Le brief IA que les pros lisent chaque soir
Les 7 actus IA du jour, décryptées en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
L'IA au service du diagnostic des maladies génétiques rares
Une étude publiée le 18 juin 2026 dans NEJM AI met en lumière l'utilisation innovante de l'intelligence artificielle pour aider les médecins à diagnostiquer des maladies génétiques rares chez les enfants. Les chercheurs ont utilisé un modèle de raisonnement développé par OpenAI pour réexaminer 376 cas qui n'avaient pas trouvé de diagnostic concluant auparavant. Grâce à cette technologie, 18 nouveaux diagnostics ont été identifiés.
Malgré les avancées en séquençage génomique, un nombre significatif de patients atteints de maladies rares ne reçoivent pas de diagnostic génétique précis. Environ 50 % des cas restent sans réponse, même après des tests approfondis et des consultations avec des spécialistes. Les dossiers médicaux, souvent fragmentés et complexes, contiennent des indices précieux, mais leur analyse nécessite de passer au crible un grand nombre de variantes génétiques et de données cliniques.
L'évolution des connaissances scientifiques
Les connaissances sur les relations entre gènes et maladies évoluent constamment. De nouvelles découvertes et classifications peuvent rendre des cas précédemment non résolus interprétables. Des chercheurs de l'hôpital pour enfants de Boston, du Manton Center for Orphan Disease Research, de l'Université de Harvard et d'OpenAI ont collaboré pour utiliser le modèle OpenAI o3 Deep Research. Ce modèle a analysé des données cliniques et génomiques anonymisées, mettant en évidence des explications potentielles pour les chercheurs. Après une révision par des experts et des tests supplémentaires, 18 diagnostics ont été confirmés, augmentant le rendement diagnostique de 4,8 %.
L'importance de la réanalyse
Un test génétique non concluant ne signifie pas nécessairement une impasse définitive. Les descriptions phénotypiques, les résultats des tests et les antécédents familiaux peuvent être dispersés dans différentes bases de données, rendant leur liaison complexe. Même les spécialistes peuvent passer à côté d'un diagnostic si un gène pertinent n'a pas encore été lié à une maladie. À mesure que la science progresse, les mêmes données peuvent révéler des réponses autrefois inaccessibles.
La réanalyse des maladies rares est un défi à la fois scientifique et logistique. Bien que le génome d'un patient reste inchangé, les preuves qui l'entourent évoluent constamment. Les chercheurs découvrent de nouveaux liens entre gènes et maladies, reclassifient les variantes, et les bases de données s'enrichissent de nouvelles observations. Chaque mise à jour peut transformer un cas non résolu en une opportunité de diagnostic.
Le processus de réanalyse
Pour chaque cas, l'équipe a compilé un dossier anonymisé incluant des termes standardisés de l'Ontology des Phénotypes Humains pour décrire la présentation clinique du patient, des notes de cliniciens, et des métadonnées comme l'âge et le sexe. Une table de variantes filtrées était également incluse, capturant la rareté de chaque variante et son impact potentiel sur la protéine codée.
Le modèle d'OpenAI a été sollicité pour proposer l'explication moléculaire la plus plausible, en justifiant son raisonnement. Les résultats ont été examinés par des chercheurs utilisant le cadre ACMG/AMP, communément employé dans les laboratoires cliniques pour classer les variantes génétiques. Chaque candidat a été évalué par au moins deux membres de l'équipe, et les désaccords ont été résolus par consensus. Un diagnostic n'était validé qu'après confirmation par un laboratoire certifié CLIA et retour des résultats à la famille concernée.
Avant de s'attaquer aux cas non résolus, l'équipe a perfectionné son approche en testant le flux de travail sur des cas avec des diagnostics déjà établis. Elle a réussi à identifier correctement le gène et la variante dans 48 des 51 cas étudiés, couvrant une variété de conditions rares. Dans un ensemble de 57 cas neuromusculaires, le flux de travail a permis de retrouver le bon diagnostic dans 45 cas. Pour un groupe de 15 cas de génomes à longues lectures, le modèle a identifié le gène correct dans chaque cas et les deux allèles causant la maladie dans 12 cas. Ces tests ont été cruciaux pour affiner le processus et démontrer l'importance de la révision par des experts.
Résultats et implications
L'équipe a appliqué ce flux de travail à quatre groupes de cas non résolus : enfants avec des troubles neurodéveloppementaux, personnes atteintes de maladies neuromusculaires rares, enfants et adolescents avec psychose précoce, et cas de décès soudain en pédiatrie. Ces cas avaient déjà été examinés par divers pipelines commerciaux et institutionnels.
Détails par cohorte
- Neurodéveloppemental : 100 cas, 10 diagnostics, rendement de 10,0 %
- Maladie neuromusculaire : 61 cas, 4 diagnostics, rendement de 6,6 %
- Décès soudain en pédiatrie : 20 cas, 0 diagnostic, rendement de 1,0 %
- Psychose précoce : 15 cas, 2 diagnostics, rendement de 13,3 %
Le taux de 4,8 % de diagnostics établis est modeste mais significatif, surtout dans une population où les examens antérieurs n'avaient pas abouti. Des études similaires rapportent des gains modestes dans des cas déjà très examinés.
Parmi les 18 diagnostics, 7 étaient des redécouvertes : des diagnostics établis en dehors du flux de travail de recherche local mais absents des dossiers examinés par l'équipe. Dans plusieurs cas, les variantes étaient déjà répertoriées comme pathogènes ou probablement pathogènes dans des bases de données publiques, soulignant le défi opérationnel de synthétiser les informations à travers les sources de données.
Un exemple concret : le cas de Kyra
Le parcours de Kyra, une jeune fille de 9 ans, illustre bien l'impact de cette technologie. Sa mère a remarqué des changements dans ses performances physiques lors de ses activités sportives. Après de nombreuses consultations et tests sur près de 20 ans, un diagnostic a finalement été établi grâce à l'IA. Sa condition a été liée à une variante dans le gène HSPB8, responsable d'une forme de myopathie myofibrillaire.
Ce cas démontre comment l'IA peut offrir de nouvelles perspectives pour des diagnostics complexes, transformant potentiellement le paysage médical pour les maladies génétiques rares.
