Signal du jour

Une équipe du King’s College London et du King’s College Hospital a entraîné des modèles de langage à poids ouverts (open weight) à lire la fréquence des crises d’épilepsie dans des courriers de consultation sans leur montrer une seule lettre réelle : l’apprentissage repose sur 15 099 lettres entièrement synthétiques, générées et vérifiées par GPT-5. L’étude est parue le 1^er octobre 2026 dans le Journal of Biomedical Informatics. Testés sur 300 lettres réelles relues par deux épileptologues, les modèles classent correctement la fréquence des crises dans 79 % des cas sur une grille à dix niveaux et dans 86 % des cas sur une grille à quatre niveaux.

Pourquoi cela compte : l’accès au texte clinique réel est le premier frein des projets de traitement du langage hospitalier. L’étude montre qu’un corpus synthétique construit pour une tâche précise, avec étiquettes normalisées et extraits de preuve, suffit à entraîner un modèle ouvert de 4 milliards de paramètres exécutable sur site, à condition de l’évaluer sur des documents réels relus par des cliniciens. Pour un entrepôt de données hospitalier, c’est une voie pour développer et partager des extracteurs sans faire circuler de lettres de patients.

Le verrou : une donnée de suivi enfermée dans le texte libre

La fréquence des crises est l’indicateur central du suivi de l’épilepsie, mais elle est rarement codée. Au Royaume-Uni, elle figure dans la lettre que le neurologue adresse au médecin traitant après chaque consultation, un document difficile à annoter et impossible à partager sans risque de réidentification. L’entrepôt du King’s College Hospital compte plus de 25 000 documents de ce type pour des adultes épileptiques entre 2013 et 2023. La même équipe avait déjà entraîné des modèles sur 1 481 lettres annotées à la main, avec un score F1 de 0,73 (Barlow et al., BioNLP 2025).

La méthode : dix lettres de base, 17 315 formulations, 15 099 lettres vérifiées

Les auteurs partent de dix lettres de base dérivées de vrais courriers de l’hôpital, désidentifiées et réécrites à la main pour conserver le style du NHS. GPT-5 produit ensuite 500 descriptions courtes de fréquence de crises, que des annotateurs transforment en gabarits paramétriques (« [1] per day ») ; leur instanciation donne 17 315 paires description-étiquette couvrant les taux explicites, les intervalles, les grappes de crises, les périodes sans crise, la fréquence inconnue et l’absence de crise. Pour chaque lettre, GPT-5 remplace le paragraphe sur les crises, puis relit le résultat et prédit l’étiquette ; seules les lettres dont la prédiction correspond exactement à l’étiquette de départ sont conservées. Le corpus final compte 15 099 lettres, chacune accompagnée d’une étiquette normalisée, d’un raisonnement et des passages qui le justifient.

Sept modèles à poids ouverts de 4 à 14 milliards de paramètres (Qwen2.5, Gemma-3, MedGemma, Lingshu, Llama 3.1, Ministral) sont ensuite affinés sur ce corpus, avec deux formats de sortie : un nombre de crises par mois, ou une étiquette structurée accompagnée d’un raisonnement et de citations du texte.

Les résultats : des modèles entraînés sur du synthétique lisent correctement les lettres réelles

L’évaluation porte sur 300 lettres réelles tenues à l’écart de l’entraînement et relues indépendamment par deux épileptologues seniors. Deux grilles de lecture sont utilisées. La grille fine compte dix niveaux de fréquence, de moins d’une crise par semestre à une crise ou plus par jour. La grille pragmatique en compte quatre : crises fréquentes, crises peu fréquentes, fréquence inconnue, absence de crise. La performance est mesurée par le micro-F1, qui combine précision et rappel sur l’ensemble des lettres et se lit ici comme une proportion de classements corrects : 1 serait un sans-faute.

Qwen2.5-14B, le plus gros modèle testé, obtient 0,788 sur la grille fine et 0,847 sur la grille pragmatique. MedGemma-4B, modèle médical trois fois plus petit, fait aussi bien avec 0,787 et 0,858. Autrement dit, près de huit lettres sur dix sont classées au bon niveau fin et plus de huit sur dix dans la bonne catégorie pragmatique, par un modèle qui tient sur un serveur hospitalier.

Trois enseignements complètent ces scores. Demander au modèle une étiquette structurée avec justification donne de meilleurs résultats que lui demander un nombre de crises par mois. L’entraînement sur le seul corpus synthétique dépasse l’entraînement sur les 1 481 lettres réelles annotées (0,763 et 0,811 pour Qwen2.5-14B), avec une réserve : les annotations réelles n’existaient qu’au format numérique, ce qui empêche une comparaison à format égal. Enfin, la performance croît avec la taille du corpus synthétique, de 0,743 avec 500 lettres à 0,788 avec 15 000, mais les gains se tassent.

Le réalisme des lettres a été testé à part sur 60 lettres mélangées : deux neurologues ont distingué le vrai du synthétique dans 98,3 % et 88,3 % des cas, tout en jugeant 56,7 % et 86,7 % des lettres synthétiques « écrites comme par un médecin ». Artefacts relevés : documentation trop exhaustive de style américain, examens inhabituels dans un suivi britannique de routine, narration trop ordonnée.

Les limites que les auteurs assument

Un seul centre britannique et une période fixe : la validation externe dans d’autres hôpitaux reste à faire. Le pipeline par gabarits limite la diversité des récits, ce qui explique sans doute le tassement des gains. Aucune étude prospective n’a mesuré le temps gagné ni la confiance des cliniciens. Le financement vient de l’Epilepsy Research Institute (subvention 2209) et d’une bourse de recherche à l’initiative de l’investigateur financée par Angelini Pharma. Un second article de la même équipe, présenté à BioNLP 2026, applique la même recette à la détection de l’absence de crises.

Source : Journal of Biomedical Informatics, Gan Y., Barlow S. H., Holgate B., Davies J., Teo J. T., Winston J. S., Richardson M. P., « Reproducible synthetic clinical letters for seizure frequency information extraction », article 105105 (1^er octobre 2026), DOI 10.1016/j.jbi.2026.105105 · fiabilité : publication évaluée par les pairs · prépublication arXiv:2603.11407 (12 mars 2026) ; Barlow et al., BioNLP 2026

Le 31 août 2026, l’Inselspital, hôpital universitaire de Berne, et l’Université de Berne ont présenté deux études internationales parues dans The Lancet Digital Health et JAMA Cardiology. Selon leur communiqué, des modèles d’IA y prédisent l’évolution de deux maladies cardiaques avec plus de précision que les scores de risque établis : après un remplacement de valve aortique par cathéter (TAVI) et dans l’amylose cardiaque à transthyrétine. Fait nouveau, les deux modèles sont accessibles gratuitement en ligne pour un usage scientifique.

Pourquoi cela compte : ces modèles pourraient permettre d’adapter l’intensité du suivi au risque de chaque patient, donc de mieux répartir consultations et examens. Ils ne sont toutefois validés que sur des données passées. Pour un établissement, la décision du moment est de les évaluer en recherche.

Des modèles en accès libre, testables sur ses propres patients

Les deux modèles sont disponibles sous forme d’outils en ligne gratuits, réservés à un usage scientifique. Les auteurs prévoient de les tester de façon prospective et dans d’autres groupes de patients. Cette ouverture compte, car un modèle pronostique construit ailleurs ne vaut pour un établissement que s’il reste performant sur sa propre population. Une équipe qui suit une cohorte TAVI ou amylose peut donc le vérifier à faible coût.

Données de routine, validation externe, explicabilité : une méthode en trois temps

Les deux études suivent le même schéma. D’abord, les modèles combinent des informations déjà recueillies pendant les soins, ce qui évite toute saisie supplémentaire : pour le TAVI, examen clinique, biologie, imagerie et données de l’intervention. Ensuite, ils sont vérifiés sur des patients extérieurs : le modèle TAVI, développé sur près de 3 000 patients bernois, a été validé sur plus de 1 000 patients au Japon. Enfin, ils indiqueraient quels facteurs pèsent le plus dans la prédiction, condition pour que le clinicien puisse la discuter. Ces trois points forment une grille de lecture applicable à tout algorithme pronostique proposé à un établissement.

Une preuve rétrospective, pas encore un outil clinique

Le communiqué annonce un gain de précision d’environ 10 à 15 % pour le pronostic à long terme après TAVI. Pour l’amylose, étudiée chez 850 patients suisses et viennois, le gain irait de quelques pour cent à près de 20 % face aux scores Mayo et NAC. L’indicateur mesuré n’est pas précisé. L’aire sous la courbe à trois ans atteindrait 0,73 à 0,80, contre 0,62 à 0,72 pour ces scores. Ces chiffres décrivent la capacité à classer les patients par niveau de risque, non un bénéfice pour leur santé. Ce bénéfice reste à démontrer en conditions réelles.

« Deux personnes atteintes de la même maladie cardiaque ont souvent un risque de complications très différent » explique le Pr Christoph Grän, un score fiable permettrait de suivre plus tôt et plus étroitement les patients les plus exposés, et d’épargner aux autres des examens inutiles.

Source : Insel Gruppe (Inselspital, Universitätsspital Bern), communiqué (31 août 2026) · fiabilité : déclarative.