OpenAI o1 surpasse les médecins dans le diagnostic de cas complexes aux urgences
Une étude de Harvard et Stanford publiée dans Science révèle que le dernier modèle LLM d'OpenAI, o1, diagnostique correctement 78,3 % des cas cliniques complexes, surpassant les médecins. L'IA montre son plus grand avantage lors du triage initial avec un minimum d'informations sur le patient.
En tant que personne ayant observé la course aux algorithmes médicaux de l'intérieur du secteur ces sept dernières années, laissez-moi vous dire ceci : Harvard et Stanford viennent de publier bien plus qu'une simple étude. Ils ont publié un manifeste sur la fin de « l'âge d'or » de l'intuition médicale en médecine d'urgence. L'article dans Science est une capitulation élégamment conçue des humains face aux machines dans la partie la plus chaotique de l'hôpital, mais sous cette capitulation se cache un accord qui remodelera le budget de Medicare.
Le cœur du sujet : ce qui se passe vraiment
Le grand public voit le chiffre 78,3 % et pense : « Le robot diagnostique mieux que le médecin. » C'est une vision superficielle. La véritable révolution est qu'OpenAI o1 gagne non pas grâce à ses connaissances, mais grâce à sa résistance au « bruit informationnel ».
Lorsqu'un patient arrive aux urgences avec des douleurs abdominales, il n'a pas un résumé de sortie de manuel bien ordonné. Il y a un fouillis de plaintes décousues, de crises d'angoisse et de résultats d'analyses flous. À ce moment-là, le médecin humain active des « heuristiques de disponibilité » : il voit un patient obèse avec des douleurs — pense à la vésicule biliaire ; voit un migrant — recherche inconsciemment la tuberculose. Ce sont des biais cognitifs gravés dans les neurones par des milliers d'heures de pratique.
o1-preview, contrairement à nous, n'est pas sujet aux « heuristiques affectives ». L'étude a montré qu'au moment du triage, lorsque l'information est la plus rare, l'IA atteignait 67,1 % de précision contre 50 à 55 % pour les médecins en exercice. Ce n'est pas seulement un écart de 12 à 17 points de pourcentage. C'est la preuve que le LLM traite le « silence » dans les données mieux que les humains. Il n'essaie pas de combler les lacunes avec des stéréotypes lorsque les données manquent. Il calcule des probabilités là où le médecin commence à deviner.
Chronologie et contexte
Cette percée n'a pas eu lieu dans le vide. En 2023, tout le monde se moquait de GPT-4 pour ses échecs dans des scénarios cliniques de base, confondant la séquence des actions en RCP. À l'époque, il semblait que le « raisonnement » était le Saint-Graal de l'humanité.
Étapes clés menant à ce moment :
- Septembre 2024 : OpenAI publie o1-preview. Les initiés savent qu'il a d'abord été testé sur des problèmes mathématiques et du codage, mais l'équipe d'Adam Rodman au Beth Israel Deaconess a immédiatement vu le potentiel du Chain-of-Thought pour la médecine.
- Automne 2024 – Hiver 2025 : Une course silencieuse entre Google DeepMind (avec leur Med-PaLM) et OpenAI pour être le premier à publier dans une revue comme Science. Harvard obtient l'accès aux données brutes du dossier de santé électronique sans prétraitement — un risque énorme.
- Avril 2026 : Publication dans Science. Le choc principal n'est pas que le modèle ait gagné dans la sélection des diagnostics, mais que dans la tâche de « gestion clinique » (Grey Matters), o1 ait obtenu un score médian de 89 %, tandis que les médecins ayant accès à Google et GPT-4 n'ont obtenu qu'un misérable 34 à 41 %. Cela signifie que l'IA gère les ressources hospitalières mieux que les humains.
Qui gagne et qui perd
Gagnants :
- Les compagnies d'assurance (UnitedHealth Group, Elevance Health) : Les principaux bénéficiaires. o1 a montré qu'il peut fonctionner parfaitement en situation de pénurie d'informations. Cela signifie que l'algorithme peut être placé au « point d'entrée » du système pour réduire les hospitalisations inutiles. Si l'IA dit qu'un patient souffrant de douleurs thoraciques n'a pas besoin de troponine et d'ECG toutes les 15 minutes, mais simplement d'un antiacide et de rentrer chez lui, les économies se chiffreraient en milliards de dollars US par an.
- Les infirmières de triage : Leur rôle va paradoxalement augmenter. Elles deviendront les « mains de l'IA » au chevet du patient, gagnant des salaires supérieurs au marché pour leur capacité à vérifier les entrées de la machine.
- Les startups de « wrapper » médical : Des dizaines d'entreprises commenceront à vendre « o1 pour la radiologie », « o1 pour la pathologie », même si sous le capot ce n'est qu'un appel API.
Perdants :
- Les médecins spécialistes en échographie et en diagnostic fonctionnel aux urgences : Si o1 diagnostique plus précisément à partir d'un historique succinct qu'un médecin après un examen, pourquoi payer 300 $ pour un examen approfondi quand on peut payer 0,03 $ par token ?
- Le système de résidanat américain : Pourquoi passer 7 ans à former un interniste si sa pensée clinique à l'obtention du diplôme est inférieure à celle d'un modèle entraîné pendant 3 mois sur un cluster de GPU ? Les résidents de l'étude ont montré des résultats désastreux sur l'échelle R-IDEA (score parfait dans seulement 16 cas sur 80, contre 78 pour o1). Cela démoralise tout le système d'éducation médicale basé sur l'apprentissage.
Ce que les médias ne disent pas
Passons maintenant à la partie la plus désagréable. Tout le monde écrit sur les « tests en aveugle » où les médecins ne pouvaient pas distinguer le texte humain de celui de la machine (probabilité de deviner 15 % et 3 %). Mais personne ne dit que cela signifie l'effondrement de la reproductibilité diagnostique.
La deuxième observation concerne la « courbe d'oubli ». L'étude a montré que le modèle gère bien un instantané unique d'une situation (triage), mais la médecine d'urgence réelle est un processus dynamique. Le modèle ne suit pas le patient en temps réel ; il ne voit pas la couleur de la peau changer ni l'essoufflement s'aggraver. Il travaille avec un instantané textuel. C'est pourquoi, dans les diagnostics critiques « à ne pas manquer », o1 n'a pas montré de supériorité significative par rapport aux humains. La machine est excellente pour jouer à « Quoi ? Où ? Quand ? » mais mauvaise pour garder le doigt sur le pouls d'un patient mourant.
Prévisions : les 30 et 90 prochains jours
30 premiers jours (d'ici mi-juin 2026) :
Ce que j'appelle une « épidémie de versions de démonstration » va commencer. Chaque centre médical américain qui se respecte publiera un communiqué de presse sur un partenariat avec OpenAI ou Microsoft pour piloter un « second avis IA ». Mais la mise en œuvre réelle n'aura pas lieu. Tout service juridique d'hôpital hésitera : qui va en prison si o1 rate une dissection aortique ? La FDA se tait pour l'instant. Attendez-vous également à une vague de critiques de la part de l'American Medical Association (AMA), insistant sur le fait que « l'interprétation des données » n'est pas la même chose que le « diagnostic ».
90 prochains jours (d'ici septembre 2026) :
Le changement clé sera l'intégration multimodale. Actuellement, le modèle ne fonctionne qu'avec du texte, mais OpenAI a déjà publié o3. Je m'attends à des fuites ou des prépublications où le modèle sera alimenté non seulement par le texte de la plainte, mais aussi par des images d'échographie portables et des enregistrements de souffle. Une fois que o3 aura prouvé sa supériorité dans la collecte de données multimodales, de grands réseaux comme Kaiser Permanente commenceront à l'intégrer non pas comme un « assistant » mais comme le filtre de triage principal dans les services d'urgence. Les investissements dans les solutions de NLP pour les urgences tomberont à zéro car personne ne voudra concurrencer le gorille de 800 livres de Microsoft/OpenAI. Le marché des scripts de raisonnement clinique et des tests pour médecins sera tout simplement détruit.
— Editorial Team
