Quel agent choisir entre recherche clinique et médecine de précision ? Quand l’IA apprend à « faire de la recherche »
À l’ère de la médecine de précision, un décalage embarrassant persiste : les données explosent, tandis que les connaissances exploitables se raréfient. Le coût du séquençage génomique est descendu à l’échelle du millier de yuans, les dossiers de santé électroniques accumulent des décennies de trajectoires de patients, et les atlas publics de dépendance cancéreuse couvrent plus d’un millier de lignées cellulaires — mais pour la plupart des chercheurs cliniques, ces ressources restent « visibles mais inaccessibles ». Extraire une cohorte exige d’écrire du SQL, entraîner un modèle exige de régler des hyperparamètres, interpréter une dépendance génétique exige des compétences en bio-informatique, et rédiger un rapport exige une bonne maîtrise des différentes recommandations. Beaucoup de chercheurs se demandent aussi quelles sont les fonctions d’un agent de recherche clinique et de médecine de précision, et comment utiliser un agent de recherche clinique.
Et s’il existait un agent capable d’enchaîner ces étapes ?
Une série de frameworks d’agents de recherche clinique apparus récemment tente de répondre à cette question. Il ne s’agit pas de simples habillages d’un modèle unique, mais de l’orchestration de « compétences » (Skills) issues de plusieurs domaines spécialisés en un pipeline de recherche interactif et itératif. Du traitement du signal à la rédaction de rapports, de la construction de cohortes aux recommandations thérapeutiques, les agents redéfinissent les frontières de la recherche clinique.
Le système central de compétences
Un agent complet de recherche clinique doit couvrir toute la chaîne, des données brutes à la décision clinique. Voici six modules de compétences clés :
1. Traitement des signaux physiologiques : NeuroKit2
Les données de recherche clinique ne se limitent pas aux valeurs biologiques structurées et aux codes diagnostiques. Électrocardiogramme, électroencéphalogramme, activité électrodermale, signaux respiratoires, signaux électromyographiques — ces signaux bioélectriques portent des informations instantanées sur le système nerveux autonome, l’activité du système nerveux central et la fonction musculaire, mais les signaux bruts eux-mêmes sont presque illisibles.
NeuroKit2 est actuellement la boîte à outils Python la plus mature pour le traitement des signaux physiologiques, avec un pipeline complet allant de la simulation de signaux au prétraitement puis à l’extraction de caractéristiques. Sa philosophie de conception est de « permettre à des utilisateurs sans expérience de programmation d’exécuter des routines complètes de prétraitement et d’analyse ». Pour une étude clinique devant intégrer des indicateurs physiologiques comme variables de résultat, l’agent peut appeler automatiquement NeuroKit2 pour réaliser la détection des pics R d’un ECG, l’analyse temps-fréquence de la VFC, la décomposition en composantes de phase de l’EDA, et produire des caractéristiques quantitatives directement utilisables dans les modèles statistiques.
2. Aide à la décision clinique : analyse de cohorte de précision
Les systèmes traditionnels d’aide à la décision clinique produisent des recommandations fondées sur des effets moyens de population. Mais pour un patient diabétique de type 2 de 68 ans, avec une HbA1c à 7,8 % et une néphropathie chronique associée, la metformine recommandée par les guidelines est-elle vraiment le choix optimal ? La réponse dépend de ce qui est réellement arrivé à « des patients qui lui ressemblent » après différents traitements.
L’analyse de cohorte de précision (Precision Cohort) propose une autre voie : extraire des dossiers de santé électroniques un groupe de patients historiques dont les caractéristiques cliniques sont les plus proches de celles du patient actuel, puis comparer rétrospectivement les différences de résultats associées à différents choix thérapeutiques au même point de décision. Une étude néerlandaise a appliqué cette méthode aux données de soins primaires de 11 490 patients diabétiques de type 2, confirmant la faisabilité technique tout en mettant en évidence les limites imposées par la taille des données sur la puissance statistique. La valeur de l’agent réside dans sa capacité à automatiser tout le processus, de l’identification du point de décision à la modélisation de similarité puis à la génération de cohortes, transformant la faisabilité méthodologique en faisabilité opérationnelle.
3. Atlas de dépendance cancéreuse : requêtes DepMap
En recherche oncologique, « ce gène peut-il servir de cible thérapeutique ? » est une question fréquente. Le projet DepMap, grâce à des cribles CRISPR pangénomiques, élimine systématiquement chaque gène dans plus de 1 000 lignées cellulaires cancéreuses, mesure l’impact sur la survie cellulaire et dresse ainsi une « carte des dépendances cancéreuses ».
Pour un agent, la requête DepMap est une tâche d’analyse orchestr able. Étant donné une mutation driver (par exemple un sarcome d’Ewing avec perte de STAG2), l’agent peut rechercher des gènes de co-dépendance, évaluer la sélectivité et identifier des cibles médicamenteuses. Dans un cas concret, des chercheurs ont justement découvert HDAC8 comme cible de létalité synthétique dans le sarcome d’Ewing à mutation STAG2 grâce à l’analyse de co-dépendance de DepMap. Ce processus de recherche et d’évaluation « du gène à la cible » est précisément l’étape que l’agent peut accélérer de manière significative.
4. Apprentissage profond médical : pipeline PyHealth
Les données de dossiers de santé électroniques sont structurées, mais aussi hétérogènes, éparses et irrégulières dans le temps. La modélisation de ces données par des méthodes statistiques traditionnelles est souvent insuffisante, tandis que la construction d’un pipeline d’apprentissage profond à partir de zéro représente un seuil d’ingénierie trop élevé.
PyHealth 2.0 vise à permettre à la recherche en IA clinique de « réaliser une modélisation prédictive en 7 lignes de code ». Il unifie plus de 15 jeux de données, plus de 20 tâches cliniques (dont la stadification du sommeil, la recommandation médicamenteuse, la prédiction de réadmission, etc.) et plus de 25 modèles, tout en réduisant l’empreinte mémoire, grâce à une conception en traitement de flux, à un niveau permettant l’exécution sur un ordinateur portable de 16 Go. Pour l’agent, PyHealth fournit un ensemble d’interfaces standardisées « données → tâche → modèle → entraînement → évaluation », lui permettant de choisir automatiquement le jeu de données et l’architecture de modèle adaptés à la question de recherche.
5. Rédaction de rapports : normes de rapport clinique
Les résultats de la recherche clinique doivent finalement être consignés dans des documents. Comptes rendus de cas, rapports de diagnostic d’imagerie, rapports anatomopathologiques, rapports d’essais cliniques — chaque type possède des normes de format et des exigences de contenu strictes. Un rapport anatomopathologique standard doit inclure une description macroscopique, une description microscopique, le diagnostic, la stadification et l’état des marges ; pour les cas tumoraux, il doit également suivre le modèle de rapport synoptique du CAP. Un rapport d’essai clinique doit décrire de manière complète le plan d’étude, les critères d’inclusion et d’exclusion, les méthodes statistiques, l’analyse des résultats et les conclusions.
La compétence de rédaction de rapports de l’agent est essentiellement une automatisation « modèle structuré + remplissage de données ». Mais ce qui la rend plus intelligente qu’un simple modèle, c’est sa capacité à choisir la norme de rapport adaptée au type d’étude, à extraire les données clés des résultats d’analyse et à générer un texte narratif conforme aux normes professionnelles.
6. Génération de plans thérapeutiques
La partie « P » (Plan) des notes SOAP porte la mise en œuvre de la décision clinique : interventions concrètes, recommandations d’orientation, points d’éducation du patient, organisation du suivi. Dans le contexte de la médecine de précision, le document de plan thérapeutique doit intégrer les résultats des tests génétiques, les informations de pharmacogénomique, l’état des comorbidités et les préférences du patient.
L’agent dudu récemment publié en Chine cible précisément ce scénario : s’appuyer sur les données des caractéristiques génétiques de la population chinoise et sur les tests pharmacogénomiques pour générer des schémas médicamenteux individualisés, couvrant la boucle complète du test génétique à la recommandation médicamenteuse. Le défi central de ce type de système ne réside pas dans la génération d’un texte fluide, mais dans la garantie que les relations médicament‑gène recommandées reposent sur des preuves solides et puissent être rapidement interprétées et vérifiées par les cliniciens.
Des compétences au système : la logique d’orchestration
Prises isolément, chacune de ces six compétences est un outil déjà validé dans son domaine. La valeur de l’agent réside dans l’orchestration — transformer une intention de recherche floue en une séquence exécutable d’appels de compétences, avec à chaque étape des produits intermédiaires auditables.
Un flux d’interaction typique pourrait ressembler à ceci :
- Première étape : structuration de la question de recherche. L’utilisateur saisit « Je souhaite étudier l’impact de la qualité du sommeil sur le contrôle glycémique chez les patients diabétiques de type 2 ». L’agent doit transformer cette question large en une conception d’étude opérationnelle : population cible, variable d’exposition, variable de résultat, covariables, critères d’inclusion et d’exclusion.
- Deuxième étape : construction de la cohorte. Si des données de dossiers de santé électroniques au format MIMIC‑IV ou OMOP sont utilisées, l’agent génère automatiquement les requêtes SQL, extrait la cohorte de patients correspondant aux critères et produit un rapport de qualité des données.
- Troisième étape : quantification de l’exposition et des résultats. La qualité du sommeil peut provenir des signaux physiologiques d’appareils portables (appel à NeuroKit2 pour traiter les caractéristiques de stadification du sommeil dérivées de la PPG/ECG), tandis que le contrôle glycémique provient des valeurs de laboratoire. L’agent doit gérer l’alignement temporel et les valeurs manquantes entre différentes sources de données.
- Quatrième étape : analyse. Pour les tâches de modélisation prédictive, PyHealth fournit un pipeline de bout en bout ; pour la comparaison d’effets thérapeutiques, la méthode de cohorte de précision génère des preuves comparatives individualisées.
- Cinquième étape : génération du rapport. Selon la norme de rapport applicable (STROBE pour les études observationnelles, TRIPOD+AI pour les modèles prédictifs), l’agent organise les résultats d’analyse en un document structuré.
La caractéristique clé de l’ensemble du processus est que l’humain dispose, à chaque nœud, du pouvoir d’examiner et de corriger. L’agent n’est pas une boîte noire : chaque produit intermédiaire qu’il génère — protocole de recherche, requête SQL, étapes d’ingénierie des caractéristiques, indicateurs d’évaluation du modèle, brouillon de rapport — est vérifiable. Le chercheur peut, à n’importe quelle étape, arrêter, modifier ou relancer l’exécution.
État des lieux et limites
L’agent de recherche clinique reste un domaine jeune. Les frameworks existants ont réalisé des progrès impressionnants en termes de faisabilité technique, mais il reste encore un chemin considérable avant d’en faire un « partenaire de recherche clinique digne de confiance ».
Le défi central est l’absence de validation. Une revue de portée de 2026 souligne que l’évaluation des agents médicaux se concentre principalement sur des environnements simulés ou des conditions de laboratoire, que l’exactitude diagnostique est surtout évaluée dans des « systèmes multimodaux », et que « les critères de résultat clinique et de sécurité sont rarement abordés ». Une étude rapporte un taux d’exactitude diagnostique de 88,4 %, mais cela signifie seulement que, sur un jeu de test de 551 cas, le diagnostic de l’agent concorde avec une certaine référence — cela ne signifie pas que les recommandations de l’agent amélioreront les résultats pour les patients.
Une autre contrainte concrète est la tension entre taille des données et puissance statistique. L’analyse de cohorte de précision est techniquement faisable, mais l’étude néerlandaise a constaté que, pour de nombreux points de décision thérapeutique, le nombre de patients historiques disponibles est insuffisant pour produire des estimations d’effet thérapeutique statistiquement significatives. L’agent peut accélérer l’analyse, mais il ne peut pas créer des données à partir de rien.
L’ambiguïté de l’attribution des responsabilités constitue un obstacle structurel à l’intégration clinique. Lorsqu’un rapport généré par un agent est intégré au dossier de recherche, lorsqu’un plan thérapeutique qu’il recommande est adopté par un médecin, qui assume la responsabilité en cas d’erreur ? Les cadres réglementaires évoluent encore, et la plupart des plateformes avancées restent actuellement en statut « à usage de recherche uniquement ».