Diagnostic médical : quand l’intelligence artificielle imite la démarche, étape par étape, des médecins

C’est l’histoire d’une intelligence artificielle à laquelle on ne demande plus de résoudre un cas clinique complexe d’un seul bloc, mais de faire exactement ce que fait un médecin lorsqu’un patient franchit la porte de son cabinet ou arrive aux urgences : écouter, interroger, réaliser un examen clinique, prescrire des examens complémentaires, émettre puis réviser des hypothèses diagnostiques, avant de décider qu’elle en sait assez pour conclure.

Cette approche consistant à avancer, pas à pas, plutôt qu’à fournir d’emblée toutes les informations disponibles à un modèle, est au cœur d’un système développé par l’équipe de Harsha Noi et Eric Horvitz de Microsoft (Redmond, État de Washington). Baptisé Diagnostic Orchestrator (DxO), il s’appuie sur un modèle de langage pour organiser la démarche diagnostique. Ils ont publié le 22 octobre 2026 dans la revue Science une étude sur ses performances. Ces résultats prometteurs interrogent la place que po-urrait prendre l’IA dans la pratique médicale, en particulier dans l’aide au diagnostic.

Dans la pratique courante, le diagnostic clinique est en effet un processus séquentiel de collecte d’informations. Plutôt que de mener une analyse globale et instantanée de l’intégralité d’un dossier médical complet, le médecin avance pas à pas. Le diagnostic s’apparente ainsi à une véritable enquête, construite étape par étape au fil des indices recueillis.

Le médecin part d’informations limitées, établit une première liste d’hypothèses diagnostiques - ce que l’on appelle le diagnostic différentiel -, puis choisit les questions à poser et les examens à prescrire. Pour chacun, il pèse l’information attendue, le coût, les désagréments pour le patient et le délai d’obtention. Chaque nouvelle information peut alors modifier les hypothèses envisagées et orienter la suite des investigations.

Le système DxO vise à reproduire cette démarche séquentielle. Plutôt que de poser un diagnostic à partir d’un dossier médical déjà constitué, il procède par étapes. Ainsi, à partir des informations disponibles, il peut demander des renseignements supplémentaires ou proposer des examens complémentaires, puis tenir compte des résultats pour réexaminer les pathologies suspectées. Cette démarche se poursuit jusqu’à ce qu’il estime disposer de suffisamment d’éléments pour proposer un diagnostic.

Cette étude se distingue nettement des recherches précédentes sur l’apport de l’IA dans le diagnostic médical. Certes, les modèles de langage ont déjà prouvé leur supériorité face à la majorité des cliniciens pour hiérarchiser des hypothèses diagnostiques complexes. Ils ont également démontré leur capacité à dialoguer avec un patient virtuel, à l’interroger et à affiner leur raisonnement au fil de l’échange. Cependant, ces travaux s’appuyaient jusqu’ici sur des vignettes cliniques clés en main, où le motif de consultation, l’anamnèse (l’histoire de la maladie), l’examen physique et les examens complémentaires étaient condensés en un seul bloc de texte. Or, de telles évaluations s’avèrent incapables de mesurer la pertinence des questions posées ou l’éventuel recours à des examens superflus ou inappropriés.

L’enjeu de cette nouvelle étude a été de déterminer quelles informations supplémentaires sont réellement utiles pour départager les hypothèses diagnostiques. Un examen peut aider à identifier une maladie, mais aussi se révéler inutile au regard de son coût ou des contraintes qu’il impose au patient. Les chercheurs ont donc évalué non seulement la capacité du système à parvenir au bon diagnostic, mais aussi le compromis entre la précision diagnostique et le coût des investigations.

Un « orchestrateur » coordonne un panel d’experts aux rôles complémentaires

L’originalité de cette étude tient au système évalué : DxO (Diagnostic Orchestrator). Loin d’être un nouveau modèle d’IA, il s’agit d’une couche logicielle articulée autour de GPT-5. Comme son nom l’indique, ce chef d’orchestre ne joue d’aucun instrument : il distribue les partitions. GPT-5 demeure l’unique « cerveau » du système, mais DxO lui fait endosser tour à tour plusieurs rôles d’experts cliniciens aux compétences complémentaires. C’est dans ce dialogue et dans cette émulation collective que réside la force du dispositif.

Concrètement, face à chaque cas médical, une véritable confrontation d’idées s’organise. Un premier expert dresse, hiérarchise et révise en continu la liste des hypothèses à chaque nouvelle information. Un second joue les avocats du diable en contestant systématiquement la piste dominante, évitant ainsi le piège du diagnostic intuitif ou prématuré. Un troisième incarne l’économe : avant chaque examen, il évalue son coût face à l’apport clinique attendu, afin de ne recommander que les options au meilleur rapport coût-efficacité.

L’orchestrateur DxO rythme ces échanges, fait circuler les résultats d’un expert à l’autre et relance le débat à chaque élément nouveau. Une fois la consultation terminée, il agrège les conclusions de plusieurs simulations indépendantes du même cas, comme s’il recueillait l’avis de plusieurs confrères avant de conclure. Tout cela en gardant, à chaque étape, la maîtrise des coûts des examens prescrits.

Les chercheurs de Microsoft ont évalué leur système en utilisant deux groupes d’observations cliniques. Le premier comprend 304 cas cliniques complexes, publiés entre 2017 et 2025 dans The New England Journal of Medicine (NEJM). Le second corpus rassemble 325 cas correspondant à des consultations dans des services d’urgence.

Chaque cas clinique publié dans le NEJM ou issu de MIMIC-IV-ED, une base de données clinique dédiée à la médecine d’urgence, a été transformé en une simulation interactive pas à pas. Le scénario s’ouvre sur une brève vignette clinique qui synthétise la situation du patient : symptômes, antécédents et contexte de son admission. À partir de ces données initiales, le clinicien - qu’il s’agisse d’un médecin ou d’un agent d’IA - mène l’enquête en posant des questions, en prescrivant des examens complémentaires ou en annonçant son diagnostic final.

Un mécanisme garantit la rigueur de l’évaluation : le médecin ou l’IA participante ne reçoit que les informations cliniquement accessibles au regard de la question posée ou de l’examen demandé. Lorsqu’une donnée clinique ou un résultat biologique n’est pas disponible, le système génère une réponse factuelle et neutre. Ce procédé évite qu’une absence de données ne se transforme, en soi, en un indice orientant vers la solution.

La performance du système DxO et des médecins participants a été évaluée selon deux critères : l’exactitude diagnostique, comparée au diagnostic de référence consigné dans le dossier original, et le coût cumulé des examens prescrits, estimé à partir des tarifs hospitaliers américains. Ce dispositif ne mesure donc pas seulement la capacité à trouver le bon diagnostic, mais aussi l’aptitude à recueillir efficacement les informations les plus utiles et à déterminer le moment où l’on dispose d’une certitude suffisante pour conclure.

Les chercheurs ont comparé les performances de leur système associé au modèle de langage GPT-5 à celles de médecins. Ces praticiens exerçaient en soins primaires (médecine générale), à l’hôpital ou dans des services de soins aigus. Le groupe comprenait notamment des spécialistes de médecine interne et de médecine d’urgence. Les cliniciens participants devaient résoudre des cas cliniques sélectionnés, en ayant ou non recours à des ressources documentaires (ouvrages médicaux, accès à internet).

Une précision diagnostique très supérieure à celle de médecins : 83 % vs. 36 %

Sur les dossiers issus du New England Journal of Medicine (NEJM), le système utilisant GPT-5 a établi le bon diagnostic dans 83 % des situations, alors que le taux de réussite des médecins participants s’est élevé à 36 % lorsqu’ils ont consulté des ressources documentaires et à seulement 22 % lorsqu’ils n’y ont pas eu accès.

Même le meilleur médecin, qui affichait un taux de réussite diagnostique de plus de 51 %, a été surpassé tant sur le plan de l’exactitude que du coût. Fait notable : sur les cas cliniques du NEJM, les praticiens ont posé en moyenne entre cinq et six questions avant de prescrire leur premier examen complémentaire. Face à ces mêmes situations, le système DxO adossé à GPT-5 a posé en moyenne plus de 25 questions avant d’ordonner le premier examen. Ce résultat met en évidence une stratégie radicalement différente de la part de l’IA, axée sur une analyse approfondie et structurée de l’histoire de la maladie avant d’envisager le moindre test diagnostique.

Sur les 325 cas de médecine d’urgence, les médecins participants obtiennent un taux de précision diagnostique de plus de 46 %, contre 80 % pour le système DxO. Bien que l’écart se resserre par rapport aux cas cliniques du NEJM, il demeure significatif entre l’IA et les cliniciens.

Les médecins se montrent donc plus à l’aise face à ces situations d’urgence que devant les cas plus atypiques et complexes du NEJM. En revanche, la performance de DxO s’avère comparable à celle qu’il affiche sur les cas complexes du NEJM. Il s’agit là d’un résultat notable de l’étude. Face aux complexités rares qui caractérisent le corpus médical du NEJM, la performance diagnostique des médecins chute, tandis que celle de l’IA reste remarquablement stable d’un ensemble de cas à l’autre. En d’autres termes, le système DxO gère, avec une constance que les cliniciens ne peuvent égaler, les maladies rares, les présentations atypiques et complexes, des tableaux cliniques que les praticiens rencontrent très rarement dans une carrière.

L’analyse des erreurs s’avère tout aussi instructive. Celles du système DxO consistent le plus souvent à poser un diagnostic proche de la réalité, plutôt qu’à suggérer une pathologie sans aucun rapport. En comparaison, les erreurs commises par les cliniciens ont tendance à être nettement plus éloignées du diagnostic de référence.

Par ailleurs, il ressort que l’avantage de DxO sur les modèles d’IA standards peut s’avérer déterminant lorsque le diagnostic dépend d’un meilleur recueil des antécédents, comme une exposition à un facteur de risque rare ou une infection liée à un voyage.

Enfin, l’orchestration réalisée par DxO apporte à elle seule un gain mesurable. Les chercheurs ont en effet comparé DxO aux modèles d’IA livrés à eux-mêmes, c’est-à-dire simplement invités à raisonner sur les mêmes cas, quelle que soit leur famille ou leur puissance (GPT-5, Grok 4, Gemini, Claude 4.1 Opus, Claude 4.5 Sonnet). Il ressort que le panel d’experts simulés par DxO améliore le pourcentage d’exactitude de 7,9 points sur les cas du NEJM et de 4,4 points sur les cas des urgences. En outre, ce gain ne s’estompe pas à mesure que les modèles progressent. Ainsi, réévalué cette fois avec GPT-5.5, DxO conserve un bénéfice notable sur le modèle livré à lui-même. Autrement dit, l’orchestration compte tout autant que l’outil d’IA sur lequel elle est adossée.

Pourquoi un tel écart ?

Comment expliquer une telle supériorité du système DxO sur les praticiens, parmi lesquels figurent pourtant des internistes et des urgentistes ? Les auteurs avancent plusieurs hypothèses.

D’abord, les grands modèles de langage de dernière génération sont entraînés sur d’immenses corpus englobant les maladies rares, les présentations atypiques et le raisonnement transdisciplinaire. Ils disposent ainsi d’une étendue de connaissances qu’aucun médecin ne peut maîtriser individuellement, et ils l’appliquent de manière uniforme. De plus, là où le raisonnement du clinicien peut être biaisé par des cas récemment rencontrés, la pression du temps, la fatigue cognitive ou les angles morts de sa propre spécialité, la machine s’affranchit totalement de ces contraintes.

Ensuite, le processus de raisonnement orchestré par DxO, au sein duquel des experts cliniques simulés poursuivent des objectifs distincts, garantit un recueil d’informations rigoureux et une évaluation systématique des coûts. Ce sont là des exigences que les médecins s’efforcent d’adopter, mais qu’ils peinent parfois à maintenir sous le poids de la charge cognitive et du manque de temps ou de ressources.

En somme, le système dispose en permanence de ce qui manque cruellement au praticien : une équipe dédiée pour auditer son raisonnement, remettre en question ses hypothèses et comptabiliser la moindre dépense.

L’IA offre une meilleure précision diagnostique à un moindre coût

Les chercheurs ne se sont pas limités à comparer les taux de réussite diagnostique. Ils ont également examiné les coûts estimés des examens complémentaires pour établir un diagnostic. Ce point est essentiel : une stratégie qui multiplie les examens peut améliorer la précision, mais au prix d’une consommation accrue de ressources. Leurs résultats montrent qu’il est possible de concilier une précision diagnostique élevée et une meilleure maîtrise des coûts.

Concernant les cas cliniques du New England Journal of Medicine, le système DxO, sans contrainte budgétaire, s’est révélé particulièrement efficace, atteignant plus de 83 % d’exactitude diagnostique pour un coût moyen d’environ 5 400 dollars par cas. Lorsque le système est configuré pour privilégier l’économie, la précision diagnostique se maintient à environ 81 % pour un coût de plus de 2 200 dollars. Elle reste à 79,6 % pour un coût estimé à environ 1 300 dollars. Dans une configuration visant l’excellence diagnostique à tout prix, l’exactitude diagnostique atteint 84,5 %, mais pour un coût estimé de près de 9 000 dollars.

À titre de comparaison, les médecins disposant de ressources documentaires atteignent une précision diagnostique de 36 % pour un coût moyen de plus de 4 700 dollars. Quant à ceux qui n’utilisent pas de documentation, leur taux de réussite tombe à 22 % pour un coût d’environ 3 000 dollars.

Autrement dit, à coût égal, DxO est plus précis que les médecins et, à précision égale, il coûte moins cher.

Sur le terrain de la médecine d’urgence, DxO confirme sa supériorité sous contrainte budgétaire. Ce système atteint un taux de réussite diagnostique de près de 70 % pour un coût d’environ 2 000 dollars par cas, passe à 73 % pour 2 500 dollars, et culmine à 80 % lorsque le budget alloué atteint environ 5 000 dollars. Quant aux médecins participants, ils se montrent plus performants ici que sur les cas complexes du NEJM (46,8 % contre 36,1 %), pour un coût moyen par cas estimé à 3 400 dollars. Fait notable, le clinicien le plus performant a atteint un taux de réussite diagnostique de 62,5 % sur ces cas d’urgence, pour un coût moyen de 3 330 dollars.

Au total, les auteurs de l’étude ont constaté que sur les dossiers d’urgence, l’écart restait majeur entre les performances diagnostiques de leur système et celles des cliniciens. Le système obtient 80,3 % de diagnostics corrects contre 46,8 % chez les médecins participants. Ce résultat a surpris les chercheurs qui s’attendaient à voir l’avantage de DxO s’estomper sur ces situations de médecine d’urgence. Ces dernières relèvent en effet directement de la pratique quotidienne des généralistes et des urgentistes, contrairement aux cas cliniques rares et atypiques publiés dans le NEJM.

Des résultats à manier avec précaution

Ces résultats spectaculaires doivent néanmoins être accueillis avec prudence. En effet, l’étude a été menée dans des conditions très éloignées de la médecine de terrain, ce qui tient d’abord au choix même des dossiers : les cas cliniques du NEJM font la part belle aux pathologies rares ou complexes, tout en excluant des consultations de routine et celles où le patient souffre d’une pathologie bénigne, voire d’aucun trouble. De plus, tant les médecins que l’IA ont interagi par écrit via un système de questions-réponses fermé, plutôt qu’avec de vrais dossiers patients ou dans le cadre d’une véritable consultation.

Ainsi, la simulation fait l’impasse sur le « bruit », le doute et l’incertitude, qui surviennent notamment lorsque le patient oublie ou omet une information cruciale, ou lorsque le dossier médical est incomplet. En outre, le système n’a traité que du texte. Il n’a pas intégré de données visuelles et multimodales - comme des radiographies, des examens d’imagerie, des électrocardiogrammes ou des lames d’anatomopathologie (résultats de biopsies) - qui sont pourtant au cœur des véritables parcours diagnostiques. On est donc encore loin de la médecine au lit du malade.

Enfin, l’étude compare les performances d’un système à des médecins isolés, alors que le diagnostic de cas complexes repose en pratique sur une collaboration pluridisciplinaire. De la même manière, le calcul des coûts s’appuie sur des tarifs américains standardisés, occultant des facteurs humains et logistiques essentiels comme la douleur d’un examen, son caractère invasif, le délai d’attente pour obtenir les résultats ou la disponibilité réelle des machines. En somme, l’étude évalue un raisonnement médical dans un monde parfait sur ordinateur, mais elle ne prouve en aucun cas que le système DxO fait mieux que les médecins au chevet du patient.

Par ailleurs, ces résultats prometteurs, obtenus grâce à une recherche diagnostique séquentielle, ne doivent pas faire oublier que le diagnostic n’est qu’une étape de la prise en charge médicale. C’est notamment ce qui est rappelé dans un article consacré aux fondements et aux ambitions de la « superintelligence médicale », publié le 22 octobre 2026 dans le BMJ Digital Health & AI, et dont huit des signataires (chercheurs chez Microsoft AI à Londres, Harvard Medical School à Boston, Scripps Health, San Diego) sont également coauteurs de l’étude parue dans Science. Signe que les uns et les autres savent que leurs résultats de banc d’essai, aussi spectaculaires soient-ils, ne suffisent pas à trancher la question qui les anime vraiment : que faudrait-il pour qu’une intelligence artificielle mérite le nom de « superintelligence médicale » ?

Celle-ci comporte de nombreuses dimensions, parmi lesquelles les décisions et les actes thérapeutiques jouent un rôle central, de même que la prise en compte de l’histoire et du suivi du patient dans la durée, la coordination des soins, le respect des valeurs humaines et la préservation de la capacité de décision des patients. Selon les auteurs, il faudra donc attendre d’intégrer toutes ces autres dimensions pour que les performances de l’IA permettent un jour d’améliorer la qualité et l’accessibilité des soins « tout en préservant l’humanité, la relation et la compassion dans toute la médecine ».

Pour ce qui concerne le diagnostic, le raisonnement ne consiste pas seulement à reconnaître une maladie à partir des symptômes. Il suppose de maintenir plusieurs hypothèses en concurrence, d’estimer leur probabilité et de réviser cette estimation au fur et à mesure que de nouvelles informations sont disponibles, ce qu’on appelle un raisonnement bayésien.

Par conséquent, un système doté d’une véritable intelligence médicale doit également savoir quelles informations supplémentaires rechercher, en apprécier la valeur diagnostique attendue et la mettre en balance avec son coût, les ressources mobilisées et les contraintes qu’il impose au patient, qu’elles soient physiques ou psychologiques. L’IA doit aussi savoir apprécier l’incertitude lorsque les données ne permettent pas de conclure, plutôt que de retenir prématurément un diagnostic.

L’IA doit également pouvoir gérer une autre dimension essentielle. Il ne s’agit plus seulement de déterminer quelle maladie explique les symptômes, mais de décider, parfois malgré une information incomplète, quelle action thérapeutique entreprendre, dans quel délai et dans quel cadre de soins. Cette décision doit aussi tenir compte de l’évolution possible de l’état clinique. Une intelligence médicale doit notamment pouvoir préciser à quel moment une réévaluation ou une prise en charge plus urgente s’impose. L’enjeu est également de ne pas manquer un diagnostic apparemment peu probable mais dont les conséquences seraient très lourdes.

Enfin, à l’instar de la démarche clinique du médecin, le raisonnement de l’IA doit intégrer la capacité de reconnaître ses erreurs et de s’autocorriger. Ainsi, au fur et à mesure que les résultats s’accumulent, une hypothèse initiale peut perdre en plausibilité, imposant la révision du diagnostic ou la réévaluation de la stratégie thérapeutique. Cette flexibilité est d’autant plus cruciale que le modèle se heurte à de multiples complexités : la rareté de certaines pathologies, des tableaux cliniques incomplets ou inhabituels, ainsi que le manque de données dans la littérature médicale. À cela s’ajoutent les facteurs humains, notamment lorsque le patient, en situation de détresse émotionnelle, peine à verbaliser ses symptômes.

Cette conception conduit les auteurs à distinguer conceptuellement l’intelligence médicale de l’excellence clinique. Cette dernière se définit par la manière dont les informations disponibles, les ressources et les actions entreprises sont combinées efficacement pour offrir les meilleurs soins possibles. Une telle ambition ne peut donc dépendre de la seule capacité à poser le bon diagnostic, même face à un cas clinique complexe.

Pour les auteurs, le véritable défi réside dans la capacité de l’IA à articuler toutes ces dimensions en temps réel. Dans la vraie vie, une nouvelle information diagnostique peut balayer les options thérapeutiques initiales, tout comme la réponse à un premier traitement peut totalement redéfinir les hypothèses de départ. Sans compter que la disponibilité concrète d’un spécialiste dicte, elle aussi, ce qu’il est réellement possible d’entreprendre au chevet du patient.

Les auteurs appellent à des protocoles de validation plus exigeants, avec notamment des tests de résistance soumettant ces outils intelligents à des informations incomplètes, contradictoires ou trompeuses. Et de souligner par ailleurs que l’évaluation devient de plus en plus difficile lorsque l’on teste une IA face à la référence médicale actuelle. Ainsi, face à un consensus d’experts, le raisonnement d’une IA peut initialement être considéré comme une erreur, alors qu’il pourrait s’agir d’une amélioration des pratiques.

On le voit : la superintelligence médicale ne se résumera pas à sa seule capacité à résoudre des énigmes diagnostiques complexes tout en réduisant le coût total des examens. Quoi qu’il en soit, en attendant qu’elle devienne un jour réalité, et à mesure que les modèles d’IA gagnent en performance, les méthodes associant un raisonnement séquentiel et structuré à l’expertise des cliniciens pourraient profondément redéfinir le rôle de l’IA dans la démarche diagnostique.

Microsoft veut pousser l’expérimentation plus loin. L’entreprise a annoncé vouloir réaliser un test grandeur nature au Beth Israel Deaconess Medical Center de Boston. Le but : évaluer la capacité de son système diagnostique à trier les patients dans les salles d’attente des urgences.

Pour en savoir plus :

LIRE aussi sur ce blog : Quand l’IA apprend à diagnostiquer en dialoguant comme un médecin

Diagnostic médical : quand l’intelligence artificielle se met à raisonner comme un médecin

’’’