Santé et sciences de la vie

L'IA clinique est déjà active au sein de vos DSE, de votre chaîne de codage, de votre file d'attente d'autorisation préalable et de votre pipeline de découverte de médicaments — mais la couche de sécurité, de vérification et de documentation réglementaire qui s'interpose entre le modèle et le patient n'existe pas dans la plupart des déploiements. L'approche de Veriprajna consiste à concevoir cette couche manquante : validation clinique déterministe, surveillance continue des dispositifs médicaux et gouvernance prête pour l'audit conçues pour les systèmes de santé, l'industrie pharmaceutique et les organismes payeurs.

L'IA que vos cliniciens utilisent déjà ne dispose d'aucune couche de sécurité

Deux tiers de la base de prescripteurs d'Epic ont désormais accès à du contenu clinique généré par GPT-4. Les scribes ambiants rédigent des observations, les réponses In Basket parviennent aux patients et les messages MyChart reçoivent des réponses générées automatiquement. Dans une étude évaluée par des pairs portant sur des déploiements cliniques réels, 2.9% des résumés de consultations générés par l'IA contenaient des hallucinations ou des erreurs factuelles — notamment des statuts de médication inexacts et des dates d'intervention erronées.

Ce chiffre semble modeste jusqu'à ce que vous réalisiez que 22.7% des soignants ont déclaré abandonner totalement les comptes rendus intégraux au profit du résumé produit par l'IA. La couche de sécurité entre le LLM et le patient n'existe pas dans la plupart des intégrations de DSE actuelles : l'architecture CDS Hooks d'Epic n'a pas été conçue pour valider en temps réel le texte généré par un LLM par rapport à la liste active des problèmes, des médicaments et des allergies d'un patient. C'est précisément cette lacune que nos missions ont pour périmètre de combler — voir une démonstration opérationnelle de notre couche de sécurité clinique pour l'IA.

Ce constat n'a rien de théorique. Lorsque des chercheurs ont évalué six LLM de premier plan à l'aide de vignettes cliniques contenant une unique fausse valeur de laboratoire introduite artificiellement, les modèles ont répété ou développé l'information erronée dans jusqu'à 83% des cas. Un simple prompt d'atténuation a réduit ce taux de moitié, sans toutefois l'éliminer. Dans les flux de travail où une note générée par l'IA alimente directement le codage, la prescription et la facturation, une valeur biologique hallucinatoire ou un historique médicamenteux inventé peut se propager à travers toute la chaîne de soins avant qu'un être humain n'intervienne.

Le problème de codage à $2.3 billion que personne n'avait anticipé

L'analyse menée en mars 2026 par Blue Cross Blue Shield sur les données de réclamations d'assurance commerciale a révélé que les pratiques de codage assisté par IA sont associées à une augmentation de $2.3 billion des dépenses de santé — $663 million en hospitalisation et $1.67 billion en ambulatoire. Le débat visant à déterminer s'il s'agit de surfacturation (upcoding) ou d'une précision accrue de la documentation passe à côté de l'essentiel : si votre scribe ambiant recueille davantage de détails cliniques sans que personne ne vérifie leur exactitude, vous avez simplement construit une machine coûteuse destinée à générer des réclamations de niveau de gravité plus élevé à partir d'une même réalité clinique.

Prestataires de soins et organismes payeurs s'accordent tous sur le fait que les scribes ambiants augmentent les coûts ; aucun ne dispose d'une solution, car le problème se situe entre le scribe et le codeur — au sein d'une couche de vérification qui n'existe pas encore. Notre approche consiste à concevoir cette couche de vérification — non pas en remplaçant les outils de documentation ambiante ni en concurrençant les moteurs de codage, mais en insérant une validation clinique déterministe entre la note générée par l'IA et les systèmes en aval qui l'exploitent. Les contrôles sont conçus pour être structurels et non probabilistes :

• Cette observation documentée apparaît-elle dans le dossier du patient ?
• Cette évaluation concorde-t-elle avec les preuves documentées ?
• Ce niveau de complexité est-il étayé par les données de la consultation ?

Il s'agit de validations fondées sur des règles appliquées à des faits cliniques avérés, et non de jugements probabilistes.

1,451 dispositifs d'IA autorisés par la FDA et un problème de rappel

La FDA a autorisé 295 dispositifs médicaux dotés d'IA pour la seule année 2025 — le chiffre le plus élevé de son histoire — portant le total cumulé à 1,451. Mais un examen de 60 dispositifs d'IA autorisés par la FDA a révélé 182 recalls, près de la moitié survenant dans l'année suivant leur autorisation. Le TruDI Navigation System a enregistré plus de 100 dysfonctionnements et événements indésirables après l'intégration de l'IA, contre sept auparavant. Seulement 5.2% des dispositifs d'IA autorisés ont communiqué la moindre donnée relative aux événements indésirables — ce qui signifie que nous naviguons à l'aveugle sur la sécurité post-commercialisation des 95 % restants.

La directive finale de décembre 2024 sur les PCCP a ouvert une voie permettant aux dispositifs d'IA adaptatifs d'évoluer après autorisation sans nouvelles soumissions, mais la plupart des fabricants ne sont pas équipés pour mettre en œuvre l'infrastructure de surveillance, de validation et de documentation requise par les PCCP. Notre approche consiste à bâtir cette infrastructure : les systèmes de surveillance continue, les pipelines de validation des performances et les cadres de documentation réglementaire conçus pour transformer un PCCP d'une simple stratégie de dépôt en une réalité opérationnelle.

Déficit de gouvernance : 23% disposent de cadres, 78% déploient

Seulement 23% des réseaux de santé ont mis en place des structures formelles de gouvernance de l'IA, et pourtant 78% prévoient de déployer l'IA clinique au cours des 24 prochains mois. Le périmètre réglementaire s'étend plus vite que la capacité de la plupart des réseaux de santé à doter leurs comités de gouvernance en personnel :

• L' AMA a publié son kit d'outils de gouvernance de l'IA en août 2025.
• La Coalition for Health AI (CHAI) a co-signé son plan directeur avec la Joint Commission en septembre 2025, fixant les attentes en matière de gouvernance pour plus de 22 000 organisations accréditées.
• La règle HTI-1 de l'ONC exige 31 attributs de source pour les interventions prédictives d'aide à la décision et impose la divulgation publique des pratiques de gestion des risques liés aux interventions.
• La Section 1557 et sa règle de non-discrimination s'étendent aux outils d'aide à la décision clinique basés sur l'IA, avec une échéance de conformité fixée à mai 2025 .
• Les actions répressives de l'OCR en matière d'IA ont augmenté de 340% en 2025.

Nous concevons des programmes de gouvernance de l'IA répondant simultanément aux exigences de l'ONC, de l'OCR, du CMS et de la Joint Commission, une approche détaillée dans nos travaux de recherche sur la frontière de la gouvernance de l'intégrité algorithmique. Un système de santé déployant le scribe ambiant d'Epic, un modèle prédictif du sepsis et un chatbot orienté patient présente trois profils de risque d'IA partageant des données de patients. Les régir en silos — par fournisseur, par service ou par exigence de conformité — conduit inévitablement les organisations à des politiques redondantes, des évaluations des risques contradictoires et des failles que les régulateurs découvrent avant même le comité de gouvernance.

IA pharmaceutique : 173 programmes cliniques, zéro approbation, de réelles lacunes de validation

Plus de 173 programmes médicamenteux découverts par IA sont en développement clinique (notre recherche sur la découverte par IA en boucle fermée). Insilico Medicine a publié la première preuve de concept clinique de l'industrie pour un médicament découvert par IA dans Nature Medicine en juin 2025. Recursion a abandonné son candidat principal REC-994 en mai 2025 après que les données à long terme n'ont pas confirmé les tendances d'efficacité initiales. Les grands groupes pharmaceutiques ont engagé des milliards dans des partenariats d'IA — Novo Nordisk–Valo Health ($2.76B), Eli Lilly–Isomorphic Labs ($1.75B), et Bayer–Recursion ($1.5B) — pourtant, aucun médicament découvert par l'IA n'a reçu l'approbation de la FDA à ce jour, début 2026.

Le déficit de validation dans l'IA pharmaceutique ne concerne pas les performances des modèles — il s'agit de la documentation réglementaire. Dès que l'IA touche à des processus régis par les BxP (GxP), chaque décision algorithmique exige une piste d'audit conforme à la norme 21 CFR Part 11 . Le projet de directive de la FDA de janvier 2025 a introduit un cadre d'évaluation de la crédibilité fondé sur les risques, et les principes conjoints FDA–EMA de janvier 2026 mettent l'accent sur l'adéquation à l'usage prévu et une gouvernance robuste des données. Notre approche consiste à construire l'infrastructure de validation reliant les résultats des modèles d'IA aux cadres documentaires réellement examinés par les régulateurs : plans d'évaluation de la crédibilité, définitions du contexte d'utilisation et pistes d'audit traçant chaque décision algorithmique depuis les données d'entraînement jusqu'au critère d'évaluation clinique.

L'heure des comptes pour l'IA chez les payeurs

Le CMS a lancé le projet pilote WISeR en janvier 2026, testant l'autorisation préalable alimentée par l'IA pour les bénéficiaires de Medicare dans six États. En quelques mois, les médecins ont signalé une hausse des refus, des délais d'attente allongés pour les réexamens confraternels et des retards d'accès aux soins pour les patients. La structure financière du programme rémunère les prestataires sur la base d'une part des « économies » réalisées, créant une incitation directe au refus. L' EFF a intenté une action en justice pour exiger la transparence sur les incitations financières des prestataires, et les démocrates ont déposé une proposition de loi pour abroger ce projet pilote. Dans le même temps, les assemblées législatives des États agissent de manière autonome :

• Le Texas interdit les décisions défavorables automatisées sans contrôle humain.
• La loi SB 243 de Californie réglemente les chatbots d'accompagnement par IA.
• L'Illinois et le Nevada ont totalement interdit l'IA pour la santé comportementale.

Pour les organismes payeurs déployant l'IA dans la gestion de l'utilisation des soins, la question n'est plus de savoir si la réglementation va arriver, mais si votre système peut prouver l'existence de la piste d'audit, de la documentation du raisonnement clinique et de l'intégration de la supervision humaine qu'exige chaque réglementation en cours d'adoption. Nous concevons des cadres de conformité algorithmique pour l'IA des payeurs afin de documenter la justification de chaque décision au niveau individuel de la demande de remboursement, d'intégrer des déclencheurs obligatoires d'examen humain et de générer les rapports de transparence que le CMS, les procureurs généraux des États et les avocats des plaignants exigeront inévitablement.

Pourquoi pas un grand cabinet de conseil ?

Deloitte, Accenture et McKinsey disposent tous d'équipes dédiées à l'IA en santé. Ils élaborent des cadres de gouvernance, des évaluations de maturité et des feuilles de route stratégiques, et excellent dans la conduite du changement organisationnel et l'alignement des dirigeants. Mais ils ne construisent pas de systèmes de sécurité clinique.

Lorsque votre intégration Epic requiert une couche de validation en temps réel qui vérifie les recommandations médicamenteuses générées par l'IA par rapport à la liste des allergies du patient au sein de CDS Hooks, il s'agit d'un défi d'ingénierie nécessitant à la fois une expertise approfondie en informatique clinique et des capacités d'intégration de systèmes. Les grands cabinets sous-traitent ces travaux ; nous les traitons comme le cœur d'ingénierie de notre mission plutôt que comme une tâche déléguée. Lorsque votre équipe pharmaceutique a besoin de pistes d'audit conformes à la norme 21 CFR Part 11 pour un modèle d'IA intégré à un processus BxP (GxP), notre mission est dimensionnée pour livrer le pipeline opérationnel — et non une présentation PowerPoint décrivant ce à quoi le pipeline devrait ressembler.