Des chercheurs décrivent CareGraph, un cadre d’IA hybride destiné à transformer des informations cliniques, déclaratives et issues de capteurs en une vue longitudinalement structurée de la santé d’un patient. L’objectif n’est pas de diagnostiquer, de prédire un résultat médical ou de recommander un traitement, mais d’organiser les preuves disponibles en tendances prioritaires, signaux de contexte manquant, prochaines étapes bornées, questions de discussion et explications liées à leur provenance.
L’architecture repose sur plusieurs briques: analyse déterministe, détection de contexte, construction d’un graphe, synthèse par modèle de langage sous contraintes, validation des preuves, contrôles de sécurité et mécanismes de validation avant diffusion. Cette approche vise à répondre à un enjeu central en santé numérique: rendre les sorties d’IA plus auditables et plus faciles à relier aux sources d’origine.
Les auteurs indiquent avoir testé CareGraph sur des cohortes synthétiques de 400 patients pour le développement, la validation et le holdout. Sur ces données, une règle de tendance fondée sur une régression linéaire ordinaire gelée atteint 0,827 d’accuracy et 0,837 de macro F1, avec un F1 de 0,974 pour les cas jugés insuffisamment documentés. La détection de contexte manquant atteint, selon l’article, un micro F1 strict de 0,815, contre 0,318 pour un détecteur historique.
Côté sécurité, un benchmark holdout rédigé manuellement attribue au jeu de règles version 1.2 une précision de 1,000, un rappel de 0,950 et un F1 de 0,974. Lors d’un audit sur 80 patients, 79 synthèses et 78 présentations ont été produites sans repli; une sortie a été bloquée et une autre a échoué en mode fermé à cause d’une clé de preuve invalide. Face à un système GPT-5.6 monolithique sur 56 patients appariés, CareGraph est présenté comme plus rapide et plus concis, même si la baseline utilisait moins de tokens et citait davantage de preuves brutes.
À ce stade, il s’agit d’un travail de recherche publié sur arXiv, donc non évalué par les pairs dans cette version. Il illustre néanmoins une direction importante pour des systèmes de santé personnalisés plus sûrs, explicables et encadrés.