L'IA agentique dans le secteur de la santé : que se passe-t-il lorsque des agents IA entrent en conflit les uns avec les autres ?

Un système d'IA multi-agents a récemment réussi à diagnostiquer correctement des cas médicaux rares dans plus de 80 % des cas. C'est quatre fois mieux que des cliniciens humains expérimentés. Ce n'est pas en étant plus intelligent qu'une IA quelconque qu'il y est parvenu. Ce résultat a été obtenu en laissant plusieurs agents débattre entre eux jusqu’à ce que les erreurs soient détectées.

Il y a six mois, l’intelligence artificielle jouait encore un rôle passif dans le secteur de la santé. Il a participé à des réunions, écouté et synthétisé les notes cliniques. C'était utile, mais limité. Désormais, les systèmes d’IA agentique extraient les dossiers des patients, utilisent des modèles de diagnostic, coordonnent les plans de soins entre les services et remettent en question le raisonnement de leurs pairs, le tout sans attendre qu’un humain lance chaque étape.

Dans un épisode récent de sa série « Code to Care », Don Woodlock s’est entretenu avec le Dr Peter Lee pour analyser les perspectives d’avenir de l’IA agentique dans le secteur de la santé. Ils ont abordé les points suivants :

1. Un cadre concret permettant de définir ce qui rend l'IA « agentique »
2. Des systèmes réels déjà opérationnels en milieu clinique
3. Et un éclairage sur la collaboration entre agents multiples que la plupart des articles consacrés à cette technologie négligent complètement

Que vous soyez en train d'évaluer l'IA agentique pour votre système de santé ou que vous cherchiez à faire la part des choses entre réalité et battage médiatique, vous trouverez ci-dessous une analyse concrète : ce que fait réellement cette technologie, dans quels domaines elle produit des résultats concrets, et ce dont votre organisation a besoin avant de la déployer.

L'IA traditionnelle répond aux invites une par une, sans mémoire entre les sessions, sans autorisation d'agir sur des systèmes externes et sans capacité à modifier quoi que ce soit dans le monde réel.

L'IA agentique est fondamentalement différente. Ces systèmes intelligents sont capables d'observer, de prendre des décisions et d'agir, souvent de manière autonome, dans le cadre des soins de santé.

Peter Lee décompose l'IA « agentique » en quatre composantes, une liste de contrôle pratique permettant d'évaluer si un système est véritablement « agentique » ou s'il est simplement qualifié ainsi.

Au début, l'IA partait de zéro à chaque interaction. Les systèmes agentiques conservent le contexte épisodique. L'IA a en mémoire l'allergie à la pénicilline de ce patient, l'examen en commission tumorale il y a trois semaines, ainsi que les éléments signalés par le radiologue dans les antécédents médicaux du patient. Le contexte est conservé d'une session à l'autre, et l'agent reprend là où il s'était arrêté.

Que peut faire l'IA ? Peut-il consulter le dossier médical électronique ? Utiliser un modèle de radiologie ? Accéder aux résultats d'analyses ? Les autorisations définissent les limites de l'autonomie d'un agent, et dans le secteur de la santé, ces limites revêtent une importance capitale.

Pour que les agents puissent intervenir à la fois dans les systèmes cliniques et opérationnels, ils ont besoin de plateformes qui rendent les données de santé accessibles sans nécessiter des dizaines d'intégrations distinctes.

Des plateformes telles qu’InterSystems IRIS, qui combinent base de données, intégration et analyse au sein d’une seule et même couche, réduisent le nombre d’étapes qu’un agent doit franchir pour récupérer les données des patients et agir en conséquence.

Les systèmes agentiques modifient l'état du monde. Ils extraient des dossiers, rédigent des notes cliniques, font appel à d’autres modèles d’IA pour des analyses spécialisées, planifient des rendez-vous, envoient des rappels et coordonnent les suivis.

En bref : l’IA générative répond aux questions. L'IA agentique agit.

C'est le fil qui relie les trois autres entre eux. Un système agentique ne se contente pas d'exécuter une séquence d'étapes. Il raisonne en vue d'atteindre un objectif, en adaptant son raisonnement à mesure que de nouvelles informations lui parviennent.

Il travaille en collaboration avec les humains, en conservant dans sa mémoire de travail davantage d'informations contextuelles que n'importe quel clinicien à lui seul. Grâce à des technologies telles que le traitement du langage naturel et l'apprentissage automatique, ces agents intelligents sont capables de tirer des enseignements d'énormes ensembles de données et d'automatiser des tâches complexes qui seraient insurmontables pour une seule personne.

Peter Lee illustre ce moment à l'aide d'une analogie avec le baseball : « Nous en sommes aux manches intermédiaires de cette révolution technologique. » « Et je pense que vous avez raison de dire que l'IA agentique est au cœur de cette phase intermédiaire. »

La volonté de déploiement est bien réelle, mais l'issue finale reste incertaine. Pour mieux comprendre comment ces composants s'articulent dans la conception d'un système, consultez notre guide sur l'architecture de l'IA agentique.

Alors, comment les agents d'IA « discutent-ils », comme mentionné dans l'introduction ?

Voici à quoi cela ressemble dans la réalité. MAI-DxO est un système de diagnostic multi-agents développé par Microsoft AI. Au lieu de demander à une seule IA d'évaluer tous les facteurs d'un diagnostic complexe, le système attribue des rôles distincts à différents agents IA :

• Un professionnel de santé de premier plan qui est en contact direct avec les patients et qui participe à l'établissement du diagnostic
• Un agent anticonformiste dont le seul but est de contredire, remettant constamment en cause le raisonnement de son interlocuteur, remettant en question ses hypothèses et contestant ses conclusions
• Un responsable des coûts qui s'interroge sur la justification, du point de vue des ressources, de chaque examen de laboratoire ou d'imagerie proposé

Ces agents s'engagent dans une « chaîne de débat » : un désaccord structuré qui fait évoluer le processus de diagnostic à travers plusieurs cycles de remise en question et d'affinement avant de aboutir à une conclusion. Le système est capable d'analyser simultanément les données issues des notes cliniques, des antécédents médicaux des patients et des résultats de laboratoire, traitant ainsi un ensemble d'informations que nul praticien ne pourrait à lui seul retenir dans sa mémoire de travail.

Dans le cadre d'une collaboration avec le New England Journal of Medicine, lors de tests menés sur un ensemble de cas cliniques extrêmement rares, MAI-DxO a établi un diagnostic correct dans plus de 80 % des cas. La configuration la plus performante a atteint 85,5 %, soit un résultat plus de quatre fois supérieur à celui de cliniciens humains très expérimentés travaillant sur les mêmes cas, dont la précision moyenne était d’environ 20 %.

La précision est essentielle. Mais les avantages ne s'arrêtent pas là. D’une certaine manière, les agents IA se poussent mutuellement à faire mieux.

« Ces concepts d’informatique agentique ne visent pas seulement à faciliter les processus humains ; ils peuvent en quelque sorte renforcer l’intelligence d’autres IA et, en outre, réduire des phénomènes tels que les taux d’hallucinations, simplement en se lançant des défis les uns aux autres. » - Dr Peter Lee

Oui, ces agents contribuent à automatiser les processus sujets à l'erreur humaine. Mais ils parviennent également à réduire considérablement l'un des principaux problèmes de l'IA, à savoir les « hallucinations ». L'agent à contre-courant n'a pas besoin d'avoir raison. Cela doit obliger l'agent principal à justifier son raisonnement.

Ce processus met en évidence les faiblesses de la chaîne de raisonnement qui, sans cela, passeraient inaperçues.

Cela change complètement la donne. La question que se posent la plupart des responsables du secteur de la santé au sujet de l'IA agentique est la suivante : « Quelles tâches peut-elle automatiser ? » La question la plus pertinente, et celle à laquelle répond MAI-DxO, est la suivante : « Que se passe-t-il lorsque des agents intelligents se rendent mutuellement plus intelligents ? »

MAI-DxO démontre que les agents peuvent améliorer les capacités de renseignement. L'outil « Stanford Tumor Board Orchestrator » s'attaque à un problème différent, qui pourrait s'avérer plus important pour la prise en charge quotidienne des patients : la coordination entre des données fragmentées et des systèmes disparates.

Les « tumor boards » sont des réunions pluridisciplinaires au cours desquelles des oncologues, des radiologues, des chirurgiens et des pathologistes examinent le cas d'un patient spécifique et décident du traitement à lui administrer. Des milliers de cas de ce type se produisent chaque semaine dans les systèmes de santé du monde entier, et chacun d'entre eux oblige les équipes soignantes à rassembler des informations dispersées dans plusieurs systèmes.

En collaboration avec Stanford Medicine, qui accueille chaque année 4 000 patients dans le cadre de comités de prise en charge des tumeurs, Microsoft a mis au point un agent d'IA qui participe à ces réunions. L'agent récupère les dossiers des patients, utilise des modèles d'IA spécialisés pour l'analyse radiologique et pathologique, met en avant les travaux de recherche publiés correspondant au profil génétique du patient et génère des notes à examiner.

Il peut apporter un soutien en temps réel aux professionnels de santé en prenant en charge des tâches complexes telles que l'interprétation de cas médicaux complexes et la coordination de plans de soins cohérents entre plusieurs services spécialisés.

Vous vous souvenez des composants MEAR énumérés ci-dessus ? Ils sont tous présents ici. L'agent :

• Conserve le contexte du patient (mémoire)
• Accès aux dossiers médicaux électroniques, aux systèmes d'imagerie et aux bases de données de recherche (droits d'accès)
• Récupère et génère des résultats (actions)
• Et les arguments justifiant une recommandation thérapeutique au sein de l'équipe clinique (Raisonnement).

La mise en relation de ces sources de données disparates constitue précisément le défi d'interopérabilité pour lequel des plateformes telles qu'InterSystems HealthShare ont été conçues. Les notes d'oncologie sont stockées dans un système, les images radiologiques dans un autre, les rapports de pathologie dans un troisième, et les travaux de recherche publiés dans des bases de données externes.

HealthShare regroupe les données cliniques issues de plusieurs systèmes au sein d'un dossier patient unifié, offrant ainsi aux systèmes autonomes (et aux cliniciens) une vue unique et cohérente, quelle que soit la provenance des données.

C'est ce modèle qui permet l'évolutivité. Les comités de prise en charge des tumeurs nécessitent de rassembler des spécialistes, des données et des décisions provenant de l'ensemble du système de santé. Ce même défi de coordination permet de relier des données fragmentées afin que les équipes soignantes compétentes puissent prendre les bonnes décisions ; il est présent dans pratiquement tous les flux de travail liés à la prestation des soins de santé.

L'investissement de Stanford Health Care dans l'IA agentique va bien au-delà des comités de prise en charge des tumeurs. Leur initiative AXIOM s'appuie sur un référentiel FHIR hébergé sur InterSystems IRIS pour permettre une récupération rapide des données cliniques, ce qui contribue à réduire le temps de recherche dans les dossiers médicaux électroniques (DME) de plusieurs minutes à quelques secondes pour les applications d'intelligence artificielle, notamment le triage assisté par IA dans les services d'urgence. Le projet a remporté le Prix InterSystems Impact 2025 dans la catégorie « Innovation des prestataires de soins de santé ».

Toutes les structures de santé n’ont pas besoin dès demain d’un système de diagnostic multi-agents.

Anthropic, les créateurs de Claude, ont judicieusement écrit dans leur guide de création d’agents: « Lors de la création d’applications avec des modèles de langage à grande échelle (LLM), nous recommandons de trouver la solution la plus simple possible, et de n’augmenter la complexité qu’en cas de nécessité. »

Heureusement, le Dr Lee propose un point de départ plus simple, que tout clinicien peut essayer dès cette semaine.

Dans son livre La révolution de l’IA en médecine, Lee recommande aux médecins et aux infirmiers de considérer l’IA comme « une paire d’yeux supplémentaire ».

L’idée : établir votre diagnostic différentiel, puis présenter le cas à un agent IA et lui poser deux questions. Y a-t-il quelque chose qui m'aurait échappé ? Y a-t-il des erreurs dans mon raisonnement ?

« Je pense que de nombreux médecins et infirmiers auraient tout intérêt à faire leur travail eux-mêmes, tout en considérant l'IA comme un outil capable de leur servir de deuxième paire d'yeux. » - Le Dr Peter Lee

Don explique pourquoi cela fonctionne même lorsque l'IA n'est pas parfaite :

« Cela élargit en quelque sorte l'horizon du décideur. » Même si l'on se trompe un tout petit peu, cela ne nuit pas à ce cas d'utilisation, car tu me demandes simplement d'élargir un peu mes horizons. « Y a-t-il autre chose que je devrais prendre en compte ? » - Don Woodlock

L'IA ne prend pas de décisions. Il s'agit plutôt d'élargir l'éventail des options possibles. Cette approche contribue à réduire la charge cognitive des professionnels de santé en leur permettant de vérifier leurs angles morts, sans pour autant que le système doive fonctionner de manière autonome.

Le spectre d'adoption s'étend de ce type de validation à la coordination des comités tumoraux, en passant par le diagnostic autonome multi-agents. Les établissements de santé peuvent s'engager dans cette démarche dans la mesure où leur niveau de maturité en matière de données et leur gouvernance le permettent, et la réussite dépend de la capacité à adapter leurs ambitions à leur niveau de préparation.

Le comité d'oncologie de Stanford automatise la coordination clinique. Ce phénomène s'applique également à l'appareil administratif du secteur de la santé, et les chiffres sont difficiles à ignorer.

Les organismes de santé américains consacrent chaque année plus de 1 000 milliards de dollars aux tâches administratives. Pas sur les soins aux patients, mais sur la coordination.

Par exemple :

• Extraire des informations d'un système et les comparer avec celles d'un autre
• Compilation de la documentation
• Soumission via des portails
• Et le suivi des résultats

Cela mobilise le temps du personnel soignant et entraîne des erreurs à chaque passage de relais. Les professionnels de santé se sont lancés dans ce secteur pour prodiguer des soins avec bienveillance aux patients, et non pour harmoniser des données entre différents portails.

Prenons l'exemple d'un processus type d'autorisation préalable. Aujourd'hui, un coordinateur :

1. Récupère les notes cliniques du dossier médical électronique (DME)
2. Vérifie les exigences spécifiques au payeur sur un portail distinct
3. Constitue le dossier de documentation
4. Envoie via un énième système
5. Et surveille l'état d'avancement des autorisations, en gérant souvent des dizaines de dossiers simultanément

Dans un système agentique, l'agent se charge de la recherche, de l'assemblage, des contrôles de conformité et de la soumission. Le coordinateur examine le dossier complet et gère les cas particuliers. Un travail qui prenait 45 minutes n'en prend plus que 10.

Ce n'est pas une hypothèse. MUSC Health traite désormais 40 % des autorisations préalables de manière autonome grâce à l’IA agentique, sans aucune intervention humaine.

InterSystems HealthShare prend en charge ces flux de travail grâce à sa suite Payer Services, qui comprend une aide à l’autorisation préalable, l’identification des conditions de prise en charge et des modèles de documentation. Cela offre aux organisations une base normalisée leur permettant d’intégrer l’automatisation agentique aux intégrations existantes entre payeurs et prestataires.

Une enquête menée par le Deloitte Center for Health Solutions a uprès de 100 dirigeants du secteur des technologies de la santé aux États-Unis a révélé que 85 % d’entre eux prévoient d’augmenter leurs investissements dans l’IA agentique au cours des deux à trois prochaines années, tandis que 98 % s’attendent à réaliser au moins 10 % d’économies grâce à la réduction des frais administratifs et à une meilleure utilisation des ressources.

Les dirigeants du secteur de la santé s’attendent à ce que la technologie « agentic » apporte des gains significatifs en termes d’efficacité opérationnelle dans les hôpitaux et les systèmes de santé.

Le défi sous-jacent à ces flux de travail dans le secteur de la santé réside dans la fragmentation des données. Les autorisations préalables, les demandes de remboursement et la prise de rendez-vous dépendent toutes d’informations dispersées entre les dossiers médicaux électroniques (DME), les systèmes de facturation et les portails des payeurs.

InterSystems IRIS for Health fournit la couche d’intégration et d’interopérabilité qui permet aux systèmes « agentic » d’accéder à ces données et de les rapprocher en temps réel, sans que les systèmes de santé aient à démanteler et remplacer leur infrastructure existante.

Au-delà des tâches administratives, les systèmes « agentic » commencent à transformer la manière dont les établissements de santé gèrent la prise en charge des patients après leur sortie de l’hôpital. Les agents IA peuvent surveiller l'apparition de symptômes chez les patients, vérifier le respect du traitement médicamenteux, planifier des rendez-vous de suivi et signaler tout problème aux équipes soignantes, offrant ainsi un suivi en temps réel qui permet de détecter les problèmes avant qu'ils ne s'aggravent.

Grâce à ces capacités proactives, les professionnels de santé peuvent proposer des délais plus clairs et une communication plus fiable aux patients, ce qui permet de stabiliser les processus opérationnels en arrière-plan tout en améliorant la qualité des soins et l'expérience globale des patients. (Pour une étude de cas détaillée sur la refonte des processus de travail grâce à l'IA dans un contexte clinique, consultez notre article sur l'automatisation dans le secteur de la santé.)

Chaque minute passée à harmoniser les données entre les différents portails est une minute qui n'est pas consacrée aux patients. Les systèmes « agentiques » se chargent de la coordination afin que les équipes soignantes puissent se concentrer sur la prestation de soins empreints de bienveillance.

Tout ce qui a été décrit ci-dessus repose sur un seul élément : les données. Le cadre MEAR rend cette dépendance explicite. La mémoire a besoin de données cliniques pour se souvenir. Les droits d'accès nécessitent des systèmes permettant de les accorder. Les actions nécessitent des API qui répondent. Le raisonnement nécessite des données d'entrée claires et structurées.

Dans la plupart des systèmes de santé, les données des patients sont dispersées entre les dossiers médicaux électroniques (DME), les plateformes de facturation, les portails des payeurs, les fax et les outils numériques des différents services, sous des formats variés, avec des niveaux d'exhaustivité variables et des cycles de mise à jour différents. La grande majorité des données de santé reste inutilisée, enfermée dans des formats que les systèmes existants ne peuvent pas traiter à l'échelle requise par les applications d'IA agentique. Les systèmes de santé sont confrontés à des défis majeurs en raison de cette fragmentation et des problèmes d’interopérabilité qu’elle engendre.

Trois principes fondamentaux sont essentiels pour les organismes de santé qui souhaitent déployer des systèmes « agentic ».

Les normes d'interopérabilité dans le domaine de la santé, telles que FHIR et HL7, constituent les rails sur lesquels circulent les systèmes agentiques. InterSystems HealthShare Health Connect, disponible sous forme de service géré dans le cloud, assure la conversion des protocoles et l'acheminement des messages qui permettent aux agents intelligents de communiquer entre les différents systèmes cliniques. Il prend en charge les normes HL7, FHIR, X12, DICOM et d'autres normes du secteur de la santé, sans nécessiter d'intégrations point à point personnalisées. Grâce à cette architecture modulaire, les systèmes de santé peuvent interconnecter différents systèmes de manière progressive, plutôt que de tenter un remplacement complet.

Plutôt que de centraliser les données dans un entrepôt (un projet s'étalant sur plusieurs années que la plupart des systèmes de santé ne peuvent pas se permettre), l'approche « Smart Data Fabric » harmonise les données sur place, offrant ainsi aux agents une vue unifiée sans nécessiter de transfert de données.

C'est l'approche qu'InterSystems a intégrée à la plateforme IRIS, qui connecte et harmonise en temps réel des données fragmentées provenant de sources disparates afin que les systèmes autonomes puissent tirer des enseignements d'une vue d'ensemble complète.

Il s'agit de règles claires précisant ce que les agents peuvent faire de manière autonome, quand ils doivent faire remonter l'information à un niveau supérieur et comment chaque action est consignée.

Les systèmes basés sur des agents sont susceptibles de commettre des erreurs. C'est une évidence.

Les exigences en matière de conformité réglementaire confèrent une importance redoublée au rôle de l'architecture : détecter ces erreurs avant qu'elles n'atteignent les patients. Les débats entre plusieurs agents, les points de contrôle impliquant une intervention humaine, la transparence vis-à-vis des patients quant à la manière dont l'IA intervient dans leurs soins, ainsi que les pistes d'audit ne sont pas des fonctionnalités facultatives. C'est grâce à eux que cette technologie fonctionne.

Les obstacles à son adoption s'atténuent. L'enquête menée par Deloitte a révélé que 40 % des dirigeants du secteur de la santé estiment que la pénurie de talents techniques, qui constituait auparavant un obstacle majeur, n'est plus considérée comme un défi majeur. La résistance au changement et les préoccupations liées à la qualité des données constituent également de moins en moins des obstacles, 38 % et 32 % des dirigeants faisant état d’une amélioration dans ces domaines, respectivement.

Les dirigeants du secteur de la santé doivent certes continuer à se concentrer sur la mise en place de bases de données solides et de structures de gouvernance, mais la voie à suivre est désormais plus claire qu’il y a encore un an.

Il est important de noter que les agents mettent en évidence les problèmes de qualité des données plus tôt et de manière plus directe que ne le font les processus manuels. Lorsqu'un agent ne parvient pas à mener à bien une tâche parce que les dossiers contiennent des informations contradictoires, il s'agit d'un signal de diagnostic, et non d'une défaillance technique. C'est le système qui vous indique les endroits où les fondations doivent être réparées.

Alors que l'IA agentique dans le domaine de la santé continue de mûrir, la franchise de Peter Lee quant à l'avenir est en soi une raison de s'y intéresser :

« Cela ne signifie pas pour autant qu'à terme, l'IA agentique prendra une place prépondérante. » C'est possible. C'est difficile à prévoir. « Mais il ne fait aucun doute qu'il y aura aujourd'hui une forte dynamique en faveur du déploiement de systèmes basés sur des agents à l'échelle mondiale. » - Dr Peter Lee

Une analyse aussi nuancée, venant du président de Microsoft Research, vaut bien plus qu’une douzaine de vagues de battage médiatique. La volonté de passer à l'action est bien réelle. On ne sait vraiment pas où cela va mener.

Pour les responsables du secteur de la santé qui évaluent aujourd’hui l’IA agentique, voici trois points de départ :

Dans quels domaines vos équipes soignantes consacrent-elles le plus de temps à la recherche, au recoupement et au classement des informations entre les différents systèmes ? C'est dans ces processus de soins de santé à fort volume et nécessitant une coordination importante que l'IA agentique offre les retours sur investissement les plus rapides.

Pour fonctionner de manière autonome, les agents intelligents ont besoin de données de santé structurées et interopérables. ( Préparer les données pour l'IA constitue un point de départ concret.) Les établissements de santé qui posent dès maintenant ces bases seront en mesure de déployer des systèmes autonomes à mesure que la technologie évoluera.

Commencez par mettre en place des systèmes autonomes qui accompagnent les cliniciens et le personnel, puis renforcez progressivement l'autonomie à mesure que les structures de gouvernance se consolident et que la confiance s'installe. La réussite de l'intégration d'une IA agentique repose sur des bases solides en matière de préparation des données, de gouvernance et de gestion du changement.

Les établissements de santé qui en tireront le plus grand bénéfice ne seront pas nécessairement ceux qui déploieront le plus grand nombre d'agents. Ce sont ces situations où les systèmes d'IA et les professionnels de santé se renforceront mutuellement, faisant évoluer les soins de santé d'une coordination réactive vers une prestation de soins proactive et intelligente.