Delphi-2M : une IA pour prédire des maladies « plus d'une décennie à l'avance »
Des scientifiques indiquent avoir créé un modèle d’intelligence artificielle (IA) générative capable de « prévoir le risque et le moment d’apparition de plus de 1 000 maladies plus d’une décennie à l’avance ». Ils se sont appuyés sur la même technologie que celle utilisée pour les chatbots grand public comme ChatGPT. Ils ont publié leurs travaux dans la revue Nature[1].
Apprendre « la grammaire » des données de santé
Baptisée Delphi-2M, l’IA se fonde sur les antécédents médicaux d’un patient pour évaluer la probabilité[2] qu’il développe une pathologie. Les chercheurs ont « entraîné » le modèle sur les données de 400 000 personnes stockées dans la UK Biobank (cf. Données de santé : la UK Biobank partage ses données avec des assureurs). Certaines populations y sont toutefois sous-représentées[3]. Ils ont ensuite testé leur modèle sur les données d’1,9 million de personnes issues de la base de données de santé publique du Danemark.
Comprendre une série de diagnostics médicaux revient « un peu à apprendre la grammaire d’un texte », décrypte Moritz Gerstung, premier auteur de l’article. Ainsi, Delphi-2M « apprend les schémas présents dans les données de santé, les diagnostics précédents, les combinaisons dans lesquelles ils apparaissent et leur succession », explique-t-il. Ce qui permet de faire « des prédictions très significatives et pertinentes ».
Un outil « pas encore prêt à être utilisé en clinique »
Le modèle s’est montré « particulièrement performant » pour les pathologies dont l’évolution est « claire et régulière », telles que certains types de cancer, les crises cardiaques ou la septicémie. Il est au contraire « moins fiable » en ce qui concerne les troubles mentaux ou les complications liées à la grossesse, « qui dépendent d’événements imprévisibles de la vie ».
Les chercheurs ont souligné que l’outil Delphi-2M devait encore être testé et n’était « pas encore prêt à être utilisé en clinique ».
A l’avenir, ce type de systèmes pourrait aider à « orienter la surveillance et éventuellement les interventions cliniques précoces pour une médecine préventive efficace », considère Moritz Gerstung. Et, « à plus grande échelle », de tels outils pourraient contribuer à « l’optimisation des ressources dans un système de santé sous pression », estime de son côté Tom Fitzgerald, coauteur de ces travaux.
[1] Moritz Gerstung et al., Learning the natural history of human disease with generative transformers, Nature (2025). DOI: 10.1038/s41586-025-09529-3
[2] À l’instar des prévisions météorologiques, ce modèle fournit des probabilités, « et non des certitudes ». « Il ne prédit pas exactement ce qui arrivera à un individu, mais il offre des estimations bien calibrées de la probabilité que certaines affections surviennent au cours d’une période donnée. Par exemple, il pourrait prédire le risque de développer une maladie cardiaque au cours de l’année suivante. »
[3] Enfants, adolescents, certains groupes ethniques
Sources de la synthèse de presse : Tech Xplore, Andrew Zinn (17/09/2025) ; Medical Xpress, European Molecular Biology Laboratory (17/09/2025)
