Les grands modèles de langage surpassent les médecins dans le diagnostic des urgences
Une nouvelle étude impliquant Harvard et Stanford a révélé que la version préliminaire du modèle o1 d'OpenAI surpassait significativement les médecins dans l'établissement de diagnostics à partir de données limitées des services d'urgence. L'écart de précision le plus important a été observé précisément lorsque le moins d'informations était disponible.
Depuis plusieurs jours, je vois la communauté médicale et l'industrie IT s'agiter autour d'une étude publiée dans Science. Harvard et Stanford ont de nouveau lancé le défi : leur recherche conjointe montre que le modèle de langage o1-preview d'OpenAI diagnostique plus précisément que les médecins. Surtout lors du triage aux urgences, où l'information est minimale et où le coût de l'erreur est la vie.
Mais les résumés d'actualité, comme d'habitude, effleurent la surface. Ils rapportent le fait d'une « victoire matérielle » mais manquent les changements tectoniques que cette victoire déclenche dans le droit médical, les finances hospitalières et la hiérarchie médicale. En tant que consultant pour des startups de technologies de la santé, je vois derrière les graphiques de précision non pas un triomphe de la technologie, mais le début de la fin de « l'intuition clinique » comme argument juridique.
[Le Cœur] : Ce qui se passe vraiment
Formellement, on parle de chiffres : 67,1 % de précision pour l'IA contre 55,3 % et 50 % pour les médecins en exercice au stade du triage. Mais le problème n'est pas les chiffres. Le problème est que l'IA a battu les humains non pas sur des tâches « stériles » de connaissances livresques, mais sur des données réelles « désordonnées » — des notes non structurées de dossiers de santé électroniques (DSE).
Cela signifie que le modèle a appris à extraire le signal du bruit créé par les médecins eux-mêmes (notes confuses, fautes de frappe, données contradictoires). On pensait que l'IA avait besoin d'ensembles de données parfaitement étiquetés. Il s'avère que le chaos brut d'un véritable hôpital est un milieu nutritif suffisant. o1-preview fonctionne comme un interne idéal qui lit l'ensemble des antécédents médicaux en une seconde et ne souffre pas de biais cognitifs après une nuit de garde difficile.
Chronologie et contexte
Ce n'est pas un coup de tonnerre dans un ciel serein. C'est un siège méthodique qui a commencé en 1959, lorsque les ordinateurs ont été testés pour la première fois sur des tâches de diagnostic clinique.
- 2021–2024 : Des modèles comme GPT-4 étaient déjà sur les talons des médecins dans les tâches de raisonnement clinique (Managing Reasoning), mais à l'époque, ils étaient comparés à des outils de référence comme Google, et l'IA gagnait haut la main (89 % contre 34 %).
- 2025 : OpenAI publie la gamme o1 avec « chaîne de pensée ». C'est un tournant : le modèle a cessé de deviner le prochain token et a commencé à imiter le processus de pensée d'un diagnostiqueur — douter, envisager des hypothèses, se vérifier lui-même.
- Avril–Mai 2026 : Publication dans Science et tests à grande échelle au Beth Israel Deaconess. L'écart est devenu statistiquement indéniable. Et ce qui est le plus troublant pour la profession : les évaluateurs examinant les textes de diagnostic n'ont pas pu déterminer si une conclusion était rédigée par un médecin ou une machine dans 83,6 % et 94,4 % des cas.
Qui gagne et qui perd
Perd : le clinicien à l'ancienne. Ce n'est pas une figure de style. L'étude a révélé que l'écart de qualité est particulièrement important dans le « raisonnement de gestion » — choix des tactiques de traitement, antibiotiques, objectifs thérapeutiques. Cela était autrefois considéré comme le summum de la compétence, combinant expérience et jugement subjectif. Maintenant, c'est un algorithme.
Gagne : le personnel médical intermédiaire. Le bénéficiaire le plus sous-estimé. Les infirmières des urgences sentent souvent intuitivement qu'un patient est « critique » mais n'ont pas l'autorité pour contester un médecin. Maintenant, elles disposent d'un outil qui diagnostique formellement plus précisément qu'un médecin dans 67 % des cas. C'est une arme dans la lutte de pouvoir au sein du service. Le modèle réduit l'anxiété : si le personnel craignait autrefois que l'IA ne les remplace, après une mise en œuvre réelle, cette peur diminue — car il devient clair que l'IA nécessite une supervision et une interprétation humaines.
Perd : le secteur de l'assurance dans sa forme actuelle. Si l'IA peut prédire la nécessité d'une hospitalisation avec une grande précision lors du triage, cela sape le modèle économique de nombreuses compagnies d'assurance américaines qui profitent du refus de paiement pour des hospitalisations « injustifiées ». Refuser la couverture lorsqu'un algorithme supérieur à un médecin a recommandé l'hospitalisation serait un suicide juridique.
Ce que les médias omettent
Tous les articles brillants ont contourné le problème des « diagnostics à ne pas manquer ». C'est un secret connu seulement des lecteurs attentifs des revues scientifiques.
Dans les mêmes expériences où l'IA brillait en précision, elle n'a pas montré de supériorité statistiquement significative par rapport aux médecins dans l'identification des conditions potentiellement mortelles. Le modèle est excellent pour générer un diagnostic différentiel large, il repère les maladies rares, mais lorsqu'il s'agit du « masque » classique d'une crise cardiaque ou d'un sepsis, les médecins s'en sortent tout aussi bien. L'IA n'empêche pas tant les catastrophes qu'elle n'empêche les « errances diagnostiques » dans les cas complexes et rares. Mais à des fins de relations publiques, il est plus avantageux d'afficher le pourcentage global de précision moyenne plutôt que d'admettre qu'en matière de sécurité critique, il n'y a presque pas de différence. C'est une nuance cruciale qui fera surface dans les poursuites contre les hôpitaux qui font aveuglément confiance à l'algorithme.
Prévisions : 30 et 90 prochains jours
30 prochains jours. Nous assisterons à une vague de déclarations des dirigeants des grandes chaînes hospitalières américaines sur le « partenariat », pas le remplacement. Personne ne veut de conflit avec les associations médicales. Mais les services juridiques des hôpitaux ont déjà commencé à réécrire les protocoles. La mise en œuvre de l'IA comme « second avis » deviendra obligatoire non pas pour des raisons de commodité, mais pour réduire le risque de faute professionnelle. Si l'IA est disponible et qu'un médecin pose un mauvais diagnostic lors du triage, cela sera considéré comme une négligence. L'argument « je ne savais pas » disparaît.
90 jours. Ici commence le jeu de la mise hors jeu. L'étude a été menée sur la version préliminaire d'o1-preview, qui est déjà obsolète. OpenAI a publié o3, qui est bien supérieur. L'écart de précision passera des ~12 % actuels à 20–25 %. Cela déclenchera la première crise sérieuse.
De plus, nous serons confrontés à « l'effet Leiden ». Aux Pays-Bas, une tentative de mise en œuvre d'un outil ML dans le travail réel des urgences a échoué non pas à cause de la précision, mais en raison du manque d'intégration avec les DSE et de protocoles clairs pour agir sur les signaux de l'IA. Les administrateurs réaliseront qu'acheter un abonnement OpenAI ne représente que 1 % du problème. Les 50 millions de dollars (ou plus) principaux devront être dépensés pour refondre l'infrastructure informatique hospitalière, qui est actuellement un patchwork de logiciels des années 90. Sans cela, même l'IA la plus intelligente restera une simple démonstration lors d'une conférence TED, et non un outil salvateur.
— Editorial Team
