Un système agentif pour le diagnostic des maladies rares avec un raisonnement traçable

Pourquoi accélérer la détection des maladies rares importe

Pour les familles concernées par des maladies rares, obtenir un nom pour leur affection peut prendre des années d’appels, d’avis contradictoires et d’impasses. Cette longue « odyssée diagnostique » retarde les traitements, épuise les économies et laisse les patients dans l’incertitude. Cette étude présente DeepRare, un système d’intelligence artificielle conçu pour agir comme un coéquipier numérique des médecins. Il vise à détecter les maladies rares plus tôt et à expliquer son raisonnement de façon vérifiable par les cliniciens.

Un nouvel assistant numérique pour les médecins

DeepRare est conçu pour fonctionner comme dans les cliniques réelles. Il peut lire des notes cliniques en texte libre, des listes de symptômes structurées et les résultats de tests génétiques modernes, puis transformer toutes ces informations en une liste classée de maladies rares possibles. Contrairement à de nombreux outils existants qui se contentent de renvoyer une liste de noms, DeepRare produit une chaîne de raisonnement étape par étape qui relie chaque suggestion à des articles médicaux, des bases de données d’experts et des cas passés similaires. Ainsi, le clinicien peut voir non seulement ce que le système recommande, mais aussi pourquoi.

Comment le système raisonne sur un cas

Dans les coulisses, DeepRare est organisé comme un système « multi‑agent ». Au centre se trouve un puissant modèle de langage qui sert de coordinateur, décidant de la suite des opérations à mesure que de nouvelles informations arrivent. Autour de lui siègent des modules d’assistance spécialisés : certains nettoient et standardisent les symptômes, d’autres recherchent la littérature médicale et les banques de cas de maladies rares, et d’autres interprètent de longues listes de variants génétiques. Pour chaque patient, DeepRare alterne collecte de preuves, proposition de diagnostics puis réévaluation de ses propres idées. S’il identifie des problèmes avec une explication candidate, il retourne rechercher de meilleures preuves au lieu de poursuivre avec une hypothèse fragile.

Évaluer DeepRare dans des conditions réelles

Les chercheurs ont testé DeepRare sur 6 401 dossiers de patients issus de neuf sources différentes, incluant de larges jeux de données publics, des rapports de cas en ligne et quatre grands hôpitaux en Europe, Amérique du Nord et Chine. Au total, ces cas couvraient 2 919 maladies rares distinctes réparties sur 14 systèmes d’organes, des troubles cérébraux aux affections rénales. En n’utilisant que des descriptions de symptômes structurées, DeepRare a correctement placé la maladie vraie en première position pour environ 57 % des cas — plus de 20 points de pourcentage au‑dessus de la méthode suivante et bien au‑delà d’outils largement utilisés tels que PhenoBrain et PubCaseFinder. Lorsque des résultats de séquençage génétique étaient également disponibles, la précision en première position de DeepRare grimpait à environ 69 %, surpassant un outil génétique de référence appelé Exomiser sur deux cohortes hospitalières indépendantes.

Comparer l’IA aux spécialistes humains

Pour savoir si les performances de DeepRare tenaient face à des experts humains, l’équipe a réalisé une comparaison directe sur 163 cas difficiles provenant d’un hôpital pour enfants. Cinq médecins ayant plus de dix ans d’expérience en maladies rares devaient proposer jusqu’à cinq diagnostics possibles par cas, en utilisant des moteurs de recherche mais sans IA. DeepRare a reçu les mêmes informations symptomatiques. Le système n’a pas seulement égalé les cliniciens lorsqu’on lui autorisait cinq propositions, il a en fait surpassé leur précision pour la première prédiction. Un autre groupe de dix médecins spécialisés en maladies rares a examiné les chaînes de raisonnement de l’IA pour 180 cas et a jugé plus de 95 % des preuves citées comme exactes et pertinentes, suggérant que ses explications sont médicalement fiables et non de simples « récits » d’IA.

Pourquoi un raisonnement traçable change la donne

Au‑delà de la précision brute, les auteurs soutiennent que DeepRare pourrait remodeler la façon dont les maladies rares sont investiguées. Parce que le système relie chaque étape de son raisonnement à des sources médicales et à des patients similaires, il peut réduire considérablement le temps qu’un clinicien consacre à fouiller la littérature ou les bases de cas. Sa forte performance sur de nombreux systèmes d’organes signifie qu’il pourrait aider des médecins non spécialistes à reconnaître des affections qu’ils voient rarement, en particulier dans des hôpitaux dépourvus de centres dédiés aux maladies rares. L’étude note néanmoins des défis ouverts, tels que la confusion entre syndromes similaires et la nécessité d’étendre le système au dépistage précoce et à la planification des traitements. Malgré tout, les résultats suggèrent que des assistants IA soigneusement conçus comme DeepRare pourraient raccourcir l’odyssée diagnostique de milliers de familles en rendant les maladies rares plus faciles à reconnaître et à justifier dans la pratique clinique courante.

Citation: Zhao, W., Wu, C., Fan, Y. et al. An agentic system for rare disease diagnosis with traceable reasoning. Nature 651, 775–784 (2026). https://doi.org/10.1038/s41586-025-10097-9

Mots-clés: diagnostic des maladies rares, IA médicale, grands modèles de langage, support à la décision clinique, médecine génomique