Entraîner un modèle de dossier patient sans jamais réunir les données : l'apprentissage fédéré à l'épreuve de 122 251 séjours de réanimation

Michael Burkhart, Brett Beaulieu-Jones et leurs collègues testent une question concrète : peut-on entraîner un « foundation model » de dossier patient sans jamais rassembler au même endroit les données de plusieurs hôpitaux ? Sur 122 251 séjours de réanimation issus de trois systèmes de santé indépendants et douze tâches de prédiction, leurs modèles génératifs d'événements se transportent bien mieux d'un hôpital à l'autre que les modèles classiques (pénalité de 0,025 point d'AUC contre 0,079), et l'apprentissage fédéré atteint presque la performance d'un entraînement centralisé. Mais le résultat le plus utile est contre-intuitif : mutualiser les données n'apporte qu'un gain modeste par rapport à un entraînement purement local, et cet avantage s'efface à mesure que chaque hôpital accumule ses propres données.

Le contexte

Un foundation model de dossier patient est un modèle pré-entraîné sur d'immenses quantités de données de santé, censé produire des représentations réutilisables pour de nombreuses tâches cliniques — prédire une détérioration, une mortalité, une réadmission — sans repartir de zéro à chaque fois. L'idée, transposée du succès des grands modèles de langage, se heurte à deux obstacles bien connus en santé.

Le premier est le cloisonnement des données. Les dossiers patients vivent dans des systèmes d'information hospitaliers séparés, protégés par le secret médical et par des réglementations strictes (RGPD en Europe, HIPAA aux États-Unis). Rassembler physiquement les données de plusieurs hôpitaux pour entraîner un seul modèle est juridiquement lourd, parfois impossible. Le second est la chute de performance au transfert : un modèle entraîné dans un hôpital fonctionne souvent nettement moins bien dans un autre, parce que les populations, les habitudes de codage, les appareils et les pratiques de prescription diffèrent. C'est le mode d'échec du biais de population, omniprésent en IA-santé.

L'apprentissage fédéré (federated learning) propose une sortie élégante : au lieu de déplacer les données vers le modèle, on déplace le modèle vers les données. Chaque hôpital entraîne localement, puis ne partage que les paramètres appris — jamais les dossiers eux-mêmes. Un serveur central agrège ces mises à jour et renvoie un modèle amélioré. La promesse est double : profiter de la taille combinée de plusieurs centres, tout en gardant les données à domicile. Reste à savoir si cela marche vraiment, et surtout si le jeu en vaut la chandelle. C'est précisément ce que ce travail met à l'épreuve.

La méthode

Les auteurs réunissent 122 251 séjours de réanimation provenant de trois systèmes de santé indépendants, harmonisés au Common Longitudinal ICU Data Format (CLIF), un format commun porté par un consortium académique de médecine intensive. Cette harmonisation est la condition de base : sans vocabulaire partagé, comparer des hôpitaux revient à comparer des langues différentes.

Le cœur de l'approche est le modèle génératif d'événements (generative event model, GEM). Le principe : on découpe l'histoire d'un patient en une suite de « jetons » (tokens) — chaque analyse de laboratoire, chaque médicament, chaque signe vital devient un symbole discret, exactement comme un texte est découpé en mots. Le modèle apprend alors, façon modèle de langage, à prédire le prochain événement à partir des précédents. En apprenant à « raconter » la trajectoire d'un patient, il construit des représentations internes que l'on peut ensuite brancher sur des tâches précises. Ici, douze tâches de prédiction post-24 heures : à partir des premières 24 heures d'un séjour, anticiper des événements ou des issues plus tardifs.

L'astuce expérimentale tient dans la comparaison de quatre régimes d'entraînement, une véritable matrice. En intra-site, on entraîne et on teste dans le même hôpital (la référence). En inter-site (cross-site), on entraîne dans un hôpital et on teste dans un autre — c'est la mesure directe de la transportabilité. En centralisé, on met en commun toutes les données comme si les barrières n'existaient pas (le plafond théorique). En fédéré, on entraîne sans jamais réunir les données, via deux algorithmes classiques : FedAvg (Federated Averaging — chaque site entraîne localement, le serveur fait la moyenne des poids, et on recommence sur plusieurs « tours de communication ») et FedAvgM, sa variante avec inertie (momentum) côté serveur pour stabiliser l'agrégation.

Le comparateur est LightGBM, un modèle d'arbres de décision boostés — la référence solide et difficile à battre pour les données tabulaires cliniques. Les performances sont rapportées en ROC-AUC (aire sous la courbe ROC : la probabilité que le modèle classe correctement un cas positif au-dessus d'un cas négatif) et en PR-AUC (aire sous la courbe précision-rappel), cette dernière étant plus honnête quand l'événement à prédire est rare — ce qui est le cas de la plupart des issues graves en réanimation.

Les résultats

Premier constat : les modèles génératifs d'événements obtiennent la meilleure ROC-AUC moyenne, à la fois en intra-site et en inter-site. Surtout, ils sont nettement plus transportables. Quand on déplace le modèle d'un hôpital à l'autre, sa performance baisse — c'est la « pénalité inter-site ». Pour le GEM, cette pénalité moyenne est de 0,025 point de ROC-AUC et 0,027 de PR-AUC ; pour LightGBM, elle grimpe à 0,079 et 0,089. Autrement dit, l'arbre boosté perd environ trois fois plus en changeant d'établissement. Le modèle génératif encaisse bien mieux le dépaysement.

Deuxième constat : l'apprentissage fédéré fonctionne. FedAvg et FedAvgM approchent la performance de l'entraînement centralisé — celui qui voit toutes les données —, et l'essentiel des gains est acquis en 5 à 10 tours de communication, ce qui rend le procédé peu coûteux en échanges réseau. On obtient donc presque le bénéfice de la mutualisation sans jamais sortir les données de l'hôpital.

Troisième constat, le plus intéressant : ce bénéfice de la mutualisation est modeste. L'entraînement centralisé multi-sites ne fait que légèrement mieux qu'un entraînement purement local. Et cet avantage se concentre là où l'on s'y attend — quand un hôpital dispose de peu de données locales — puis s'amenuise à mesure que ce dernier accumule ses propres dossiers. Traduction clinique honnête : pour un grand centre qui a déjà des dizaines de milliers de séjours, aller chercher les données des voisins n'apporterait presque rien. La difficulté de mesure mérite d'être soulignée : une pénalité de 0,025 point d'AUC est faible, mais son impact réel — combien de patients mieux ou moins bien classés — dépend entièrement de la tâche et de la fréquence de l'événement, deux éléments que le résumé n'individualise pas.

Ce qui est bien

Un plan expérimental en matrice, rare et propre. Comparer explicitement intra-site, inter-site, centralisé et fédéré permet d'isoler ce que chaque brique apporte — la transportabilité d'un côté, le gain de la mutualisation de l'autre. Beaucoup d'articles se contentent d'annoncer « le fédéré marche » ; celui-ci démonte le mécanisme et dit où le bénéfice se trouve, et où il ne se trouve pas.

Une transportabilité chiffrée et spécifique. Le résultat 0,025 contre 0,079 n'est pas un compliment vague : c'est une mesure directe, sur données réelles, de la robustesse au changement d'hôpital. Montrer qu'un modèle génératif tokenisé se transporte trois fois mieux qu'un arbre boosté solide est une contribution concrète, utile à quiconque doit déployer un modèle au-delà de son centre d'origine.

L'honnêteté d'un résultat négatif. À rebours de l'air du temps (« plus de données, c'est toujours mieux »), les auteurs publient que mutualiser n'aide que modestement, et de moins en moins. Nommer le vrai verrou — apprendre des représentations réellement transportables — plutôt que survendre l'appareillage fédéré est exactement la posture qu'on attend d'un travail sérieux.

Ce qui est moins bien

Un bénéfice pratique mince pour un dispositif lourd. L'apprentissage fédéré est techniquement séduisant, mais si l'avantage multi-sites est petit et s'efface avec l'accumulation locale, le rapport coût/bénéfice de toute l'infrastructure (coordination, tours de communication, gouvernance inter-hôpitaux) devient discutable pour les grands centres. Le papier le montre honnêtement, mais la conséquence — le fédéré est surtout utile aux petits établissements — tempère fortement l'enthousiasme.

Le cœur du problème reste ouvert. La pénalité inter-site n'est pas nulle, et les auteurs eux-mêmes désignent le vrai défi : produire des représentations transportables entre systèmes hétérogènes. C'est le biais de population non résolu. Tant que déplacer un modèle coûte de la performance, la promesse d'un foundation model universel du dossier patient reste une direction, pas un acquis.

Une portée volontairement étroite, et une confidentialité affirmée mais non éprouvée. L'étude est rétrospective, limitée à la réanimation, à trois systèmes, et à des métriques purement ML (ROC-AUC, PR-AUC) sans traduction clinique — pas de calibration, pas de bénéfice net, pas de nombre de patients à traiter, aucun test prospectif au chevet. Enfin, l'argument de confidentialité du fédéré est présenté comme un acquis : or « les données ne bougent pas » ne signifie pas « rien ne fuit ». Les paramètres partagés peuvent, dans certains cas, laisser filtrer de l'information sur les patients (attaques par inférence, fuite de gradients). Le papier n'attaque pas ce front, qu'il faudra traiter avant tout déploiement.

Ce que ça change

Pour la communauté de recherche, ce travail déplace la bonne question. On ne demande plus seulement « peut-on entraîner sans mutualiser les données ? » — la réponse est oui, et à moindre coût réseau — mais « peut-on apprendre des représentations qui se transportent réellement d'un système à l'autre ? ». Le modèle génératif tokenisé, associé au fédéré, devient une brique crédible sur laquelle bâtir cette recherche, avec un comparateur et une matrice d'évaluation réutilisables.

Pour les cliniciens et la gouvernance des données, le message est indirect mais fort : il est possible d'obtenir l'essentiel du bénéfice d'un modèle multi-centres sans jamais centraliser les dossiers. C'est un argument sérieux pour la conformité réglementaire et la souveraineté des données hospitalières. Rien n'est déployable au lit du patient aujourd'hui, mais l'orientation compte pour les directions informatiques et les comités d'éthique qui arbitrent ces choix.

Pour les patients et le grand public, deux idées à retenir. D'abord, vos données de réanimation peuvent contribuer à améliorer des modèles sans quitter l'hôpital où vous êtes soigné — une réponse concrète à la crainte du partage. Ensuite, l'intuition « plus les hôpitaux partagent, mieux c'est » est à nuancer : au-delà d'un certain volume local, l'apport des autres centres devient marginal. La taille brute n'est pas tout ; ce qui compte, c'est la capacité d'un modèle à rester bon quand on le change de contexte.

Pour aller plus loin

Le preprint est disponible sur arXiv (2608.02939), soumis le 3 août 2026 (catégories cs.LG et cs.CY). Le financement et les liens d'intérêts détaillés figurent dans le manuscrit. Pour le contexte, voir le format commun de données de réanimation CLIF (Common Longitudinal ICU Data Format), le principe de l'apprentissage fédéré et l'algorithme FedAvg (Federated Averaging), la logique des foundation models de dossier patient et de la tokenisation des événements cliniques, ainsi que la distinction entre AUC ROC et AUC précision-rappel pour les événements rares.