Un modèle d’IA d’OpenAI vient de surpasser des médecins en salle d’urgence, selon une étude publiée dans Science par Harvard. Un résultat inédit qui relance le débat sur la place de l’IA en médecine.
Le chiffre est difficile à ignorer : 67 % contre 55 % et 50 %. C’est l’écart de précision diagnostique séparant le modèle o1 d’OpenAI des deux médecins expérimentés auxquels il était comparé, lors d’un test en conditions réelles dans un service d’urgences de Boston. L’étude, publiée début mai 2026 dans la revue Science, est signée par une équipe conjointe de la Harvard Medical School et du Beth Israel Deaconess Medical Center. Elle constitue l’une des tentatives les plus rigoureuses à ce jour d’évaluer un modèle de langage dans un environnement hospitalier non contrôlé.
Ce que l’étude a réellement mesuré
Le protocole mérite une lecture attentive. Les chercheurs ont sélectionné 76 cas réels de patients admis aux urgences du Beth Israel. Pour chacun, deux médecins en poste ont formulé un diagnostic. Deux modèles d’OpenAI ont fait de même : o1 et GPT-4o. Un second groupe de deux praticiens a ensuite évalué l’ensemble des réponses à l’aveugle, sans savoir lesquelles provenaient d’humains et lesquelles venaient de machines.
Le point crucial, souligné dans le communiqué officiel de la Harvard Medical School, est que les chercheurs n’ont « pas prétraité les données du tout ». Les modèles ont reçu exactement les mêmes informations que celles disponibles dans les dossiers médicaux électroniques au moment de chaque diagnostic. Pas de mise en forme avantageuse, pas de sélection préalable : les données brutes de l’urgence, avec leur part d’imprécision et de bruit.
« Nous avons testé le modèle d’IA face à pratiquement tous les benchmarks, et il a surpassé à la fois les modèles précédents et nos médecins de référence », a déclaré Arjun Manrai, responsable d’un laboratoire d’IA à la Harvard Medical School et l’un des auteurs principaux de l’étude, dans le communiqué officiel. Lorsque les dossiers s’enrichissaient au fil de l’hospitalisation, les résultats de o1 montaient encore : 82 % de diagnostics exacts ou proches, contre 70 à 79 % pour les médecins humains, un écart statistiquement non significatif à ce stade.
La limite qui change tout
Avant de parler de révolution médicale, il faut lire les notes de bas de page. Kristen Panthagani, médecin urgentiste, a exprimé publiquement ses réserves, qualifiant l’étude d’« intéressante » mais ayant « conduit à des titres très exagérés dans la presse ». Son objection est précise : les médecins comparés à l’IA dans cette expérience étaient des internistes, pas des urgentistes. Or un service d’urgences est leur terrain de spécialité, et non celui de la médecine interne. Si l’objectif est de mesurer ce qu’un modèle d’IA peut apporter aux urgences, il faudrait le confronter aux praticiens qui y exercent au quotidien.
L’autre limite structurelle de l’étude est encore plus fondamentale : les modèles ont uniquement travaillé sur du texte. Signes vitaux, données démographiques, notes infirmières rédigées à la main. Aucune image médicale, aucune donnée de laboratoire en temps réel, aucun élément non textuel. Les auteurs le reconnaissent eux-mêmes, en notant que « les études existantes suggèrent que les modèles actuels sont plus limités dans le raisonnement à partir d’entrées non textuelles ». Le diagnostic médical réel ne s’arrête pas à la lecture d’un fichier.
Le raisonnement clinique, terrain inattendu de l’IA
Le résultat le plus spectaculaire de l’étude n’est pourtant pas le triage : c’est ce que les chercheurs appellent le « raisonnement de gestion ». Il s’agit de la capacité à formuler un plan thérapeutique global, incluant des décisions aussi complexes que le recours aux antibiotiques ou la conduite à tenir lors de conversations en fin de vie.
Sur cet exercice, le modèle o1 a obtenu 89 % de réponses correctes ou très proches. Quarante-six médecins interrogés dans les mêmes conditions, et autorisés à utiliser des ressources conventionnelles comme Google, n’ont atteint que 34 %. Peter Brodeur, médecin assistant au Beth Israel Deaconess Medical Center, a apporté une explication dans la revue Harvard Magazine : « Le raisonnement de gestion est probablement une tâche plus complexe que le raisonnement diagnostique. Il nécessite de nombreuses considérations portant non seulement sur les caractéristiques objectives d’un cas, mais aussi sur des facteurs subjectifs. »
Ce résultat est peut-être plus révélateur que le chiffre du triage. Il indique que les modèles de raisonnement avancés ne se contentent pas de retrouver un diagnostic dans une base de connaissances : ils semblent capables d’articuler une logique clinique structurée, même dans des situations à forte incertitude.
Des essais cliniques, pas un déploiement immédiat
L’étude se garde bien de franchir une ligne. Elle ne recommande pas de confier des décisions vitales à un modèle d’IA, et le dit explicitement. La conclusion des chercheurs pointe vers « un besoin urgent d’essais prospectifs pour évaluer ces technologies dans des contextes réels de soins aux patients ». C’est un appel à approfondir la recherche, pas une validation pour un usage clinique.
Adam Rodman, médecin au Beth Israel et co-auteur principal, a déclaré dans une interview accordée au Guardian qu’il n’existe « aucun cadre formel pour l’instant en matière de responsabilité » autour des diagnostics posés par une IA, et que les patients souhaitent encore que « des humains les guident à travers des décisions de vie ou de mort ». Arjun Manrai a lui-même tenu à préciser, dans Harvard Magazine, que les résultats de l’équipe ne signifient pas que « l’IA remplace les médecins, quoi que certaines entreprises [vendant de l’IA en santé] soient susceptibles d’affirmer ».
Ce que cette étude démontre, c’est que les modèles de raisonnement sont désormais capables de tenir une comparaison sérieuse avec des cliniciens sur données textuelles, dans des cas réels et non préparés. Ce que les entreprises du secteur feront de cette information est une question différente, et probablement plus urgente que le débat scientifique lui-même. Les essais cliniques prospectifs que l’équipe appelle de ses voeux seront la prochaine étape décisive pour déterminer si cette performance se maintient quand des vies dépendent réellement de la réponse.
No Comment! Be the first one.