À Évry-Courcouronnes, le verrou discret de l’IA médicale: faire parler les données sans les exposer

À Télécom SudParis, à Évry-Courcouronnes, la chercheuse Nesrine Kaaniche n’a pas présenté un nouvel outil médical local. Elle a saisi l’arrivée de ChatGPT Health, présenté en français comme ChatGPT Santé, pour éclairer le problème qui conditionne son usage en santé: que devient une donnée médicale lorsqu’elle entre dans une conversation avec une IA?

OpenAI a présenté en janvier 2026 ChatGPT Health, d’abord disponible hors Espace économique européen, Suisse et Royaume-Uni, avec des connexions annoncées à des dossiers médicaux et à des applications comme Apple Health ou MyFitnessPal. L’usage promis est simple à comprendre: résumer des résultats d’analyse, préparer une consultation, suivre des indicateurs, rapprocher des informations dispersées entre portails, fichiers et applications. OpenAI affirme que plus de 230 millions de personnes posent chaque semaine des questions de santé ou de bien-être à ChatGPT.

Le changement vient des données confiées à l’outil. Une question générale sur le sommeil ou le cholestérol n’a pas le même poids qu’un échange nourri par un bilan biologique, un historique de soins ou des données de montre connectée. OpenAI présente Health comme un espace séparé, avec des protections renforcées, et indique que les conversations de cet espace ne servent pas à entraîner ses modèles. Ce périmètre rappelle que l’IA de santé ne se déploie pas seulement avec un bon modèle de langage.

L’ancrage essonnien se trouve précisément dans cette zone moins visible. Nesrine Kaaniche travaille à Télécom SudParis sur la cybersécurité, la vie privée et l’IA appliquée aux données sensibles. Elle coordonne à Télécom SudParis Évry le projet EQUIHid, financé par l’Agence nationale de la recherche à hauteur de 229 119 euros pour 42 mois. Le projet vise des services de e-santé capables d’apprendre à partir de données médicales réparties entre plusieurs acteurs, sans les centraliser comme une grande réserve commune.

Le mécanisme exploré est l’apprentissage fédéré. Plusieurs hôpitaux ou organismes peuvent contribuer à entraîner un modèle sans envoyer leurs dossiers bruts au même endroit. C’est précieux en santé, où chaque établissement ne voit qu’une partie de la population, avec ses biais, ses absences et ses angles morts. Un modèle entraîné sur des données trop homogènes peut mieux fonctionner pour certains patients que pour d’autres.

Cette architecture ne règle pas tout. Les travaux liés à EQUIHid montrent que la recherche d’un modèle plus équitable peut créer un coût de confidentialité: même sans exposer directement les dossiers, certaines informations peuvent être déduites à partir du modèle ou de ses mises à jour. La difficulté n’est donc pas seulement de protéger la donnée. Elle est de préserver à la fois confidentialité, performance et justice du modèle, sans déplacer le risque vers les groupes que l’on voulait mieux prendre en compte.

OpenAI a aussi publié HealthBench, un banc d’évaluation fondé sur 5 000 conversations de santé et des critères rédigés par 262 médecins. C’est une mesure utile de performance, pas une validation clinique en situation de soins. En France, le guide HAS-CNIL sur l’IA en contexte de soins rappelle qu’un résultat généré par un système d’IA et intégré au dossier médical doit être relu par le professionnel prenant en charge la personne; un compte rendu produit par IA ne devrait pas être validé par quelqu’un qui n’a pas assisté à la consultation ou à l’acte.

Le travail mené à Évry-Courcouronnes ne consiste donc pas à faire parler une IA comme un médecin. Il s’attache à une condition plus dure: construire des systèmes où les données de santé, le modèle et le professionnel restent chacun à leur place.