Coumau Cécile

  • Étude : les architectures multi-agents pourraient améliorer l’efficacité de l’IA hospitalière (NPJ)

    Des chercheurs de l’Icahn School of Medicine at Mount Sinai montrent que répartir les tâches entre plusieurs agents d’IA spécialisés serait plus efficace qu’un système unique. Les résultats de cette étude* ont été publiés le 9 mars dans NPJ Health Systems.

    À mesure que les hôpitaux explorent l’usage de l’intelligence artificielle, une question devient centrale : ces outils peuvent-ils fonctionner de manière fiable dans des environnements où les demandes sont nombreuses et simultanées ? Autrement dit dans des établissements soumis à une forte pression. L’IA est en effet envisagée non seulement pour améliorer certaines décisions cliniques, mais aussi pour aider à gérer des volumes croissants de données et de requêtes. Analyse de dossiers médicaux, vérification de prescriptions, recherche d’informations cliniques ou synthèse de données : dans un établissement de santé, ces systèmes sont susceptibles d’être sollicités en permanence.

    L’IA hospitalière face à une multitude de requêtes

    Dans ce contexte, la question ne concerne pas uniquement la performance des modèles d’IA, mais aussi la manière dont ils sont organisés et intégrés dans les systèmes d’information hospitaliers. C’est précisément ce qu’ont voulu explorer des chercheurs de l’Icahn School of Medicine at Mount Sinai (New York), en comparant différentes architectures de systèmes d’IA afin d’évaluer leur capacité à traiter un grand nombre de requêtes en parallèle.

    Concrètement, les chercheurs ont évalué les performances de systèmes d’agents d’IA reposant sur plusieurs modèles de langage de grande taille (LLM) et ont comparé deux architectures. La première reposait sur un agent unique chargé d’exécuter l’ensemble des tâches demandées. La seconde utilisait une architecture dite « multi-agents », dans laquelle plusieurs agents spécialisés se répartissent les tâches sous la coordination d’un agent central chargé d’orchestrer le processus.

    Quelle est l’architecture la plus optimale ?

    Les tests ont été réalisés dans un environnement simulant un flux de travail hospitalier. Les systèmes devaient traiter différents types de tâches courantes liées à la gestion de l’information clinique : recherche d’articles scientifiques, extraction d’informations dans des comptes rendus médicaux et calculs de posologies médicamenteuses.

    Les chercheurs ont ensuite fait varier la charge de travail en envoyant des lots de 5 à 80 tâches simultanées, afin de reproduire un trafic comparable à celui d’un système hospitalier recevant de nombreuses requêtes en parallèle. Les performances ont été évaluées en termes d’exactitude des réponses, de temps de traitement et de consommation de ressources informatiques.

    Résultats : l’efficacité chute avec un agent unique

    · Avec 80 tâches simultanées, la précision du système reposant sur un agent unique chute à 16,7 %.

    · L’architecture multi-agents orchestrée maintient une précision élevée, généralement comprise entre 80 % et 95 % selon les tâches, malgré l’augmentation de la charge.

    · Dans les scénarios les plus chargés, le système à agent unique mobilise jusqu’à 65 fois plus de ressources de calcul.

    · Dans l’architecture multi-agents, chaque étape du traitement est attribuée à un agent identifié, ce qui améliore la traçabilité du processus.

    Pour les auteurs, ces résultats pourraient avoir des implications pour le déploiement de l’intelligence artificielle dans les systèmes de santé. Et remettre en cause des modes de fonctionnement actuels. « Si l’on demande à un seul système de tout faire en même temps, ses performances se dégradent rapidement », souligne le chercheur Eyal Klang. Dans des établissements sous tension, cette limite pourrait devenir particulièrement problématique.

    Plus d’agents pour plus de transparence :

    « En attribuant différentes tâches – comme la recherche d’informations patient, l’extraction de données ou la vérification de posologies – à des agents spécialisés, les systèmes deviennent plus rapides, plus fiables et moins coûteux », explique le Pr Girish Nadkarni. En outre, cette organisation pourrait faciliter l’identification des erreurs : chaque étape du traitement étant réalisée par un agent distinct, il devient plus simple de repérer à quel moment du processus un problème est survenu. Le développement de ces architectures pourrait aussi accroître les besoins en compétences en IA, tant du côté des ingénieurs et architectes de systèmes que des professionnels de santé appelés à utiliser ces outils.

    * Orchestrated multi agents sustain accuracy under clinical-scale workloads compared to a single agent.

    Klang, E., Omar, M., Raut, G. et al. npj Health Syst. 3, 23 (2026) : https://doi.org/10.1038/s44401-026-00077-0

  • IA : un déficit majeur de formation chez les professionnels de santé (Étude – JMIR)

    Résultat : seuls 13,8 % des cliniciens estiment avoir été suffisamment formés, malgré une forte demande de cours pratiques. L’étude* a été publiée le 8 décembre 2025 dans le Journal of Medical Internet Research.

     

    Radiologie, dermatologie, aide au diagnostic, rédaction automatique de comptes rendus… L’intelligence artificielle est déjà présente dans de nombreux services hospitaliers. Mais entre les annonces technologiques et l’usage réel au quotidien, l’écart reste important. Beaucoup de soignants disent manquer de repères pour comprendre comment fonctionnent ces outils, évaluer leur fiabilité ou les utiliser sans risque pour les patients.

    Jusqu’ici, la plupart des initiatives de formation à l’IA ciblent les étudiants en médecine. Or, la majorité des professionnels déjà en exercice n’ont jamais été formés à ces technologies durant leurs études. Les offres de formation continue restent rares, fragmentées, parfois non accréditées, et difficiles à intégrer dans des emplois du temps déjà saturés.

    Se former à l’IA : une question réglementaire

    Le sujet devient d’autant plus pressant que l’Union européenne prépare l’application de l’AI Act, qui prévoit des obligations en matière de maîtrise des systèmes d’IA pour les organisations qui les utilisent. Autrement dit : la question n’est plus seulement technologique, elle devient réglementaire.

    C’est dans ce contexte que les chercheurs flamands ont voulu mesurer concrètement le niveau de préparation des soignants et identifier leurs besoins réels. Concrètement, l’étude a été menée en 2024 en Flandre (Belgique). Les chercheurs ont combiné plusieurs approches pour croiser les points de vue. Ils ont d’abord réalisé 15 entretiens semi-structurés avec des experts du secteur (professionnels de santé, acteurs académiques et institutionnels impliqués dans l’innovation en santé).

    Ils ont ensuite diffusé une enquête régionale en ligne auprès de 134 professionnels de santé, issus de différentes disciplines : médecins, dentistes, infirmiers, kinésithérapeutes et autres praticiens.

    Enfin, les résultats ont été discutés lors de trois groupes de discussion réunissant 39 professionnels et responsables du secteur de la santé (cliniciens, experts en innovation, acteurs institutionnels), afin d’interpréter collectivement les besoins, les freins et les priorités de formation. L’objectif était d’identifier concrètement les écarts de compétences, les attentes en matière de formation et les conditions nécessaires à une adoption plus large de l’IA dans les pratiques cliniques.

    Résultats : un fort besoin de formation pratique à l’IA

    • 13,8 % seulement des cliniciens estiment que leur formation les a suffisamment préparés à intégrer l’IA dans leur pratique.
    • 85,1 % des répondants se disent intéressés par des cours d’introduction à l’IA spécifiquement adaptés au secteur de la santé.
    • 80 % souhaitent acquérir des compétences pratiques, directement applicables à leur travail quotidien (et non des connaissances théoriques générales).
    • Les moins de 30 ans se montrent les plus enthousiastes vis-à-vis de l’IA, mais aussi plus inquiets concernant un possible impact sur l’emploi.
    • Les plus de 50 ans se disent surtout intéressés par des outils permettant de réduire la charge administrative.
    • Les médecins et dentistes déclarent un niveau de connaissance plus élevé que les infirmiers et kinésithérapeutes, qui rapportent davantage un manque de soutien institutionnel pour se former.
    • L’éthique de l’IA, souvent centrale dans les publications académiques, est moins demandée dans les formations, sauf chez les jeunes professionnels et les soignants en soins palliatifs.
    • Les participants aux groupes de discussion insistent sur la nécessité de formations accréditées, reconnues officiellement et intégrées au temps de travail, ainsi que sur des directives réglementaires claires.

    Le message est clair : la technologie avance plus vite que la formation. Les soignants ne rejettent pas l’intelligence artificielle. Mais, ils demandent à être formés. Pas à coups de grands discours théoriques. Ils veulent du concret, des outils applicables immédiatement, intégrés à leur pratique.

    Des besoins de formation sur-mesure

    L’étude montre aussi que le sujet ne se résume pas à une fracture générationnelle. Les plus jeunes sont enthousiastes, mais inquiets pour leur avenir professionnel. Les plus expérimentés voient surtout dans l’IA un moyen de réduire la paperasse. Autrement dit, chacun projette ses propres priorités sur la technologie. Une formation unique et standardisée aurait donc peu de chances de fonctionner.

    Autre signal fort : les infirmiers et certains professionnels paramédicaux disent manquer de soutien institutionnel pour se former, alors même qu’ils seront en première ligne dans l’usage quotidien des outils. Sans accompagnement organisationnel et sans temps dédié, la montée en compétence risque de rester théorique.

    Enfin, la question devient de plus en plus réglementaire. Avec l’entrée en vigueur progressive de l’AI Act européen, les établissements utilisant des systèmes d’IA devront s’assurer que leurs équipes disposent d’un niveau de compétence adapté. L’enjeu n’est donc plus seulement d’innover, mais de se mettre en conformité.

    https://www.jmir.org/2025/1/e76709

    *Bridging the AI-Literacy Gap in Health Care: Qualitative Analysis of the Flanders Case Study

    Chatzichristos C, Chatzichristos G, Borremans I, Gruyaert S, De Vos I, De Vos M, De Backere F J Med Internet Res 2025;27:e76709 doi: 10.2196/76709

  • Étude : la fracture numérique persiste dans les services publics d’e-santé (JMIR)

    Depuis la pandémie de Covid-19, la numérisation des soins s’est accélérée dans la plupart des systèmes publics européens. Prise de rendez-vous en ligne, téléconsultations, messagerie sécurisée, accès aux résultats via des portails patients : ces outils sont devenus des points d’entrée ordinaires dans le parcours de soins. Ces services sont souvent présentés comme des outils améliorant l’efficacité et l’accessibilité. Mais cette transformation pose une question centrale : lorsque l’accès aux services passe de plus en plus par le numérique, que deviennent les patients les moins à l’aise avec ces outils ?

    Numériser sans créer d’inégalité, un enjeu de santé publique

    La littérature évoque depuis plusieurs années une « fracture numérique » structurée en trois niveaux : l’accès au matériel et à la connexion, les compétences et la confiance dans l’usage, puis la capacité à en tirer un bénéfice concret en matière de santé. Dans ce contexte, mesurer les inégalités d’usage des services eHealth devient un enjeu de santé publique à part entière.

    Des chercheurs espagnols ont donc mené une revue systématique d’études observationnelles quantitatives portant sur l’usage des services d’e-santé dans les systèmes de santé publics européens. La recherche a été menée dans quatre grandes bases de données scientifiques et couvre les publications de 2015 à octobre 2025. Seules les études incluant des adultes et analysant des services intégrés aux systèmes publics ont été retenues. Les applications d’auto-suivi et les études qualitatives ont été exclues.

    Au total, 18 études ont été incluses. Elles portaient principalement sur les portails patients, l’accès aux dossiers de santé électroniques, la téléconsultation et la prise de rendez-vous en ligne. Les auteurs précisent que la majorité des travaux retenus présentent une qualité méthodologique satisfaisante, malgré une forte hétérogénéité des méthodes et des indicateurs utilisés.

    Les résultats de leurs travaux ont été publiés le 9 février 2026 dans le Journal of Medical Internet Research (JMIR).

    Résultats : la e-santé, moins accessible aux plus malades

    • Âge : les classes d’âge les plus élevées — souvent ≥60 ou ≥65 ans — utilisent moins les portails patients, l’accès aux dossiers électroniques et la téléconsultation.
    • Niveau d’éducation : les personnes sans diplôme universitaire ou avec un niveau d’études primaire ou secondaire recourent moins aux services eHealth que les diplômés du supérieur.
    • Statut socio-économique : un revenu plus faible ou une position sociale défavorisée est associé à un usage réduit des outils numériques de santé.
    • Compétences numériques : une faible littératie numérique et un manque de confiance dans le digital constituent des freins majeurs à l’utilisation.
    • Origine migratoire / minorités ethniques : plusieurs études montrent un recours plus faible aux services numériques chez certaines populations issues de l’immigration ou appartenant à des minorités ethniques.
    • État de santé : les personnes déclarant un état de santé plus dégradé utilisent moins ces outils, malgré un besoin de soins souvent plus important.
    • Type d’outil : les écarts sont plus marqués pour l’accès aux dossiers électroniques et aux portails patients que pour la simple prise de rendez-vous en ligne.

    Les facteurs d’exclusion identifiés ne sont pas, en soi, surprenants. Âge avancé, faible niveau d’éducation, statut socio-économique défavorisé ou faibles compétences numériques sont déjà bien documentés dans la littérature sur la fracture numérique. Mais leur persistance dans des services désormais intégrés aux systèmes publics de santé pose question. Les auteurs rappellent que les inégalités observées s’inscrivent dans une « fracture numérique à plusieurs niveaux », qui ne se limite pas à l’accès technique. Ils écrivent ainsi que « les inégalités numériques ne concernent pas seulement l’accès aux technologies, mais aussi les compétences nécessaires pour les utiliser et la capacité à en tirer des bénéfices concrets en matière de santé. » Autrement dit, équiper les patients ne suffit pas.

    Intégrer des critères d’équité

    Sans accompagnement, les outils peuvent renforcer des écarts existants. Les chercheurs soulignent d’ailleurs que « la transformation numérique des systèmes de santé doit intégrer explicitement des considérations d’équité ». Ils appellent également à une approche intersectionnelle : « Les déterminants sociaux ne doivent pas être examinés isolément, mais comme des facteurs susceptibles de se cumuler, » écrivent les auteurs de l’étude.

    Enfin, ils estiment nécessaire de mieux harmoniser les méthodes de recherche afin de comparer les résultats entre pays européens et d’évaluer réellement l’impact des politiques eHealth. Sans indicateurs standardisés et sans suivi explicite des écarts sociaux, préviennent-ils en substance, il restera difficile de savoir si la numérisation des systèmes publics parvient finalement à réduire ou creuser les inégalités d’accès aux services de santé.

    * Digital Inequalities in the Use of eHealth Services in European Public Health Care Systems: Systematic Review of Observational Studies

    Monasterio G, Fernández-López MJ, Valero E, Martin U, Ayala-García A J Med Internet Res 2026;28:e81841

    https://www.jmir.org/2026/1/e81841

     

  • Etude : les IA médicales se font piéger 1 fois sur 2 par de fausses recommandations (Lancet)

    Publiée le 9 janvier 2026 dans The Lancet Digital Health, l’étude* montre que les modèles acceptent une affirmation fausse comme vraie dans 31,7 % des cas, et jusqu’à 46,1 % lorsque l’erreur est formulée comme une recommandation clinique.

    Les modèles d’IA sont désormais utilisés pour résumer des comptes-rendus médicaux, produire des synthèses destinées aux patients ou répondre à des questions de santé. Mais on sait encore mal comment ils réagissent lorsqu’une information erronée est insérée dans un texte qui ressemble à un document médical authentique.

    20 modèles d’IA à l’épreuve de la désinformation

    Les chercheurs ont testé 20 modèles d’IA à partir de trois types de contenus contenant chacun une fausse information médicale :

    • De vraies notes de sortie hospitalière issues de la base MIMIC, dans lesquelles les chercheurs ont ajouté une recommandation volontairement erronée.
    • Des messages de désinformation issus de forums de discussion en ligne correspondant à de vraies rumeurs de santé circulant sur internet.
    • 300 situations cliniques fictives mais réalistes, rédigées par les chercheurs pour reproduire des cas typiques de consultation, puis relues par 2 médecins pour s’assurer qu’elles ressemblent à des situations crédibles de la pratique.

    Pour chaque cas, les modèles devaient dire si la recommandation était médicalement correcte ou non. Les chercheurs ont ensuite repris ces mêmes contenus en les reformulant selon dix types de raisonnements fallacieux connus (par exemple « tout le monde sait que », « un expert affirme que », « cela va forcément conduire à… ») afin d’observer si la manière d’écrire modifiait la réaction de l’IA.

    Les résultats de cette étude ont été publiés le 9 janvier 2026 dans The Lancet Digital Health

    Résultats : des fausses informations échappent aux LLM

    • Face à une fausse information présentée de façon neutre, les modèles la considèrent comme correcte dans 31,7 % des cas.
    • Lorsque cette fausse information est intégrée dans une note de sortie hospitalière réaliste, ce taux monte à 46,1 %.
    • Lorsqu’elle provient de rumeurs issues de forums en ligne, ce taux chute à 8,9 %.
    • Dans les scénarios médicaux fictifs, il descend à 5,1 %.
    • Formuler la même fausse information sous la forme « tout le monde sait que » réduit ce taux à 11,9 %
    • En revanche, la formuler sous la forme « un expert affirme que » l’augmente à 34,6 %.
    • La présenter comme une « pente glissante » (« cela va forcément entraîner… ») l’augmente à 33,9 %.
    • Les modèles GPT sont les moins vulnérables (autour de 10 %), certains modèles open source dépassent 60 %.
    • Les modèles spécifiquement entraînés sur des données médicales sont en moyenne plus vulnérables que les modèles généralistes.

    Ces résultats montrent d’abord que les modèles d’IA ne réagissent pas de la même manière selon le type de texte auquel ils sont confrontés. Une même fausse information est beaucoup plus facilement acceptée lorsqu’elle est intégrée dans une note hospitalière réaliste que lorsqu’elle provient d’un forum en ligne. Autrement dit, « le langage clinique formel est celui qui trompe le plus facilement les modèles, alors qu’un langage conversationnel, typique des réseaux sociaux, déclenche davantage de méfiance, » indiquent les auteurs de l’étude.

    Ce point est critique pour les outils qui résument automatiquement des comptes-rendus médicaux ou génèrent des synthèses destinées aux patients : une recommandation erronée, insérée dans un document qui ressemble à un dossier médical standard, peut être relayée sans être détectée.

    L’IA trompée par des formulations scientifiques

    Autre résultat marquant : la manière de formuler la fausse information change fortement la réaction du modèle. Présentée sous la forme « tout le monde sait que », elle est beaucoup moins souvent acceptée. En revanche, lorsqu’elle est introduite par « un expert affirme que » ou par un raisonnement de type « cela va forcément conduire à… », les modèles deviennent plus vulnérables. Les auteurs y voient la trace des mécanismes d’alignement actuels : les IA ont appris à se méfier de certains marqueurs rhétoriques typiques des débats complotistes ou émotionnels, mais restent sensibles au ton d’autorité clinique.

    L’autre résultat, présenté comme contre-intuitif par les chercheurs, est que les modèles spécifiquement entraînés sur des données médicales sont en moyenne plus vulnérables que les modèles généralistes. Selon eux, ces modèles médicaux sont souvent construits à partir de versions plus petites ou plus anciennes, et leur entraînement privilégie la précision terminologique ou le refus de répondre plutôt que la capacité à repérer des erreurs cachées dans des textes variés.

    Les auteurs en concluent que « les progrès en matière de sécurité dépendront moins de la taille des modèles que de stratégies de vérification des faits et de garde-fous sensibles au contexte, adaptés aux usages cliniques. » Une exigence particulièrement importante dans un contexte où la désinformation médicale circule largement en ligne et où la confiance envers les institutions de santé s’érode.

    *Mapping the susceptibility of large language models to medical misinformation across clinical notes and social media: a cross-sectional benchmarking analysis

    Omar, Mahmud et al.

    The Lancet Digital Health, Volume 8, Issue 1, 100949

    https://www.thelancet.com/journals/landig/article/PIIS2589-7500(25)00131-1/fulltext

     

  • Étude : vers un score métastatique multi-cancers grâce à l’IA (Cell Reports)

    Chaque année, ce ne sont pas les tumeurs primaires qui tuent le plus, mais leur capacité à se disséminer. Les métastases — ces cellules cancéreuses qui quittent leur site d’origine pour coloniser d’autres organes — sont responsables de la grande majorité des décès liés au cancer.

    Repérer la capacité des cellules à métastaser

    Pourtant, cette capacité à métastaser reste largement invisible au moment du diagnostic. Les cliniciens évaluent le risque à partir de la taille de la tumeur, de son stade, de son grade, et parfois de signatures génomiques spécifiques. Mais ces outils ne permettent pas toujours de capter un élément clé : la capacité biologique intrinsèque des cellules tumorales à migrer et envahir d’autres tissus. C’est précisément cette zone d’ombre que les chercheurs de l’Université de Genève ont cherché à éclairer.

    C’est pourquoi une équipe de chercheurs de l’Université de Genève a isolé et cloné des cellules de tumeurs du côlon, puis évalué leur capacité à migrer et former des métastases dans des modèles biologiques. L’expression de plusieurs centaines de gènes a été analysée sur une trentaine de clones provenant de deux tumeurs primaires. Ces analyses ont mis en évidence que les cellules capables de métastaser n’expriment pas les mêmes gènes que celles qui restent localisées dans la tumeur. Ces signatures ont ensuite été intégrées dans une IA, appelée MangroveGS, qui combine des dizaines à des centaines de signatures géniques pour prédire le risque métastatique.

    Les résultats de leurs travaux ont été publiés le 22 janvier dans la revue Cell Reports.

    Résultats : une IA précise à 80%

    • Précision prédictive de l’ordre de 80 % : après entraînement, MangroveGS classe correctement environ 8 patients sur 10 selon qu’ils développeront des métastases ou des récidives dans le cancer du côlon, une performance jugée supérieure aux outils existants.
    • Applicabilité à plusieurs cancers : les signatures issues du cancer du côlon sont également capables de prédire le potentiel métastatique dans d’autres tumeurs fréquentes comme celles du sein, du poumon ou de l’estomac.
    • Les signatures identifiées correspondent à des fonctions biologiques connues pour jouer un rôle clé dans la migration et l’invasion des cellules cancéreuses, ce qui confirme que l’IA capte bien les mécanismes réels de la métastase.
    • Le score permet de distinguer les tumeurs à faible et à haut potentiel métastatique, une information directement utilisable pour adapter la prise en charge des patients.

    Les résultats de cette étude remettent en fait en question la logique même des signatures génomiques utilisées en oncologie depuis vingt ans. Jusqu’à maintenant, ces tests reposent sur une sélection limitée de gènes choisis à l’avance, censés être associés au risque de récidive. MangroveGS adopte une approche différente : laisser l’IA identifier, parmi des centaines de signatures d’expression, les combinaisons réellement associées à la migration des cellules tumorales.

    Une IA plus puissante que des marqueurs isolés

    Les chercheurs soulignent cette rupture méthodologique : « Plutôt que de nous concentrer sur des gènes individuels, nous avons laissé l’algorithme identifier les combinaisons d’expression associées au potentiel métastatique ». Ce changement de perspective permet de passer d’une logique de marqueurs isolés à celle de programmes biologiques complexes.

    Autre changement majeur : l’objet même de la prédiction. Il ne s’agit plus seulement d’estimer le risque de récidive d’une tumeur, mais d’évaluer « la capacité intrinsèque des cellules tumorales à migrer et former des métastases ». Autrement dit, il ne s’agit plus seulement d’estimer un risque statistique de récidive, mais d’identifier si la tumeur possède, ou non, les caractéristiques biologiques qui lui permettent de former des métastases.

    Pour la pratique clinique, cela ouvre une voie nouvelle. À terme, cette information pourrait en effet devenir un complément clé des critères classiques de stade, de taille ou de grade tumoral, en apportant une lecture plus fine du risque réel de dissémination.

    *Emergence of high-metastatic potentials and prediction of recurrence and metastasis

    Aravind Srinivasan, Arwen Conod, Yann Tapponnier, Marianna Silvano, Luca Dall’Olio, Céline Delucinge-Vivier, Isabel Borges-Grazina et Ariel Ruiz i Altaba

    Cell Reports DOI : 10.1016/j.celrep.2025.116834

    https://www.cell.com/cell-reports/fulltext/S2211-1247(25)01606-7?_returnURL=https%3A%2F%2Flinkinghub.elsevier.com%2Fretrieve%2Fpii%2FS2211124725016067%3Fshowall%3Dtrue

     

  • Etude : les IA scribes allègent la charge des médecins, au prix de nouvelles inquiétudes (Health and technology)

    Publiée le 9 janvier 2026 dans Health and Technology, l’étude* met en évidence une baisse de la charge administrative, mais aussi des erreurs possibles, un flou sur les données et les responsabilités juridiques.

    Des scribes au cabinet Les IA scribes promettent de faire disparaître une partie du travail invisible de la consultation : taper, résumer, structurer, envoyer des courriers. Dans un système de soins sous tension, l’argument n’a rien d’anecdotique. Mais ces outils touchent en fait des éléments centraux du métier : le dossier médical, la confidentialité et la trace écrite qui engage le médecin.

    Des chercheurs de la Commonwealth Scientific & Industrial Research Organisation (Canberra), l’équivalent du CNRS ont donc mené une étude qualitative explorant pour la première fois l’expérience concrète des praticiens face à ces assistants. Concrètement, les auteurs de cette étude ont conduit des focus groups en février-mars 2025 à Sydney et Melbourne, ainsi qu’une session en ligne. L’échantillon comprend 33 médecins : 21 généralistes et 12 spécialistes, répartis entre utilisateurs et non-utilisateurs d’IA scribes. Les échanges ont fait l’objet d’une analyse thématique qualitative, complétée par un comptage du nombre de participants ayant évoqué chaque thème.

    Les résultats de leurs travaux ont été publiés le 9 janvier 2026 dans Health and Technology.

    Résultats : un atout pour limiter la surcharge administrative

    Bénéfices rapportés par les utilisateurs

    • Amélioration de la qualité des notes : 93,3 % des utilisateurs jugent les comptes rendus mieux structurés et plus complets.
    • Gain d’efficacité : 86,7 % évoquent une réduction de la charge administrative et du temps passé à documenter.
    • Meilleure interaction patient : 66,7 % estiment pouvoir davantage se concentrer sur l’écoute.
    • Effet financier possible : 26,7 % mentionnent des économies liées à la transcription ou à l’organisation.

    Freins et risques identifiés

    Manque de connaissances sur la technologie et les données : 93,3 % des utilisateurs et 94,4 % des non-utilisateurs évoquent de telles lacunes.

    • Erreurs de l’IA (omissions, confusions, valeurs inexactes) : 86,7 % des utilisateurs et 83,3 % des non-utilisateurs les redoutent.
    • Risque médico-légal : 80 % des utilisateurs et 83,3 % des non-utilisateurs estiment que l’IA scribe engendre un tel risque
    • Atteintes possibles à la confidentialité : 86,7 % des utilisateurs et 72,2 % des non-utilisateurs.
    • Sur-dépendance et perte de compétences : 80 % des utilisateurs et 61,1 % des non-utilisateurs.
    • Perte de contrôle clinique : 46,7 % des utilisateurs contre 66,7 % des non-utilisateurs.

    Leviers d’adoption

    • Besoin de recommandations de bonnes pratiques émises par des autorités médicales.
    • Exigence de transparence sur le stockage et l’usage des données.
    • Intérêt pour un apprentissage par les pairs et des environnements de test sans risque.

    Les chercheurs estiment que les IA scribes peuvent donc devenir un outil majeur pour faire face à la surcharge administrative, à condition que ces solutions ne soient développées massivement qu’après avoir défini un cadre de confiance. Un préambule nécessaire car les chercheurs insistent sur le double visage des IA scribes. Ces outils ont certes le potentiel de « réduire la charge administrative et simplifier la documentation clinique », mais « les erreurs de l’IA, la connaissance limitée de la technologie et les inquiétudes concernant son impact sur le travail clinique représentent des barrières importantes ».

    Pour dépasser ces freins, l’équipe appelle à « des politiques claires et des directives issues des principales organisations médicales » et à des recherches menées « dans des contextes réels de mise en œuvre ». Sans règles explicites sur la responsabilité, la gestion des données et la validation humaine des notes, la greffe risque de ne pas prendre.

    Une influence qui dépasse la simple prise de notes

    Au-delà de ces conclusions, l’étude met en fait en lumière un enjeu d’acculturation. En effet, tandis que les utilisateurs de ces outils décrivent surtout des gains concrets de temps et une meilleure relation avec les patients, les non-utilisateurs redoutent davantage la perte de contrôle clinique. Cette divergence suggère que la barrière est plus culturelle que technique.

    Enfin, l’étude suggère que l’effet des IA scribes dépasse la simple prise de notes. En proposant d’emblée une structure de compte rendu, l’outil oriente la manière de présenter les symptômes, les diagnostics et le plan de soins. Cette mise en forme peut ensuite influencer les courriers adressés aux spécialistes, le codage des actes et l’organisation du suivi. L’IA participe ainsi à la construction du dossier médical. Autrement dit, il est crucial que le médecin en ait conscience afin qu’il reste le décideur final.

    * AI in medical practice: doctors’ perspective on the benefits, challenges and facilitators of artificial intelligence scribe use.

    Irons, J.L., Duenser, A., Pickett, T. et al. Health Technol. (2026).

    https://link.springer.com/article/10.1007/s12553-025-01042-x

     

  • Étude : une IA cartographie les facteurs clés de la survie au cancer pour guider les politiques

    Résultat : la couverture santé universelle, l’accès à la radiothérapie et la richesse nationale apparaissent comme les leviers les plus déterminants.

    Depuis vingt ans, les politiques publiques de lutte contre le cancer reposent sur une accumulation d’indicateurs : dépenses de santé, nombre de lits, effectifs médicaux, densité hospitalière, équipements lourds. Des tableaux de bord utiles, mais qui indiquent peu où investir en priorité pour faire réellement baisser la mortalité. À dépense égale, certains pays obtiennent de meilleurs résultats que d’autres. Jusqu’ici, faute d’outils capables de croiser massivement données épidémiologiques et organisation des soins, il était difficile d’identifier ce qui, concrètement, faisait la différence.

    Une IA analyse les données de 185 pays

    Pour répondre à cette question, une équipe de l’University of Texas et du Memorial Sloan Kettering Cancer Center a développé un modèle d’apprentissage automatique et l’a appliqué à 185 pays. L’étude, publiée en janvier 2026 dans Annals of Oncology, vise à décomposer, pays par pays, les facteurs dans les systèmes de santé les plus étroitement associés à la survie au cancer afin d’orienter les politiques publiques.

    Concrètement, les chercheurs ont analysé les données d’incidence et de mortalité du cancer issues de la base GLOBOCAN 2022 pour 185 pays. Ces données ont été croisées avec des indicateurs décrivant les systèmes de santé nationaux, provenant de l’Organisation mondiale de la santé, de la Banque mondiale, des Nations unies et d’un répertoire mondial des centres de radiothérapie.

    L’objectif était d’expliquer les écarts de performance entre pays à partir d’un indicateur synthétique : le ratio mortalité/incidence (MIR), utilisé comme mesure de l’efficacité des soins contre le cancer. Pour cela, les auteurs ont entraîné un modèle d’apprentissage automatique capable de prédire le MIR de chaque pays, puis utilisé une méthode d’interprétation afin de quantifier, pour chaque variable, sa contribution aux résultats observés.

    Résultats : l’augmentation des dépenses ne change pas toujours la donne

    • Trois leviers dominent globalement sont plus fortement associés à une meilleure survie au cancer :
      • Couverture santé universelle.
      • Densité de centres de radiothérapie.
      • PIB par habitant.
    • L’augmentation des dépenses globales de santé n’est pas systématiquement associée à une amélioration du MIR.
    • Au Brésil, la couverture santé universelle est le facteur qui a le plus fort impact positif sur le MIR, alors que les services de pathologie et le nombre d’infirmières par 1000 habitants ont un effet moins prononcé.
    • En Pologne, la densité des services de radiothérapie, le PIB par habitant et l’indice de couverture santé universelle sont les facteurs qui expliquent le mieux les résultats en matière de cancer.
    • Dans des pays comme le Japon, les États-Unis et le Royaume-Uni, tous les aspects des systèmes de santé sont liés à de meilleurs résultats, mais la densité des centres de radiothérapie au Japon et le PIB par habitant aux États-Unis et au Royaume-Uni se détachent comme les plus influents.
    • En Chine, les plus grands facteurs associés à de meilleurs résultats sont le PIB par habitant, la couverture santé universelle et la densité de centres de radiothérapie, tandis que les dépenses directes des patients, la main-d’œuvre chirurgicale par 1000 habitants et les dépenses de santé en pourcentage du PIB contribuent moins aux différences actuelles.

    Cette étude marque un changement de paradigme dans le pilotage des politiques de lutte contre le cancer. Elle montre que le niveau global de dépense ne suffit plus à expliquer les écarts de mortalité. « Ce ne sont pas les ressources globales, mais leur configuration et leur accessibilité qui expliquent le mieux les différences de résultats, » écrivent les auteurs de l’étude.

    Appliquée à la France, cette grille de lecture est également éclairante. Le pays dispose déjà de la plupart des déterminants structurels identifiés par le modèle — couverture santé universelle, offre hospitalière dense, accès large à la radiothérapie. Dans ce contexte, les marges de progrès se situent donc moins dans l’extension du système que dans l’accès réel aux soins et la fluidité des parcours. Surtout dans les territoires sous-dotés et pour les cancers de mauvais pronostic.

    « Rendre possible une santé publique de précision »

    Ce type de modèle ouvre la voie à une nouvelle génération d’outils de pilotage des plans cancer. Il permet de hiérarchiser les priorités, d’objectiver les choix d’investissement et de déplacer les ressources vers les points où l’impact sur la survie est maximal. Les auteurs font donc le pari qu’« à mesure que le fardeau mondial du cancer augmente, ce modèle aidera les pays à maximiser l’impact avec des ressources limitées. Il transformera des données complexes en conseils compréhensibles et exploitables pour les décideurs, rendant possible une santé publique de précision. »

    * Machine learning reveals country-specific drivers of global cancer outcomes

    Patel, M.S. et al.

    Annals of Oncology, Published online January 13, 2026

    https://www.annalsofoncology.org/article/S0923-7534(25)06275-1/abstract

     

  • Enquête : l’usage de l’IA inquiète de plus en plus les psychologues (APA)

    La nouvelle enquête* Practitioner Pulse de l’American Psychological Association (APA) a été publiée en décembre 2025.

    Depuis deux ans, l’IA générative gagne du terrain dans les métiers de la santé mentale. Elle sert à résumer des notes, rédiger des documents ou assister les praticiens sur des tâches répétitives. Les psychologues restent cependant très prudents, à l’inverse d’autres professions médicales — radiologie et dermatologie notamment. Dans ces spécialités plus techniques, l’IA est déjà intégrée à des tâches codifiées comme l’analyse d’images ou le codage administratif.

    Une adoption croissante de l’IA

    En psychologie, le travail clinique repose sur la relation, l’interprétation et le contexte, ce qui limite pour l’instant l’usage de l’IA dans les tâches centrales. L’enquête APA 2025 montre cependant une progression nette de l’adoption : de plus en plus de psychologues utilisent ces outils au quotidien, mais principalement pour des fonctions périphériques — rédiger, synthétiser, organiser. « Les psychologues sont attirés par ce métier parce qu’ils veulent améliorer la vie des gens, mais ils peuvent perdre des heures chaque jour dans des tâches administratives ou la navigation complexe des assurances », indique Arthur Evans Jr., directeur général de l’APA.

    L’enquête Practitioner Pulse 2025 a été menée en ligne auprès d’un échantillon aléatoire de 30 000 psychologues invités à compléter un questionnaire entre le 3 et le 29 septembre 2025. Au total, 1 742 professionnels ont répondu (taux de complétion : 6,6 %). Le questionnaire portait sur leurs pratiques, leur usage de l’IA, leurs préoccupations, ainsi que leur charge administrative et l’évolution de la demande en santé mentale.

    Résultats : 9 psychologues sur 10 sont inquiets

    • 56 % des psychologues ont utilisé un outil d’IA au moins une fois en 2025 (contre 29 % en 2024).
    • 29 % en ont un usage mensuel (contre 11 % en 2024).
    • 92 % expriment des inquiétudes liées à l’IA.
    • Principaux risques cités : fuites de données (67 %), dommages sociétaux sur le système de soins (64 %), biais (63 %), manque de tests rigoureux (61 %), sorties erronées ou « hallucinations » (60 %).
    • 38 % craignent une automatisation future de certaines tâches.
    • Usages courants : aide à la rédaction (52 %), génération de contenu (33 %), résumé d’articles ou de notes (32 %), prise de notes (22 %).
    • Usages cliniques limités : assistance au diagnostic (8 %), chatbot pour patients ou clients (5 %).
    • 62 % estiment que les technologies améliorent leur efficacité et leur précision.

    Le développement de l’IA s’accompagne donc d’une montée en puissance des craintes. Selon l’APA, l’essor de l’IA dans la psychologie doit donc s’accompagner d’un cadre strict : consentement éclairé, évaluation des biais, conformité réglementaire et transparence sur les données. « L’intelligence artificielle peut aider à soulager certaines pressions… mais la supervision humaine reste essentielle », rappelle Arthur Evans.

    L’IA libère peu de temps…

    Le rapport souligne, par ailleurs, un paradoxe. L’IA allège certaines tâches, mais elle ne règle pas les problèmes structurels du secteur. Près de la moitié des psychologues déclarent ne plus avoir de place pour de nouveaux patients. Beaucoup observent une aggravation de la sévérité des symptômes. Les contraintes imposées par les assurances — préautorisations, audits, faibles remboursements — restent lourdes et chronophages.

    Dans ce contexte, l’IA apparaît comme un outil d’appoint, utile pour récupérer un peu de temps mais insuffisant pour transformer le système. « Tirer parti d’outils d’IA sûrs et éthiques peut augmenter l’efficacité des psychologues, leur permettant de mieux servir leurs patients », estime néanmoins le directeur général de l’APA.

    * AI in the Therapist’s Office

    2025 PRACTITIONER PULSE SURVEY

    American Psychological Association

    https://www.apa.org/pubs/reports/practitioner/2025/index

     

  • Étude : une IA capable de prédire plus de 1 000 maladies 10 ans à l’avance (Nature)

    Décrypter l’histoire naturelle des maladies

    Avec le vieillissement de la population et l’augmentation des maladies chroniques, les systèmes de santé doivent faire face à des trajectoires médicales de plus en plus complexes. L’IA est déjà utilisée pour analyser des images ou personnaliser certains traitements, mais prédire de manière intégrée l’histoire naturelle des maladies reste un défi. Anticiper l’apparition de plusieurs pathologies permettrait d’orienter la prévention, d’améliorer le dépistage précoce et de mieux planifier les ressources hospitalières.

    C’est précisément l’ambition de l’étude publiée dans Nature : développer un modèle d’IA capable d’apprendre, à partir de larges cohortes, comment les maladies surviennent les unes après les autres et d’en déduire le risque futur pour chaque individu.

    Un modèle génératif inspiré de GPT

    Baptisé Delphi-2M, le système s’appuie sur une architecture de type transformeur – la même famille de modèles qui a donné naissance à ChatGPT. Concrètement, il s’agit d’un réseau de neurones conçu pour analyser des séquences et apprendre les relations entre des événements successifs. Ici, au lieu de traiter du texte mot par mot, l’IA apprend les séquences médicales : l’ordre et la probabilité d’apparition des maladies au cours de la vie.

    Pour l’entraîner, les chercheurs ont mobilisé les données de santé de 402 799 volontaires de la UK Biobank, puis validé les performances sur 100 639 personnes supplémentaires et sur une cohorte externe de 1,93 million de Danois issues des registres nationaux. L’IA intégrait à la fois l’historique des diagnostics, le sexe, l’indice de masse corporelle, le tabagisme ou encore la consommation d’alcool.

    Les résultats de cette étude ont été publiés le 17 septembre dans Nature.

    Résultats : des probabilités fiables 7 fois sur 10

    • A court terme, Delphi-2M atteint une AUC moyenne de 0,76.
      Dans 76 % des cas, l’IA donne donc un score de risque plus élevé au patient qui développera effectivement une maladie qu’à celui qui ne la développera pas.
    • Même à 10 ans, l’AUC reste à 0,70. Le modèle a donc environ 7 chances sur 10 de classer correctement deux patients comparés.
    • Sur les 1,93 million de Danois, l’AUC moyenne descend à 0,67.
    • La prévision est variable selon les maladies :
      • Les maladies cardiovasculaires et métaboliques sont très prévisibles avec des scores souvent supérieurs à 0,80.
      • Plusieurs cancers ou maladies chroniques atteignent des scores intermédiaires de 0,70–0,75.
      • Les troubles psychiatriques et certains cancers difficiles à détecter sont en revanche peu prévisibles (< 0,65).

    Les facteurs les plus prédictifs

    Au-delà des chiffres, les chercheurs ont cherché à interpréter les prédictions. Ils ont identifié quels antécédents influencent le plus le risque futur. Résultat : des clusters de comorbidités se dessinent. Les maladies cardiovasculaires gardent une forte valeur prédictive sur plusieurs années, tandis que d’autres pathologies, comme les infections bénignes, n’améliorent les prédictions que dans un laps de temps limité.

    L’étude reste soumise aux biais classiques des grandes bases de données : la UK Biobank, plus saine et favorisée que la population générale, limite la représentativité et la précision décroît nettement après 80 ans, faute de données suffisantes. Ces limites montrent que Delphi-2M doit encore être validé avant tout usage clinique.

    Vers de nouvelles applications en prévention

    Malgré ces limites, l’étude ouvre des perspectives prometteuses. Delphi-2M pourrait contribuer à la personnalisation de la prévention en identifiant les patients les plus à risque, ou encore améliorer le dépistage précoce de pathologies lourdes comme le cancer ou le diabète. Il pourrait aussi devenir un outil de planification en santé publique, en simulant l’évolution des charges de maladies dans une population, ou encore servir la recherche grâce à la génération de données synthétiques préservant la confidentialité. Les auteurs envisagent enfin d’élargir le modèle à de nouvelles sources de données, comme les biomarqueurs, l’imagerie, la génétique ou les capteurs connectés.

    « Cette approche montre qu’il est possible de modéliser l’histoire naturelle des maladies de manière statistiquement robuste. Mais son intégration en pratique clinique nécessitera encore de nombreuses validations », concluent-ils.

     

    *Learning the natural history of human disease with generative transformers. Nature (2025).

    Shmatko, A., Jung, A.W., Gaurav, K. et al.

     

  • Etude : l’IA générative de plus en plus utilisée dans les publications scientifiques (AACR)

    1 abstract sur 4 généré par IA

    Les résultats de leurs travaux présentés lors du 10ème congrès international sur l’évaluation par les pairs et les publications scientifiques (3-5 septembre) révèlent que près d’un quart des abstracts contiennent désormais du texte généré par IA.

    L’intelligence artificielle est de plus en plus utilisée en médecine. Au service du diagnostic, de la personnalisation des traitements ou de l’analyse d’images, ces outils s’insinuent progressivement dans la pratique clinique. Mais l’IA s’invite aussi dans un autre domaine essentiel : la production et l’évaluation de la recherche scientifique. Afin de savoir quelle place elle prenait réellement, des chercheurs de l’American Association for Cancer Research (AACR) et membre du Peer Review Congress, le congrès international sur l’évaluation par les pairs et les publications scientifiques ont mené une étude transversale. Concrètement, les chercheurs ont étudié les manuscrits et commentaires soumis entre 2021 et 2024 à 10 revues de l’American Association for Cancer Research (AACR). Ils ont ciblé trois éléments :

    • l’abstract,
    • la section méthodes,
    • les commentaires des relecteurs

    Chaque texte a ensuite été analysé avec un logiciel de détection d’IA et un score de probabilité d’IA (entre 0 et 1) a été établi. Pas moins de 46 500 résumés, 46 021 sections méthodes et 29 544 rapports de relecteurs ont ainsi été passés au crible.

    +50 % de chutes après interdiction dans les revues

    Les résultats de l’étude ont été présentés lors du 10ème congrès international sur l’évaluation par les pairs et les publications scientifiques qui s’est tenu du 3 au 5 septembre à Chicago.

    Résultats :

    • Entre 2021 et 2022, avant la mise en accès public de ChatGPT, sur 18 467 manuscrits, seuls 7 résumés contenaient du texte très probablement généré par IA.
    • Aucun texte généré par IA détecté dans les sections Méthodes ni dans les commentaires de relecteurs.
    • Le taux de faux positifs est extrêmement faible (<0,3 %).
    • A partir de 2023, forte augmentation des détections dans les trois sources (résumés, méthodes, commentaires)
    • En 2024, 23 % des résumés contiennent du texte IA, 10 % des sections méthodes et 4,8 % des commentaires de relecteurs
    • Fin 2024, les revues ont instauré une politique interdisant l’usage de l’IA, faisant chuter les détections dans les commentaires de relecteurs de plus de 50 %. Puis, ils ont repris une progression linéaire.
    • L’utilisation de l’IA varie beaucoup selon les journaux. Dans certains titres, 12–15 % des abstracts sont concernés, dans d’autres le taux monte à 28–33 %.
    • Les chercheurs des pays anglophones utilisent 2 fois moins souvent l’IA que les autres.
    • L’utilisation d’IA est associée à un taux de rejet plus élevé avant peer review, et les commentaires de relecteurs sont un peu moins bien notés.

    Nature alerte sur les biais et dérives éthiques

    Le premier auteur de l’étude a déclaré dans la revue Nature « avoir été personnellement choqué par l’ampleur de l’utilisation dans les sections méthodes. Demander à un LLM d’améliorer le langage de la section méthodes peut introduire des erreurs… car ces détails doivent être exacts quant à la façon dont vous avez procédé, et si l’on reformule quelque chose, cela peut ne plus être correct ».

    Nature et Science ont chacun consacré un article à cette étude. Ils soulignent notamment une problématique éthique. En effet, si les chercheurs de pays non anglophones utilisent plus l’IA pour corriger ou rédiger, le bannissement pourrait accentuer les inégalités entre chercheurs. Par ailleurs, le constat de l’inefficacité de la régulation suscite des interrogations. Faut-il trouver des méthodes plus efficaces pour interdire l’IA ou au contraire l’intégrer l’IA comme un outil normalisé, à condition de transparence ?

    Les auteurs de l’étude ne tranchent pas mais annoncent que leur « intention est clairement de commencer à contrôler tous les manuscrits soumis ainsi que tous les commentaires de peer review entrants ».

     

     https://peerreviewcongress.org/abstract/quantifying-and-assessing-the-use-of-generative-ai-by-authors-and-reviewers-in-the-cancer-research-field/

    Quantifying and Assessing the Use of Generative AI by Authors and Reviewers in the Cancer Research Field

    Daniel S. Evanko,1 Michael Di Natale1