Emmanuel Bacry (Directeur scientifique de la Plateforme des Données de Santé, Directeur de recherche au CNRS et spécialiste des applications de l'IA en santé) et Youness Khalil (Responsable du Pôle IA à la Plateforme des Données de Santé)
À propos de la conférence « Building Commons for Clinical LLMs »
La conférence scientifique internationale « Building Commons for Clinical LLMs » se tiendra les 1er et 2 octobre 2026 au PariSanté Campus à Paris.
Alors que les grands modèles de langage (LLM) continuent de transformer le paysage médical, le besoin de solutions partagées, conformes à la réglementation et validées cliniquement n’a jamais été aussi crucial pour les professionnels de santé. Cette conférence vise à favoriser le dialogue entre la recherche académique et les applications médicales, en mettant l’accent sur les défis spécifiques liés à la confidentialité des données, à la robustesse des modèles et à la précision clinique.
(Pour Emmanuel Bacry et Youness Khalil) La Plateforme des Données de Santé, au-delà de garantir l’accès unifié et sécurisé aux données de santé pour améliorer la qualité des soins et l’accompagnement des patients, possède aussi une Direction Scientifique et un pôle IA qui visent à lancer et à coordonner des projets permettant de valoriser ces données, notamment via le développement de solutions d'IA. Comment la Plateforme des Données de Santé a-t-elle évolué pour répondre à l'accélération des enjeux autour de l'IA en santé ?
La Plateforme des Données de Santé (également connue sous le nom de Health Data Hub) a pour mission de garantir l’accès aisé et unifié, transparent et sécurisé, aux données de santé pour améliorer la qualité des soins et l’accompagnement des patients. La PDS est ainsi chargée par la loi de réunir, organiser et mettre à disposition les données du Système National des Données de Santé (SNDS) centralisé et de promouvoir l'innovation dans l'utilisation des données de santé.
La base principale du SNDS, constituée notamment des données de remboursement de l’Assurance maladie, est un trésor national et un atout de taille pour la recherche en santé. Cependant, l’émergence récente des grands modèles de langage permet d’explorer de nouvelles pistes sans précédent pour la recherche, en ouvrant la voie à la mobilisation des comptes-rendus médicaux, quasiment inexploités auparavant.
Alors que les États-Unis avancent très rapidement sur cet enjeu, la France fait face à plusieurs lacunes :
- Absence de bases de données de CR médicaux exploitables ouvertes
- Absence de modèles d’IA générative ouverts et performants, entraînés sur des CR médicaux
- Peu d’acteurs pouvant réunir une masse critique de données et sans jamais de garantie de représentativité
- Des algorithmes non partageables
Par ailleurs, nous avons un cadre réglementaire européen exigeant, garantissant un accès et un partage sécurisés des données de santé. C’est une bonne chose, cependant cela génère des freins pour l’innovation, notamment pour l’IA générative en santé.
C’est pour répondre à ces enjeux que la PDS coordonne le projet PARTAGES, lauréat de l’appel à projets France 2030 pour la création de communs numériques en IA générative en santé. PARTAGES réunit un consortium inédit de 32 partenaires, composé d'équipes de recherche, de groupes d'établissements de santé publics et privés, ainsi que d'acteurs deeptech spécialisés en intelligence artificielle. Son ambition : structurer des ressources ouvertes pour favoriser l'émergence de solutions d'IA générative en santé, au bénéfice de l'écosystème académique, hospitalier et industriel. Ces ressources regroupent notamment des LLM médicaux, des bases ouvertes de comptes rendus médicaux fictifs ainsi que des modèles de langue spécialisés dans la structuration et le traitement des comptes rendus médicaux.
(Pour Emmanuel Bacry et Youness Khalil) Cet événement est co-organisé avec des figures scientifiques majeures du traitement automatique du langage naturel (NLP) en France, comme Xavier Tannier (LIMICS/Sorbonne) et Pierre Zweigenbaum (LISN/Paris-Saclay) mais ne s'adresse pas uniquement à une population de chercheurs en IA, mais aussi à des médecins. Pourquoi était-il capital de sortir des cercles purement scientifiques et techniques pour provoquer une rencontre entre ces scientifiques et des médecins ?
Nous organisons la conférence Building Commons for Clinical LLMs afin de dépasser le cadre national du projet PARTAGES et ouvrir à l'international les travaux et les réflexions que nous menons actuellement. Alors que de nombreuses initiatives scientifiques et médicales sont en cours à l'international pour le développement, l’évaluation et le déploiement de LLM en santé. Il est essentiel, pour cette première édition, de favoriser le dialogue entre des communautés qui œuvrent dans le même but et qui rencontrent souvent des défis similaires. Nous souhaitons en particulier mettre l'accent sur la création de communs numériques et le partage de ressources en open source ( données, systèmes d’évaluation, modèles, etc.), ce qui est un des enjeux majeurs pour le déploiement à grande échelle d’outils d’IA générative au service des professionnels de santé et des patients.
Les LLM appliqués à la santé se situent à l’intersection de plusieurs mondes : la recherche en traitement automatique du langage, l’expertise clinique, l’ingénierie des modèles, mais aussi les enjeux de déploiement, de sécurité et de régulation. Or notre conférence est précisément pensée pour présenter les avancées récentes sur les LLM en santé, favoriser les échanges autour de leurs défis scientifiques, techniques, réglementaires et éthiques, et ouvrir également le dialogue avec les acteurs industriels sur les conditions concrètes d’usage. Le fait qu’elle s’adresse à la fois à des chercheurs, à des professionnels de santé et à des acteurs de l’industrie traduit bien cette conviction : sur ces sujets, aucune communauté ne peut avancer seule.
Afin d'avoir un socle technique rigoureux, il était essentiel de construire cette conférence avec des laboratoires et des chercheurs de tout premier plan en NLP médical et en IA. Le comité scientifique annoncé associe ainsi Emmanuel Bacry, Xavier Tannier, Pierre Zweigenbaum, Aurélie Névéol et François Portet, avec des ancrages à la PDS, au LIMICS, au LISN, au CNRS et au LIG. Pour une conférence scientifique de ce niveau, la présence d’un tel comité est indispensable pour garantir un programme scientifique de premier ordre et la qualité des échanges et la capacité à faire émerger d’éventuelles collaborations internationales.
Afin d'accorder également de la place et un temps de parole aux médecins et aux industriels, au plus proche des pratiques du terrain, nous avons aussi prévu des temps de présentation et des temps de table ronde, conviant ces populations à partager des retours d'expérience, des interrogations et des besoins vis-à-vis de l'avenir de ces technologies. Ainsi nous avons invité tout autant de chercheurs en IA que de médecins et d'industriels à participer à cette conférence.
« Notre approche est assez simple : plutôt que d’adapter à la marge des modèles principalement entraînés et évalués à partir de bases anglophones, nous cherchons à bâtir progressivement un environnement scientifique, technique et clinique propre au français médical. » Youness Khalil
Youness, la majorité des grands modèles de langage open-source ou propriétaires sont entraînés sur des corpus massivement anglophones. Or, la sémantique médicale française (comptes-rendus d'hospitalisation, notes de sortie, jargon clinique) possède ses propres subtilités, ses acronymes et sa structure textuelle. Quelles approches scientifiques (fine-tuning spécialisé, alignement, ou architectures hybrides) préconisez-vous au sein du Pôle IA pour que ces LLM ne souffrent pas d'un biais de traduction ou de performance en contexte clinique réel ?
Notre conviction, c’est qu’on ne corrigera pas les biais des modèles anglophones par la seule traduction ou par un simple fine-tuning superficiel. Il faut construire un socle francophone adapté aux pratiques et au vocabulaire cliniques français. Dans PARTAGES, cela passe notamment par la production d’un corpus inédit de plus de 6 000 comptes rendus médicaux en français de patients fictifs, rédigés et validés par des médecins, couvrant 20 spécialités médicales. Ces ressources servent à entraîner et évaluer des cas d’usage médicaux ciblés, mais aussi à créer des communs réutilisables par l’écosystème. Les premiers livrables du projet ont été publiés en open source, avec l’objectif de diffuser des bases de travail partagées pour les modèles médicaux en langue française.
La seconde priorité, c’est l’évaluation en conditions réelles. En santé, un bon système IA ne repose pas seulement sur un modèle performant sur benchmark ; c’est un système qui est jugé fiable par les professionnels de santé sur des usages du terrain. C’est pour cela que PARTAGES prévoit aussi une plateforme souveraine d’évaluation fédérée, déployée dans des établissements de santé, afin de tester les algorithmes sur des données réelles dans un cadre réglementaire sécurisé.
Notre approche est assez simple : plutôt que d’adapter à la marge des modèles principalement entraînés et évalués à partir de bases anglophones, nous cherchons à bâtir progressivement un environnement scientifique, technique et clinique propre au français médical. C’est, selon nous, la condition pour éviter les biais de traduction et atteindre un niveau de robustesse utile en pratique.
(Pour Emmanuel Bacry) En santé, l'erreur algorithmique n'est pas une simple "métrique de précision" dégradée, elle a un impact direct sur le soin. Face au phénomène d'hallucination inhérent aux modèles génératifs, comment la recherche scientifique actuelle peut-elle apporter des garanties de robustesse mathématique ? Est-on condamné à n'utiliser les LLM que pour des tâches administratives (synthèse de dossiers), ou peut-on imaginer un avenir où ils assisteront de manière fiable le diagnostic ?
Les usages rédactionnels et administratifs ne sont pas secondaires. Aujourd’hui, ce sont eux que les médecins attendent en priorité, parce qu’ils permettent de réduire la charge administrative et donc de redonner du temps à la prise en charge des patients.
Mais cela ne veut pas dire que les LLM doivent rester cantonnés à ces seuls usages. En revanche, en santé, on ne peut pas accepter un modèle qui “répond bien en moyenne”. On a besoin de systèmes particulièrement fiables, mettant en œuvre un raisonnement transparent.
Sur les projets auxquels nous contribuons, l'approche favorisée est avant tout d'éviter l'utilisation de modèles génériques, mais plutôt de développer et d'entraîner de petits modèles qui soient spécialisés sur une à quelques tâches médicales spécifiques. Cela nécessite notamment la création de nouveaux corpus d'entraînement centrés sur les tâches médicales ciblées, et la construction de systèmes d'évaluation fins permettant de confirmer fiabilité des systèmes développés.
Donc non, je ne pense pas que nous soyons condamnés à limiter les LLM aux tâches administratives. Mais je pense qu’en santé, leur avenir passera par une progression très encadrée : d’abord des usages ciblés, à forte valeur immédiate et à risque plus maîtrisé, puis, à terme, selons les avancées méthodologiques et techniques, les usages pourront progresser (à condition qu’elles soient traçables, robustes, explicables, et qu’elles sachent aussi signaler leurs limites).
« La stratégie des communs numériques open source est une voie essentielle pour l'Europe. » Emmanuel Bacry
(Pour Emmanuel Bacry et Youness Khalil) Le dossier d'organisation de cet événement cible des thématiques cruciales : l'évaluation des LLM, la protection de la vie privée et la conformité RGPD. Comment entraîner ou déployer des modèles de fondation performants sans risquer la fuite de données de santé ou la ré-identification de patients à travers les poids du modèle ? La simulation ou la génération de données synthétiques par IA est-elle une solution viable selon vos travaux ?
La réglementation encadre strictement l’accès aux données cliniques, y compris aux données pseudonymisées, garantissant leur usage sécurisé, tout en posant des défis en matière de disponibilité de corpus ouverts pour entraînement et évaluation des modèles. De plus, les systèmes entraînés sur ces données cliniques peuvent mémoriser des informations des données d’entraînement les rendant eux-mêmes sensibles, ce qui complique leur partage et contribue à un écosystème fragmenté.
Afin de répondre à ces enjeux, nous sommes convaincus que les bases ouvertes et les données fictives, c’est-à-dire ne présentant pas de données personnelles, représentent un levier crucial pour accélérer le développement, l'évaluation et le déploiement des systèmes d'IA.
Dans le cadre du projet PARTAGES, nous avons constitué un panel de 120 médecins représentatif de la diversité des spécialités médicales et des territoires pour rédiger un corpus de compte-rendus de patients fictifs.
Fruit de cette mobilisation, le corpus réunit plus de 6 000 comptes-rendus médicaux de patients fictifs rédigés par ces praticiens. Élaboré à partir de situations cliniques fictives, le corpus de comptes-rendus médicaux ne contient aucune donnée issue de patients réels. Il peut ainsi être mobilisé librement, sans aucune contrainte réglementaire, tout en conservant un haut niveau de réalisme et de pertinence clinique.
Par son ampleur et son niveau d’exigence méthodologique, il constitue une ressource inédite en France pour l’entraînement, l’évaluation et la comparaison de modèles d’intelligence artificielle au service de l’innovation et des professionnels de santé.
En complément, un modèle d'augmentation de données sera produit afin de générer, à partir de scénarios cliniques, des comptes rendus synthétiques utilisables pour l'entraînement de systèmes d'IA.
(Pour Emmanuel Bacry) La France dispose, via la base principale du SNDS, d'un des plus grands patrimoines de données de santé au monde. La PDS est co-responsable de traitement de cette base, quel message politique et scientifique cet événement à PariSanté Campus souhaite-t-il envoyer concernant la souveraineté des modèles ? Face aux géants technologiques mondiaux, quelle est la viabilité d'un modèle de "communs numériques" francophones dédiés à la santé ?
La stratégie des communs numériques open source est une voie essentielle pour l'Europe. Il est indispensable de collaborer activement à l'international, notamment à l'échelle européenne via l’Espace Européen des données de santé (EHDS). Une stratégie des communs numériques permet d’unifier l'écosystème (hôpitaux, instituts de recherche, industriels) autour d'outils partagés et maîtrisés, limitant les redondances et le gaspillage des ressources. Contrairement aux "boîtes noires" propriétaires, l'open source offre une documentation accessible, garantissant l'applicabilité indispensable en médecine générant de la confiance par la transparence. Les communs numériques permettent de gagner en maîtrise sur les modèles d’IA utilisés et de passer d’initiatives isolées à une puissance scientifique collective.
Par cette conférence, nous voulons montrer qu’en mobilisant un maximum d'expertises internationales nous pouvons construire des modèles et des systèmes d'évaluation complètement ouverts, transparents, sécurisés et partagés. C'est ainsi que nous pousserons de nouveaux standards technologiques et éthiques, ancrés dans les valeurs de santé publique et d’intérêt général, au service exclusif des professionnels de santé et des patients.
« Cette conférence est ouverte à tous les niveaux d’expérience, et nous souhaitons évidemment que les doctorants et post-doctorants y prennent toute leur place. » Youness Khalil
(Pour Youness Khalil) Cet événement prévoit un format court et dense (un jour et demi) propice aux tables rondes et aux sessions posters. Qu'attendez-vous concrètement des doctorants et post-doctorants qui travaillent sur l'Axe 2 (NLP) et l'Axe 4 (Santé) du DIM ? Quels types de projets ou de ruptures méthodologiques espérez-vous voir émerger lors des présentations ?
Cette conférence est ouverte à tous les niveaux d’expérience, et nous souhaitons évidemment que les doctorants et post-doctorants y prennent toute leur place. Le programme prévoit d’ailleurs des keynotes, tables rondes, sessions posters et de networking mettant en avant des dizaines de projets internationaux.
Ce que nous attendons des doctorants et post-doctorants, c’est d’abord qu’ils viennent partager leurs travaux et réflexions en lien avec les thèmes de la conférence : entraînement, évaluation, sécurité, éthique, cadre réglementaire, déploiement des modèles, etc. Ils sont notamment invités à partager leurs travaux sur les LLM en santé lors de la session de poster.
(Pour Emmanuel Bacry et Youness Khalil) Imaginons qu'à la suite de cet événement, un consortium francilien se structure sous l'égide des Instituts IA et de la Plateforme des Données de Santé. Si vous deviez définir l'outil basé sur un LLM qui aura révolutionné le quotidien des praticiens hospitaliers de l'AP-HP ou le parcours de soin des patients d'ici 2030, quel serait-il ?
Si nous devions définir l’outil qui peut vraiment changer la donne d’ici 2030, ce serait par exemple une suite d’outils spécialisés, finement entraînés, sécurisés et intégrés au travail clinique quotidien. Une suite capable d’aider aux travaux administratifs et rédactionnels, aidant les médecins à se focaliser sur leurs patients et faire appel aux informations pertinentes tout au long du parcours de soin. L’enjeu est de faire réduire la charge administrative et cognitive qui éloigne encore trop souvent les soignants de leurs patients. On peut aussi imaginer un assistant qui viendrait interagir avec le médecin pour l'aider à synthétiser l’historique un parcours complexe patient et à co-construire des recommandations pour la suite de la prise en charge de celui-ci.
Cependant, la concrétisation de cette ambition d’ici 2030 repose sur des défis qui dépassent le cadre technique. Le premier enjeu est culturel et éthique, il s’agit de bâtir une confiance solide et une adoption durable de la part des praticiens et des patients, ce qui exige une transparence totale et des garanties de sécurité absolue. Sur le plan opérationnel, la réussite dépendra de l’intégration ergonomique et fluide de ces outils dans les logiciels hospitaliers et les pratiques existantes, afin de fluidifier le quotidien sans créer de nouvelles contraintes d'utilisation.
À ces considérations s'ajoute un défi réglementaire. En France, l’utilisation des données personnelles de santé est strictement et légitimement contrôlée pour protéger la vie privée des patients. Si cette rigueur est indispensable, elle limite le volume de données disponible pour entraîner des modèles d’IA, en particulier dans un cadre francophone. L’enjeu à court terme est donc d’enrichir rapidement les corpus d’entraînement disponibles en s’appuyant sur la génération de données fictives et réalistes et sur des systèmes d'anonymisation fiables et automatisés.
Enfin, le défi est aussi économique et structurel. La viabilité financière de l’intégration d’outils supplémentaires à l'échelle d'un établissement de santé impose de s'appuyer sur des communs numériques ouverts pour limiter les coûts de développement et de licences.
Interview réalisée par Khaled Benaida, avec l'appui de Jean-Baptiste Briand.