Des chercheurs européens ont dévoilé Delphi-2M, un modèle d'IA générative qui lit les antécédents médicaux d'une personne pour prévoir sa susceptibilité à plus d'un millier de maladies, des années, voire des décennies à l'avance. Il s'agit d'une affirmation audacieuse étayée par de grands ensembles de données : environ 400 000 participants à la biobanque britannique pour la formation et 1,9 million de patients du registre national danois pour une validation externe.
Ce qui est nouveau, c'est l'ampleur. La plupart des scores de risque clinique ciblent une seule condition. Delphi-2M traite la santé comme une séquence, en utilisant la technologie Transformer (la même famille derrière les chatbots modernes) pour modéliser la façon dont les diagnostics et les événements se déroulent au fil du temps. Le résultat est une courbe de probabilité personnalisée, lorsque des conditions particulières sont plus ou moins susceptibles d’apparaître.
Les premiers résultats sont plus probants dans le domaine des maladies chroniques courantes (problèmes cardiovasculaires, diabète et septicémie), pour lesquelles il existe de nombreuses données. Les chercheurs rapportent également que le modèle a bien fonctionné sur les patients danois, bien qu'il ait été formé sur des données britanniques, un signe prometteur qu'il peut se généraliser à l'ensemble des systèmes de santé plutôt que de se suradapter à un seul.
Pourquoi c’est important : la prévoyance change les soins. Si un système peut prédire les périodes à haut risque pour une maladie future, les cliniciens peuvent renforcer la surveillance, ajuster les médicaments et promouvoir une prévention ciblée plus tôt. Les équipes de santé de la population pourraient utiliser des prévisions similaires pour prioriser les dépistages ou allouer des ressources aux quartiers où le risque devrait augmenter.
EN RAPPORT:
Les grandes mises en garde sont opérationnelles et éthiques. Les dossiers médicaux sont désordonnés ; les signaux varient selon l’hôpital, les normes de codage dérivent et les déterminants sociaux résident rarement dans une seule base de données. Il existe également des biais : si la prise en compte de l’histoire défavorise certains groupes, un modèle peut coder ces lacunes. Les chercheurs affirment que Delphi-2M utilise des enregistrements anonymisés et est conçu pour le déploiement du système de santé, mais que tout véritable déploiement nécessitera une gouvernance stricte, un audit externe et un consentement clair du patient.
La réalité réglementaire va ralentir les choses. Même avec une méthode publiée dans Nature et une solide validation à l’échelle nationale, cette méthode ne sera pas livrée aux cliniques de demain. Attendez-vous à des projets pilotes dans des programmes étroitement contrôlés (cardiologie, réadmissions en soins intensifs, parcours en oncologie) avant une utilisation plus large. L’intégration des données génétiques et protéomiques est sur la feuille de route, ce qui pourrait affiner les prévisions mais augmenter les enjeux en termes de coûts et de confidentialité.
Pour les acheteurs de technologies dans les systèmes de santé, la tâche est familière : exiger des essais prospectifs, rechercher des scores de risque calibrés (pas seulement des vantardises d’AUROC) et insister sur des résultats interprétables sur lesquels les cliniciens peuvent agir. Personne ne veut une bannière en forme de boîte noire indiquant que vous courez un risque ; ils veulent le pourquoi et le quoi faire.
En résumé : Delphi-2M constitue une étape sérieuse vers la prévision multi-maladies à long terme. Si les résultats publiés se reproduisent dans les soins réels, cela pourrait remodeler les calendriers de dépistage et la planification des soins chroniques. Dans le cas contraire, cela poussera toujours le domaine à créer des modèles qui tiennent compte des délais des patients plutôt que des instantanés ponctuels.
