IA générative en santé : transformations & défis

Identitée visuelle, montage vidéo et création graphique : Ines Kedjem

  • Dr Stéphane Ohayon

La présentation du Dr Stéphane Ohayon analyse les transformations et défis liés à l’IA générative en santé.
Elle rappelle les fondamentaux de l’IA, du machine learning au deep learning, jusqu’aux modèles génératifs.
L’IA générative, forme d’IA dite « faible », produit du contenu sans compréhension réelle ni autonomie générale.

En santé, elle soutient l’imagerie médicale et la détection précoce d’anomalies.
Elle facilite aussi la consultation via la transcription automatique et la génération de comptes rendus.
Elle contribue à la synthèse des connaissances, à l’aide à la décision et à l’organisation des soins.
La qualité des résultats dépend fortement de la précision du prompt et de la contextualisation des demandes.
Son adoption reste limitée par le manque de formation et la méfiance d’une partie des patients.
Les enjeux majeurs concernent la protection des données, les biais, la transparence et la responsabilité médicale.
L’IA générative doit s’intégrer dans un cadre éthique et humain solide pour renforcer, et non remplacer, le soin.

IA & Jumeaux numériques

Identitée visuelle, montage vidéo et création graphique : Ines Kedjem

  • Portrait de Fabrice Denis expert en prévention, santé et bien-être

    Pr Fabrice Denis

La présentation du Pr Fabrice Denis explore le rôle des jumeaux numériques et de l’IA dans une médecine préventive et orientée longévité.
Un jumeau numérique représente une modélisation virtuelle de la santé d’un individu et de ses âges biologiques.
Il repose sur l’analyse d’environ 600 paramètres pour calculer des âges phénotypique, métabolique, vasculaire ou épigénétique.

La combinaison de ces données permet d’identifier les risques évitables et de cibler des actions personnalisées.
Ces outils offrent un tableau de bord objectif du vieillissement global et des organes.
Les modèles d’IA, notamment les LLM, peuvent théoriquement aider à extraire et analyser les données médicales.
Cependant, ils présentent aujourd’hui des limites majeures : erreurs, hallucinations et manque de reproductibilité.
Des cas cliniques montrent des écarts importants entre estimations IA et évaluations cliniques réelles.
L’examen médical et les explorations complémentaires restent donc indispensables.
Les jumeaux numériques apparaissent prometteurs, mais l’usage clinique des LLM nécessite encore un encadrement strict.