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

Les systèmes de santé sont confrontés à une augmentation des volumes de données, à des pénuries de personnel et à des attentes croissantes 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, en informations exploitables pour les cliniciens et les administrateurs.

Découvrez comment l’IA générative est appliquée dans la prestation des 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 (GAN), peut être entraînée pour générer des images médicales synthétiques imitant les radiographies, IRM et tomodensitométries du monde réel. 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 divers ensembles de données de maladies rares, d’anomalies ou de variantes normales qui ne sont pas toujours présentes dans les cas réels.
• Augmentation des données pour les modèles d’IA : La formation des systèmes d’IA pour diagnostiquer des affections médicales nécessite de grands ensembles de données. L’IA générative peut produire des images synthétiques pour augmenter 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 l’évolution possible d’une maladie) ou à tester des algorithmes d’IA sans attendre de nouvelles données patient. Ce processus peut contribuer à accélérer la recherche médicale.
• Dé-identification des données : En générant des images synthétiques qui préservent les caractéristiques cliniques clés tout en ne proxy pas de vrais patients, les systèmes de santé peuvent partager des données sans enfreindre les lois sur la confidentialité telles que la loi HIPAA.

La recherche a démontré l’efficacité des images synthétiques dans l’analyse de l’imagerie médicale. Par exemple, une étude publiée dans Nature Biomedical Engineering a démontré que des images rétiniennes synthétiques générées par GAN étaient aussi efficaces que des images réelles pour entraîner un modèle d’apprentissage profond pour 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 CT 3D synthétiques haute résolution.

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

Figure 1 : (a) Un scanner CT haute résolution généré par MAISI avec sa superposition de segmentation, présenté en vues axiale, sagittale et coronale. (b) Un rendu 3D axé sur les structures osseuses, soulignant le réalisme du scan 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 à l’aide d’une ou de quelques coupes 2D, accélérant considérablement les temps d’acquisition et réduisant les coûts.

Contrairement aux méthodes traditionnelles qui reposent sur des données 3D complètes ou traitent les IRM comme des coupes 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 pour lesquelles il n’a pas été entraîné.

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

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

Exemple concret : MedGemma 1.5

Google DeepMind MedGemma est une collection de modèles d’IA générative open source ajustés pour la compréhension de textes et d’images médicales, conçue comme point de départ pour les développeurs qui créent des applications de santé.

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

• Imagerie médicale de haute dimension : Traitement des données issues de scanners CT, d’IRM et d’examens histopathologiques.
• Imagerie médicale longitudinale : Comparaison des radiographies pulmonaires avec des images antérieures pour suivre l’évolution temporelle.
• Compréhension des documents médicaux : Extraction de données structurées à partir des rapports de laboratoire et des dossiers de santé électroniques.
• Classification et interprétation des images médicales : Génération de rapports en radiologie, pathologie numérique, dermatologie et ophtalmologie.
• Réponse à des 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, multimodale) et 27B (raisonnement complexe), distribuées via Hugging Face et Vertex IA de Google Cloud. Les modèles ne sont pas destinés à une utilisation clinique directe 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 les antécédents médicaux complets d’un patient, son profil génétique, les facteurs liés au mode de vie et même des données de santé en temps réel (par exemple, issues de dispositifs portables tels que les montres connectées) pour créer des plans de traitement personnalisés. Voici comment cela fonctionne :

• Analyse du patient : Les systèmes d’IA peuvent identifier des schémas dans les antécédents 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 à la situation particulière du patient.
• Intégration des données en temps réel : L’IA peut intégrer des données provenant de sources telles que les dispositifs portables, les analyses 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 afin de garantir que le patient suive toujours le traitement le plus efficace.
• Traitement prédictif : En générant des modèles qui simulent la manière dont un patient pourrait réagir 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 peuvent suggérer des alternatives en amont.
• Automatisation des décisions complexes : Les affections 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 personnalisés ou des types de médicaments en fonction du profil métabolique du patient, réduisant ainsi le risque d’effets indésirables des 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 liées 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 mode 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 :

• Photopélthysmographie pour la fréquence cardiaque, la variabilité de la fréquence cardiaque et les mesures de l’oxygène dans le sang
• Accéléromètres pour les mouvements, les pas et les habitudes 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.

L’un des principaux défis des données des dispositifs portables est qu’elles sont souvent incomplètes, car les utilisateurs retirent leurs appareils, les batteries s’épuisent ou certains capteurs s’éteignent. Au lieu d’écarter les enregistrements incomplets ou de combler artificiellement les lacunes avant l’entraînement, SensorFM utilise une méthode d’entraînement tenant compte des données manquantes. Il apprend à la fois des mesures disponibles et des lacunes naturelles, ce qui le rend mieux adapté aux données réelles des dispositifs portables.

SensorFM a également été intégré dans un agent de santé personnel qui générait des résumés de santé personnalisés à partir de données démographiques, de mesures quotidiennes des dispositifs portables et des prédictions de santé du modèle.

Les cliniciens ont évalué les résumés créés pour 31 profils de participants au moyen de 1 860 évaluations portant sur le contexte, la pertinence, la justification, la personnalisation et les risques potentiels. L’ajout des prédictions de SensorFM a amélioré les résumés pour l’ensemble des cinq critères par rapport à l’utilisation des seules mesures standard des dispositifs portables. Les chercheurs n’ont également constaté 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 : Princess Máxima Center for Pediatric Oncology avec Google

En collaboration avec Google, le Princess Máxima Center for Pediatric Oncology aux Pays-Bas développe un système d’IA appelé Capricorn.

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

Capricorn produit rapidement des résumés des thérapies pertinentes et de la littérature scientifique, permettant aux cliniciens d’avoir 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, 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, par exemple en évaluant l’efficacité du méthotrexate chez les patients atteints de polyarthrite rhumatoïde, permettant ainsi des stratégies thérapeutiques plus personnalisées.⁵

Soutenir l’administration des soins de santé

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

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 du prix approprié des demandes de remboursement nécessite une analyse détaillée des diverses clauses contractuelles, conditions 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 et calculer le prix des demandes.

Ce processus permet des règlements de sinistres 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 le domaine de la santé permet aux prestataires de comparer les données des patients aux 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 automatique 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 la manière dont l’IA et les médecins relèvent les défis diagnostiques, posent des questions, prescrivent des examens et gèrent les coûts.

Au cœur de ce dispositif se trouve l’orchestrateur de diagnostic IA de Microsoft (MAI-DxO), qui coordonne plusieurs large language models (comme GPT, Llama, Claude, Gemini, Grok et DeepSeek) comme une équipe virtuelle de médecins pour fournir des diagnostics précis et soucieux des coûts.

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

Le système combine l’étendue et la profondeur de l’expertise médicale, offrant la possibilité de réduire le gaspillage dans les soins de santé et de renforcer l’autonomie des cliniciens et des 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 de diagnostic 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 la fraude

Les modèles d’IA alimentés par l’apprentissage automatique peuvent identifier des schémas dans les demandes de remboursement et les données des patients afin d’améliorer la détection de la fraude. Ces outils analysent les images médicales, les comptes rendus de sortie et les résultats de laboratoire pour renforcer la capacité du secteur de la santé à lutter contre la fraude tout en répondant aux préoccupations en matière 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, comme les dossiers de santé électroniques et les scanners CT. Cela améliore la précision du diagnostic et la capacité des prestataires de soins à prendre des décisions éclairées.

La technologie est également prometteuse pour l’analyse des affections 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 du contexte clinique.

Le modèle peut aider les radiologues en :

• Rédaction de rapports de radiologie : Analyse les données d’imagerie et génère des projets de rapports structurés dans un langage propre aux radiologues.
• Comparaison avec les examens antérieurs : Peut évaluer l’imagerie actuelle par rapport aux études précédentes et décrire les changements intervenus.
• Localisation des constatations anatomiques : Identifie les constatations avec une plus grande précision anatomique et peut inclure des mesures telles que le rapport cardiothoracique.
• Gestion des cas complexes : Conçu pour raisonner sur des études à constatations multiples, notamment les cas d’imagerie thoracique, abdominale, musculo-squelettique, rachidienne et d’urgence.
• Adaptation du style de rapport : Peut ajuster le langage du rapport en fonction de la question clinique et du contexte du cas.

Harrison.ai indique 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 annoncée de 73.2. Le modèle a été entraîné sur plus de 6 millions d’études diagnostiques et 18 millions de paires d’instructions élaborées cliniquement.

Figure 4 : Résultats du benchmark Harrison.Rad 1.5.⁹

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

7. Accroître l’efficacité administrative

Les outils d’IA générative peuvent contribuer 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 le domaine de la santé aide les professionnels de santé à se concentrer sur les soins aux patients, permettant une prestation de soins efficace et de meilleurs résultats de santé.

Exemple concret : Elsa de la Food and Drug Administration (FDA) des États-Unis

La Food and Drug Administration (FDA) des États-Unis a lancé Elsa, un outil d’IA générative conçu pour améliorer l’efficacité de l’agence, des examens scientifiques aux inspections.

Développé dans un environnement GovCloud sécurisé, Elsa garantit la protection des données sensibles de l’industrie tout en aidant le personnel à résumer les événements indésirables, à accélérer l’évaluation des protocoles cliniques, à comparer les étiquetages, à générer du code et à hiérarchiser les inspections.¹⁰

Si les dirigeants soulignent son potentiel pour accélérer l’approbation des médicaments et soutenir les opérations de santé, les employés rapportent de fréquentes « hallucinations », des études déformées et des résultats peu fiables qui nécessitent une double vérification chronophage.

Elsa ne peut pas accéder aux soumissions de l’industrie, ce qui limite son utilisation pour les évaluations critiques des médicaments et des dispositifs, et son adoption au sein de l’agence reste inégale. Les responsables soulignent qu’il est facultatif, surtout utile pour les tâches organisationnelles et encore en évolution, mais les critiques préviennent qu’en l’absence de garde-fous fédéraux sur l’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 basé sur l’IA de Microsoft, pour automatiser la documentation clinique pendant les visites des patients. Cette technologie réduit la charge administrative, contribuant à lutter contre l’épuisement des médecins tout en améliorant l’accès aux soins et la qualité de la documentation.

Grâce à 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 grande 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 afin d’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 de la fraude en identifiant les anomalies dans les demandes.

De plus, Oscar IA extrait des informations précieuses des données cliniques non structurées, telles que les dossiers de santé électroniques, améliorant ainsi la précision du diagnostic.

En automatisant les tâches administratives telles que la documentation clinique, Oscar IA 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.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 de concevoir des 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 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 ainsi 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 au sein de différents groupes démographiques, en prédisant la probabilité de maladies chroniques ou d’épidémies. Cela permet aux décideurs d’anticiper les besoins de santé et d’allouer efficacement les ressources.

10. Segmentation et personnalisation

Les profils générés par l’IA de différents segments de population aident à identifier les groupes ou communautés à haut risque qui nécessitent une attention particulière. Ces informations peuvent 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 basée sur l’IA de Diagnostic Robotics permet des soins fondés sur la valeur en identifiant les patients à risque de maladies évitables. L’analyse prédictive aide à repérer les lacunes de soins et les interventions proactives.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 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 améliorer l’accès aux soins

L’IA peut identifier les disparités cachées en matière de santé en analysant la manière dont les déterminants sociaux de la santé (tels que le revenu, l’éducation ou le logement) affectent diverses populations. Ces informations peuvent orienter 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, orientant 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 en matière de santé

L’IA générative peut simuler différentes approches de prestation d’éducation à la santé, contribuant à élaborer des stratégies culturellement adaptées et 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 bénéficier le jour même d’une imagerie complémentaire, ce qui devrait raccourcir le délai d’attente habituel.

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 & 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 augmentant 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 : l’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 aux scientifiques.

Le système est conçu pour 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 précis.

L’IA co-scientist utilise une coalition d’agents spécialisés pour générer, évaluer et affiner des idées de manière itérative, reflétant certains aspects de la méthode scientifique, et peut intégrer des outils tels que la recherche sur le 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 de candidats médicaments. En combinant les méthodes traditionnelles de laboratoire et les méthodes computationnelles, l’IA générative contribue à réduire les cycles d’expérimentation et favorise 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 large language model (LLM) protéique ainsi qu’une API de prise en charge, conçues pour soutenir le processus de découverte de médicaments.

Reposant sur la plateforme Vertex IA de Google Cloud, ces outils exploitent 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 de 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 le domaine de la santé présente de nombreux avantages potentiels, elle comporte également certains défis et inconvénients possibles. En voici quelques exemples :

• Confidentialité et sécurité : La vie privée des patients est strictement réglementée. L’utilisation de l’IA générative dans le domaine de 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, surtout 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 des groupes défavorisés, tels que les femmes ou les personnes non blanches.
• Mauvais usage et dépendance excessive : Si les algorithmes d’IA générative sont mal utilisés ou font l’objet d’une confiance excessive, ils peuvent conduire à des décisions médicales incorrectes ou nocives. En outre, il existe un risque que les prestataires de soins deviennent trop dépendants de ces algorithmes et perdent la capacité de porter des jugements indépendants.
• Considérations éthiques : L’utilisation de l’IA générative dans le domaine de la santé soulève plusieurs préoccupations éthiques, notamment en ce qui concerne les effets potentiels sur l’emploi dans le secteur de la santé.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

L’avenir de l’IA générative et son impact sur les soins de santé

L’avenir de l’IA générative dans le domaine de la santé sera probablement très important à mesure que la technologie continue de progresser et d’être adoptée plus largement. Parmi les développements futurs possibles, citons :

• Algorithmes plus sophistiqués : Les algorithmes d’apprentissage automatique devraient devenir de plus en plus perfectionnés, avec une capacité accrue à analyser de grandes quantités de données de santé et à identifier des schémas et des tendances. Cela permettra aux prestataires de soins de poser des diagnostics plus précis et personnalisés et d’établir des plans de traitement adaptés.
• 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 offrir 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'utilisation 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}
}

Journal des modifications

10 mises à jour

1. 202616 Juil

   Ajout de l'exemple SensorFM de Google Research à la section médication personnalisée.

2. 10 Juin

   Ajout dans la section imagerie médicale d'un exemple Harrison.Rad 1.5 de Harrison.ai avec les résultats du benchmark FRCR 2B.

3. 15 Mai

   Ajout d'un exemple MedGemma 1.5 de Google DeepMind dans la section sur l'imagerie médicale.

4. 22 Jan

   La collaboration entre Google Cloud et Ginkgo Bioworks a été retirée de la section Plans de traitement personnalisés.

5. 20251 Juil

   Ajout d'un exemple concret à la section Navigation des directives cliniques.

6. 13 Juin

   Deux études, MAISI et X-Diffusion, ont été ajoutées à la section « Créer de nouvelles images médicales ».

7. 202425 Sep

   La section "Quels sont les cas d'utilisation de l'IA générative dans les soins de santé ?" a été étendue avec de nouveaux cas d'utilisation.

8. 202310 Août

   Suppression d'une section concernant une rencontre à Atlanta.

9. 23 Fév

   Ajout d'une section sur la désinformation et d'une invitation à un événement.

10. 202219 Déc

    Suppression des données de taille de marché et de taux de croissance de l'introduction.

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 Enablement for Healthcare

Diagnostic Robotics

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.

Le travail de Cem chez AIMultiple a été cité par des publications mondiales de premier plan, notamment Business Insider, Forbes, Morning Brew et Washington Post, par des entreprises mondiales comme Deloitte et HPE, par des ONG comme World Economic Forum et par des organisations supranationales comme European Commission. [1], [2], [3], [4], [5]

Tout au long de sa carrière, Cem a été consultant en technologies, acheteur de technologies et entrepreneur technologique. 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 digitalisation.

Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité du PDG. Il a également dirigé la croissance commerciale de l'entreprise de technologie profonde Hypatos, qui a atteint un revenu récurrent annuel à 7 chiffres et une valorisation à 9 chiffres, passant de 0 à ce résultat en deux ans. Le travail de Cem chez Hypatos a été couvert par des publications technologiques de premier plan comme TechCrunch et Business Insider.

Cem intervient régulièrement lors de conférences technologiques internationales. Il est diplômé de Bogazici University en tant qu'ingénieur informatique et titulaire d'un MBA de la Columbia Business School.

Voir le profil complet

Recherche effectuée par

Sıla Ermut

Analyste sectorielle

Suivre

Sıla Ermut est analyste sectorielle chez AIMultiple, couvrant les modèles d’IA, l’infrastructure d’IA, la gouvernance de l’IA et les applications d’IA d’entreprise. Ses recherches portent principalement sur l’utilisation de l’IA dans le marketing, la santé, les chaînes d’approvisionnement et le développement durable.
Elle a précédemment travaillé comme recruteuse dans des cabinets de gestion de projet et de conseil. 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