapeute/épidémiologiste PhD, copropriétaire du cabinet de physiothérapie Tschopp und Hilfiker à Glis
Arocha, J. F., Patel, V. L., & Patel, Y. C. (1993). Hypothesis generation and the coordination of theory and evidence in novice diagnostic reasoning. Medical Decision Making, 13(3), 198–211.
Barrows, H. S., & Bennett, K. (1972). The diagnostic (problem solving) skill of the neurologist: experimental studies and their implications for neurological training. Archives of Neurology, 26(3), 273–277.
Boshuizen, H. P., & Schmidt, H. G. (1992). On the role of biomedical knowledge in clinical reasoning by experts, intermediates and novices. Cognitive science, 16(2), 153–184.
Bucklin, B. A., Asdigian, N. L., Hawkins, J. L., & Klein, U. (2021). Making it stick: use of active learning strategies in continuing medical education. BMC Medical Education, 21(1), 44.
Chernikova, O., Heitzmann, N., Fink, M. C., Timothy, V., Seidel, T., Fischer, F., & COSIMA, D. R. g. (2020). Facilitating diagnostic competences in higher education—a meta-analysis in medical and teacher education. Educational Psychology Review, 32(1), 157–196.
Chernikova, O., Holzberger, D., Heitzmann, N., Stadler, M., Seidel, T., & Fischer, F. (2023). Where salience goes beyond authenticity. Zeitschrift für Pädagogische Psychologie.
Chernikova, O., Sommerhoff, D., Stadler, M., Holzberger, D., Nickl, M., Seidel, T., Kasneci, E., Küchemann, S., Kuhn, J., & Fischer, F. (2024). Personalization through adaptivity or adaptability? A meta-analysis on simulation-based learning in higher education. Educational Research Review, 100662.
Cooper, N., Bartlett, M., Gay, S., Hammond, A., Lillicrap, M., Matthan, J., Singh, M., & group, U. C. R. i. M. E. c. s. (2021). Consensus statement on the content of clinical reasoning curricula in undergraduate medical education. Medical Teacher, 43(2), 152–159.
Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving students’ learning with effective learning techniques: Promising directions from cognitive and educational psychology. Psychological Science in the Public interest, 14(1), 4–58.
Edwards, I., Jones, M., Carr, J., Braunack-Mayer, A., & Jensen, G. M. (2004). Clinical reasoning strategies in physical therapy. Phys Ther, 84(4), 312–330; discussion 331–315.
Elstein, A. S., & Schwartz, A. (2002). Clinical problem solving and diagnostic decision making: selective review of the cognitive literature. BMJ, 324(7339), 729–732. https://doi.org/10.1136/bmj.324.7339.729
Elstein, A. S., Shulman, L. S., & Sprafka, S. A. (1978). Medical problem solving: An analysis of clinical reasoning. Harvard University Press.
Evans, J. S. B. (1984). Heuristic and analytic processes in reasoning. British Journal of Psychology, 75(4), 451–468.
Feltovich, P. J., & Barrows, H. S. (1984). Issues of generality in medical problem solving. Tutorials in problem-based learning, 128–142.
Gigerenzer, G., & Gaissmaier, W. (2011). Heuristic decision making. Annual review of psychology, 62(2011), 451–482.
Gojanovic, B., Fourchet, F., & Gremeaux, V. (2022). Cognitive biases cloud our clinical decisions and patient expectations: A narrative review to help bridge the gap between evidence-based and personalized medicine. Ann Phys Rehabil Med, 65(4), 101551. https://doi.org/10.1016/j.rehab.2021.101551
Harvey, C.-J., Leedham-Green, K. E., Koppel, C., Maini, A., Smith, S. F., Morrell, M. J., & Emerson, M. (2025). Improving medical students’ learning strategies, management of workload and wellbeing: a mixed methods case study in undergraduate medical education. BMC Medical Education, 25(1), 606.
Jones, M., Edwards, I., & Jensen, G. M. (2018). Clinical reasoning in physiotherapy. Clinical reasoning in the health professions, 4, 247–260.
Kahneman, D. (2011). Thinking, fast and slow. macmillan.
Kleinmuntz, B., & (1968). Formal representation of human judgment (Vol. 3). Wiley.
Langridge, N., Roberts, L., & Pope, C. (2016). The role of clinician emotion in clinical reasoning: Balancing the analytical process. Manual therapy, 21, 277–281.
Mamede, S., & Schmidt, H. G. (2023). Deliberate reflection and clinical reasoning: Founding ideas and empirical findings. Med Educ, 57(1), 76–85. https://doi.org/10.1111/medu.14863
Norman, G., Pelaccia, T., Wyer, P., & Sherbino, J. (2024). Dual process models of clinical reasoning: The central role of knowledge in diagnostic expertise. J Eval Clin Pract, 30(5), 788–796. https://doi.org/10.1111/jep.13998
Norman, G., Young, M., & Brooks, L. (2007). Non‐analytical models of clinical reasoning: the role of experience. Medical education, 41(12), 1140–1145.
Oliva-Fanlo, B., March, S., Gadea-Ruiz, C., Stolper, E., Esteva, M., & group, C. (2022). Prospective Observational Study on the Prevalence and Diagnostic Value of General Practitioners’ Gut Feelings for Cancer and Serious Diseases. Journal of general internal medicine, 37(15), 3823–3831.
Pewsner, D., Bleuer, J. P., Bucher, H. C., Battaglia, M., Jüni, P., & Egger, M. (2001). Der Intuition auf der Spur? Das Bayes’sche Theorem und die Diagnostik in der Grundversorgung: Teil I. Schweizerisches Medizinisches Forum, 1(3), 41–45.
Prakash, S., Sladek, R. M., & Schuwirth, L. (2019). Interventions to improve diagnostic decision making: a systematic review and meta-analysis on reflective strategies. Medical Teacher, 41(5), 517–524.
Schwartzstein, R. M., & Iyer, A. A. (2025). Critical Thinking for 21st-Century Medicine-Moving Beyond Illness Scripts. JAMA, 334(17), 1509–1510. https://doi.org/10.1001/jama.2025.14901
Stolper, E., Van de Wiel, M., Van Royen, P., Van Bokhoven, M., Van der Weijden, T., & Dinant, G. J. (2011). Gut feelings as a third track in general practitioners’ diagnostic reasoning. Journal of general internal medicine, 26(2), 197–203.
