Comparatif de 9 grands modèles de langage en santé

Nous avons benchmarké 9 LLMs en utilisant le dataset MedQA, un benchmark d’examen clinique de niveau master dérivé des questions de l’USMLE. Chaque model a répondu aux mêmes scénarios cliniques à choix multiples à l’aide d’un prompt standardisé, permettant une comparaison directe de la précision.

Nous avons également enregistré la latence par question en divisant le temps d’exécution total par le nombre d’éléments MedQA complétés.

Résultats du benchmark des LLMs en santé

Méthodologie du benchmark : Ce benchmark évalue la performance de fine-tuning supervisé des LLMs de santé par rapport aux grands modèles généralistes (GPT-4) sur des tâches de réponse à des questions médicalestâches. Voir les sources de données du benchmark.

MedQA : Questions d’examen médical à choix multiples basées sur le United States Medical Licensing Examination.

Figure 1 : Exemple de question clinique à choix multiples de type USMLE.

MedMCQA : Dataset de réponse à des questions à choix multiples (MCQA) à grande échelle, conçu pour traiter des questions réelles d’examen d’entrée en médecine.

Figure 2 : Une question à choix multiples d’examen d’entrée en médecine à grande échelle exigeant du model qu’il sélectionne la bonne réponse et interprète les explications associées sur les constatations cliniques.

PubMedQA : Benchmark de réponse à des questions biomédicales utilisant des réponses oui/non/peut-être.

Figure 3 : Une question biomédicale de type oui/non/peut-être, où le model doit juger de l’exactitude d’une affirmation clinique à l’aide du contexte d’étude fourni.

Exemples de LLM en santé

De type BERT (encodeur uniquement)

Optimisés pour l’encodage et la représentation de textes biomédicaux, ces models excellent dans l’extraction de caractéristiques pour des tâches telles que la classification.

De type ChatGPT / LLaMA (décodeur, ajusté aux instructions/dialogues)

Basé sur des architectures de style LLaMA et optimisé pour les tâches interactives et les dialogues cliniques.

De type GPT / PaLM (décodeur uniquement, génératif)

Conçus de manière similaire à GPT-3 ou PaLM, ces models sont fine-tunés pour la génération et la synthèse de texte généraliste.

LLMs généralistes en santé

*Llama 3.1 Instruct Turbo avec 405B paramètres. Voir la méthodologie du benchmark.

Points clés :

• o1 : Model le plus performant
• 03 mini : Meilleure option économique
• GPT 4.1 : Meilleure vitesse et temps de réponse

Au-delà de l’exactitude et du coût d’entrée, les models diffèrent également par leurs approches sous-jacentes de la réponse à des questions médicales. Par exemple, o3 utilise une approche plus étape par étape et analytique, tandis que GPT-5 répond avec empathie, organise et explique clairement les informations pour les non-experts :

Figure 4 : Figure montrant les différences entre les réponses de GPT-5 et o3.

Fine-tuning de LLMs médicaux

La performance du ChatGPT par défaut (model 4o) est comparée à celle de l’assistant « Clinical Medicine Handbook » existant. Les deux models reçoivent le même prompt, et leurs réponses sont analysées :

GPT 4o

Figure 5 : La figure montre que la réponse du model GPT 4o par défaut est exacte mais aussi très résumée.¹

LLM médical fine-tuné

Figure 6 : La figure montre que la réponse de l’agent spécialisé est mieux expliquée et plus détaillée.¹

Lisez LLM fine-tuning et LLM training pour en savoir plus.

Applications des LLMs généralistes

Ces models sont des models généraux fine-tunés qui nécessitent une adaptation au domaine pour accomplir des tâches cliniques avec précision. Vous pouvez utiliser ces models en santé en exploitant :

• Pré-entraînement continu sur des données médicales pour aider le model à mieux identifier le langage médical en l’exposant à des notes cliniques et à la littérature biomédicale (comme PubMed).
• RAG pour extraire des données de documents cliniques vérifiés afin de produire des réponses précises en temps réel.
• Fine-tuning d’instructions pour permettre au model d’apprendre à répondre à des questions cliniques ou extraire des symptômes à partir du texte.

Figure 7 : Un flux de travail général de LLM fine-tuning pour des cas d’usage spécialisés.

Cas d’usage des LLMs en milieu clinique

1. Transcription médicale

Les LLMs peuvent aider à créer des transcriptions médicales en :

• Écoutant le dialogue naturel entre un patient et un clinicien.
• En extrayant les détails médicaux critiques.
• En condensant les données médicales en dossiers médicaux conformes qui s’alignent sur les sections pertinentes d’un EHR.

Exemple concret : Le MedLM de Google peut capturer et transformer la conversation patient-clinicien en transcription médicale.⁸

2. Amélioration des dossiers de santé électroniques (EHR)

L’utilisation généralisée des dossiers de santé électroniques (EHR) a généré de vastes quantités de données sur les patients qui, lorsqu’elles sont utilisées efficacement, peuvent considérablement améliorer les soins de santé.

Par exemple, l’analyse des données des EHR peut aider les cliniciens à prendre de meilleures décisions en révélant des schémas dans les diagnostics, les traitements et les résultats. Elle peut également favoriser une détection plus précoce des maladies et des soins plus personnalisés en identifiant les facteurs de risque et en adaptant les traitements à chaque patient.

Au niveau du système, les données des EHR peuvent améliorer l’efficacité en réduisant les tests redondants, en mettant en évidence les lacunes de soins et en éclairant les politiques qui améliorent la qualité et réduisent les coûts.

Exemple concret : Le MedLM de Google est utilisé par BenchSci, Accenture et Deloitte pour améliorer les dossiers de santé électroniques (EHR).

• BenchSci a intégré MedLM dans sa plateforme ASCEND pour améliorer la qualité de la recherche préclinique.
• Accenture utilise MedLM pour organiser les données non structurées provenant de sources multiples, automatisant ainsi des opérations manuelles auparavant chronophages et sujettes aux erreurs.
• Deloitte travaille avec MedLM pour minimiser les frictions dans la recherche de traitements. Ils utilisent un chatbot interactif qui aide les participants à un régime de santé à mieux comprendre les alternatives de prestataires.⁹

3. Aide à la décision clinique

Les LLMs aident les cliniciens à interpréter les informations spécifiques aux patients incluses dans les données médicales actuelles, en faisant émerger des considérations pertinentes lors du diagnostic ou de la planification du traitement sans remplacer le jugement clinique.

Exemple concret : MedGemma (Google DeepMind) est une collection de models médicaux à poids ouverts construits sur l’architecture Gemma 3 de Google. Plutôt que de fonctionner comme un outil de diagnostic destiné directement aux consommateurs, MedGemma sert de base permettant aux développeurs de créer des applications médicales destinées aux cliniciens.

Conçu à la fois pour l’analyse de textes et d’images médicales, MedGemma peut interpréter des images médicales complexes, notamment les radiographies pulmonaires, les IRM et les scanners. Il prend également en charge des tâches de raisonnement clinique, comme la synthèse des notes de patients ou la réponse à des questions de type examen médical.

Selon un examen réalisé par un radiologue cardiothoracique certifié aux États-Unis, 81 % des rapports de radiographies pulmonaires de MedGemma conduiraient à des décisions de prise en charge des patients similaires à celles fondées sur les rapports radiologiques d’origine (voir le graphique ci-dessous).

Figure 8 : Le graphique montre à quelle fréquence les rapports de radiographies pulmonaires générés par l’IA et les rapports radiologiques d’origine conduisent à des résultats cliniques similaires ou différents dans les cas normaux, anormaux et tous les cas.¹⁰

4. Aide à la recherche médicale

Dans la recherche médicale, la valeur essentielle des LLMs réside dans leur capacité à accélérer la revue et la synthèse de la littérature.

Plutôt que de résumer des articles, les LLMs aident les chercheurs à suivre le rythme d’une littérature biomédicale en expansion rapide en identifiant les études pertinentes, en extrayant les conclusions clés et en synthétisant les informations issues de multiples sources.

Exemple concret : Le chatbot de santé de John Snow aide les chercheurs à trouver des articles scientifiques pertinents, à extraire des informations clés et à identifier les tendances de recherche. Il est particulièrement utile pour naviguer dans la vaste littérature biomédicale.¹¹

5. Communication automatisée avec les patients

Les grands modèles de langage en santé peuvent rédiger des réponses informatives et bienveillantes aux questions des patients. Voici quelques exemples :

• Gestion des médicaments et rappels : Un chatbot fournit aux patients des rappels réguliers pour prendre leur traitement contre le diabète et demande une confirmation.
• Suivi de l’état de santé et soins de suivi : Un patient en post-opératoire envoie l’état de sa douleur et de sa plaie à un chatbot, qui détermine si le processus de guérison progresse.
• Communication informative et éducative : Un patient demande à un chatbot comment gérer une hypertension artérielle, et le chatbot répond par des conseils de nutrition et de mode de vie.

Exemple concret : ChatGPT Health permet aux utilisateurs de connecter en toute sécurité leurs dossiers médicaux et leurs données de bien-être (par exemple, Apple Health ou MyFitnessPal). Les utilisateurs peuvent ensuite poser à ChatGPT des questions sur leurs propres données, telles que « Comment évolue mon cholestérol ? » ou « Résumez mes derniers résultats de laboratoire ». ¹²

Exemple concret : L’hôpital pour enfants de Boston utilise Buoy Health, un chatbot en ligne de vérification des symptômes piloté par l’IA, qui fournit aux patients des réponses instantanées à leurs questions de santé et des consultations initiales.

Le chatbot peut trier les patients en analysant leurs symptômes et en indiquant s’ils doivent consulter un médecin.¹³

6. Prédiction des résultats de santé

Les LLMs peuvent être utilisés pour permettre la stratification des risques et les prévisions en santé. En soutenant l’analyse de données cliniques structurées et non structurées, les LLMs peuvent aider à identifier les patients présentant un risque élevé (comme la réadmission à l’hôpital) et soutenir une planification proactive des soins, souvent en combinaison avec des models prédictifs traditionnels.

Exemple concret : Les pharmaciens de la WVU utilisent un algorithme prédictif pour déterminer le risque de réadmission. Cette approche examinera les données des dossiers de santé électroniques (EHR), qui comprennent les données démographiques des patients, leurs antécédents cliniques et les déterminants socio-économiques de la santé.

Sur la base de ces recherches, les pharmaciens de la WVU identifient les patients présentant un risque élevé de réadmission et désignent des coordinateurs de soins pour assurer leur suivi après la sortie. Cela peut contribuer à réduire les taux de réadmission.¹⁴

7. Plans de traitement personnalisés

En intégrant les antécédents médicaux, les symptômes et les données de santé longitudinales, les LLMs peuvent aider à transformer des informations complexes sur les patients en considérations de soins individualisées, favorisant ainsi des discussions de traitement plus personnalisées et plus contextuelles entre cliniciens et patients.

Exemple concret : Le chatbot d’IA de Babylon Health fournit des recommandations de santé individualisées en fonction des symptômes et des antécédents médicaux de l’utilisateur. Il engage les utilisateurs dans une conversation en posant des questions pertinentes pour mieux analyser leurs problèmes et en donnant des recommandations personnalisées.¹⁵

8. Codage médical et facturation

Les grands modèles de langage peuvent automatiser les processus d’audit en analysant les dossiers des patients et les EHR.

Exemple concret : Epic Systems, un fournisseur d’EHR, intègre des LLMs dans son logiciel pour faciliter le codage et la facturation. Les LLMs peuvent surveiller les anomalies dans les schémas d’accès aux informations sensibles des patients ou les incohérences dans les pratiques de codage et de facturation.¹⁶

Exemple concret : Claude for Healthcare (Anthropic) est une plateforme destinée aux entreprises, conçue pour les organisations de santé, les prestataires et les assureurs. Elle connecte les grands modèles de langage à des bases de données médicales professionnelles telles que l’ICD-10 et la CMS Coverage Database, permettant aux hôpitaux d’automatiser les flux de travail administratifs. Ces flux incluent les autorisations préalables d’assurance, la synthèse des dossiers des patients et le triage des messages du portail patient.¹⁷

Cependant, les LLMs ne sont pas encore tout à fait prêts pour le codage médical, mais leurs contributions sont prometteuses : Des chercheurs ont examiné à quelle fréquence quatre LLMs (GPT-3.5, GPT-4, Gemini Pro et Llama2-70b Chat) attribuaient les codes CPT, ICD-9-CM et ICD-10-CM corrects.

Leurs conclusions montrent qu’il existe une marge d’amélioration significative. Les chercheurs ont constaté que les LLMs génèrent souvent un code qui transmet des informations inexactes, avec une exactitude maximale de 50 %.¹⁸

9. Formation et éducation

Les grands modèles de langage et l’IA générative peuvent être utilisés comme outils pédagogiques interactifs, aidant les cliniciens et les patients à mieux comprendre des concepts médicaux complexes et à clarifier des informations confuses.

Cas d’usage concret : Oxford Medical Simulation utilise des LLMs intégrés à la technologie de réalité virtuelle pour créer des simulations immersives de patients virtuels.

Ces simulations permettent aux étudiants de vivre des scénarios à haute pression, comme la prise en charge d’un patient en arrêt cardiaque, sans conséquences réelles.

Les LLMs alimentent les réponses des patients virtuels, les rendant plus réalistes et imprévisibles, préparant ainsi les étudiants à la variabilité des environnements cliniques réels.¹⁹

10. Découverte et développement de médicaments

Les LLMs accélèrent la recherche pharmaceutique en raccourcissant les cycles de développement et en réduisant le coût de mise sur le marché de nouveaux composés. Ces models peuvent :

• Analyser des structures moléculaires complexes et signaler des composés à potentiel thérapeutique.
• Prédire l’efficacité et le profil d’innocuité des médicaments candidats avant les tests en laboratoire.
• Suggérer de nouvelles configurations moléculaires visant des cibles thérapeutiques spécifiques.
• Optimiser les composés principaux pour améliorer la pharmacocinétique et réduire les effets secondaires.

Les models de langage chimique, un sous-ensemble de LLMs conçus spécifiquement pour les applications pharmaceutiques, ont produit des résultats mesurables dans la conception de médicaments de novo. La recherche indique que les models initialisés à chaud (ceux qui partent de models de langage biochimiques pré-entraînés) génèrent des composés de meilleure qualité que les approches de référence.²⁰

11. Radiologie et imagerie médicale

Les LLMs multimodaux qui traitent à la fois le texte et les images peuvent examiner les images médicales avec les données cliniques pour faciliter la détection d’anomalies et contribuer à des interprétations diagnostiques plus précises.

• Interprétation des images : Des models tels que Med-Flamingo et LLaVA-Med analysent les images médicales dans un contexte clinique, aidant les radiologues à détecter précocement des affections visibles sur les radiographies pulmonaires, les IRM et les scanners.
• Génération automatisée de rapports : Des systèmes comme ChatCAD génèrent des rapports de radiologie directement à partir des données d’imagerie, répondant à l’une des tâches les plus chronophages dans les services d’imagerie à volume élevé.

12. Littératie en santé et accessibilité linguistique

Un écart pratique dans les soins aux patients réside dans la distance entre le langage clinique et le langage que les patients utilisent pour décrire leur propre santé. Les LLMs peuvent aider à combler cet écart en :

• Traduisant la terminologie et le jargon médicaux en langage clair adapté au niveau de lecture du patient.
• Comblant les différences linguistiques entre les patients et les prestataires dans des contextes de soins multilingues.
• Expliquant les options de traitement, les résultats de tests et les plans de soins dans des formats exploitables par les patients.

Une meilleure compréhension de la part des patients est associée à une meilleure observance du traitement et à de meilleurs résultats.

Défis des LLMs en santé

Préoccupations en matière de confidentialité

L’utilisation d’applications de santé basées sur des LLM qui n’ont pas été correctement développées, testées ou approuvées pour un usage médical peut présenter des risques importants pour les utilisateurs, notamment en matière de confidentialité des données.

Ces outils traitent souvent des informations de santé sensibles fournies par les utilisateurs, mais il n’est pas toujours clair comment ces données sont stockées, partagées, ni si les applications respectent pleinement les lois et réglementations existantes en matière de protection des données.²¹

Exactitude et fiabilité

Les LLMs sont également sujets aux hallucinations, des informations plausibles mais incorrectes ou trompeuses.

Par exemple, face à une requête médicale, GPT-3.5 a recommandé à tort la tétracycline à une patiente enceinte, bien qu’il ait correctement expliqué ses effets nocifs potentiels pour le fœtus.²²

Figure 8 : Un exemple de GPT-3.5 montrant la recommandation incorrecte d’un médicament.

Généralisation vs spécialisation

Un LLM entraîné sur des données médicales générales peut ne pas posséder l’expertise détaillée nécessaire à des spécialités médicales particulières.

Biais et considérations éthiques

Au-delà de l’exactitude, il existe des préoccupations éthiques, comme le risque que les LLMs perpétuent des biais présents dans leurs données d’entraînement. Cela pourrait entraîner des recommandations de soins inégales pour différents groupes démographiques.

Pour plus de détails sur les défis des grands modèles de langage, lisez les risques de l’IA générative et l’éthique de l’IA générative.

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 des LLMs en santé

L’analyse de Stanford indique qu’il existe un potentiel inexploité important pour les LLMs en santé.²³

Si de nombreux LLMs ont été utilisés pour des tâches telles que l’amélioration des diagnostics ou la communication avec les patients, moins se sont concentrés sur les tâches administratives qui contribuent à l’épuisement des cliniciens.

À l’avenir, les LLMs pourraient évoluer pour interagir avec le comportement, davantage de contexte et les émotions, leur permettant d’offrir un soutien plus personnalisé et empathique.

Méthodologie des grands modèles de langage en santé

Méthodologie du benchmark : Ce benchmark évalue 9 LLMs généralistes populaires sur des questions médicales de niveau supérieur à l’aide du dataset MedQA, dont le contenu provient du United States Medical Licensing Examination (USMLE). Chaque question comprend un scénario clinique et des options de réponse à choix multiples.

Sorties des LLM : Chaque model a été invité à renvoyer une réponse structurée (par exemple, « Réponse : C »).²⁴

Latence : Temps moyen qu’un model met pour générer une réponse à un seul prompt MedQA. Par exemple, si 100 questions prennent 1 115 secondes au total, la latence moyenne est de 11.15 secondes par question.

Sources de données du benchmark des LLMs en santé

• Résultats de Me-LLaMA 70B²⁵
• Résultats de Meditron 70B²⁶
• Résultats de Med-PaLM 2²⁷
• ChatGPT & GPT-4²⁷

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  = {{Comparatif de 9 grands modèles de langage en santé}},
  year   = {2026},
  month  = sep,
  howpublished    = {\url{https://aimultiple.com/large-language-models-in-healthcare}},
  note   = {AIMultiple. Consulté le 4 Septembre 2026}
}

Journal des modifications

14 mises à jour

Toutes14Général13Méthodologie1

1. 202623 Jan

   La section « Aide à la décision clinique » a été étendue avec MedGemma et une nouvelle figure.

2. 20253 Déc

   Ajout de la Figure 1 à la section MedQA.

3. 17 Oct

   Remplacement de la méthodologie de référence dans la section « GPT 4.1 – Meilleure vitesse et temps de réponse ».

4. 17 Oct

   Ajout de la méthodologie de référence à la section méthodologie.

5. 15 Août

   Ajout du réglage fin des LLM médicaux à la section Cas d'utilisation des LLM à usage général.

6. 4 Juil

   Ajout des données de latence à la section des sorties LLM.

7. 27 Juin

   Ajout d'une méthodologie de référence à la section de référence des LLM de santé.

8. 20 Juin

   La section « LLM à usage général dans les soins de santé » a été supprimée.

9. 10 Juin

   Suppression de Med-PaLM 2, MEDITRON-70B, Me-LLaMA, Radiology-Llama2, Health Acoustic Representations (HeAR), Polaris 3.0 par Hippocratic AI et Med-PaLM M de l'article.

10. 5 Juin

    Sources de données de référence ajoutées à la fin de l'article.

11. 4 Juin

    Ajout d'une comparaison des LLM ouverts sur les tâches de santé à la section LLM de santé open source.

12. 14 Avr

    Mis à jour les scores de précision pour Llama-2-70B et GPT-3.5-turbo dans la section Llama 2.

13. 20245 Sep

    Ajout de Med-PaLM 2 et Radiology-Llama2 à la section des LLM open source axés sur la santé.

14. 30 Août

    Ajout du modèle Hippocratic AI à la section « LLM de soins de santé ».

Liens de référence

1.

Generative Medical AI: A Journey with Fine-Tuned Language Models | by Eluney Hernandez | Medium

Medium

2.

https://arxiv.org/abs/2509.21450

3.

https://medium.com/llmed-ai/summarizing-patient-histories-with-gpt-4-9df42ba6453c

4.

https://arxiv.org/abs/2403.12140

5.

https://www.datacamp.com/tutorial/fine-tuning-qwen3

6.

https://cohere.com/blog/command-r-plus

7.

https://arxiv.org/abs/2404.04110

8.

Google Launches A Healthcare-Focused LLM

Forbes

9.

How doctors are using Google's new AI models for health care

CNBC

10.

MedGemma: Our most capable open models for health AI development

11.

Medical ChatBot | Healthcare ChatBot | Medical GPT

12.

Introducing ChatGPT Health | OpenAI

13.

Buoy Health Partners With Boston Children's Hospital To Improve The Way Parents Currently Assess Their Children's Symptoms Online

Cision PR Newswire

14.

WVU pharmacists using AI to help lower patient readmission rates | WVU Today | West Virginia University

15.

Babylon's AI-enabled symptom checker added to recently acquired Higi's app | MobiHealthNews

MobiHealthNews

16.

Artificial Intelligence | Epic

17.

Healthcare | Claude by Anthropic

18.

Large Language Models Are Poor Medical Coders — Benchmarking of Medical Code Querying | NEJM AI

19.

Oxford Medical Simulation - Virtual Reality Healthcare Training

Oxford Medical Simulation

20.

Large Language Models in Healthcare and Medical Applications: A Review - PMC

21.

The Challenges for Regulating Medical Use of ChatGPT and Other Large Language Models - PubMed

22.

https://arxiv.org/pdf/2307.15343

23.

Large Language Models in Healthcare: Are We There Yet? | Stanford HAI

24.

https://www.vals.ai/benchmarks/medqa

25.

Medical foundation large language models for comprehensive text analysis and beyond | npj Digital Medicine

Nature Publishing Group UK

26.

[2311.16079] MEDITRON-70B: Scaling Medical Pretraining for Large Language Models

27.

[2305.09617] Towards Expert-Level Medical Question Answering with Large Language Models

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