Diagnostic Artificiel
Le machine learning aurait-il une place dans l'aide au diagnostic ? Le principe du diagnostic médical repose sur l’identification de motifs cliniques à partir de signes et de symptômes, mais le machine learning suit une logique similaire : détecter des régularités dans des données complexes pour produire une estimation probabiliste. Or la quantité de variables impliquées dans les troubles psychiques dépasse largement la capacité de traitement humaine, et l’hétérogénéité interindividuelle complexifie encore l’évaluation. Ce projet part de cette tension méthodologique pour explorer une assistance computationnelle au diagnostic. Parmi les données les plus robustes sur les erreurs de diagnostic, plusieurs revues systématiques estiment que en soins ambulatoires, environ une erreur de diagnostic affecte 1 patient sur 20 chaque année, soit plus de 12 millions d’adultes aux États-Unis ; une partie significative de ces erreurs pourrait être préjudiciable pour la santé des patients (BMJ Quality & Safety)*. J’ai rejoint le projet lors du hackathon Hack1Robo organisé par l’équipe Mnemosyne d’Inria Bordeaux, spécialisée en neurosciences computationnelles. Diagnostic Artificiel consiste à développer un système capable de fournir, en temps réel, des probabilités associées à différents troubles à partir d’un entretien clinique. Le prototype developpé pendant le hackathon simule un dialogue clinicien-patient à l’aide d’un LLM, un modèle d’IA entraîné sur de grands corpus textuels pour comprendre et générer du langage naturel. Les symptômes détectés sont ensuite comparés aux critères du DSM-5, manuel de référence en psychiatrie, via une modélisation bayésienne, approche statistique qui met à jour une probabilité à mesure que de nouvelles informations sont intégrées. Mon travail consistait à formaliser un flux utilisateur et à développer un prototype interactif d'interface utilisateur sur Figma suivant la logique de ce flux. Les choix graphiques, bleu clair, vert menthe, gris pastel, typographie sobre et lisible, visaient à instaurer une atmosphère de calme cognitif adaptée à un contexte clinique. Ma maquette a servi de base d’implémentation en Python par les développeurs.
Client
INRIA
DELIVERABLES
maquette Figma, prototype hebergé localement
Year
2025
Role
UX/UI design
Le projet a été lauréat de 4ème édition de hackathon et a reçu le prix Inria Startup Studio, reconnaissance qui valide la pertinence scientifique et entrepreneuriale de la démarche. Ce travail m’a appris à articuler design d’interface et architecture algorithmique, et à penser un outil médical comme un système socio-technique où chaque choix visuel engage une responsabilité clinique. La suite du projet viserait la construction d’un profil patient enrichi, intégrant les dossiers médicaux, les données issues de « Mon espace santé » (Ameli), ainsi qu’une captation vocale, sous réserve de l’accord du patient, afin de permettre une analyse plus dynamique et plus pertinente des réponses. L’ensemble reposerait sur un chiffrement de bout en bout et un hébergement sur des serveurs certifiés, avec contrôle strict des accès. Le système demeurerait un outil d’assistance visant à réduire les biais cognitifs et à structurer l’exploration clinique, la décision diagnostique finale relevant du médecin.
projet en développement, initié et porté par Achille Gillig et Jonathan Legrand, détenteurs des droits intellectuels ; premier prototype co-réalisé avec Mélina Scopin, Sophie Hombourger et Gabriel Soria à l’occasion de la 4e édition du hackathon Hack1Robo.
article cité : Singh H., Meyer A.N.D., Thomas E.J. The frequency of diagnostic errors in outpatient care: estimations from three large observational studies involving US adult populations. BMJ Quality & Safety. 2014;23:727‑731.