IA Souveraine pour la Santé — Agents IA Diagnostiques, Imagerie et Parcours Soins sur Infrastructure HDS

#Pourquoi l'IA en santé exige une souveraineté sans compromis

Le secteur hospitalier français traite chaque jour des millions de données parmi les plus sensibles qui existent : dossiers médicaux, résultats biologiques, imagerie (scanner, IRM, radiographie), prescriptions, comptes-rendus opératoires, données génomiques. Le RGPD les classe dans la catégorie spéciale de l'article 9 — données relatives à la santé — avec un régime de protection renforcé qui interdit tout traitement sauf exceptions strictement encadrées (consentement explicite du patient, intérêt vital, motif de santé publique, recherche soumise à un CPP).

Dans ce contexte, envoyer des requêtes contenant des données patient à l'API OpenAI, Anthropic ou Google Gemini pose un problème structurel que les DPA (Data Processing Agreements) ne résolvent pas. Ces trois entreprises sont des sociétés américaines soumises au CLOUD Act. Même avec un hébergement physique en UE, les autorités américaines peuvent exiger l'accès aux données. Pour un directeur de système d'information hospitalier (DSIH), pour un DPO d'un CHU, pour un médecin-chef responsable des données de ses patients — cette exposition n'est pas acceptable.

La solution que Nehos déploie est radicale dans sa simplicité : le LLM tourne sur des serveurs physiques français certifiés HDS (Hébergeur de Données de Santé, certification nationale article L.1111-8 du Code de la santé publique), opérés par OVHcloud SAS — entreprise française sans actionnaire américain. Aucune requête API externe. Aucun transfert de données hors du périmètre certifié. Le modèle est offline une fois les poids chargés.

#Les quatre cas d'usage IA que les hôpitaux déploient en 2026

#Aide au diagnostic par RAG médical

Le cas d'usage le plus demandé par les équipes médicales. Un praticien pose une question clinique complexe en langage naturel — par exemple « quelles sont les interactions médicamenteuses connues entre le rivaroxaban et le fluconazole chez un patient insuffisant rénal stade 3b ? » — et le système RAG souverain recherche dans trois corpus simultanés : les recommandations HAS (Haute Autorité de Santé) et les RBP (Recommandations de Bonne Pratique) indexées localement, le Vidal et les résumés des caractéristiques produits (RCP) des médicaments, et la base documentaire interne de l'établissement (protocoles de soins, retours d'expérience clinique, publications du service). Le moteur RAG retourne une réponse sourcée avec citations précises, scores de confiance, et avertissements explicites quand les sources sont contradictoires ou anciennes.

Architecture technique : Mistral Large 2 servi via vLLM sur GPU H100 OVHcloud HDS, Qdrant auto-hébergé pour le vector store médical (embeddings Mistral Embed 1024 dimensions), pipeline d'ingestion avec chunking adapté aux documents médicaux (sections par recommandation, pas par nombre de tokens arbitraire), rerankage par BM25 hybride + dense retrieval. La couche FHIR permet au RAG d'accéder en lecture seule aux ressources du DPI (Dossier Patient Informatisé) via le standard HL7 FHIR R4 — antécédents, traitements en cours, résultats biologiques — pour contextualiser les réponses au profil clinique du patient.

Point de vigilance réglementaire : si le système assiste directement des décisions diagnostiques ou thérapeutiques, il peut être qualifié de SAMD (Software as a Medical Device) au sens du règlement MDR 2017/745. Nehos qualifie ce point dès la phase d'audit et oriente vers un organisme notifié si la classification le requiert. Dans la majorité des déploiements CHU, le RAG est positionné comme aide documentaire (pas comme outil de décision autonome), ce qui le maintient hors du périmètre MDR.

#Analyse d'imagerie médicale assistée par IA

Le deuxième cas d'usage concerne l'aide à l'interprétation des examens d'imagerie : radiographies thoraciques (détection pneumopathie, nodules pulmonaires), scanners (caractérisation lésionnelle), IRM (segmentation tumorale), mammographies (aide au dépistage cancer du sein). Les modèles de vision médicale (spécialisés computer vision, pas les LLM textuels) sont déployés sur la même infrastructure GPU HDS OVHcloud.

Nehos intègre des modèles open source de référence en imagerie médicale — MONAI (framework NVIDIA pour l'imagerie médicale, Apache 2.0), des réseaux U-Net et nnU-Net pour la segmentation, des modèles ResNet/EfficientNet fine-tunés sur des datasets médicaux publics (CheXpert pour le thorax, CBIS-DDSM pour la mammographie). Le fine-tuning sur les données propres de l'établissement se fait intégralement sur l'infrastructure HDS — les images DICOM ne quittent jamais le périmètre certifié.

L'intégration avec le PACS (Picture Archiving and Communication System) hospitalier s'effectue via le protocole DICOM standard et le profil IHE (Integrating the Healthcare Enterprise). L'agent IA reçoit les images du PACS, produit une pré-analyse (zones suspectes annotées, scores de probabilité), et l'insère dans le workflow du radiologue pour validation humaine. Le radiologue garde systématiquement la décision finale — l'IA est un second lecteur, pas un remplaçant. Cette architecture respecte les exigences de supervision humaine de l'AI Act article 14.

#NLP et structuration des dossiers patients

Les dossiers patients dans les SIH (Systèmes d'Information Hospitaliers) français contiennent une masse considérable de texte libre : comptes-rendus d'hospitalisation, lettres de sortie, observations cliniques, courriers entre praticiens. Ce texte non structuré est difficilement exploitable pour la recherche clinique, le PMSI (Programme de Médicalisation des Systèmes d'Information) ou le pilotage de l'établissement.

L'agent NLP souverain Nehos extrait et structure ces informations : codage CIM-10 automatique assisté (Classification Internationale des Maladies, 10e révision — le référentiel utilisé par tous les établissements français pour le PMSI et la T2A), extraction d'entités médicales nommées (médicaments, posologies, diagnostics, actes, dispositifs médicaux), détection de signaux de pharmacovigilance, génération de résumés structurés des séjours.

Le modèle utilisé est Mistral Large 2 avec un prompt engineering médical spécialisé et un RAG sur le thésaurus CIM-10 complet + les tables CCAM (Classification Commune des Actes Médicaux). Pour le codage PMSI, le taux de concordance avec le codage humain expert atteint 87 à 92 % sur les GHM (Groupes Homogènes de Malades) les plus fréquents — les cas complexes restent validés par le médecin DIM (Département d'Information Médicale). Le gain de productivité est direct : le temps de codage par séjour passe de 12-15 minutes à 3-5 minutes en moyenne, avec un taux de rejet ATIH (Agence Technique de l'Information sur l'Hospitalisation) en baisse.

#Optimisation des parcours de soins

Le quatrième cas d'usage exploite l'IA pour fluidifier les parcours patients au sein de l'établissement : prédiction des durées de séjour (réduction des lits bloqués), optimisation de la programmation au bloc opératoire (réduction des créneaux perdus), détection précoce des patients à risque de réhospitalisation à 30 jours, aide à la gestion des flux aux urgences (estimation des temps d'attente, orientation vers les filières adaptées).

Ces modèles prédictifs sont entraînés sur les données historiques de l'établissement (séjours, actes, diagnostics, durées, réhospitalisations) stockées dans le SIH. L'architecture repose sur un pipeline ML classique (XGBoost, LightGBM) pour les prédictions tabulaires, combiné avec Mistral pour la génération de recommandations en langage naturel à destination des cadres de santé et des gestionnaires de lits. L'ensemble tourne sur l'infrastructure HDS OVHcloud — les données de séjour sont des données de santé à caractère personnel, soumises aux mêmes exigences RGPD Art.9 et HDS.

L'interopérabilité FHIR HL7 est critique sur ce cas d'usage : le système doit lire les admissions (ressource FHIR Encounter), les prescriptions (MedicationRequest), les résultats (Observation), les diagnostics (Condition) en temps réel depuis le DPI pour alimenter les modèles prédictifs. Nehos déploie un connecteur FHIR R4 bidirectionnel qui consomme les ressources du SIH et y écrit les recommandations IA (sous forme de Flag ou ClinicalImpression FHIR) pour intégration native dans l'interface du praticien.

#Certification HDS et SecNumCloud — Le socle réglementaire non négociable

L'hébergement de données de santé en France est encadré par l'article L.1111-8 du Code de la santé publique : tout prestataire qui héberge, pour le compte de tiers, des données de santé à caractère personnel doit être certifié HDS. OVHcloud SAS détient cette certification (ISO 27001 + HDS) pour ses data centers français depuis 2016. Chaque composant de la stack IA Nehos — Mistral Large 2 (vLLM), Qdrant, Postgres, Langfuse, Kong — est déployé sur des instances OVHcloud spécifiquement certifiées HDS, avec isolation réseau dédiée.

Pour les établissements de santé relevant de la catégorie OIV (Opérateur d'Importance Vitale) ou traitant des données classifiées (recherche biomédicale sensible, génomique, essais cliniques stratégiques), la qualification SecNumCloud de l'ANSSI est requise. 3DS Outscale (filiale Dassault Systèmes) est aujourd'hui le principal opérateur qualifié. Nehos déploie la même stack IA sur 3DS Outscale SecNumCloud — surcoût infrastructure de 40 à 80 % par rapport à OVHcloud HDS grand public, mais qualification ANSSI obtenue. Cf service Cloud Souverain Nehos.

La certification HDS couvre l'hébergement physique et la gestion d'infrastructure. Elle ne couvre pas la conformité applicative de l'IA elle-même. C'est là que l'AI Act intervient.

#AI Act article 6 — Haut risque et obligations pour l'IA en santé

L'AI Act (Règlement UE 2024/1689) classe les systèmes IA utilisés comme dispositifs médicaux ou composants de sécurité de dispositifs médicaux dans la catégorie haut risque (article 6, paragraphe 1, renvoi à l'annexe I section A qui cite le règlement MDR 2017/745 et le règlement IVDR 2017/746). L'annexe III, point 5 ajoute explicitement les systèmes IA destinés à être utilisés pour évaluer, diagnostiquer ou traiter des maladies.

Concrètement, pour un agent IA d'aide au diagnostic déployé dans un CHU, les obligations AI Act haut risque sont les suivantes. Article 9 : système de gestion des risques couvrant les risques pour la santé des patients. Article 10 : gouvernance des données d'entraînement et de validation — représentativité des cohortes, absence de biais démographique, qualité des annotations médicales. Article 12 : journalisation automatique de chaque requête et réponse du système (c'est ce que Langfuse auto-hébergé + pgaudit fournissent). Article 13 : transparence — documentation technique complète sur les capacités et limitations du modèle. Article 14 : supervision humaine — le praticien doit pouvoir comprendre, interpréter, contredire et arrêter le système à tout moment. Article 17 : surveillance post-commercialisation continue (drift de qualité, incidents, effets indésirables).

Nehos livre un dossier de conformité AI Act haut risque pour chaque déploiement santé : registre des risques, documentation technique Art.11, plan de surveillance Art.17, architecture de supervision humaine Art.14 intégrée dans le workflow clinique. Ce dossier est auditable par un organisme notifié (pour les SAMD relevant du MDR) ou par l'autorité de surveillance du marché (ANSM pour les dispositifs médicaux en France). Cf service AI Act Conformité Nehos.

#Stack technique — Mistral souverain, FHIR HL7, interopérabilité SI hospitalier

Couche LLM : Mistral Large 2 (123B paramètres, open weights) servi via vLLM sur GPU H100 OVHcloud HDS. Pour les cas d'usage à budget contraint ou faible volumétrie : Mistral Small ou LLaMA 3 70B (Meta, open weights) sur GPU A100. Le choix Mistral vs LLaMA dépend du compromis souveraineté maximale (Mistral, entreprise française) vs performance benchmark spécifique. Les deux tournent en mode offline total — aucune requête externe.

Couche embeddings : Mistral Embed sur A100 dédié HDS pour le RAG médical — 1024 dimensions, supérieur à OpenAI ada-002 sur les corpus français selon MTEB-FR.

Couche vectorielle : Qdrant auto-hébergé OVHcloud HDS pour le retrieval augmenté sur les corpus médicaux (recommandations HAS, Vidal, protocoles internes, dossiers anonymisés).

Couche interopérabilité FHIR : connecteur FHIR R4 (Fast Healthcare Interoperability Resources) compatible HL7 v2 et v3. Ressources consommées : Patient, Encounter, Condition, Observation, MedicationRequest, DiagnosticReport, ImagingStudy, DocumentReference. Connecteur bidirectionnel : lecture des données cliniques du DPI pour contextualiser les réponses IA, écriture des recommandations IA sous forme de ressources FHIR (Flag, ClinicalImpression) dans le SIH. Compatibilité testée avec les principaux DPI français : Maincare (Dedalus), Crossway (Maincare), Orbis (Dedalus), Sillage, Cristal-Net, Easily (Softway Medical).

Couche orchestration : LangGraph pour les agents multi-étapes médicaux — par exemple un agent qui consulte le DPI du patient via FHIR, recherche dans le corpus HAS via RAG, formule une recommandation, et la soumet au praticien pour validation.

Couche observabilité : Langfuse auto-hébergé HDS — métriques par session médicale (tokens, latence, scores de confiance), dashboard de surveillance AI Act Art.17, alertes automatiques sur les anomalies de qualité.

Couche sécurité : mTLS entre tous les composants, Vault auto-hébergé pour les secrets, OWASP LLM Top 10, anonymisation des données patient dans les logs (pseudonymisation NER avant logging Langfuse — le log contient le hash patient, pas le nom).

#ROI hospitalier chiffré — Deux déploiements réels

Les chiffres qui suivent proviennent de deux déploiements Nehos en production. Les noms sont anonymisés sous NDA.

#CHU — RAG médical souverain sur 1,2 million de documents

Contexte : CHU de grande taille, 22 services cliniques, 6 200 professionnels de santé. Problème initial : les praticiens passaient en moyenne 9,4 minutes par recherche documentaire (protocoles, recommandations HAS, Vidal) — temps cumulé estimé à 14 000 heures/an sur l'ensemble des services. Le DPI contenait 1,2 million de documents non structurés (comptes-rendus, lettres de sortie, protocoles) quasi impossibles à exploiter par recherche classique.

Solution Nehos : stack RAG souveraine sur OVHcloud HDS — Mistral Large 2 (H100), Mistral Embed (A100), Qdrant, connecteur FHIR R4 vers le DPI, LangGraph agents, Langfuse monitoring. Pipeline d'anonymisation NER avant indexation Qdrant (noms, prénoms, numéros de séjour, dates de naissance pseudonymisés). Interface intégrée à l'intranet hospitalier via SSO SAML2.

Résultats à 12 mois : temps moyen de recherche documentaire -68 % (de 9,4 min à 3,0 min). Satisfaction praticiens (NPS interne) : +38 points. Codage CIM-10 assisté : concordance 89 % avec le codage DIM expert, temps de codage par séjour -62 %. Zéro incident de sécurité ou fuite de données en 12 mois. Conformité AI Act haut risque et RGPD Art.9 : validée par audit externe (cabinet spécialisé santé numérique). Coût total projet : 1611 k€ HT. MCO mensuel : 12 160 € HT.

#Clinique privée — NLP codage PMSI et optimisation bloc opératoire

Contexte : groupe de cliniques privées, 4 établissements, 1 800 collaborateurs. Enjeux : réduire le temps de codage PMSI (T2A — tarification à l'activité, source de revenus directe), optimiser la programmation du bloc opératoire (créneaux perdus estimés à 18 % du temps disponible).

Solution Nehos : agent NLP codage CIM-10/CCAM sur Mistral Large 2 HDS + modèle prédictif durée de séjour (XGBoost sur données historiques SIH) + recommandations Mistral en langage naturel pour les cadres de bloc. Infrastructure OVHcloud HDS identique.

Résultats à 8 mois : temps de codage PMSI par séjour -58 % (de 14 min à 5,8 min). Taux de rejet ATIH en baisse de 4,2 % à 1,7 %. Créneaux bloc opératoire perdus réduits de 18 % à 11 % (gain estimé : 11,5 k€/an de revenus T2A supplémentaires). Retour sur investissement atteint en 5 mois. Coût total projet : à partir de 24 k€ HT. MCO mensuel : à partir de 889 € HT.

#Tarification — 121 k€ HT

Trois fourchettes selon le périmètre et la taille de l'établissement.

Fourchette entrée (121 k€ HT, 3-5 mois) : un cas d'usage principal (RAG médical documentaire ou NLP codage PMSI), corpus < 200 000 documents, GPU A100 HDS partagé ou dédié selon volumétrie. Typique : clinique privée mono-site ou petit GHT. Inclus : audit souveraineté santé (5 jours), architecture, déploiement stack HDS, connecteur FHIR vers DPI existant, formation équipe IT + médecins DIM, documentation conformité AI Act, DPIA RGPD Art.9.

Fourchette intermédiaire (à partir de 19 k€ HT, 5-8 mois) : deux à trois cas d'usage (RAG + NLP + parcours soins ou imagerie), corpus > 500 000 documents, GPU H100 HDS dédié, intégrations FHIR multi-ressources, conformité AI Act haut risque documentée complète. Typique : CHU de taille moyenne ou groupe de cliniques multi-sites.

Fourchette haute (131 k€ HT, 7-12 mois) : déploiement complet quatre cas d'usage, CHU de grande taille ou AP-HP, imagerie médicale (modèles vision spécialisés + intégration PACS DICOM), SecNumCloud si OIV, multi-agents complexes avec supervision humaine intégrée au workflow clinique, formation multi-profils (IT, DIM, praticiens, cadres de santé, DPO, RSSI). MCO mensuel ensuite : à partir de 992 € HT selon SLA et volumétrie.

Premier chiffrage gratuit en 30 minutes : Calendly RDV IA santé. Outil d'estimation en ligne : Estimateur ROI agent IA.