L'IA qui perce les mystères des maladies génétiques rares chez l'enfant

QUAND LA MÉDECINE BUTTE SUR LES MALADIES RARES

Même avec les séquençages génomiques, près de la moitié des patients atteints de maladies génétiques rares restent sans diagnostic précis après des années d’examens. Leurs données médicales contiennent pourtant des indices : il faut trier des milliers, voire des millions de variantes génétiques possibles, des dossiers cliniques fragmentés et une littérature scientifique en constante évolution. Chaque jour, de nouvelles relations entre gènes et maladies sont découvertes. Pourtant, des milliers de dossiers restent bloqués dans des tiroirs, comme des énigmes non résolues.

Par exemple, un médecin peut séquencer le génome d’un enfant avant qu’un gène ou une variante spécifique ne soit liée à une maladie. Avec le temps, les mêmes données peuvent révéler des réponses autrefois impossibles à trouver. Le problème n’est pas le patient, mais la façon dont on analyse ses données : des informations cruciales sont dispersées dans des bases de données aux formats différents, avec des identifiants variés. Même les experts peuvent passer à côté d’un diagnostic.

L’IA, UNE SECONDE LECTURE POUR LES DOSSIERS OUBLIÉS

C’est dans ce contexte qu’une équipe de chercheurs du Boston Children’s Hospital, de Harvard University et d’OpenAI a eu une idée : utiliser un modèle de raisonnement pour relire 376 dossiers médicaux non résolus. Leur outil ? L’OpenAI o3 Deep Research, un modèle capable de synthétiser des informations complexes. Au lieu de donner une simple liste de gènes suspects, il a produit des hypothèses argumentées, accompagnées de preuves à vérifier par des experts humains.

Après analyse par des médecins et des tests cliniques, 18 diagnostics ont été confirmés : un gain de 4,8 % par rapport aux analyses précédentes. Cette étude, publiée le 18 juin 2026 dans NEJM AI, montre comment une réanalyse assistée par IA peut aider les experts à trouver des pistes dans les cas les plus difficiles. L’IA n’a pas posé de diagnostic elle-même : elle a fourni des éléments à examiner, que les médecins ont ensuite validés ou non.

Le modèle a identifié des variantes génétiques en croisant des données cliniques, des antécédents familiaux, des annotations de variants et des publications scientifiques. Par exemple, dans un cas de psychose précoce, l’IA a détecté une délétion sur le chromosome 22 (22q11.2), associée au syndrome de DiGeorge, confirmée ensuite par séquençage.

COMMENT FONCTIONNE CETTE TECHNOLOGIE ?

Pour chaque dossier, les chercheurs ont préparé un dossier standardisé contenant :

• • Des termes de l’ontologie des phénotypes humains (pour décrire les symptômes du patient),
• • Des notes cliniques ou diagnostics descriptifs,
• • Des métadonnées (âge, sexe),
• • Un tableau filtré des variants génétiques, avec leur rareté, leur impact sur la protéine, leur classification dans ClinVar et leur qualité dans la famille.

Le modèle a ensuite été invité à proposer l’explication moléculaire la plus plausible, en montrant son raisonnement. Les résultats ont été évalués selon le cadre ACMG/AMP, utilisé par les laboratoires cliniques pour classer les variants génétiques. Au moins deux membres de l’équipe ont revu chaque candidat, et les désaccords ont été résolus par consensus. Aucun diagnostic n’a été posé uniquement sur la base du modèle : la confirmation finale est venue d’un laboratoire certifié et d’une équipe médicale.

DES TESTS POUR VALIDER LA MÉTHODE

Avant d’appliquer cette méthode aux cas non résolus, l’équipe a testé le workflow sur des dossiers déjà diagnostiqués. Sur 51 cas variés, le modèle a retrouvé le bon gène et la bonne variante dans 48 cas. Sur 57 cas de maladies neuromusculaires, il a identifié le bon diagnostic dans 45 cas. Sur 15 génomes séquencés avec des techniques avancées, il a nommé le bon gène dans tous les cas, et les deux allèles causals dans 12 cas.

Ces tests ont permis d’affiner la méthode et de montrer où l’expertise humaine reste indispensable. Les scores de confiance auto-évalués par le modèle correspondaient aux diagnostics corrects : en moyenne, le score minimal était de 85,6 pour les appels corrects, contre 42,1 pour les appels incorrects ou incertains. Ces scores n’étaient pas des probabilités calibrées, mais ils ont aidé les experts à se concentrer sur les candidats les plus prometteurs.

18 DIAGNOSTICS NOUVEAUX, DONT 7 DÉJÀ CONNUS

L’équipe a ensuite appliqué cette méthode à quatre groupes de cas non résolus :

• • Des enfants avec des troubles neurodéveloppementaux,
• • Des personnes atteintes de maladies neuromusculaires rares,
• • Des enfants et adolescents avec une psychose précoce,
• • Des cas de mort subite inexpliquée en pédiatrie.

Après validation par des experts, 18 diagnostics ont été confirmés, soit 4,8 % des cas. Ce taux peut sembler faible, mais il est significatif car les dossiers avaient déjà été examinés par plusieurs équipes et Outils. Des études similaires rapportent des gains de quelques pourcents dans des cas déjà très analysés. Les gains plus élevés viennent généralement de l’étude de nouveaux cas ou de maladies bien connues en attente de confirmation génétique.

Parmi les 18 diagnostics, 7 étaient des « redécouvertes » : des diagnostics déjà établis en dehors du workflow local, mais absents des dossiers examinés. Dans plusieurs cas, les variantes étaient déjà classées comme pathogènes ou probablement pathogènes dans des bases de données publiques, illustrant la difficulté de synthétiser des informations dispersées.

DES DÉCOUVERTES AU-DELÀ DES DIAGNOSTICS

L’IA n’a pas seulement aidé à poser des diagnostics. Elle a aussi proposé de nouvelles pistes mécanistiques. Par exemple, dans un cas de neurodéveloppement, elle a mis en évidence une délétion de 11 acides aminés dans le gène S1PR1, associé au vitiligo. Ce gène code pour un récepteur de surface cellulaire impliqué dans la signalisation, le mouvement des cellules immunitaires et la biologie des tissus. Le modèle a intégré des preuves suggérant que cette délétion pourrait altérer la structure du récepteur et sa signalisation, réduisant la production de pigment tout en favorisant la persistance de cellules immunitaires dans la peau.

Cette hypothèse sur le lien entre S1PR1 et le vitiligo nécessite des validations expérimentales supplémentaires, mais elle illustre le rôle puissant de l’IA pour transformer des découvertes éparses en hypothèses testables.

L’équipe a aussi observé une possible expansion phénotypique dans la cohorte neuromusculaire. Des variantes pathogènes dans les gènes HSPB8 et CDK13 ne correspondaient pas parfaitement aux troubles les mieux connus associés à ces gènes, suggérant un spectre clinique plus large qui nécessitera des études supplémentaires.

Parfois, l’IA a même proposé deux gènes pour expliquer une présentation complexe. Par exemple, des variantes dans LAMA2 et FOXP1 ont aidé à expliquer des symptômes musculaires et neurodéveloppementaux chez un patient. Un autre cas impliquait une explication digénique (deux gènes) non reconnue auparavant, avec TTN et SRPK3.

LE CAS DE KYRA : 20 ANS D’ERRANCE MÉDICALE

Kyra, 9 ans, avait du mal à tenir les positions en karaté et à suivre le rythme au football. Son pédiatre n’a pas trouvé la cause de sa faiblesse musculaire et l’a orientée vers un spécialiste. Commence alors un parcours de près de 20 ans : tests, traitements, consultations… sans diagnostic.

Le cas de Kyra faisait partie des quatre diagnostics identifiés dans la cohorte neuromusculaire. Les chercheurs ont lié sa condition à une mutation par décalage du cadre de lecture dans le gène HSPB8, diagnostiquant une forme de myopathie myofibrillaire. Dans cette maladie, des structures protéiques anormales s’accumulent dans les fibres musculaires, provoquant une faiblesse progressive. Kyra, aujourd’hui 28 ans, est dépendante d’un ventilateur et en fauteuil roulant depuis l’âge de 13 ans, bien que sa maladie ait depuis plafonné. Le diagnostic est arrivé comme une forme de soulagement après des décennies d’incertitude.

POURQUOI RELIRE LES DOSSIERS ANCIENS ?

Cette étude montre que les réanalyses périodiques des dossiers médicaux, assistées par IA, peuvent apporter des réponses là où les experts avaient échoué. Le génome d’un patient ne change pas, mais les connaissances autour évoluent en permanence : de nouveaux gènes sont liés à des maladies, des variants sont reclassés, des bases de données s’enrichissent. Chaque mise à jour peut rendre un ancien dossier non résolu digne d’être réexaminé. Beaucoup d’institutions héritent ainsi d’un stock de génomes non synchronisés avec les connaissances actuelles.

L’IA agit comme une couche de raisonnement prioritaire sur les pipelines génomiques existants. Au lieu de simplement classer les gènes par ordre de probabilité, elle relie les caractéristiques cliniques, les schémas d’hérédité, les preuves de variants et la littérature scientifique en une justification interrogeable par un humain. Elle ne remplace pas l’expertise médicale, mais elle l’amplifie.

LIMITES ET DÉFIS DE L’IA EN MÉDECINE

Cette étude ne prouve pas que les patients ou les cliniciens doivent utiliser les modèles d’OpenAI pour diagnostiquer des maladies ou prendre des décisions médicales. L’OpenAI o3 Deep Research n’a posé aucun diagnostic : chaque résultat a été validé par des experts qualifiés, des tests cliniques et des laboratoires certifiés. Le modèle a simplement élargi la recherche et orienté l’analyse humaine.

Plusieurs limites sont à noter :

• • L’étude est rétrospective : les cohortes étaient hétérogènes, et les évaluateurs n’étaient pas en aveugle sur les scores de confiance du modèle.
• • Aucune mesure n’a été prise sur le temps gagné, le coût, l’effort des cliniciens, les faux positifs ou les changements dans les soins.
• • D’autres formes de variations génétiques (variants structurels, expansions de répétitions, changements introniens profonds, mosaïcisme) n’ont pas été systématiquement évaluées.

Les grands modèles de langage peuvent mal interpréter le contexte ou produire des explications plausibles mais erronées à l’examen. C’est pourquoi chaque résultat a été soumis à une adjudication humaine et à une confirmation clinique. L’IA a permis d’élargir la recherche et de focaliser l’analyse humaine, mais elle n’a pas décidé quelles informations ou quel diagnostic devaient être transmis à une famille.

UNE TECHNOLOGIE PROMETTEUSE, MAIS SOUS CONTRÔLE

Cette étude a utilisé des données dé-identifiées, sans information de santé protégée transmise en dehors des environnements approuvés. Un déploiement clinique à grande échelle nécessitera la même attention à la vie privée, la sécurité, l’auditabilité et la régulation locale que pour tous les soins médicaux. L’accès au modèle ne remplace pas l’infrastructure de séquençage, le conseil génétique, les tests de confirmation ou le jugement des spécialistes.

Pour aller plus loin, des études prospectives et multicentriques devraient comparer la réanalyse assistée par LLM avec les pratiques standard, en mesurant le rendement diagnostique, le temps jusqu’à un candidat, l’effort des cliniciens, la charge des faux positifs, le coût et les effets sur les soins. Des prompts versionnés, des vérifications de références, des journaux d’audit et des incertitudes calibrées seront essentiels pour la reproductibilité et la sécurité. Ces études nécessiteront toujours des cliniciens qualifiés pour évaluer les preuves, prescrire les tests appropriés et prendre toute décision de diagnostic ou de traitement.

QUEL MODÈLE POUR DEMAIN ?

Cette étude a utilisé l’OpenAI o3 Deep Research. Les modèles plus récents, capables de rechercher et de synthétiser davantage de littérature scientifique, pourraient offrir de meilleures performances. Des systèmes spécialisés, comme GPT‑Rosalind, sont conçus pour des travaux plus approfondis en sciences de la vie, incluant les effets des variants sur la structure et la fonction des protéines. Ces capacités n’ont pas été testées ici et nécessiteront leurs propres évaluations et contrôles d’accès.

Bien qu’OpenAI ait soutenu cette étude initiale, le Manton Center mènera la prochaine phase grâce à une subvention de la OpenAI Foundation. Cette subvention soutiendra le développement d’un copilote IA en génétique, indépendant de la plateforme, peu coûteux, pour aider les équipes cliniques à analyser les cas de maladies rares plus rapidement et de manière plus cohérente.

L’AVENIR : L’IA AU SERVICE DE LA RECHERCHE, PAS DU DIAGNOSTIC

L’opportunité de recherche à long terme est d’explorer si la réanalyse assistée par IA, menée par des experts, peut aider la compréhension scientifique à suivre le rythme des découvertes. L’objectif n’est pas que l’IA remplace le diagnostic d’un médecin, mais que des outils de recherche soigneusement évalués aident les spécialistes à identifier des preuves worth investigating. Pour des milliers de familles, les questions sans réponse d’aujourd’hui n’ont pas à rester sans réponse pour toujours.

Comme le résume le Dr Catherine Brownstein du Manton Center : « Le goulot d’étranglement, c’est le temps. Un expert ne peut consacrer qu’une partie de sa journée à un seul patient. » L’IA ne remplacera pas les médecins, mais elle pourrait leur donner plus de temps pour se concentrer sur ce qui compte vraiment : leurs patients.

CE QU’IL FAUT RETENIR

• Une étude publiée en 2026 montre comment l’OpenAI o3 Deep Research a aidé à diagnostiquer 18 maladies génétiques rares chez des enfants après des années d’errance médicale.

• Le modèle a produit des hypothèses argumentées à partir de données cliniques, génomiques et scientifiques, mais chaque diagnostic a été validé par des experts et des tests cliniques.

• Ce gain de 4,8 % est modeste mais significatif, car les cas étudiés avaient déjà été analysés par plusieurs équipes sans succès.

• L’IA ne remplace pas les médecins, mais elle peut les aider à explorer des pistes qu’ils auraient pu manquer, accélérant ainsi la recherche de diagnostics pour des maladies ultra-rares.

• Les prochaines étapes incluent le développement d’outils spécialisés et des études prospectives pour évaluer l’impact réel sur les soins et les coûts.

POUR ALLER PLUS LOIN

Cette étude ouvre la voie à de nouvelles applications de l’IA en génétique médicale. Voici ce qu’il faut retenir :

• • L’IA peut relire des dossiers anciens avec un regard neuf, en croisant des données disparates.
• • Elle ne pose pas de diagnostic, mais elle génère des pistes à explorer, réduisant le temps passé à chercher des aiguilles dans des montagnes de données.
• • Les maladies rares pourraient bénéficier le plus de cette approche, car leurs diagnostics sont souvent complexes et nécessitent une expertise pointue.
• • Les défis restent nombreux : protection des données, validation des résultats, intégration dans les workflows cliniques existants.
• • L’objectif n’est pas de remplacer les médecins, mais de leur donner des outils pour mieux soigner leurs patients.