Un dossier resté sans réponse pendant des années. Une IA le rouvre, et trouve ce qui avait échappé aux experts. C’est, en substance, le résultat d’une étude publiée dans NEJM AI par OpenAI avec des chercheurs de l’hôpital pour enfants de Boston et de Harvard.
La tentation est de n’y voir qu’une prouesse diagnostique de plus. Ce serait manquer le point décisif : la machine rend possible de relire, en continu et à grande échelle, des dossiers que personne n’avait le temps de rouvrir.
Ce que dit l’étude
Selon OpenAI et les équipes de Boston Children’s Hospital et de Harvard, le modèle o3 Deep Research a aidé des cliniciens à reprendre des cas de maladies pédiatriques rares jusque-là non résolus, et à aboutir à des pistes diagnostiques concrètes. Plusieurs de ces dossiers avaient résisté à des années d’analyse experte.
Le verrou n’est pas mince. Le diagnostic des maladies rares est l’un des plus ardus de la médecine : un séquençage génétique peut faire remonter des millions de variantes, et le savoir médical qui permet de les interpréter bouge en permanence. L’IA, ici, sert à relier les pièces : caractéristiques cliniques du patient, schémas d’hérédité, preuves associées à chaque variante, littérature disponible.
Autrement dit, elle ne remplace pas le clinicien. Elle fait le travail de mise en relation que ce dernier n’a, humainement, jamais le temps de mener sur l’ensemble de ses anciens cas.
OpenAI n’est d’ailleurs pas seul sur ce terrain. Google DeepMind explore la même piste avec son agent médical AMIE, et un système concurrent baptisé DeepRare, décrit dans Nature, mise lui aussi sur un raisonnement traçable, preuve à l’appui : le signe que la trace vérifiable, et non la seule performance, s’impose comme la condition d’entrée en médecine.
Pourquoi le diagnostic ponctuel compte moins qu’on ne croit
Pour une famille, recevoir enfin un nom de maladie après des années d’errance, c’est tout. Pour le système de santé, l’événement marquant est ailleurs. Le savoir médical progresse vite : une variante jugée « de signification inconnue » en 2022 peut devenir un diagnostic établi en 2026, parce qu’un autre laboratoire a publié entre-temps.
Le problème, c’est que les dossiers, eux, ne se rouvrent pas tout seuls. Une fois classé sans réponse, un cas reste figé à l’état des connaissances du jour où on l’a refermé. Les centres de référence le savent et recommandent des réanalyses périodiques. Dans les faits, elles se heurtent au temps expert disponible : reprendre manuellement chaque dossier à la lumière des derniers articles est tout simplement irréaliste à l’échelle d’un hôpital.
C’est cette friction-là que l’étude attaque. L’IA agit comme une mémoire qui se met à jour : elle peut, en principe, repasser sur le stock de cas non résolus à chaque fois que l’état de l’art bouge.
La réanalyse à grande échelle, enfin réaliste ?
Les auteurs avancent une hypothèse prudente : l’IA pourrait rendre ces réanalyses périodiques menées par des experts plus scalables, c’est-à-dire applicables à de grands volumes de dossiers. Le mot compte. On ne parle pas d’automatiser la décision médicale, mais d’industrialiser la phase de débroussaillage, celle qui consomme l’essentiel du temps humain.
Le scénario qui se dessine est concret. Imaginez un centre de génétique qui ferait tourner, chaque trimestre, une passe automatisée sur l’ensemble de ses dossiers froids. Le modèle remonte une liste courte de cas où une publication récente change la donne. Les cliniciens ne réexaminent plus des milliers de dossiers à l’aveugle : ils tranchent sur une poignée de candidats déjà étayés. Le goulot d’étranglement se déplace du repérage vers la validation.
C’est un déplacement de charge, pas une délégation. Et c’est précisément ce qui le rend crédible à court terme.
Le pari : échéance et conditions
Posons-le franchement. D’ici deux à trois ans, la réanalyse assistée par IA des cohortes de maladies rares non résolues a de bonnes chances de devenir une pratique documentée dans les grands centres de référence, à commencer par ceux qui disposent déjà de cohortes génétiques structurées. Pas une révolution médiatique : un processus de fond, intégré au flux de travail.
Ce pari tient à trois conditions, dans l’ordre. D’abord, la traçabilité : chaque suggestion du modèle doit être adossée à des preuves vérifiables, variantes et publications à l’appui, sinon aucun généticien ne signera. Ensuite, le taux de faux positifs : une IA qui remonte trop de pistes ininterprétables fait perdre le temps qu’elle prétend économiser. Enfin, l’intégration aux outils existants, des bases de variantes aux dossiers patients, plutôt qu’un énième logiciel à part.
Pour celui qui orchestre l’IA au quotidien, la leçon dépasse la santé. Un agent de recherche documentaire vaut moins par son coup d’éclat sur un cas isolé que par sa capacité à repasser inlassablement sur un stock de questions ouvertes que le savoir disponible finit par éclairer. Veille réglementaire, revue de portefeuille technique, dette documentaire : le même schéma s’applique partout où une réponse dépend d’un savoir qui évolue plus vite qu’on ne rouvre les dossiers.
Le point de bascule à surveiller
Une étude n’est pas un protocole de soin. Le signal à guetter ne sera pas une nouvelle annonce, mais le premier centre hospitalier qui inscrira la réanalyse assistée par IA dans sa routine, avec un cadre de validation explicite et des résultats mesurés sur une vraie cohorte.
Le jour où un service pourra dire « nous repassons nos dossiers non résolus tous les trimestres, et voici combien de diagnostics cela rouvre », la promesse aura quitté le papier. C’est cette ligne-là, plus que la performance d’un modèle sur un cas spectaculaire, qui dira si la mémoire médicale a vraiment appris à se mettre à jour.
