Créer son dossier médical avec un agent IA : six dossiers plutôt qu'une application

Tout le monde accumule des papiers médicaux : résultats d'analyses, comptes rendus de médecins, ordonnances, relevés de tension et de poids. Ils sont rangés un peu partout : PDF sur le site du laboratoire, scans dans un dossier, entraînements dans une application sportive, noms de médicaments dans des notes. Retrouver une analyse est simple. Réunir une vue d'ensemble avant une consultation l'est beaucoup moins. L'auteur de l'article sur Habr propose, pour cela, non pas d'écrire une application, mais de construire un environnement dans lequel travaille un agent IA.

Pourquoi pas un système médical classique

Les systèmes médicaux spécialisés ne savent faire que ce que leurs développeurs y ont prévu. Qu'un programme stocke des indicateurs de laboratoire et trace des graphiques ne signifie pas qu'il les mettra en regard de la prise de médicaments ou de l'activité physique. Chacune de ces combinaisons exige des modèles de données, des interfaces et des algorithmes.

L'auteur part d'un autre principe. La plupart des tâches sont des opérations sur l'information : trouver des documents, extraire des valeurs, rapprocher des dates et des unités, calculer, afficher. C'est précisément ce que les modèles actuels font bien, dès lors qu'on leur donne accès aux fichiers. La fonctionnalité naît de la requête : « trace la prise de statines à côté de la biochimie » ou « quels médicaments ai-je pris pendant ma cure de kinésithérapie ». Pas besoin de chercher le bon bouton ni d'attendre une nouvelle version.

C'est pourquoi on ne place pas de base de données au fondement du système. Les données médicales sont trop hétérogènes : tableaux d'indicateurs, texte, images, documents complexes. Impossible de prévoir à l'avance un schéma pour tous les cas. La base repose sur de simples fichiers, et une base de données peut être ajoutée plus tard pour des tâches particulières. La structure et les règles de fonctionnement sont décrites dans des fichiers AGENTS.md, un par répertoire. L'approche n'est liée à aucun fournisseur de modèle en particulier.

Six couches

Le système fonctionne comme une chaîne de traitement où chaque couche confère une nouvelle propriété au document.

• Entrants. Dossier temporaire pour les nouveaux fichiers : PDF, photos, audio, exports. On peut aussi y expliquer au modèle que deux scans des deux faces d'une feuille forment un seul document.
• Originaux. Les fichiers ne sont pas modifiés ; on peut seulement les ranger dans des dossiers et leur donner des noms plus clairs. C'est indispensable pour la vérification : la reconnaissance a pu altérer des valeurs, et dans un an vous voudrez peut-être repasser le document dans un meilleur modèle.
• Matériaux. Versions texte des originaux : scan reconnu, transcription audio, texte extrait d'un PDF. Chaque matériau renvoie à sa source. Si le modèle ne parvient pas à déchiffrer quelque chose, il interroge l'utilisateur.
• Enregistrements. Faits structurés : valeurs d'analyses, consultations, prescriptions. Ici, les différentes appellations d'un même indicateur sont ramenées à une seule, les unités de mesure harmonisées, les doublons et les conflits éliminés.
• Scripts. Pour les opérations répétitives, comme l'import de centaines de fichiers d'entraînement similaires, mieux vaut écrire un programme que confier la tâche au modèle à chaque fois. Le résultat est reproductible et vérifiable.
• Documents de sortie. Graphiques, tableaux, synthèses et rapports produits à la demande.

Ce que les développeurs peuvent en retirer

L'idée principale dépasse le cadre de la médecine. Au lieu d'une application dotée d'un ensemble figé de fonctions, vous construisez un environnement en trois parties : les données, les règles et l'agent muni d'outils. Les couches elles-mêmes ressemblent à un minimum d'ingénierie raisonnable pour toute tâche impliquant des documents « sales » : ne pas perdre les originaux, conserver le lien entre le dérivé et la source, normaliser les données lors d'une étape distincte, déplacer le répétitif dans du code.

L'auteur précise expressément que les scripts ne sont pas toujours nécessaires. Pour les tâches ponctuelles, le modèle se débrouille directement ; quant aux répétitions, il les remarque parfois de lui-même, mais pas toujours. C'est une limite importante : l'humain doit lui aussi surveiller qu'une opération se répète.

Limites

La reconnaissance de photos et de scans peut comporter des erreurs ; la couche des originaux et les liens vers la source sont donc obligatoires. La normalisation des indicateurs issus de différents laboratoires doit être vérifiée : le modèle peut mal faire correspondre les unités. L'objectif de l'auteur n'est pas l'interprétation médicale, mais la préparation de documents pour une consultation, et il convient de s'y tenir.

De notre côté, ajoutons qu'il s'agit des données personnelles les plus sensibles. Avant de les confier à un agent, il faut comprendre où tourne physiquement le modèle, ce qui sort vers l'extérieur et qui a accès au dossier. Dans la partie accessible de l'article, cette question n'est pas détaillée, et le texte s'interrompt sur l'exemple du traitement d'une nouvelle analyse.

L'article est accompagné d'un modèle sur GitHub avec un README. Si vous construisez des agents pour travailler avec des documents personnels ou d'entreprise, il vaut la peine de l'ouvrir. Ce qu'on peut en emprunter, ce n'est pas la médecine, mais le schéma lui-même : la structure de fichiers, les instructions par répertoire et la séparation entre originaux, matériaux et enregistrements.