L’IA agentique dans la santé : que se passe-t-il lorsque des agents IA débattent entre eux ?

Un système d’IA multi-agents a récemment réussi à diagnostiquer des cas médicaux rares avec plus de 80 % de précision. C’est quatre fois mieux que des cliniciens expérimentés. Ce résultat ne vient pas du fait qu’une IA serait, à elle seule, plus intelligente que les autres. Il vient d’un mécanisme différent : plusieurs agents IA confrontent leurs raisonnements jusqu’à ce que les erreurs soient détectées.

Il y a encore six mois, l’intelligence artificielle jouait surtout un rôle passif dans la santé. Elle participait aux réunions, écoutait et résumait les notes cliniques. C’était utile, mais limité. Aujourd’hui, les systèmes d’IA agentique vont plus loin : ils peuvent récupérer des dossiers patients, appeler des modèles d’aide au diagnostic, coordonner des plans de soins entre plusieurs services et remettre en question le raisonnement d’autres agents IA, sans attendre qu’un humain déclenche chaque étape.

Dans un récent épisode de sa série Code to Care, Don Woodlock a échangé avec le Dr Peter Lee sur l’avenir de l’IA agentique en santé. Ils ont notamment abordé :

• un cadre concret pour comprendre ce qui rend une IA réellement « agentique » ;
• des systèmes déjà utilisés dans des environnements cliniques ;
• un point souvent oublié dans les discussions sur cette technologie : la façon dont plusieurs agents IA peuvent collaborer, se contredire et améliorer collectivement la qualité du résultat.

Que vous évaluiez l’IA agentique pour votre établissement de santé ou que vous cherchiez simplement à faire la différence entre effets d’annonce et réalité, la suite propose une analyse concrète : ce que cette technologie fait réellement, où elle produit déjà des résultats, et ce que votre organisation doit mettre en place avant de la déployer.

L’IA traditionnelle répond aux prompts un par un. Elle ne conserve pas de mémoire entre les sessions, n’a pas l’autorisation d’agir sur des systèmes externes et ne peut rien modifier dans le monde réel.

L’IA agentique est fondamentalement différente. Ces systèmes intelligents peuvent observer, décider et agir, souvent de manière autonome, dans des environnements de santé.

Peter Lee décrit l’IA agentique à travers quatre composants. Il s’agit d’une grille de lecture pratique pour évaluer si un système est réellement agentique ou s’il utilise simplement ce terme comme argument marketing.

Les premières formes d’IA repartaient de zéro à chaque interaction. Les systèmes agentiques, eux, conservent le contexte. L’IA peut se souvenir qu’un patient est allergique à la pénicilline, qu’un dossier a été discuté en réunion de concertation pluridisciplinaire trois semaines plus tôt, ou qu’un radiologue a signalé une anomalie dans l’historique patient. Le contexte reste disponible d’une session à l’autre. L’agent peut donc reprendre là où il s’était arrêté.

Que l’IA est-elle autorisée à faire ? Peut-elle interroger le dossier patient informatisé ? Appeler un modèle d’analyse radiologique ? Accéder aux résultats de laboratoire ? Les droits d’accès définissent les limites de l’autonomie d’un agent. Dans la santé, ces limites sont essentielles.

Pour agir à travers des systèmes cliniques et opérationnels, les agents ont besoin de plateformes capables de rendre les données de santé accessibles, sans multiplier les intégrations séparées.

Des plateformes telles qu’InterSystems IRIS, qui combinent base de données, intégration et analytics dans une couche unique, réduisent les ruptures entre systèmes que l’agent doit franchir pour accéder aux données patient et agir dessus.

Les systèmes agentiques peuvent modifier l’état des choses. Ils récupèrent des dossiers, génèrent des notes cliniques, appellent d’autres modèles d’IA pour des analyses spécialisées, planifient des rendez-vous, envoient des rappels et coordonnent les suivis.

Dit simplement : l’IA générative répond à des questions. L’IA agentique agit.

C’est le fil conducteur qui relie les trois autres composants. Un système agentique ne se contente pas d’exécuter une suite d’étapes. Il raisonne en fonction d’un objectif et adapte son raisonnement à mesure que de nouvelles informations arrivent.
Il travaille avec les humains, tout en conservant en mémoire de travail plus de contexte qu’un clinicien seul ne pourrait en gérer.

Grâce à des technologies comme le traitement du langage naturel et le machine learning, ces agents intelligents peuvent extraire des enseignements de vastes jeux de données et automatiser des tâches complexes qui dépasseraient les capacités d’une seule personne.

Peter Lee situe le moment actuel avec une analogie tirée du baseball : « Nous sommes au milieu du match dans cette révolution technologique. Et je pense que vous avez raison : l’IA agentique est l’un des éléments centraux de cette phase intermédiaire. »

La dynamique de déploiement est bien réelle, mais la suite reste incertaine. Pour mieux comprendre comment ces composants s’articulent dans la conception des systèmes, consultez notre guide sur l’architecture sur l'architecture de l'IA agentique.

Alors, comment des agents IA peuvent-ils « débattre » comme évoqué en introduction ?
Voici à quoi cela ressemble concrètement. MAI-DxO est un système de diagnostic multi-agents développé par Microsoft AI.Plutôt que de demander à une seule IA d’évaluer tous les facteurs d’un diagnostic complexe, le système attribue des rôles distincts à plusieurs agents IA :

• un agent principal, qui interagit avec les patients et cherche à établir un diagnostic ;
• un agent contradicteur, dont le rôle est précisément de ne pas être d’accord : il remet en question en permanence le raisonnement de l’agent principal, interroge ses hypothèses et conteste ses conclusions ;
• un agent chargé des coûts, qui évalue si chaque analyse de laboratoire ou examen d’imagerie proposé est réellement justifié au regard des ressources mobilisées.

Ces agents participent à une « chaîne de débat » : un désaccord structuré qui oblige le processus de diagnostic à passer par plusieurs cycles de remise en question et d’affinement avant d’aboutir à une conclusion. Le système peut analyser simultanément des données issues de notes cliniques, d’historiques patients et de résultats de laboratoire, en traitant un volume de contexte qu’aucun clinicien ne pourrait conserver seul en mémoire de travail.

Dans le cadre d’une collaboration avec le New England Journal of Medicine, MAI-DxO a été testé sur un ensemble de cas diagnostiques extrêmement rares. Le système a posé le bon diagnostic dans plus de 80 % des cas. Sa configuration la plus performante a atteint 85,5 %, soit plus de quatre fois le résultat obtenu par des cliniciens très expérimentés travaillant sur les mêmes cas, dont la précision moyenne était d’environ 20 %.

Cette précision compte. Mais l’intérêt ne s’arrête pas là. D’une certaine manière, les agents IA se poussent mutuellement à produire de meilleurs résultats.
« Ces approches d’informatique agentique ne servent pas seulement à faciliter les processus humains. Elles peuvent aussi renforcer l’intelligence d’autres IA et, en plus, réduire des phénomènes comme les hallucinations, simplement parce que les agents se challengent entre eux. » - Dr Peter Lee

Oui, les agents contribuent à automatiser des processus sujets à l’erreur humaine. Mais ils réduisent aussi de manière significative l’un des plus grands problèmes de l’IA : les hallucinations. L’agent contradicteur n’a pas besoin d’avoir raison. Il doit obliger l’agent principal à défendre son raisonnement. Ce processus fait apparaître les faiblesses dans la chaîne de raisonnement, des faiblesses qui, autrement, pourraient passer sans être détectées.

Cela change complètement la perspective. La question que se posent la plupart des dirigeants du secteur de la santé à propos de l’IA agentique est : « Quelles tâches peut-elle automatiser ? »
La meilleure question — celle à laquelle MAI-DxO apporte une réponse — est plutôt : « Que se passe-t-il lorsque des agents intelligents se rendent mutuellement plus performants ? »

MAI-DxO montre que des agents IA peuvent améliorer la qualité du raisonnement. L’orchestrateur de comité de concertation de Stanford ( Stanford Tumor Board)
s’attaque à un autre problème, peut-être encore plus important au quotidien pour la prise en charge des patients : la coordination entre des données fragmentées et des systèmes différents.

Les comités de concertation en oncologie sont des réunions pluridisciplinaires au cours desquelles oncologues, radiologues, chirurgiens et anatomopathologistes examinent le cas d’un patient et décident du traitement à suivre. Des milliers de réunions de ce type ont lieu chaque semaine dans les systèmes de santé du monde entier. Chacune oblige les équipes de soins à rassembler des informations dispersées dans plusieurs systèmes

Dans le cadre d’une collaboration avec Stanford Medicine, qui accueille chaque année 4 000 patients dans le cadre de comités de prise en charge des tumeurs, Microsoft a développé un agent IA capable de participer à ces réunions. Cet agent récupère les dossiers patients, appelle des modèles d’IA spécialisés pour l’analyse radiologique et anatomopathologique, fait remonter les publications scientifiques pertinentes en fonction du profil génétique du patient, et génère des notes destinées à être relues.

Il peut apporter une aide en temps réel aux professionnels de santé en prenant en charge des tâches complexes : comprendre des cas médicaux difficiles, ou coordonner des plans de soins cohérents entre plusieurs services spécialisés.

Vous vous souvenez des quatre composants MEAR évoqués plus haut ? Ils sont tous présents ici. L’agent :

• conserve le contexte patient (Mémoire) ;
• accède aux DPI, aux systèmes d’imagerie et aux bases de recherche (Droits d’accès) ;
• récupère des informations et génère des résultats (Actions) ;
• raisonne avec l’équipe clinique pour aboutir à une recommandation thérapeutique (Raisonnement).

Connecter ces sources de données disparates, c’est précisément le défi d'interopérabilité pour lequel des plateformes comme InterSystems HealthShare ont été conçues. Les notes d’oncologie se trouvent dans un système. Les images radiologiques dans un autre. Les comptes rendus d’anatomopathologie dans un troisième. La recherche publiée, elle, se trouve dans des bases externes.

HealthShare agrège les données cliniques provenant de plusieurs systèmes dans un dossier patient unifié. Les systèmes agentiques — comme les cliniciens — disposent ainsi d’une vue cohérente du patient, quel que soit l’endroit d’où proviennent les données.

C’est ce modèle qui peut passer à l’échelle. Les comités de concertation exigent de réunir des spécialistes, des données et des décisions à l’échelle d’un système de santé entier. Le même défi de coordination se retrouve dans presque tous les workflows de soins : connecter des données fragmentées pour permettre aux bonnes équipes de prendre les bonnes décisions.

L’investissement de Stanford Health Care dans l’IA agentique va au-delà des comités de concertation. Son initiative AXIOM utilise un référentiel FHIR sur InterSystems IRIS pour accélérer l’accès aux données cliniques. Objectif : réduire les temps de requête dans le DPI, de plusieurs minutes à quelques secondes, pour des applications d’IA comme le triage augmenté aux urgences.
Le projet a remporté InterSystems Impact 2025 for Healthcare Provider Innovation.

Toutes les organisations de santé n’ont pas besoin de déployer dès demain un système de diagnostic multi-agents. Anthropic, l’entreprise à l’origine de Claude, le formule avec justesse dans son guide à la création d’agents : « Lorsque vous développez des applications avec des LLM, nous recommandons de rechercher la solution la plus simple possible, et de n’augmenter la complexité que lorsque cela devient nécessaire. »
Heureusement, le Dr Lee propose un point de départ plus simple, que tout clinicien peut tester dès cette semaine. Dans son livre La révolution de l’IA en médecine , Dr Lee recommande aux médecins et aux infirmiers de considérer l’IA comme un second regard.

L’idée est simple : établir d’abord son diagnostic différentiel, puis présenter le cas à un agent IA et lui poser deux questions. Ai-je oublié quelque chose ? Y a-t-il une erreur dans mon raisonnement ?
« Je pense que de nombreux médecins et infirmiers auraient intérêt à faire d’abord leur propre travail, puis à considérer l’IA comme un agent capable d’apporter un second regard. » - Dr Peter Lee

Don Woodlock explique pourquoi cette approche fonctionne, même lorsque l’IA n’est pas parfaite :
« Cela élargit en quelque sorte le champ de réflexion du décideur. Même si l’IA se trompe un peu, cela ne nuit pas vraiment à ce cas d’usage, car on lui demande surtout d’élargir un peu notre réflexion : “Y a-t-il autre chose que je devrais prendre en compte ?” » - Don Woodlock

Dans cette approche, l’IA ne prend pas la décision. Elle élargit le champ des possibles. Elle aide à réduire la charge cognitive des professionnels de santé en les aidant à identifier d’éventuels angles morts, sans exiger que le système fonctionne de manière autonome.

Le spectre d’adoption va de cette simple validation à l’orchestration des comités de concertation, jusqu’au diagnostic multi-agents autonome. Les organisations de santé peuvent commencer au niveau qui correspond à leur maturité data et à leur gouvernance. La réussite dépend d’un point essentiel : aligner l’ambition sur le niveau de préparation réel.

Le comité de concertation de Stanford automatise la coordination clinique. Le même modèle peut s’appliquer à la mécanique administrative de la santé et les chiffres sont difficiles à ignorer. Aux États-Unis, les organisations de santé consacrent plus de 1 000 milliards de dollars aux tâches administratives. Pas aux soins aux patients : à la coordination.

Des tâches comme :

• récupérer des informations dans un système et les rapprocher avec celles d’un autre ;
• rassembler des documents ;
• les soumettre via des portails ;
• suivre les résultats.

Ces tâches mobilisent du temps clinicien et génèrent des erreurs à chaque transfert. Les professionnels de santé ont choisi ce métier pour apporter des soins humains et attentifs aux patients, pas pour rapprocher des données entre plusieurs portails. Prenons un workflow classique d’autorisation préalable. Aujourd’hui, un coordinateur doit :

• récupérer les notes cliniques dans le DPI ;
• vérifier les exigences propres au payeur dans un portail séparé ;
• constituer le dossier documentaire ;
• le soumettre dans un autre système ;
• suivre le statut de l’autorisation, souvent en gérant des dizaines de dossiers en parallèle.

Avec un système agentique, l’agent prend en charge la récupération des informations, la constitution du dossier, les contrôles de conformité et la soumission. Le coordinateur vérifie le dossier finalisé et gère les exceptions. Une tâche qui prenait 45 minutes peut alors en prendre 10.
Ce n’est pas hypothétique. MUSC Health réalise désormais 40 % des ses autorisations préalables de manière autonome grâce à l’IA agentique, sans intervention humaine.

InterSystems HealthShare accompagne ces workflows à travers sa suite Payer Services, qui inclut Prior Authorization Support, Coverage Requirements Discovery et Documentation Templates. Les organisations disposent ainsi d’un socle fondé sur les standards pour ajouter l’automatisation agentique à leurs intégrations existantes entre payeurs et prestataires de soins.

Une enquête du Deloitte Center for Health Solutions, menée a uprès de 100 dirigeants du secteur des technologies de la santé, révèle que 85 % prévoient d’augmenter leurs investissements dans l’IA agentique au cours des deux à trois prochaines années. Elle indique également que 98 % s’attendent à au moins 10 % d’économies grâce à la réduction de la charge administrative et à une meilleure utilisation des ressources.

Les dirigeants du secteur de la santé attendent donc de l’IA agentique des gains d’efficacité opérationnelle significatifs dans les hôpitaux et les systèmes de santé. Le défi sous-jacent à ces workflows de santé reste la fragmentation des données. Autorisations préalables, demandes de remboursement et planification reposent toutes sur des informations dispersées entre DPI, systèmes de facturation et portails payeurs.

InterSystems IRIS for Health fournit la couche d’intégration et d’interopérabilité qui permet aux systèmes agentiques d’accéder à ces données et de les rapprocher en temps réel, sans obliger les organisations de santé à remplacer leur infrastructure existante. Au-delà de l’administratif, les systèmes agentiques commencent aussi à transformer la manière dont les organisations de santé accompagnent les patients après leur sortie.

Les agents IA peuvent surveiller l’apparition de symptômes, vérifier l’observance des traitements, planifier les rendez-vous de suivi et signaler les situations préoccupantes aux équipes de soins. Ils assurent ainsi un suivi en temps réel qui permet d’identifier les problèmes avant qu’ils ne s’aggravent.

Ces capacités proactives permettent aux professionnels de santé de donner aux patients des échéances plus claires et une communication plus fiable, tout en stabilisant les workflows en arrière-plan et en améliorant la qualité des soins ainsi que l’expérience patient. Pour une étude de cas détaillée sur la refonte de workflows cliniques grâce à l’IA, consultez notre article sur l’automatisation en santé.

Chaque minute passée à rapprocher des données entre plusieurs portails est une minute qui n’est pas consacrée aux patients. Les systèmes agentiques prennent en charge la coordination pour permettre aux équipes de soins de se concentrer sur ce qui compte : prodiguer des soins humains et attentifs.

Tout ce qui précède dépend d’un élément essentiel : les données. Le cadre MEAR rend cette dépendance explicite. La mémoire a besoin de données cliniques à conserver. Les droits d’accès supposent des systèmes capables d’autoriser l’accès. Les actions nécessitent des API qui répondent. Le raisonnement exige des données d’entrée propres et structurées.

Dans la plupart des systèmes de santé, les données patient sont dispersées entre DPI, plateformes de facturation, portails payeurs, fax et outils numériques propres à chaque service, dans des formats différents, avec des niveaux de complétude variables et des cycles de mise à jour distincts. 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. Cette fragmentation, et les problèmes d’interopérabilité qu’elle entraîne, représentent un défi majeur pour les systèmes de santé.

Trois fondations sont essentielles pour les organisations de santé qui souhaitent déployer des systèmes agentiques.

Les standards d’interopérabilité en santé comme FHIR et HL7 constituent les rails sur lesquels circulent les systèmes agentiques. InterSystems HealthShare Health Connect, disponible sous forme de service cloud managé, assure la traduction des protocoles et le routage des messages qui permettent aux agents intelligents de communiquer entre systèmes cliniques. La solution prend en charge HL7, FHIR, X12, DICOM et d’autres standards de santé, sans nécessiter d’intégrations point à point personnalisées.Cette architecture modulaire permet aux systèmes de santé de connecter différents systèmes progressivement, plutôt que de devoir remplacer l’existant d’un seul bloc.

Plutôt que de centraliser les données dans un entrepôt (un projet sur plusieurs années que la plupart des systèmes de santé ne peuvent pas se permettre), une approche « Smart Data Fabric » harmonise les données là où elles se trouvent. Elle donne aux agents une vue unifiée sans imposer de déplacement des données.

C’est l’approche qu’InterSystems a intégrée à la plateforme IRIS : connecter et harmoniser en temps réel des données fragmentées issues de sources disparates, afin que les systèmes agentiques puissent produire des enseignements à partir d’une vision complète.

Il s’agit de définir des règles claires : ce que les agents peuvent faire de manière autonome, les situations dans lesquelles ils doivent escalader vers un humain, et la manière dont chaque action est journalisée.Les systèmes agentiques feront des erreurs. C’est une certitude.

Les exigences de conformité réglementaire rendent donc le rôle de l’architecture encore plus important : détecter ces erreurs avant qu’elles n’atteignent les patients. Débat entre agents, points de contrôle avec intervention humaine, transparence auprès des patients sur le rôle de l’IA dans leur prise en charge, traces d’audit : ce ne sont pas des fonctionnalités optionnelles. Ce sont les conditions qui rendent la technologie utilisable.

Les freins à l’adoption diminuent. L'enquête menée par Deloitte a révélé que 40 % des dirigeants de technologies de santé considéraient auparavant le manque de talents techniques comme un obstacle majeur, mais ne le voient plus aujourd’hui comme un défi central. La résistance au changement et les préoccupations liées à la qualité des données reculent également, avec respectivement 38 % et 32 % des dirigeants signalant des progrès sur ces sujets.

Les responsables du secteur de la santé doivent encore se concentrer sur la construction de fondations data solides et de structures de gouvernance robustes. Mais le chemin est plus clair qu’il ne l’était il y a seulement un an.

Un point important : les agents font apparaître les problèmes de qualité des données plus tôt, et plus directement, que les workflows humains. Lorsqu’un agent ne peut pas terminer une tâche parce que les dossiers contiennent des informations contradictoires, ce n’est pas un échec technologique. C’est un signal de diagnostic. Le système vous indique où les fondations doivent être renforcées.

À mesure que l’IA agentique en santé gagne en maturité, la lucidité de Peter Lee sur l’avenir mérite en elle-même l’attention :

« Cela ne veut pas dire que, dans la dernière partie du match, l’IA agentique sera forcément un élément majeur. Elle pourrait l’être. C’est difficile à prévoir. Mais il est certain qu’il y aura aujourd’hui une forte dynamique pour déployer des systèmes basés sur des agents dans le monde réel. »Dr Peter Lee.
Ce type d’analyse mesurée, venant du Président de Microsoft Research, vaut mieux qu’une douzaine de cycles de hype. La dynamique de déploiement est réelle. Ce qu’elle produira reste réellement incertain. Pour les dirigeants d’organisations de santé qui évaluent aujourd’hui l’IA agentique, trois points de départ se dégagent :

Où vos équipes de soins passent-elles le plus de temps à récupérer, rapprocher et organiser des informations entre plusieurs systèmes ? Ces workflows de santé à fort volume et fortement dépendants de la coordination sont ceux où l’IA agentique peut produire les retours les plus rapides.

Les agents intelligents ont besoin de données de santé interopérables et structurées pour fonctionner de manière autonome. Préparer les données pour l'IA constitue un point de départ concret.
Les organisations de santé qui construisent ces fondations dès maintenant seront mieux positionnées pour déployer des systèmes agentiques à mesure que la technologie mûrit.

Commencez par des systèmes agentiques qui assistent les cliniciens et les équipes, puis élargissez progressivement leur autonomie à mesure que les structures de gouvernance gagnent en maturité et que la confiance se renforce. L’intégration réussie de l’IA agentique exige un socle solide : préparation des données, gouvernance et accompagnement du changement.

Les organisations de santé qui en tireront le plus de valeur ne seront pas celles qui déploieront le plus grand nombre d’agents. Ce seront celles où les systèmes d’IA et les cliniciens se rendront mutuellement meilleurs, en faisant évoluer la santé d’une coordination réactive vers une prise en charge proactive, intelligente et mieux organisée.