Le RAG pour les portails santé : des réponses utiles sans fuite de données patients

Pourquoi les chatbots classiques échouent en santé

Un modèle généraliste répond à partir de ce qu’il a appris pendant son entraînement. En contexte clinique, c’est la mauvaise source : la question porte sur ce patient, ce compte rendu, les consignes de cet hôpital.

La génération augmentée par récupération (RAG) change la source. Le système commence par retrouver les passages pertinents — un compte rendu de sortie, un résultat d’analyse, une fiche de préparation — et ce n’est qu’ensuite qu’il demande au modèle de répondre à partir de ces passages.

Quatre règles que nous intégrons

Ne récupérer que ce que la personne connectée a le droit de voir. Le contrôle d’accès s’applique avant la récupération, jamais après la génération.

Afficher la source. Chaque réponse renvoie au document et à la date dont elle provient, pour qu’un clinicien puisse la vérifier en un clic.

Garder les données dans votre environnement. Embeddings, index et appels aux modèles restent dans votre propre projet cloud et votre région.

L’autoriser à dire « je ne sais pas ». Quand rien de pertinent n’est trouvé, l’assistant passe la main à une personne au lieu de deviner.

Là où c’est rentable en premier

L’explication des résultats en langage clair, la préparation aux rendez-vous, les consignes de sortie et la recherche « interroger le dossier » pour le personnel sont les gains les plus rapides. Volumes élevés, risque faible, résultats faciles à mesurer.