IA dans la santé

Le 9 septembre 2026, l'entreprise d'IA clinique Cloudphysician, fondée en 2017 par les médecins Dhruv Joshi et Dileep Raman et installée à Bangalore, a présenté Nightingale, un modèle de fondation vidéo dédié à la surveillance continue des patients hospitalisés. Le système est déjà déployé dans plus de 150 hôpitaux en Inde et arrive sur le marché américain. Entraîné sur des milliers d'heures de vidéos cliniques, il vise des signaux fins: respiration anormale, battement des ailes du nez, position des sondes, signes de délire, niveau de sédation, risque de chute et risque d'escarre. Le traitement reste dans l'établissement, un seul GPU sur site absorbant 100 flux de caméras simultanés. Cloudphysician chiffre à environ 100 fois la réduction des coûts d'inférence et de bande passante face aux modèles vidéo génériques hébergés en nuage. Les États-Unis comptent environ 1 million de lits d'hôpital, dont 200 000 équipés de caméras.

Le 9 septembre 2026, la société californienne UpDoc a annoncé sa sélection par l'Advanced Research Projects Agency for Health comme l'un des chefs de file du programme ADVOCATE, avec une dotation pouvant atteindre 9,2 millions de dollars. Le programme vise un système d'IA clinique agentique autorisé par la Food and Drug Administration, capable de prendre en charge seul le suivi de l'insuffisance cardiaque, traitements, alimentation et activité physique compris. Il se déroule sur 39 mois en plusieurs phases, la poursuite étant soumise à des évaluations concurrentielles à chaque jalon, et associe la FDA, l'Office of the National Coordinator for Health IT, des systèmes de soins, des sociétés savantes et des assureurs. Microsoft, OpenAI et NVIDIA appuient l'équipe menée par UpDoc. Tempus a de son côté annoncé une dotation du même programme pouvant atteindre 9,5 millions de dollars.

Le 8 septembre 2026, Nature Communications a publié des travaux d'équipes de l'Institut Pasteur décrivant un modèle d'apprentissage profond capable de reconnaître le mode d'action d'un antibiotique à partir d'images de microscopie en lumière blanche, sans marquage fluorescent. Le réseau de neurones convolutifs, présenté par l'institut le 9 septembre, a été entraîné sur des bactéries Escherichia coli exposées à 22 antibiotiques couvrant huit modes d'action différents. Selon l'Institut Pasteur, il reconnaît le mode d'action avec une précision quasi parfaite et détecte l'effet d'une molécule à des concentrations sous-inhibitrices, avant l'arrêt de la multiplication bactérienne, ce que les méthodes actuelles à marqueurs fluorescents manquent. Le modèle signale aussi les molécules agissant d'une manière inédite. L'approche a été validée sur Klebsiella pneumoniae, souvent multirésistante. Les travaux, signés Daniel Krentzel et ses coauteurs, relèvent du programme ERC Synergy AI4AMR.

Le 8 septembre 2026, la revue Radiology a mis en ligne, dans son numéro de septembre (volume 320, numéro 3), une étude multicentrique chinoise sur OccuNet, un modèle d'apprentissage profond entraîné à repérer les fractures du col du fémur sur des radiographies du bassin ou de la hanche. L'étude rétrospective porte sur 2 576 adultes suspects de traumatisme de la hanche, radiographiés puis passés au scanner ou en IRM dans quatre hôpitaux entre janvier 2009 et août 2025. Sur le groupe agrégé de 1 766 patients, le modèle atteint 97,5 % de sensibilité, soit 913 fractures sur 936, 98,8 % de spécificité et une aire sous la courbe de 0,99. Sur les 189 fractures que la radiographie ne montrait pas ou laissait indéterminées, il en détecte 94,7 %, contre 86,2 % pour cinq radiologues spécialisés et 68,8 % pour cinq urgentistes. Assistés du modèle, les urgentistes passent de 84,3 % à 95,6 % de sensibilité et raccourcissent leur temps de lecture de 18,9 %.

Le 8 septembre 2026, Google DeepMind a mis en ligne AlphaGenome Atlas, un jeu de données d'un pétaoctet qui précalcule les effets moléculaires des 9 milliards de variations d'un seul nucléotide possibles dans le génome humain, soit plus de trente fois la taille de la base AlphaFold. Chaque variant reçoit un score AlphaGenome Variant Impact, qui condense en un seul nombre les prédictions d'AlphaGenome et d'AlphaMissense, puis se décompose en contributions par catégorie : accessibilité de la chromatine, épissage, conservation. L'atlas contient aussi un répertoire de plus de 2 500 motifs d'ADN récurrents. L'accès est gratuit pour la recherche académique, via un portail web, l'API AlphaGenome et une compétence dans Google Antigravity. Avec le consortium GREGoR, des chercheuses du Broad Institute ont utilisé ce score pour repérer, dans une maladie rare non élucidée, un variant du gène DNM1 qui crée un site d'épissage erroné, confirmé ensuite par des criblages expérimentaux.