La médecine entre dans une ère où la masse de données patient change radicalement les règles du jeu. Les modèles de langage et les systèmes experts traitent désormais des millions de documents en quelques secondes. La double promesse est claire : accélérer le travail clinique et réduire les erreurs. Cependant, un défi majeur subsiste. Comment conserver la finesse et la richesse du raisonnement humain face à ces outils ? Et surtout, comment utiliser l’intelligence artificielle pour améliorer le diagnostic sans remplacer la pensée clinique du médecin ?
Cas emblématique : Dr Dhaliwal vs Dr CaBot
J’ai suivi de près l’étude publiée dans le New England Journal of Medicine le 9 octobre 2025. Elle met face à face un médecin expert, le Dr Gurpreet Dhaliwal, et un modèle IA appelé Dr CaBot sur un cas clinique complexe.
L’histoire : un homme de 36 ans avec fièvre, infection à Streptococcus anginosus, thrombose veineuse et opacités pulmonaires. Le Dr Dhaliwal construit une chaîne causale en reliant des indices apparemment disjoints et suspecte un corps étranger, un cure-dents, responsable d’une perforation duodénale.
En quelques minutes, Dr CaBot produit un diagnostic différentiel très complet, n’évoquant pourtant pas cette piste cruciale. Trois jours plus tard, l’imagerie confirme la présence du cure-dents, qui sera retiré par endoscopie.
Cet exemple illustre très bien la complémentarité : l’IA excelle à l’exhaustivité et à la rapidité, tandis que l’humain brille par son intuition pour relier des détails inattendus.
Chiffres et corpus historique : les forces des modèles IA
D’autres données intéressantes viennent renforcer ce constat. Une grande étude publiée récemment en preprint sur arXiv (15 septembre 2025) a créé CPC-Bench, une base regroupant plus de 7 100 cas cliniques issus du NEJM entre 1923 et 2025. Sur un sous-ensemble exclusivement textuel, Dr CaBot atteint des scores remarquables : un succès pour le diagnostic principal dans 60% des cas (top-1) et dans 84% des dix premières hypothèses (top-10).
Mieux encore, le modèle démontre une capacité élevée à recommander des examens complémentaires, avec un taux d’environ 98%. Ces résultats dépassent l’exercice conventionnel focalisé uniquement sur la formulation d’un diagnostic final.
Concurrence, positionnement et l’expérience Ipanemads
Au sein d’ipanemads, nous accompagnons des hôpitaux et des cliniques pour intégrer ces assistants IA dans le flux clinique quotidien.
Concrètement, nous développons des pipelines combinant modèles de langage, outils d’analyse d’images et interfaces interactives conçues pour assister le clinicien. L’IA génère un diagnostic différentiel rapide, propose des examens complémentaires adaptés et documente clairement le raisonnement.
Mais attention, nous insistons : la décision finale reste humaine. Le clinicien conserve la responsabilité et reste le cœur de la décision thérapeutique.
Forces et limites techniques à connaître
De mon expérience, l’IA fait merveille sur la synthèse textuelle et la mémoire documentaire massive. Elle détecte des co-occurrences rares et propose des hypothèses souvent méconnues.
Pour autant, elle montre ses limites dans la récupération bibliographique exacte et dans l’interprétation d’images isolées, surtout si elles arrivent sans contexte.
Un diagnostic vraiment robuste s’appuie donc sur une interface qui impose la validation humaine et encourage l’ajout d’informations implicites ou tacites, le genre de détails souvent absents des dossiers patients.
Vision prospective : vers une collaboration homme-machine fluide
Je projette que demain, les équipes cliniques travailleront en continu avec des « boucles » d’IA. Ces assistants automatiseront la recherche bibliographique, suggéreront des examens pour réduire l’incertitude, voire simuleront des scénarios causaux à partir des données cliniques.
Par exemple, l’IA pourrait :
- Proposer des hypothèses alternatives
- Simuler l’impact potentiel d’un examen complémentaire sur la probabilité d’un diagnostic
- Faciliter la communication et la documentation du raisonnement
Des plateformes publiques comme CPC-Bench vont également jouer un rôle clé en standardisant l’évaluation des modèles et en accélérant la sécurisation de cette nouvelle étape de la médecine.
Comme le soulignent les auteurs des études récentes, « les grands modèles rivalisent désormais avec des experts humains dans le raisonnement clinique basé sur le texte » (NEJM, arXiv).
Convergence et responsabilité
En somme, l’intelligence artificielle transforme le diagnostic médical en offrant vitesse et exhaustivité inédites.
Pourtant, l’intuition clinique garde sa place irremplaçable quand il s’agit de reconstituer une chaîne causale, d’intégrer une expérience globale et de prendre des décisions adaptées au contexte individuel du patient.
Pour moi, la meilleure stratégie est une approche hybride : exploiter l’IA pour explorer rapidement un large spectre d’hypothèses, puis laisser le clinicien valider, ajuster et décider.
Les outils doivent être conçus comme des boucles de travail qui « respirent » avec les équipes soignantes, et non comme des remplaçants.
