17 Cas d'usage de l'IA générative dans la santé

Les systèmes de santé sont confrontés à des volumes de données croissants, à des pénuries de personnel et à des attentes accrues en matière de soins personnalisés. L'IA générative apparaît comme une solution clé en synthétisant des données médicales non structurées, telles que les notes cliniques, les rapports d'imagerie et les antécédents des patients, pour en tirer des informations destinées aux cliniciens et aux administrateurs.

Découvrez comment l'IA générative est appliquée dans la prestation de soins de santé, l'administration et la gestion de la santé des populations, ainsi que les défis et les orientations futures qui façonnent son adoption.

Améliorer la prestation des soins de santé

1. Créer de nouvelles images médicales

L'IA générative, en particulier les réseaux antagonistes génératifs (GANs), peut être entraînée à générer des images médicales synthétiques qui imitent les radiographies, IRM et scanners réels. Ces images synthétiques ont plusieurs applications importantes dans le domaine de la santé :

• Formation et éducation médicales : Les images générées par l'IA peuvent être utilisées pour former les professionnels de santé en créant des ensembles de données diversifiés de maladies rares, d'anomalies ou de variantes normales qui ne sont pas toujours présentes dans les cas réels.
• Augmentation de données pour les modèles d'IA : L'entraînement des systèmes d'IA pour diagnostiquer des conditions médicales nécessite de grands ensembles de données. L'IA générative peut produire des images synthétiques pour enrichir des ensembles de données limités, améliorant ainsi la précision des modèles de diagnostic sans compromettre la confidentialité.
• Simulation et recherche : Les images synthétiques peuvent aider les chercheurs à simuler divers scénarios (comme la progression d'une maladie) ou à tester des algorithmes d'IA sans attendre de nouvelles données de patients. Ce processus peut contribuer à accélérer la recherche médicale.
• Dé-identification des données : En générant des images synthétiques qui conservent les caractéristiques cliniques clés sans représenter de vrais patients, les systèmes de santé peuvent partager des données sans enfreindre les lois sur la confidentialité telles que HIPAA.

La recherche a démontré l'efficacité des images synthétiques dans l'analyse d'imagerie médicale. Par exemple, une étude publiée dans Nature Biomedical Engineering a montré que les images rétiniennes synthétiques générées par GAN étaient aussi efficaces que les images réelles pour entraîner un modèle d'apprentissage profond à la détection de la rétinopathie diabétique.

Un autre exemple provient de l'étude MAISI (Medical IA for Synthetic Imaging), qui a utilisé des modèles de diffusion pour générer des images synthétiques haute résolution de scanners 3D.

Les résultats expérimentaux démontrent que MAISI peut générer des images réalistes et anatomiquement précises dans diverses régions corporelles et conditions.

Figure 1 : (a) Un scanner haute résolution généré par MAISI avec sa superposition de segmentation, montré en vues axiale, sagittale et coronale. (b) Un rendu 3D axé sur les structures osseuses, soulignant le réalisme du scanner généré.¹

Une autre étude sur la création de nouvelles images médicales avec des modèles d'IA générative s'est concentrée sur X-Diffusion, une approche novatrice qui reconstruit des IRM 3D complètes en utilisant une ou quelques tranches 2D, réduisant considérablement les temps d'examen et les coûts.

Contrairement aux méthodes traditionnelles qui s'appuient sur des données 3D complètes ou traitent les IRM comme des tranches 2D distinctes, X-Diffusion apprend à partir de volumes 3D entiers pendant l'entraînement (voir l'image ci-dessous). Il surpasse les techniques existantes en termes de qualité d'image et de précision, préserve les détails anatomiques critiques et se généralise même à de nouvelles régions corporelles sur lesquelles il n'a pas été entraîné.

Cette avancée devrait rendre l'imagerie IRM haute résolution plus rapide, plus abordable et plus largement accessible.

Figure 2 : Comparaison entre la reconstruction IRM traditionnelle et X-Diffusion.²

Exemple concret : MedGemma 1.5

MedGemma de Google DeepMind est une collection de modèles d'IA générative open source adaptés à la compréhension de textes et d'images médicales, conçus comme point de départ pour les développeurs créant des applications de santé.

La dernière variante de 4B paramètres, MedGemma 1.5, étend les capacités du modèle à l'imagerie de haute dimension comme les scanners, IRM et l'histopathologie sur lames entières, ainsi qu'à l'analyse longitudinale des radiographies pulmonaires et à la localisation anatomique. Les cas d'usage potentiels incluent :

• Imagerie médicale de haute dimension : Traitement des données provenant de scanners, IRM et lames d'histopathologie.
• Imagerie médicale longitudinale : Comparaison des radiographies pulmonaires avec des images antérieures pour suivre les changements temporels.
• Compréhension des documents médicaux : Extraction de données structurées à partir de rapports de laboratoire et de dossiers de santé électroniques.
• Classification et interprétation d'images médicales : Génération de rapports en radiologie, pathologie numérique, dermatologie et ophtalmologie.
• Réponse aux questions médicales : Soutien aux entretiens précliniques, au triage et à l'aide à la décision clinique.

MedGemma est disponible en variantes 4B (économe en calcul, multimodal) et 27B (raisonnement complexe), distribuées via Hugging Face et Vertex IA de Google Cloud. Les modèles ne sont pas destinés à un usage clinique direct sans validation indépendante, et leurs résultats sont considérés comme préliminaires et nécessitent une corrélation clinique.³

2. Générer des plans de traitement personnalisés

Les modèles d'IA générative peuvent analyser l'historique médical complet d'un patient, son profil génétique, ses facteurs de style de vie et même des données de santé en temps réel (par exemple, provenant de dispositifs portables comme les montres connectées) pour créer des plans de traitement personnalisés. Voici comment cela fonctionne :

• Analyse du patient : Les systèmes d'IA peuvent identifier des motifs dans l'historique d'un patient, tels que les diagnostics antérieurs, les réponses aux traitements et les prédispositions génétiques. Les outils d'IA générative peuvent ensuite générer un plan de traitement adapté aux circonstances uniques du patient.
• Intégration de données en temps réel : L'IA peut extraire des données provenant de sources telles que les dispositifs portables, les tests de laboratoire et les systèmes de surveillance continue. Sur la base de ces données, le système peut ajuster ou générer de nouvelles recommandations de traitement pour s'assurer que le patient bénéficie toujours du traitement le plus efficace.
• Traitement prédictif : En générant des modèles qui simulent la manière dont un patient pourrait répondre à divers traitements, les outils d'IA générative peuvent suggérer des options qui maximisent les chances de succès. Par exemple, si un patient présente une mutation génétique spécifique associée à une mauvaise réponse à un médicament, ces outils pourraient suggérer des alternatives à l'avance.
• Automatisation de la prise de décision complexe : Les conditions complexes telles que le cancer nécessitent souvent des traitements multimodaux impliquant chirurgie, chimiothérapie et thérapies ciblées. Les outils d'IA générative peuvent aider en créant des calendriers de traitement, en prédisant les effets secondaires et en coordonnant des soins multidisciplinaires adaptés à l'évolution de l'état du patient.
• Médication personnalisée : L'IA peut recommander des dosages ou des types de médicaments personnalisés en fonction du profil métabolique du patient, réduisant le risque de réactions indésirables aux médicaments ou de traitements inefficaces.

Exemple concret : SensorFM de Google Research

Google Research a présenté SensorFM, un modèle de fondation conçu pour convertir les données continues des capteurs portables en informations relatives à la santé. SensorFM apprend une représentation générale de la physiologie humaine qui peut être adaptée à des tâches cardiovasculaires, métaboliques, de sommeil, de santé mentale, de style de vie et démographiques.

Le modèle a été pré-entraîné sur plus d'un billion de minutes (soit deux milliards d'heures) de données de capteurs dé-identifiées provenant de cinq millions de participants consentants. Les données ont été collectées dans plus de 100 pays, dans les 50 États américains, sur plus de 20 modèles Fitbit et Pixel Watch, et comprenaient plusieurs semaines de données pour chaque participant.

SensorFM traite 34 caractéristiques au niveau de la minute provenant de cinq types de capteurs portables :

• Photop léthysmographie pour la fréquence cardiaque, la variabilité de la fréquence cardiaque et les mesures d'oxygène sanguin
• Accéléromètres pour le mouvement, les pas et les motifs de sommeil
• Capteurs d'activité électrodermale pour les mesures de conductance cutanée
• Capteurs de température cutanée
• Altimètres pour l'élévation et les changements liés à l'activité

Ces mesures sont analysées sur des périodes de 24 heures, permettant au modèle d'identifier les relations entre les signaux physiologiques, le comportement et les résultats de santé.

Un défi majeur avec les données portables est qu'elles sont souvent incomplètes parce que les utilisateurs retirent leurs appareils, que les batteries s'épuisent ou que certains capteurs s'éteignent. Au lieu de rejeter les enregistrements incomplets ou de combler artificiellement les lacunes avant l'entraînement, SensorFM utilise une méthode d'entraînement sensible aux données manquantes. Il apprend à la fois des mesures disponibles et des lacunes naturelles, ce qui le rend mieux adapté aux données portables du monde réel.

SensorFM a également été intégré dans un agent de santé personnel qui générait des résumés de santé personnalisés en utilisant des données démographiques, des métriques quotidiennes des dispositifs portables et les prédictions de santé du modèle.

Les cliniciens ont évalué les résumés créés pour 31 profils de participants à travers 1 860 évaluations couvrant le contexte, la pertinence, la justification, la personnalisation et le préjudice potentiel. L'ajout des prédictions de SensorFM a amélioré les résumés dans les cinq critères par rapport à l'utilisation des seules métriques portables standard. Les chercheurs n'ont également trouvé aucune différence de performance statistiquement significative entre les résumés étayés par les prédictions de SensorFM et ceux étayés par des mesures de santé réelles.⁴

Exemple concret : Centre Princess Máxima d'oncologie pédiatrique avec Google

En collaboration avec Google, le Centre Princess Máxima d'oncologie pédiatrique aux Pays-Bas développe un système d'IA appelé Capricorn.

Alimenté par les modèles Gemini, l'outil aide les médecins à identifier des options de traitement personnalisées du cancer en analysant de grands volumes de données médicales publiques ainsi que des données dé-identifiées de patients.

Capricorn produit rapidement des résumés des thérapies pertinentes et de la littérature scientifique, permettant aux cliniciens d'engager des discussions thérapeutiques plus éclairées et détaillées. Regardez la vidéo ci-dessous pour en savoir plus sur Capricorn :

Exemple concret : Mayo Clinic avec Cerebras Systems

En 2024, la Mayo Clinic s'est associée à Cerebras Systems pour développer des modèles d'IA qui analysent les données génomiques de plus de 100 000 patients. Ces modèles visent à prédire les réponses individuelles aux traitements, comme l'évaluation de l'efficacité du méthotrexate chez les patients atteints de polyarthrite rhumatoïde, permettant des stratégies thérapeutiques plus adaptées.⁵

Soutenir l'administration de la santé

Les outils d'IA générative jouent un rôle crucial dans la gestion de diverses fonctions administratives dans le domaine de la santé. Ces technologies peuvent être appliquées dans de multiples domaines pour améliorer l'efficacité, la précision et la prestation globale des soins de santé.

3. Tarification des demandes de remboursement

Les technologies d'IA générative peuvent soutenir la tarification des demandes de remboursement dans les secteurs de l'assurance et de la santé en automatisant l'examen des contrats complexes.

Traditionnellement, la détermination de la tarification appropriée des demandes nécessite une analyse détaillée de diverses conditions contractuelles et détails de couverture, ce qui peut être sujet à des erreurs manuelles et à des inefficacités. Les modèles d'IA peuvent traiter ces documents rapidement et avec précision, croiser les informations pertinentes des polices d'assurance et calculer les prix des demandes.

Ce processus conduit à des règlements de demandes plus rapides et plus précis tout en minimisant les litiges et en améliorant l'efficacité opérationnelle et l'expérience client dans la prestation des soins de santé.

4. Navigation dans les directives cliniques

L'IA générative dans la santé permet aux prestataires de comparer les données des patients avec les directives cliniques, améliorant ainsi la précision du diagnostic et les résultats de santé. Ces outils d'IA soutiennent la prise de décision clinique en exploitant le traitement du langage naturel pour analyser les dossiers de santé électroniques (DSE).

Exemple concret : Sequential Diagnosis Benchmark (SD Bench) de Microsoft

Le Sequential Diagnosis Benchmark (SD Bench) de Microsoft utilise 304 cas complexes du New England Journal of Medicine pour tester comment l'IA et les médecins naviguent dans les défis diagnostiques, posent des questions, commandent des tests et gèrent les coûts.

Au cœur de ce dispositif se trouve le Microsoft IA Diagnostic Orchestrator (MAI-DxO), qui coordonne plusieurs grands modèles de langage (comme GPT, Llama, Claude, Gemini, Grok et DeepSeek) en tant qu'équipe virtuelle de médecins pour fournir des diagnostics précis et économiquement maîtrisés.

MAI-DxO, associé à o3 d'OpenAI, a atteint plus de 85 % de précision, dépassant largement la moyenne des médecins de 20 %, tout en réduisant les coûts de tests inutiles.

Le système combine l'étendue et la profondeur de l'expertise médicale, offrant le potentiel de réduire le gaspillage dans les soins de santé et de donner plus de pouvoir aux cliniciens et aux patients.⁶

Figure 3 : Le graphique illustrant l'orchestration multi-agents dans SDBench montre comment les agents Gatekeeper, Diagnostic et Judge collaborent pour traiter les questions diagnostiques et évaluer les diagnostics finaux par rapport aux dossiers de cas du NEJM.⁷

Exemple concret : Epic avec GPT-4

En 2024, Epic a intégré GPT-4 dans son système de dossiers de santé électroniques (DSE) grâce à un partenariat avec Microsoft. Cette intégration aide les cliniciens en fournissant des réponses générées par l'IA aux messages des patients et en suggérant des directives cliniques pertinentes, améliorant ainsi la prise de décision et la communication avec les patients.⁸

5. Détection de fraude

Les modèles d'IA alimentés par l'apprentissage automatique peuvent identifier des motifs dans les demandes de remboursement et les données des patients pour améliorer la détection des fraudes. Ces outils analysent les images médicales, les résumés de sortie et les résultats de laboratoire pour soutenir la capacité du secteur de la santé à lutter contre la fraude tout en répondant aux préoccupations de confidentialité des données.

6. Analyse des dossiers médicaux

Les modèles d'IA générative dans les établissements de santé peuvent extraire des informations de la documentation clinique non structurée, telle que les DSE et les scanners. Cela améliore la précision diagnostique et la capacité des prestataires de soins à prendre des décisions éclairées.

La technologie est également prometteuse pour l'analyse des conditions médicales et des essais cliniques en utilisant des données d'entraînement pour affiner les modèles dans un environnement contrôlé.

Exemple concret : Harrison.Rad 1.5 de Harrison.ai

Harrison.ai a présenté Harrison.Rad 1.5, un modèle de fondation spécifique à la radiologie conçu pour générer des projets de rapports structurés à partir d'images médicales, d'études antérieures et de contexte clinique.

Le modèle peut soutenir les radiologues en :

• Rédigeant des rapports de radiologie : Analyse les données d'imagerie et génère des projets de rapports structurés dans un langage propre au radiologue.
• Comparant les examens antérieurs : Peut évaluer l'imagerie actuelle par rapport aux études précédentes et décrire les changements intervenus.
• Localisant les constatations anatomiques : Identifie les constatations avec une plus grande spécificité anatomique et peut inclure des mesures telles que le rapport cardiothoracique.
• Gérant les cas complexes : Conçu pour raisonner sur des études à constatations multiples, y compris les cas d'imagerie thoracique, abdominale, musculo-squelettique, rachidienne et d'urgence.
• Adaptant le style du rapport : Peut ajuster le langage du rapport en fonction de la question clinique et du contexte du cas.

Harrison.ai rapporte que Harrison.Rad 1.5 a obtenu un score médian de 86,5 au benchmark FRCR 2B Short Case, au-dessus de la note de passage déclarée de 73,2. Le modèle a été entraîné sur plus de 6 millions d'études diagnostiques et 18 millions de paires d'instructions cliniquement élaborées.

Figure 4 : Résultats du benchmark Harrison.Rad 1.5.⁹

Cependant, Harrison.ai note que le modèle n'a pas été examiné, approuvé ou autorisé par une autorité réglementaire pour un usage clinique, et qu'il ne doit pas remplacer le jugement clinique professionnel.

7. Augmenter l'efficacité administrative

Les outils d'IA générative peuvent aider à réduire la charge administrative dans le secteur de la santé en automatisant des tâches telles que la documentation clinique et la collecte de données.

L'IA dans la santé aide les professionnels de santé à se concentrer sur les soins aux patients, permettant une prestation de soins efficace et améliorant les résultats de santé.

Exemple concret : Elsa de la Food and Drug Administration (FDA) américaine

La Food and Drug Administration (FDA) américaine a lancé Elsa, un outil d'IA générative conçu pour renforcer l'efficacité au sein de l'agence, des examens scientifiques aux inspections.

Développée dans un environnement GovCloud sécurisé, Elsa garantit que les données sensibles de l'industrie restent protégées tout en aidant le personnel à résumer les événements indésirables, à accélérer les évaluations des protocoles cliniques, à comparer les étiquetages, à générer du code et à prioriser les inspections.¹⁰

Bien que les responsables soulignent son potentiel pour accélérer les approbations de médicaments et soutenir les opérations de santé, les employés signalent des « hallucinations » fréquentes, des études mal représentées et des résultats non fiables qui nécessitent une double vérification chronophage.

Elsa ne peut pas accéder aux soumissions de l'industrie, limitant son utilisation pour les examens critiques de médicaments et de dispositifs, et l'adoption au sein de l'agence reste inégale. Les responsables insistent sur le fait qu'elle est facultative, particulièrement utile pour les tâches organisationnelles, et toujours en évolution, mais les critiques avertissent que sans garanties fédérales en matière d'IA, le déploiement de tels outils dans la réglementation de la santé risque de dépasser la surveillance.¹¹

Exemple concret : Stanford Health Care avec DAX Copilot

Stanford Health Care a adopté DAX Copilot de Nuance, un outil alimenté par l'IA de Microsoft, pour automatiser la documentation clinique lors des visites des patients. Cette technologie réduit les charges administratives, contribuant à lutter contre l'épuisement des médecins tout en améliorant l'accès aux soins et la qualité de la documentation.

En utilisant l'IA ambiante et générative, DAX Copilot génère des notes cliniques à partir des conversations d'examen, permettant aux médecins de passer plus de temps avec les patients. Les premiers résultats montrent une forte satisfaction des médecins et des gains de temps.

Exemple concret : Oscar Health

Oscar Health intègre l'IA générative, en particulier o1-preview, dans de multiples fonctions administratives pour améliorer l'efficacité et la précision. Elle automatise la tarification des demandes de remboursement en examinant des contrats complexes, aide les cliniciens en comparant les données des patients aux directives cliniques et améliore la détection des fraudes en identifiant les anomalies dans les demandes.

De plus, l'IA d'Oscar extrait des informations précieuses des données cliniques non structurées, telles que les DSE, améliorant la précision diagnostique.

En automatisant les tâches administratives telles que la documentation clinique, l'IA d'Oscar réduit la charge des prestataires de soins, leur permettant de se concentrer davantage sur les soins aux patients et d'améliorer la prestation des soins de santé.¹²

Gestion de la santé des populations

L'IA générative peut améliorer considérablement la gestion de la santé des populations en fournissant des informations plus approfondies sur les tendances démographiques et en permettant la conception d'interventions adaptées :

8. Accès à des informations démographiques plus détaillées

En synthétisant des données provenant de sources multiples, telles que les dossiers de santé électroniques (DSE), les demandes de remboursement d'assurance, les déterminants sociaux de la santé et les bases de données de santé publique, l'IA offre une vue complète de la dynamique de la santé des populations.

Dans les zones où les données de santé sont rares (par exemple, les communautés rurales ou mal desservies), l'IA générative peut également générer des données synthétiques réalistes pour combler les lacunes, offrant une image plus complète de la santé de la population et éclairant les stratégies d'intervention.

9. Prédire les tendances de santé

Les modèles d'IA peuvent prévoir les tendances de santé dans différents groupes démographiques, prédisant la probabilité de maladies chroniques ou d'épidémies. Cela permet aux décideurs politiques d'anticiper les besoins en soins de santé et d'allouer efficacement les ressources.

10. Segmentation et personnalisation

Les profils générés par l'IA des différents segments de population aident à identifier les groupes à haut risque ou les communautés nécessitant une attention particulière. Cette information peut aider à cibler les interventions en fonction de facteurs tels que l'âge, l'origine ethnique, le revenu ou la géographie.

Exemple concret : Diagnostic Robotics

La plateforme de gestion de la santé des populations alimentée par l'IA de Diagnostic Robotics permet des soins basés sur la valeur en identifiant les patients à risque de conditions évitables. L'analyse prédictive permet de repérer les lacunes de soins et d'intervenir de manière proactive.

Elle s'intègre également aux plans de santé pour améliorer les flux de travail de gestion des soins, réduire les coûts et améliorer le ROI, atteignant un retour de 2,9x. La plateforme soutient de meilleurs résultats de santé, comme une réduction de 25 % des taux d'admission aux services d'urgence.¹³

Concevoir des initiatives de santé publique ciblées

L'IA générative peut également aider à concevoir des campagnes de santé publique plus efficaces et ciblées, adaptées aux besoins spécifiques des communautés mal desservies ou vulnérables :

11. Campagnes personnalisées

L'IA peut analyser les facteurs démographiques et culturels pour créer des messages de santé publique personnalisés pour des campagnes telles que l'arrêt du tabac, la vaccination et la prévention des maladies, en veillant à ce qu'ils trouvent un écho auprès de différentes populations.

12. Optimiser l'allocation des ressources

En simulant divers scénarios de santé publique, l'IA aide les décideurs politiques à évaluer l'impact de différentes interventions et à allouer les ressources là où elles sont le plus nécessaires, en particulier dans les zones difficiles d'accès.

13. Lutter contre les disparités en matière de santé et accroître l'accès aux soins de santé

L'IA peut identifier les disparités cachées en matière de santé en analysant comment les déterminants sociaux de la santé (tels que le revenu, l'éducation ou le logement) affectent diverses populations. Cette information peut guider les initiatives visant à réduire les disparités et à améliorer l'accès aux soins préventifs.

Les outils d'IA peuvent également identifier les zones ayant le plus besoin d'infrastructures de santé, guidant l'implantation de cliniques, de services de télémédecine ou d'unités de santé mobiles.

14. Adapter les programmes de soins préventifs

L'analyse pilotée par l'IA peut concevoir des programmes de soins préventifs, tels que des dépistages de maladies chroniques, ciblant les populations à risque, conduisant à des interventions plus précoces et à une réduction des coûts de santé à long terme.

15. Améliorer l'éducation et la sensibilisation à la santé

L'IA générative peut simuler différentes approches de diffusion de l'éducation à la santé, aidant à développer des stratégies culturellement adaptées qui sont bien accueillies dans toutes les communautés.

Exemple concret : Google Health avec Northwestern Medicine

Google Health mène une étude avec Northwestern Medicine pour évaluer l'efficacité de l'IA dans le dépistage du cancer du sein. Le modèle d'IA signale les mammographies à haut risque pour un examen immédiat par un radiologue, ce qui pourrait accélérer le diagnostic. Les femmes signalées par l'IA peuvent recevoir une imagerie complémentaire le jour même, ce qui devrait raccourcir la période d'attente habituelle.

Cette approche montre la capacité de l'IA à égaler ou dépasser la précision des cliniciens dans l'analyse des mammographies et à créer des plans de traitement personnalisés en conséquence.

Recherche et développement

16. Soutenir la recherche médicale

L'IA générative soutient la recherche médicale dans le domaine de la santé en aidant les chercheurs à générer des hypothèses, à synthétiser de grands volumes de littérature scientifique, à concevoir des expériences et à identifier des cibles thérapeutiques potentielles ou des opportunités de repositionnement de médicaments.

En renforçant l'expertise humaine par le raisonnement computationnel et l'analyse itérative, les outils d'IA générative peuvent accélérer les processus de découverte tout en permettant aux chercheurs de se concentrer sur l'interprétation, la validation et la pertinence clinique.

Exemple concret : IA co-scientist de Google Research

Google Research a présenté un IA co-scientist, un système d'intelligence artificielle multi-agents construit sur le modèle Gemini 2.0 pour servir de collaborateur de recherche virtuel pour les scientifiques.

Le système est destiné à soutenir le processus scientifique en aidant les chercheurs à générer de nouvelles hypothèses, à créer des plans de recherche détaillés et à proposer des approches expérimentales adaptées à des objectifs spécifiques.

L'IA co-scientist utilise une coalition d'agents spécialisés pour générer, évaluer et affiner les idées de manière itérative, reflétant certains aspects de la méthode scientifique, et peut intégrer des outils tels que la recherche web et les retours d'experts pour améliorer les résultats.

Les premières expériences démontrent son utilité pour des tâches biomédicales, notamment le repositionnement de médicaments, l'identification de cibles thérapeutiques et l'élucidation des mécanismes de résistance aux antimicrobiens. Cela suggère que le système peut accélérer certains aspects de la recherche tout en restant un outil collaboratif plutôt qu'un remplacement automatisé des scientifiques humains.

Figure 5 : Image montrant les composants du système multi-agents IA co-scientist et la structure de ses interactions avec le scientifique.¹⁴

17. Découverte et développement de médicaments

L'IA générative améliore la capacité des chercheurs à explorer et à interpréter des systèmes biologiques complexes, ce qui contribue à la découverte de médicaments.

Elle peut générer des hypothèses sur les mécanismes des maladies, prédire le comportement moléculaire et soutenir la conception et la priorisation des candidats médicaments. En combinant les méthodes traditionnelles de laboratoire et computationnelles, l'IA générative aide à réduire les cycles d'expérimentation et soutient un développement plus efficace de nouveaux traitements.

Exemple concret : Google Cloud avec Ginkgo Bioworks

Google Cloud et Ginkgo Bioworks ont collaboré pour lancer un nouveau LLM protéique (LLM) et une API de support, conçus pour soutenir le processus de découverte de médicaments.

Construits sur la plateforme Vertex IA de Google Cloud, ces outils utilisent les données biologiques de Ginkgo pour aider les chercheurs à analyser les structures et les interactions des protéines. Cette approche permet aux entreprises pharmaceutiques et biotechnologiques d'accélérer l'identification des cibles thérapeutiques tout en améliorant le développement de nouveaux médicaments.¹⁵

Quels sont les défis potentiels de l'IA générative dans la santé ?

Bien que l'utilisation de l'IA générative dans la santé présente de nombreux avantages potentiels, il existe également des défis et des inconvénients possibles. En voici quelques exemples :

• Confidentialité et sécurité : La confidentialité des patients est strictement réglementée. L'utilisation de l'IA générative dans la santé soulève également des préoccupations concernant la protection de la vie privée des patients et des données médicales sensibles, ainsi que le risque d'utilisation abusive ou d'accès non autorisé aux données de santé.
• Biais et discrimination : Les algorithmes d'IA générative peuvent être sujets aux biais et à la discrimination, en particulier lorsqu'ils sont entraînés sur des données de santé qui ne sont pas représentatives de la population qu'ils sont censés servir. Cela peut entraîner des diagnostics médicaux ou des plans de traitement injustes ou inexacts pour les groupes défavorisés, tels que les femmes ou les personnes de couleur.
• Mauvaise utilisation et dépendance excessive : Si les algorithmes d'IA générative sont mal utilisés ou si l'on en devient trop dépendant, ils peuvent conduire à des décisions médicales incorrectes ou nuisibles. De plus, il existe un risque que les prestataires de soins deviennent trop dépendants de ces algorithmes, perdant la capacité de porter des jugements indépendants.
• Considérations éthiques : L'utilisation de l'IA générative dans la santé soulève plusieurs préoccupations éthiques, notamment les impacts potentiels sur l'emploi dans le secteur de la santé.

Découvrez davantage de nos benchmarks et analyses basées sur les données dans la recherche Google.

Ajouter comme source préférée

L'avenir de l'IA générative et son impact sur la santé

L'avenir de l'IA générative dans la santé sera probablement très significatif à mesure que la technologie continue de progresser et d'être plus largement adoptée. Voici quelques développements futurs potentiels :

• Algorithmes plus sophistiqués : Les algorithmes d'apprentissage automatique deviendront probablement de plus en plus raffinés, avec une capacité accrue à analyser de grandes quantités de données de santé et à identifier des motifs et des tendances. Cela permettra aux prestataires de soins de poser des diagnostics et d'élaborer des plans de traitement plus précis et personnalisés.
• Meilleure intégration avec d'autres technologies : L'IA générative sera probablement intégrée à d'autres technologies (par exemple, l'imagerie médicale et les dispositifs de santé portables) pour fournir des soins aux patients plus complets et personnalisés.
• Collaboration accrue : La collaboration entre les prestataires de soins, les chercheurs et les entreprises technologiques pour développer et mettre en œuvre des algorithmes d'IA générative dans les établissements de santé devrait s'intensifier.

FAQ

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{17 Cas d'usage de l'IA générative dans la santé}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/generative-ai-healthcare}},
  note   = {AIMultiple. Consulté le 16 Juillet 2026}
}

Liens de référence

1.

https://arxiv.org/pdf/2409.11169

2.

https://arxiv.org/pdf/2404.19604

3.

MedGemma — Google DeepMind

4.

SensorFM: Towards a general intelligence and interface for wearable health data

5.

JPM24: Mayo Clinic details AI plans, new partnership

Fierce Healthcare

6.

The Path to Medical Superintelligence | Microsoft AI

Microsoft AI

7.

https://arxiv.org/pdf/2506.22405

8.

Epic to Integrate GPT-4 into Its EHR Through Expanded Microsoft Partnership - MedCity News

9.

Harrison.ai Radiology Foundation Model — AI Imaging Innovation

Harrison.ai

10.

FDA Project Elsa: How AI Targets High-Risk Inspections | IntuitionLabs

IntuitionLabs

11.

FDA’s artificial intelligence is supposed to revolutionize drug approvals. It’s making up nonexistent studies. | CNN Politics

CNN

12.

Oscar Health’s early observations on OpenAI o1-preview — OscarAI

13.

Diagnostic Robotics | AI-Powered Population Health Management

14.

Accelerating scientific breakthroughs with an AI co-scientist

15.

Exclusive: Google Cloud And Ginkgo Bioworks Partner To Launch New Protein LLM and API

Forbes

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017. AIMultiple informe chaque mois des centaines de milliers d'entreprises (selon similarWeb), dont 55 % des entreprises du classement Fortune 500. Les travaux de Cem ont été cités par des publications internationales de premier plan telles que Business Insider, Forbes et le Washington Post, ainsi que par des entreprises mondiales comme Deloitte et HPE, des ONG comme le Forum économique mondial et des organisations supranationales comme la Commission européenne. Vous trouverez d'autres entreprises et ressources réputées ayant fait référence à AIMultiple. Tout au long de sa carrière, Cem a exercé les fonctions de consultant, d'acheteur et d'entrepreneur dans le secteur des technologies. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus de dix ans. Il a également publié un rapport McKinsey sur la numérisation. Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité directe du PDG. Il a également piloté la croissance commerciale de la société de deep tech Hypatos, qui a atteint un chiffre d'affaires annuel récurrent à sept chiffres et une valorisation à neuf chiffres en seulement deux ans. Les travaux de Cem chez Hypatos ont été présentés dans des publications technologiques de référence telles que TechCrunch et Business Insider. Cem intervient régulièrement lors de conférences internationales sur les technologies. Diplômé en génie informatique de l'université de Bogazici, il est également titulaire d'un MBA de la Columbia Business School.

Voir le profil complet

Recherche effectuée par

Sıla Ermut

Analyste du secteur

Suivre

Sıla Ermut est analyste chez AIMultiple, spécialisée dans le marketing par e-mail et les vidéos de vente. Auparavant, elle travaillait comme recruteuse dans des cabinets de conseil et de gestion de projets. Sıla est titulaire d'un master en psychologie sociale et d'une licence en relations internationales.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire