La salle d’opération a profité de nombreuses avancées technologiques majeures touchant jusqu’aux pratiques médicales comme dans le cas des chirurgies minimalement invasives. Les nombreux appareils médicaux rendent les interventions plus précises. Cependant, de nombreux challenges restent cependant sans réponse technique. En 2004, un groupe de travail nommé « OR2020 » s’est réuni pour identifier ces challenges et imaginer la salle d’opération du futur intelligente et connectée. Les réseaux de neurones artificiels sont au cœur du développement des systèmes intelligents, ils requièrent des milliers de données annotées pour être entraînés. L’annotation est une tâche fastidieuse qui peut être compliquée comme dans le cas des données médicales où les connaissances nécessaires requièrent l’intervention de médecins. Dans cette thèse, nous avons mené des travaux pour analyser et identifier les erreurs de prédictions faites par des réseaux de neurones sur la tâche de reconnaissance de processus chirurgicaux. Nous avons proposé une catégorisation de ces erreurs de prédiction permettant de couvrir 100 % des cas rencontrés. En se basant sur cette analyse, nous avons développé deux méthodes de détection automatique des erreurs de prédiction pour la tâche de reconnaissance des processus chirurgicaux. Ces méthodes ont été utilisées pour pré-annoter les vidéos chirurgicales et ont été intégrées dans un logiciel d’annotation de processus chirurgicaux. Deux tests utilisateurs ont été conduits et ont montrés une accélération de l’annotation de l’ordre de dix minutes et d’une amélioration de la précision des annotations de 1% pour les phases et de 7% pour les étapes.