Des chercheurs sud-coréens proposent une passerelle d’IA entre les cliniques de proximité et les grands hôpitaux

Un niveau intermédiaire proposé pour un système de santé saturé

En 2023, les Sud-Coréens ont consulté en ambulatoire 18 fois par personne, contre une moyenne de 6,5 dans les pays de l’OCDE. Avec un taux d’adoption du dossier médical électronique supérieur à 95 %, le pays associe une infrastructure numérique étendue à une forte demande de consultations. Une équipe de recherche propose désormais de recourir à l’intelligence artificielle pour mieux relier les cliniques de quartier aux grands hôpitaux, plutôt que de créer une nouvelle catégorie d’établissement médical.

La proposition, appelée système de santé à 1,5 niveau, a été publiée en ligne le 2 septembre 2026 dans npj Health Systems, une revue de Nature Portfolio. Dirigée par le professeur Jung Se-young, du département de médecine familiale de l’hôpital universitaire Bundang de l’Université nationale de Séoul, l’équipe décrit un niveau d’IA qui aiderait les cliniques à évaluer les patients, à échanger des informations médicales, à repérer des risques de maladie passés inaperçus et à suivre les maladies chroniques entre les rendez-vous.

L’article de perspective publié rassemble des données issues d’études cliniques distinctes. Il ne rend pas compte d’un essai portant sur l’ensemble du modèle de santé et n’annonce pas de déploiement national. Son argument central est que les différents outils d’IA devraient être organisés autour des missions des soins primaires, au lieu d’être introduits comme des produits techniques sans lien entre eux.

Le professeur Park Sang-min, de la faculté de médecine de l’Université nationale de Séoul, et le député Cha Ji-ho ont également participé aux travaux. Parmi les auteurs figurent Seong-Ho Han, Eojin Yi, Wooin Seo et Yeonsoo Kang. L’équipe a annoncé la publication le 17 septembre 2026.

Il importe de distinguer une proposition d’un système déjà opérationnel. Les auteurs estiment que la Corée du Sud est un terrain prometteur pour tester ce cadre, tout en reconnaissant que les incitations, la gouvernance institutionnelle et le suivi nécessaires à sa mise en œuvre ne sont pas encore établis à grande échelle.

Ce que ferait concrètement le niveau 1,5

Ce niveau intermédiaire proposé serait une passerelle technique entre les soins primaires et les services spécialisés. Les patients continueraient à consulter des professionnels de santé locaux et seraient pris en charge à l’hôpital si nécessaire. L’IA faciliterait les décisions et les transferts d’informations reliant ces différents contextes de soins.

Le cadre organise ce soutien autour de quatre fonctions établies des soins primaires : le premier recours, la coordination, la globalité et la continuité. Il s’agit respectivement d’évaluer un nouveau problème de santé, de coordonner les soins entre les prestataires, de répondre à un large éventail de besoins de santé et d’assurer un suivi dans la durée.

Par exemple, une clinique pourrait utiliser l’IA pour interpréter une image de dépistage, préparer un document d’orientation vers un spécialiste et combiner un compte rendu de sortie de l’hôpital avec les relevés d’un appareil de suivi à domicile. L’objectif est de disposer d’une vision plus complète du patient, sans obliger les professionnels à la reconstituer manuellement à chaque consultation.

Les auteurs disent vouloir rendre plus largement accessible la prise en charge attentive et individualisée associée à la médecine de conciergerie. Dans le résumé de l’article, l’équipe de recherche présente ce modèle comme une alternative évolutive à cette approche :

« des soins de conciergerie pour tous ».

Il s’agit d’un objectif affiché, et non d’un résultat démontré. Le fait qu’un outil améliore une tâche précise ne prouve pas que le système dans son ensemble puisse offrir des soins plus personnalisés sans personnel ni dépenses supplémentaires.

Le dépistage peut repérer une maladie, mais aussi passer à côté

Un exemple est tiré d’une étude prospective australienne qui associait la photographie automatisée du fond d’œil au dépistage du glaucome par IA en soins primaires. Un glaucome nécessitant une orientation vers un spécialiste a été détecté chez 18 des 161 participants jusque-là non diagnostiqués, soit 11,2 %.

L’article donne également des indicateurs de performance qui permettent de replacer ce taux de détection dans son contexte : une sensibilité de 65,0 %, une spécificité de 94,6 % et une aire sous la courbe ROC, ou AUROC, de 0,80.

La sensibilité mesure la capacité d’un test à repérer les personnes atteintes de la maladie. La spécificité mesure sa capacité à repérer celles qui ne le sont pas. La sensibilité rapportée indique que le dépistage n’a pas détecté tous les cas. Sa spécificité relativement élevée ne change rien à cette limite.

L’AUROC mesure la capacité d’un test à distinguer les cas des non-cas selon différents seuils de décision. Une valeur de 0,80 indique une capacité de discrimination utile, mais ne signifie pas que 80 % des patients ont reçu un diagnostic correct.

Ces résultats plaident en faveur de l’utilisation de l’IA pour élargir le dépistage et aider à orienter les patients vers les soins adaptés. Ils ne justifient pas de considérer un résultat négatif comme une garantie d’absence de maladie. Cette distinction est essentielle dans le modèle proposé : l’aide au dépistage doit rester liée à l’évaluation clinique et à l’orientation vers un spécialiste.

La qualité des orientations dépend de plus que d’une rédaction fluide

Pour la coordination, les chercheurs citent des grands modèles de langage capables de produire des lettres d’orientation et des comptes rendus de sortie à partir de dossiers médicaux électroniques. L’article mentionne une exactitude pouvant atteindre 99,25 % dans une tâche de synthèse sans exemple préalable, ainsi que des données faisant état d’une forte concordance avec les résumés rédigés par des cliniciens.

Sans exemple préalable signifie que, lors de cette évaluation, le modèle a réalisé la tâche demandée sans recevoir d’exemples spécifiques à celle-ci. Cela ne signifie pas qu’il n’avait jamais été entraîné. Les grands modèles de langage font l’objet d’un entraînement approfondi avant d’être chargés de produire un document médical.

Le bénéfice potentiel est concret. Lorsqu’un patient passe d’une clinique locale à un hôpital, les symptômes, les examens et les traitements doivent être clairement consignés. À son retour en soins de proximité, les changements de traitement et les recommandations du spécialiste doivent l’accompagner. Automatiser la première version de ces documents pourrait réduire le temps consacré à rassembler ces informations.

Cependant, le chiffre d’exactitude cité correspond à une évaluation précise. Il ne garantit pas que toutes les lettres d’orientation produites dans une autre clinique soient complètes ou sûres. Un document bien rédigé peut tout de même omettre une information cruciale, raison pour laquelle le cadre maintient la responsabilité des décisions de soins du côté des professionnels.

La coordination ne se limite pas non plus aux hôpitaux. L’article décrit une initiative menée dans le Nebraska, qui s’appuie sur une plateforme numérique d’orientation dans le parcours de soins pour repérer les besoins sociaux non satisfaits, mettre les patients en relation avec des ressources locales et assurer leur suivi par l’intermédiaire d’agents de santé communautaires. Cet exemple élargit la proposition au-delà de la production de documents : les informations doivent aider à mettre les patients en relation avec des services, et non simplement générer davantage de texte.

Les examens existants pourraient révéler des risques passés inaperçus

Le volet consacré à la globalité pose la question de savoir si l’IA peut aider un médecin généraliste à répondre à davantage de besoins de santé d’un patient en utilisant des informations déjà recueillies. Le dépistage opportuniste en est un exemple : un examen réalisé pour une raison donnée est aussi analysé pour détecter des signes d’une autre maladie.

Dans le projet américain NOTIFY-1, l’IA a repéré des calcifications coronaires sur des scanners thoraciques existants. Ces dépôts de calcium peuvent signaler une athérosclérose, c’est-à-dire une accumulation de plaques dans les artères. Les chercheurs ont ensuite informé les médecins et les patients des résultats.

L’article scientifique fait état de taux de prescription de statines de 51,2 % contre 6,9 % à six mois, soit un écart de 44,3 points de pourcentage et un rapport d’environ 7,4. Les statines abaissent le cholestérol et sont utilisées pour réduire le risque cardiovasculaire chez les patients concernés.

Certains comptes rendus présentent ces chiffres comme une hausse de 6,9 % avant le dépistage à 51,2 % après celui-ci. L’article scientifique les présente plutôt comme une comparaison à six mois et indique qu’aucun patient ne prenait de statines au départ. Le chiffre de 6,9 % ne doit donc pas être considéré comme le taux initial de prescription.

Ce résultat mesure une évolution des prescriptions, et non une baisse démontrée des infarctus. Il reflète également une intervention combinée : détection par IA, puis notification des médecins et des patients. La détection seule ne peut être créditée de l’ensemble de l’effet.

Les données sur l’aide au diagnostic à plus grande échelle sont de nature différente

L’article cite également un essai randomisé sur l’aide de l’IA à la spirométrie, un examen qui mesure la quantité d’air qu’une personne peut expirer et la vitesse à laquelle elle le fait. Il est couramment utilisé pour évaluer les troubles respiratoires.

L’aide à la décision par IA a amélioré de 9,0 points de pourcentage la prédiction du diagnostic préféré des cliniciens, tous cas confondus. Pour la bronchopneumopathie chronique obstructive, ou BPCO, l’amélioration était de 15,9 points de pourcentage. Les intervalles de confiance à 95 % rapportés étaient respectivement de 4,5 à 13,3 points et de 9,0 à 22,7 points.

Il s’agit d’améliorations dans une tâche diagnostique, et non de la preuve que l’IA peut prendre seule en charge les maladies respiratoires. Les auteurs intègrent ces outils dans des parcours où les cliniciens doivent vérifier les résultats et orienter les patients lorsque les cas dépassent le champ des soins primaires.

Une étude distincte de Pickhardt et de ses collègues a modélisé le dépistage par IA de maladies cardiovasculaires, de l’ostéoporose et de la sarcopénie — une perte de masse et de fonction musculaires — à partir de scanners existants. Dans des cohortes modélisées de personnes âgées de 55 ans, cette approche était censée réduire les coûts et améliorer les résultats cliniques sur dix ans, par rapport aux stratégies consistant à traiter tout le monde ou personne.

Ces données diffèrent de celles d’un essai clinique. Un modèle estime des résultats à partir d’hypothèses sur les maladies, les traitements et les coûts. Il peut aider à déterminer si une approche mérite d’être testée, mais les économies projetées ne doivent pas être présentées comme de l’argent déjà économisé grâce au cadre proposé en Corée.

Le suivi du diabète pourrait se poursuivre entre les consultations

Pour assurer la continuité, les chercheurs s’intéressent aux informations et aux soins qui se prolongent en dehors du cabinet médical. Les capteurs de glucose en continu effectuent des relevés fréquents, ce qui permet à l’équipe soignante de repérer des tendances que des mesures ponctuelles en clinique pourraient manquer.

Un essai randomisé du système Twin Precision Treatment associait suivi de la glycémie, conseils de mode de vie guidés par l’IA et accompagnement numérique. Il rapporte que 71,0 % des participants atteints de diabète de type 2 ont obtenu une rémission ou réduit leur traitement médicamenteux.

Il s’agit d’un résultat combiné. Cela ne signifie pas que 71,0 % des participants ont obtenu une rémission, ni que toutes les personnes de ce groupe ont cessé de prendre des médicaments. Cette distinction compte lorsqu’on décrit ce que les patients peuvent attendre d’un programme similaire.

Aux Émirats arabes unis, le modèle GluCare.Health associait suivi à distance et aide à la décision clinique par IA. L’article fait état d’une baisse de l’HbA1c de 2,19 points de pourcentage, contre 0,10 point avec les soins habituels, soit un écart de 2,09 points. L’HbA1c reflète la glycémie moyenne sur une période d’environ deux à trois mois.

Ces deux exemples portent sur des programmes de soins complets, et non sur des logiciels agissant seuls. Les appareils de suivi, l’accompagnement en matière de mode de vie et la prise en charge clinique complétaient le volet IA. Ils justifient de tester des soins plus continus, mais ne démontrent pas que l’IA, à elle seule, a produit les améliorations rapportées.

Les médecins gardent la responsabilité, avec trois boucles de sécurité

La proposition attribue la responsabilité du diagnostic et du traitement aux cliniciens agréés et aux établissements de santé. L’IA soutiendrait l’accueil, la documentation, la priorisation, l’évaluation des risques et le suivi, sans assumer seule la prise en charge des patients.

Le niveau de supervision augmenterait avec l’autonomie de l’outil et les conséquences de ses résultats. Les synthèses administratives et la prise de rendez-vous pourraient faire l’objet d’un contrôle a posteriori. Les priorités de triage et les suggestions cliniques devraient être examinées par un clinicien avant toute action. Les diagnostics, les prescriptions et les autres décisions thérapeutiques importantes nécessiteraient une validation professionnelle.

Les auteurs définissent également trois boucles de sécurité : clinique, de gouvernance et d’apprentissage. Ensemble, elles expriment la nécessité de superviser les soins, de maintenir la responsabilité institutionnelle et de tirer parti de l’expérience acquise après le déploiement pour suivre et améliorer le système.

Cette distinction est utile, car une évaluation concluante en laboratoire ou en milieu clinique ne permet pas de savoir comment un outil se comporte une fois intégré aux pratiques quotidiennes. Un cadre reliant plusieurs outils exige de superviser le service dans son ensemble, ainsi que de contrôler chaque application prise individuellement.

Le même principe s’applique aux dossiers. Les chercheurs proposent de combiner les dossiers médicaux des établissements avec les informations générées par les patients à partir d’objets connectés, de dossiers médicaux personnels et de thérapies numériques. Ils évoquent une terminologie clinique normalisée, notamment SNOMED CT, pour aider les différents systèmes à interpréter les mêmes informations de manière cohérente. La généralisation des dossiers numériques constitue un point de départ, et non la preuve que les informations circulent déjà de manière fiable entre les établissements.

Pourquoi la Corée est un terrain d’essai, et non un déploiement confirmé

Avec 18 consultations ambulatoires par personne en 2023, la Corée du Sud affichait un chiffre environ 2,8 fois supérieur à la moyenne de 6,5 citée pour l’OCDE. Associé à la généralisation des dossiers électroniques et à l’assurance maladie nationale couvrant toute la population, ce volume élevé donne aux chercheurs une raison de vérifier si un meilleur soutien aux soins primaires peut réduire la fragmentation des soins et la pression exercée sur les grands hôpitaux.

Les auteurs recensent néanmoins plusieurs conditions de mise en œuvre qui restent à remplir : à grande échelle, les incitations ne sont pas encore harmonisées, les instances de gouvernance ne sont pas en place et l’infrastructure de suivi après déploiement n’est pas établie. La proposition ne fixe aucune date confirmée de lancement d’un projet pilote, aucun calendrier de mise en œuvre ni aucun engagement de financement national.

La chronologie distingue les données sur le système de santé de la publication et de son annonce :

• 2023 : la Corée du Sud a enregistré 18 consultations ambulatoires par personne, contre la moyenne de 6,5 citée pour l’OCDE.
• 2 septembre 2026 : l’article de perspective a été publié en ligne dans npj Health Systems, volume 3, article 80.
• 17 septembre 2026 : l’équipe de recherche a annoncé la publication.

Les auteurs déclarent n’avoir aucun conflit d’intérêts. Leur article présente un programme visant à tester un modèle de service, et non la preuve que la Corée a déjà réorganisé son système de soins autour de celui-ci.

Le cadre propose aussi différentes applications selon les contextes. Dans les zones urbaines favorisées, le triage par IA et l’automatisation des documents administratifs soutiendraient les cliniques confrontées à la demande de soins spécialisés et à une forte charge administrative. Dans les zones rurales où les médecins sont peu nombreux, les infirmiers et les agents de santé communautaires pourraient utiliser des outils de dépistage portables et orienter les patients. Dans les zones touchées par un conflit ou une catastrophe, des outils légers fonctionnant sans connexion internet pourraient contribuer au maintien des services essentiels.

Il s’agit d’adaptations proposées, et non de déploiements documentés du système complet. L’objectif commun est de mieux valoriser les capacités cliniques existantes, tout en maintenant le lien entre dépistage, orientation et suivi avec une prise en charge médicale assortie de responsabilités clairement établies.

À retenir

• Des chercheurs sud-coréens proposent un niveau d’IA reliant les cliniques de soins primaires aux hôpitaux spécialisés, et non une nouvelle catégorie d’établissement médical.
• Publié en septembre 2026, l’article de perspective s’appuie sur des études distinctes ; il ne s’agit pas d’un essai du cadre dans son ensemble.
• Les applications envisagées couvrent le dépistage, les documents médicaux, la détection élargie de maladies et le suivi entre les consultations.
• Les résultats cliniques varient selon les tâches, et les bénéfices des programmes de soins combinés ne peuvent être attribués à la seule IA.
• Les cliniciens restent responsables des diagnostics, des prescriptions et des décisions thérapeutiques.
• La Corée du Sud est proposée comme terrain d’essai, mais la gouvernance, les incitations et le suivi ne sont pas encore établis à grande échelle.
• Aucun déploiement national ni calendrier confirmé pour un projet pilote n’a été annoncé.