Un modèle d’intelligence artificielle capable d’anticiper les risques de maladies sur dix ans, avec une précision comparable aux prévisions météo. Développé par des chercheurs européens, Delphi-2M analyse des millions de dossiers médicaux anonymes pour estimer des probabilités – et non des certitudes – sur plus de 1 000 pathologies, des troubles hépatiques aux cancers. Une avancée qui suscite autant d’espoir pour la prévention que de questions sur l’éthique et la sécurité des données.
À retenir
- 1 231 maladies prédites : Delphi-2M évalue les risques sur dix ans pour des pathologies variées, des maladies cardiovasculaires aux troubles métaboliques, avec une approche probabiliste.
- Données anonymes et patterns : Le modèle s’appuie sur l’analyse de dossiers médicaux désidentifiés, comme les chatbots exploitent des corpus textuels pour générer des réponses.
- Applications concrètes : Optimisation des ressources hospitalières (ex. : prévoir le nombre de crises cardiaques à Norwich en 2030), personnalisation des conseils médicaux (médicaments, hygiène de vie) et dépistages ciblés.
- Limites actuelles : Outil en phase de recherche, non déployé en clinique. Les défis incluent la sécurité des données, le risque de stigmatisation (ex. : refus d’assurance basé sur des prédictions) et la dépendance des médecins à l’IA.
- Portée européenne : Projet piloté par l’European Molecular Biology Laboratory (EMBL) et le German Cancer Research Centre (DKFZ), avec une ambition de déploiement à l’échelle régionale.
L’intelligence artificielle s’immisce dans un domaine jusqu’ici réservé aux statistiques épidémiologiques classiques : la prédiction individuelle des risques sanitaires. Delphi-2M, développé par des équipes européennes, se distingue par sa capacité à croiser des données médicales massives pour estimer des probabilités – et non des diagnostics – sur un horizon de dix ans. Pourquoi cette approche intéresse-t-elle autant les hôpitaux, les assureurs et les pouvoirs publics ? Parce qu’elle promet de transformer la prévention en ciblant les interventions avant même l’apparition des symptômes, tout en optimisant l’allocation des ressources. Pourtant, entre espoirs thérapeutiques et craintes dystopiques (refus de prêts, discriminations), son adoption soulève des questions cruciales sur l’usage des données de santé et la place de l’IA dans les décisions médicales.
Delphi-2M : une météo des maladies, mais sans certitudes
Contrairement aux outils diagnostics existants, Delphi-2M ne prédit pas si un patient développera une maladie à une date précise, mais évalue un risque probabiliste – à l’image d’une prévision météorologique annonçant 70 % de chances de pluie. Cette nuance est centrale : le modèle, entraîné sur des millions de dossiers anonymes, identifie des patterns (schémas récurrents) associés à 1 231 pathologies, des maladies cardiovasculaires aux troubles psychiatriques. Nous ne disons pas ‘Vous aurez une crise cardiaque le 15 mars 2027’, mais ‘Votre risque est élevé dans les dix prochaines années’, résume Moritz Gerstung, chercheur au DKFZ et co-auteur de l’étude.
Des données médicales aux algorithmes : comment ça marche ?
Le fonctionnement de Delphi-2M repose sur une architecture similaire à celle des chatbots comme ChatGPT, mais appliquée à des données structurées : historiques de médicaments, résultats d’analyses, antécédents familiaux. Ces données, anonymisées et agrégées, sont analysées pour détecter des corrélations entre des facteurs de risque (ex. : hypertension, tabagisme) et l’émergence de maladies. Par exemple, le modèle pourrait estimer qu’un patient de 50 ans, fumeur et sédentaire, a 60 % de risques de développer un diabète de type 2 d’ici 2035 – sans pour autant garantir l’apparition de la maladie.
Cette approche probabiliste présente un avantage majeur : elle permet d’agir en amont. Si nous savons qu’un patient a un risque élevé de maladie hépatique, nous pouvons lui recommander de réduire sa consommation d’alcool dès aujourd’hui, plutôt que d’attendre les premiers signes de cirrhose, explique Ewan Birney, directeur adjoint de l’EMBL. À l’échelle d’un système de santé, ces prédictions pourraient aussi aider les hôpitaux à anticiper les besoins en lits ou en personnel, comme le suggère l’exemple cité de Norwich : combien de crises cardiaques faut-il prévoir en 2030 pour ajuster les effectifs médicaux ?
Les limites d’un outil encore expérimental
Malgré son potentiel, Delphi-2M reste un prototype. Trois obstacles principaux freinent son déploiement clinique :
- La précision des prédictions : Le modèle génère des probabilités, pas des certitudes. Un risque estimé à 30 % peut aussi bien signifier une fausse alerte qu’une pathologie sous-estimée.
- La sécurité des données : L’utilisation de dossiers médicaux, même anonymisés, expose à des risques de re-identification ou de piratage. En 2023, des fuites massives de données de santé en France (ex. : Viamedis) ont rappelé la vulnérabilité de ces systèmes.
- L’interprétation humaine : Comment un médecin doit-il agir face à une prédiction à 40 % ? Faut-il prescrire un traitement préventif, au risque d’effets secondaires inutiles ? L’IA ne remplace pas le jugement clinique, mais elle peut le biaiser si elle est mal comprise, avertit Gerstung.
De la théorie à la pratique : quels bénéfices pour les patients et les hôpitaux ?
Si Delphi-2M quitte un jour les laboratoires, ses applications pourraient redessiner trois piliers des systèmes de santé : la prévention, la planification et la personnalisation des soins. En ciblant les patients à haut risque, l’outil permettrait d’éviter des maladies coûteuses à traiter – et douloureuses à vivre. Pour les hôpitaux, l’enjeu est tout aussi stratégique : anticiper les pics d’activité pour éviter les engorgements, comme lors des vagues de grippe ou des canicules.
Prévenir plutôt que guérir : l’exemple des maladies cardiovasculaires
Prenons le cas des maladies cardiovasculaires, première cause de mortalité en Europe. Aujourd’hui, les médecins utilisent des scores de risque (comme le score SCORE2) pour évaluer la probabilité d’un AVC ou d’un infarctus sur dix ans. Delphi-2M irait plus loin en intégrant des données plus fines : génétique, environnementales, ou même socio-économiques (si elles sont disponibles). Résultat : des conseils personnalisés – arrêter de fumer, adapter son alimentation – pourraient être délivrés bien plus tôt, avant que les dommages ne soient irréversibles.
À l’échelle collective, ce ciblage permettrait aussi d’optimiser les campagnes de dépistage. Plutôt que de proposer un dépistage du cancer colorectal à toute une tranche d’âge, pourquoi ne pas prioriser les individus dont le risque est estimé à 50 % ou plus ? C’est une question de ressources, mais aussi d’efficacité : détecter une tumeur à un stade précoce coûte moins cher et sauve des vies, souligne un rapport de l’EMBL publié en 2024.
Anticiper les besoins hospitaliers : un outil pour les décideurs
Les hôpitaux pourraient aussi tirer parti de Delphi-2M pour ajuster leurs capacités. En croisant les prédictions individuelles avec des données démographiques, un établissement pourrait estimer :
- le nombre de lits en réanimation nécessaires pour les AVC dans cinq ans,
- les besoins en kinésithérapeutes pour la rééducation post-infarctus,
- les stocks de médicaments à constituer pour traiter les complications du diabète.
En Grande-Bretagne, où le National Health Service (NHS) est déjà engorgé, cette approche est testée en simulation. Si nous savons qu’une vague de maladies rénales va frapper une région d’ici trois ans, nous pouvons former du personnel ou construire des unités spécialisées à temps, explique un responsable du NHS interrogé en 2024. En France, où les déserts médicaux s’étendent, un tel outil pourrait aider à répartir les médecins en fonction des risques locaux – par exemple, en envoyant plus de cardiologues dans des zones où les prédictions indiquent une hausse des pathologies cardiaques.
Le risque d’une médecine à deux vitesses
Pourtant, cette personnalisation des soins comporte un écueil : l’inégalité d’accès. Si Delphi-2M est réservé aux patients des grands centres hospitaliers ou aux assurés des mutuelles premium, il pourrait creuser les disparités. Imaginez un monde où seuls les riches bénéficient de prédictions précises, tandis que les autres subissent une médecine réactive, comme au XIXe siècle, s’inquiète un éthicien de l’Inserm. Autre danger : la stigmatisation. Une prédiction de risque élevé pourrait entraîner des refus d’assurance, de prêt immobilier, ou même des discriminations à l’embauche – un scénario déjà observé avec les tests génétiques aux États-Unis.
Éthique et sécurité : les défis avant une adoption large
Avant de devenir un standard, Delphi-2M devra surmonter deux obstacles majeurs : la protection des données et l’acceptabilité sociale. Les chercheurs de l’EMBL et du DKFZ insistent sur la nécessité d’un cadre strict, inspiré du Règlement général sur la protection des données (RGPD) européen. Mais même avec des garde-fous, des questions persistent : qui a le droit de consulter ces prédictions ? Comment éviter que des employeurs ou des assureurs n’y accèdent ?
Sécurité des données : un enjeu critique
Les dossiers médicaux sont une cible privilégiée pour les cybercriminels. En 2023, la fuite des données de 33 millions de Français via Viamedis a montré les failles des systèmes de santé. Avec Delphi-2M, le risque est double :
- Piratage : Des hackers pourraient voler des prédictions pour les revendre ou les utiliser à des fins de chantage.
- Mauvaise interprétation : Un patient pourrait paniquer en voyant un risque à 80 %, sans comprendre que cela ne signifie pas une condamnation.
Pour limiter ces risques, les développeurs envisagent un accès restreint : seules les équipes médicales formées pourraient consulter les prédictions, dans un environnement sécurisé. Nous devons éviter que ces données deviennent une nouvelle forme de ‘credit score’ sanitaire, prévient Birney.
L’IA peut-elle remplacer le jugement humain ?
Un autre débat agite les professionnels : jusqu’où peut-on faire confiance à une machine ? Delphi-2M ne fait que calculer des probabilités, mais c’est au médecin de décider :
- Faut-il prescrire des statines à un patient avec un risque cardiaque à 45 % ?
- Doit-on recommander une mastectomie préventive pour un risque de cancer du sein à 30 % ?
- Comment gérer l’anxiété d’un patient face à une prédiction défavorable ?
En 2024, une étude publiée dans The Lancet a montré que les médecins surreagissent souvent aux prédictions algorithmique : ils prescrivent plus de tests ou de traitements par précaution, ce qui peut conduire à des surdiagnostics. L’IA est un outil, pas un oracle. Son rôle est d’éclairer, pas de décider, rappelle un praticien du CHU de Lyon.
Vers une médecine prédictive généralisée ?
Malgré ces défis, l’équipe de l’EMBL vise un déploiement progressif d’ici 2030, d’abord dans des projets pilotes (ex. : suivi des patients diabétiques en Allemagne). À plus long terme, Delphi-2M pourrait s’intégrer aux dossiers médicaux électroniques, comme le Dossier Médical Partagé (DMP) en France, pour alerter les médecins en temps réel.
Mais son succès dépendra aussi de son acceptation par le public. Une enquête Eurobaromètre de 2024 révèle que 62 % des Européens se disent prêts à partager leurs données médicales si cela améliore leur santé… à condition que les prédictions restent confidentielles et non discriminantes. La technologie est prête, mais la société doit l’être aussi, conclut Gerstung.
Et si la santé devenait une science des probabilités ?
Avec Delphi-2M, la médecine franchit un cap : elle passe d’une logique réactive (soigner une maladie déclarée) à une logique prédictive (anticiper les risques). Cette transition n’est pas neutre : elle implique de repenser le rôle des patients, désormais acteurs de leur prévention, et celui des médecins, appelés à interpréter des algorithmes sans perdre leur autonomie.
Reste une question fondamentale : sommes-nous prêts à vivre avec l’incertitude ? Accepter qu’une IA estime nos risques de maladie à 20, 50 ou 80 % suppose une nouvelle relation à la santé – moins binaire, plus probabiliste. Pour Birney, c’est le prix à payer pour une médecine plus efficace. Pour d’autres, comme le philosophe Bernard Stiegler, cela marque l’avènement d’une société algorithmique, où nos vies sont de plus en plus gouvernées par des prédictions opaques.
Une chose est sûre : Delphi-2M ne restera pas un objet de laboratoire. D’ici cinq ans, il pourrait bien figurer dans les discussions entre médecins et patients, entre assureurs et assurés, entre États et citoyens. À nous de décider si nous en ferons un outil d’émancipation… ou de contrôle.
