Santé

Du diagnostic à la prédiction : vers une médecine « IA-native »

par David Smadja et Léa Behr le 18 août 2026
À l’heure où l’intelligence artificielle s’installe progressivement dans la pratique médicale, une nouvelle frontière se dessine : non plus seulement mieux diagnostiquer, mais prédire pour mieux prévenir. Une étude récente publiée dans Nature Communications, à partir de plus de 10 000 nuits de sommeil, montre comment l’IA peut révéler dans des données médicales déjà disponibles des signaux de risque jusqu’ici invisibles. Elle ouvre la voie à une médecine véritablement « IA-native », capable de transformer nos données de santé en outils d’anticipation et, demain, de prévention. Mais une question décisive demeure : savoir prédire permettra-t-il réellement d’agir suffisamment tôt pour changer la trajectoire des patients ?

Et si la véritable révolution de l’intelligence artificielle en santé n’était pas de produire davantage de données, mais de découvrir tout ce que nous n’avions jamais su voir dans celles que nous possédons déjà ?

C’est l’une des questions que soulève une étude particulièrement intéressante publiée en août 2026 dans Nature Communications1. Des chercheurs de la Cleveland Clinic, de Yale et de l’Université de Washington ont développé un modèle d’intelligence artificielle capable d’analyser la richesse des données enregistrées pendant une nuit de sommeil et d’en extraire des informations pronostiques jusque-là largement invisibles.

Au-delà du sommeil, ce travail illustre peut-être une transformation beaucoup plus profonde de la médecine : le passage d’une médecine qui analyse des données pour diagnostiquer une maladie à une médecine capable de les utiliser pour anticiper un risque.

Nous produisons beaucoup de données. Mais savons-nous vraiment les lire ?

La polysomnographie constitue un exemple particulièrement parlant. Pendant toute une nuit, elle enregistre simultanément une quantité considérable d’informations : activité électrique cérébrale, mouvements oculaires, activité musculaire, électrocardiogramme, respiration, mouvements thoraciques et abdominaux, saturation en oxygène…

Nous disposons donc de plusieurs heures d’observation extrêmement fine de la physiologie d’un individu. Pourtant, dans la pratique clinique, l’interprétation de l’apnée du sommeil repose encore largement sur un indicateur : l’index d’apnées-hypopnées (IAH), qui comptabilise le nombre d’événements respiratoires survenant pendant le sommeil.

Cet indicateur est utile. Mais il résume plusieurs heures de fonctionnement simultané du cerveau, du cœur et du système respiratoire à quelques chiffres. Les auteurs de cette nouvelle étude ont posé une question simple : et si l’information importante était déjà là, sous nos yeux, mais que nous n’avions jusqu’ici pas les outils permettant de la lire ?

Un « foundation model » pour comprendre une nuit entière

Les chercheurs ont analysé plus de 10 000 polysomnographies réalisées à la Cleveland Clinic et reliées aux dossiers médicaux électroniques des patients, permettant de connaître leur évolution clinique sur plusieurs années. Ils ont développé un foundation model, reposant sur une architecture de type Transformer, capable d’intégrer simultanément les différents signaux physiologiques.

Le principe est intéressant. Au lieu de demander uniquement à l’algorithme : « combien d’apnées ce patient présente-t-il ? », on lui demande d’apprendre la représentation physiologique globale de sa nuit. L’IA transforme ainsi des milliers de signaux en une sorte d’empreinte physiologique multidimensionnelle. À partir de ces représentations, cinq groupes de patients émergent, correspondant à des trajectoires de risque progressivement différentes.

Et les résultats sont impressionnants. Comparativement au groupe présentant le risque le plus faible, les patients du groupe à plus haut risque présentent notamment davantage d’événements cardiovasculaires majeurs, d’insuffisance cardiaque, d’infarctus du myocarde, de fibrillation atriale, de troubles cognitifs et d’épilepsie. Après ajustement sur l’âge, le sexe, l’indice de masse corporelle, les comorbidités et même l’index classique d’apnées-hypopnées, le groupe présentant le risque le plus élevé conserve un risque de mortalité plus de deux fois supérieur. Autrement dit, l’intelligence artificielle retrouve dans les données que nous possédions déjà une information médicale que notre manière traditionnelle de les analyser laissait échapper.

L’IA comme nouvelle machine à détecter les « signaux faibles »

C’est probablement ici que ce travail devient particulièrement intéressant. En effet, l’une des transformations majeures permises par l’intelligence artificielle sera précisément notre capacité à détecter des signaux faibles avant que la maladie ou ses complications ne deviennent visibles.

Nous avons construit notre système de santé autour d’une logique essentiellement curative : un symptôme apparaît, le patient consulte, nous réalisons des examens, nous établissons un diagnostic puis nous traitons. L’IA pourrait progressivement modifier cette temporalité. Nous pourrions intervenir non plus seulement lorsque la maladie est présente, mais lorsque les données commencent à indiquer qu’elle pourrait survenir.

C’est le passage d’une médecine de réaction à une médecine d’anticipation. Et ce changement est fondamental pour construire une véritable politique de prévention.

Après le « cloud-native », la santé « IA-native »

Cette étude permet également d’illustrer une autre transformation : le passage de systèmes numériques traditionnels vers des systèmes véritablement « IA-native ». La distinction est importante. Aujourd’hui, nous ajoutons souvent de l’intelligence artificielle à des organisations et à des logiciels qui ont été conçus bien avant son apparition. L’IA devient alors une fonctionnalité supplémentaire : un algorithme analyse une image, rédige un compte rendu ou automatise une tâche administrative.

Être « IA-native », c’est penser exactement à l’inverse. Par analogie avec les architectures « cloud-native », il s’agit de concevoir dès l’origine les systèmes d’information pour que l’intelligence artificielle soit capable d’analyser continuellement les données, de les croiser, de les contextualiser et d’en extraire une information utile pour le professionnel de santé. Le dossier médical ne serait alors plus seulement un lieu où nous stockons des informations. Il deviendrait progressivement un système vivant d’interprétation des données de santé.

Le travail publié dans Nature Communications en donne une première illustration. La polysomnographie n’est plus simplement un examen destiné à répondre à une question diagnostique précise. Elle devient une source de données permettant d’appréhender plus largement le risque cardiovasculaire, neurologique ou vital d’un individu.

Et demain ? Un électrocardiogramme réalisé pour rechercher une arythmie pourrait peut-être également révéler un risque cardiovasculaire futur. Une prise de sang prescrite pour une indication donnée pourrait contribuer à détecter une trajectoire métabolique ou inflammatoire anormale. Une imagerie réalisée aujourd’hui pourrait contenir des informations sur des pathologies qui ne constituent même pas la raison pour laquelle elle a été prescrite.

La médecine dispose déjà d’une quantité considérable de données. L’enjeu sera de transformer ces données dormantes en connaissances médicales utiles.

De la donnée à la prévention

Ainsi, nous devrons transformer les données produites quotidiennement par notre système de santé en véritables outils d’anticipation sanitaire. Les laboratoires, les hôpitaux, l’imagerie, les objets connectés et demain de nombreux capteurs produisent chaque jour des millions de données. Aujourd’hui, nous les utilisons essentiellement individuellement et rétrospectivement. Demain, leur analyse intelligente pourrait permettre de détecter des signaux faibles, d’identifier plus précocement des populations à risque et de personnaliser les stratégies de prévention.

Nous passerions alors d’une logique dans laquelle la donnée constate à une logique dans laquelle la donnée alerte. Et c’est peut-être là que se situe la véritable rupture.

Prédire ne signifie pourtant pas encore prévenir

Il faut néanmoins rester prudent. Cette étude est rétrospective. Elle démontre qu’un modèle peut identifier des groupes associés à des risques différents. Elle ne démontre pas encore que connaître cette information améliore le devenir des patients. C’est une distinction essentielle. Car une prédiction médicale n’a de valeur que si elle permet une action.

Que doit-on proposer à un patient identifié comme appartenant au groupe à haut risque ? Une surveillance cardiovasculaire renforcée ? Une consultation neurologique ? Une intervention plus précoce sur ses facteurs de risque ? Et surtout : ces interventions permettront-elles réellement d’éviter les événements prédits ?

Les auteurs reconnaissent eux-mêmes la nécessité d’études prospectives avant tout déploiement clinique. L’enjeu des prochaines années sera donc moins de démontrer que l’IA sait prédire que de démontrer que la prédiction permet de prévenir.

La prévention comme nouvelle frontière de l’IA médicale

Nous avons beaucoup parlé de l’IA capable de battre des performances diagnostiques, de reconnaître une tumeur sur une image ou d’assister un médecin dans sa décision. La prochaine étape est probablement ailleurs. Elle consiste à utiliser l’intelligence artificielle pour faire apparaître des informations que nous ne savions pas voir, détecter des risques avant qu’ils ne deviennent des maladies et intervenir suffisamment tôt pour modifier les trajectoires individuelles.

C’est précisément la philosophie d’une République de la prévention : ne plus attendre que la maladie apparaisse pour mobiliser notre système de santé. L’étude publiée dans Nature Communications ne démontre évidemment pas que nous sommes déjà arrivés à cette médecine prédictive. Mais elle en dessine remarquablement le chemin.

La grande révolution de l’intelligence artificielle en santé ne sera peut-être finalement pas seulement que la machine diagnostique mieux ou plus vite que nous. Elle sera surtout de nous permettre de voir plus tôt ce que la médecine ne savait jusqu’ici identifier qu’une fois la maladie installée.

C’est un changement profond de temporalité : passer d’une médecine qui constate et qui répare à une médecine capable de détecter des signaux faibles, d’anticiper les risques et, demain, d’intervenir avant l’apparition des complications. Les données sont déjà là, produites chaque jour par nos laboratoires, nos examens d’imagerie, nos électrocardiogrammes, nos dossiers médicaux ou, comme dans cette étude, par une simple nuit de sommeil. L’enjeu est désormais d’apprendre à les faire parler.

C’est tout le sens d’un système de santé véritablement « IA-native » : non pas ajouter quelques algorithmes à la médecine d’hier, mais concevoir une médecine dans laquelle l’analyse intelligente des données devient une composante permanente du parcours de santé.

La frontière décisive sera alors celle qui sépare encore aujourd’hui prédire et prévenir. Car prédire un risque n’a de sens que si cette connaissance permet d’agir et de modifier la trajectoire du patient. C’est à cette condition que l’intelligence artificielle pourra contribuer à un véritable changement de paradigme : passer d’une République du soin, qui intervient lorsque la maladie est là, à une République de la prévention, capable d’agir avant qu’elle ne s’installe.

Rendez-vous mardi 25 août pour le prochain épisode

« Les mardis de l’innovation en santé »

David Smadja est professeur d’hématologie à l’AP-HP et à l’Université Paris Cité, responsable de la Commission Santé du Laboratoire de la République. Il est l’auteur de « La République de la prévention » aux éditions LEH (sortie le 28 août 2026).

Léa Behr est CEO de RespublicIA et membre de la commission Santé du Laboratoire de la République.

  1. Bilal, E., Araujo, M.L.D., Beck, K.L. et al. A foundation model for sleep-based risk stratification and clinical outcomes. Nature Communications, 17, 7603 (2026). https://doi.org/10.1038/s41467-026-75326-9 ↩︎

Pour rester informé
inscrivez-vous à la newsletter

S'inscrire