Livrez votre modèle, pas votre plomberie.
Ingérez du FHIR réel, dé-identifiez, construisez cohortes et features, entraînez et servez, dans le cloud de vos clients. Vous réduisez votre time-to-model et sortez de chaque projet avec le dossier de conformité (RGPD, HDS, traçabilité EU AI Act) qui débloque la vente au CHU suivant.
Ce qui vous freine aujourd'hui.
Accéder à des données réelles, annotées, représentatives
C'est le goulot d'étranglement n°1. Les plateformes d'annotation génériques manquent d'expertise médicale, et les bases nationales sont longues d'accès. Vous avez besoin des données de votre terrain hospitalier, exploitables sur place.
Time-to-model : la donnée avant le modèle
La donnée clinique arrive en FHIR/HL7 brut, hétérogène. La transformer en tables exploitables (silver, OMOP) et en features consomme la majorité du temps ingénieur avant la moindre ligne de modèle.
Être conforme pour vendre aux hôpitaux
Curation, dé-identification et traçabilité ne sont pas optionnelles : elles sont souvent exigées pour la validation. Le virage vers l'IA explicable relève les standards de qualité, d'auditabilité et de lignée des données.
Prouver la validation clinique
Les acheteurs hospitaliers exigent des preuves transparentes et traçables avant tout déploiement. Sans lignée de données ni auditabilité, pas de confiance, donc pas de vente.
Déployer chez le client, sans exfiltrer la donnée
Le plus dur n'est pas le modèle, c'est l'intégration au workflow, l'infrastructure et la conformité. Et la donnée patient ne peut souvent pas sortir de l'hôpital : il faut entraîner ET servir là où elle vit.
Ce qui bouge dans votre monde.
L'IA capte la majorité du financement digital health
Le financement digital health a atteint 14,2 Md$ en 2025 (+35 % vs 2024), l'IA captant 54 % des dollars (contre 37 % un an plus tôt). Le capital afflue vers les startups IA, qui doivent prouver un accès à la donnée et une conformité pour lever et déployer.
Foundation models et LLM de raisonnement diagnostique
On passe des modèles étroits aux modèles généralistes que les startups fine-tunent sur leurs propres données réelles. Nature Medicine (2025) documente un LLM médical reproduisant le raisonnement diagnostique des cliniciens. La valeur du modèle dépend de la propreté et de la gouvernance des données qui le nourrissent.
Scribes ambiants et IA agentique en production
C'est l'une des adoptions les plus rapides de l'histoire récente en santé : environ deux tiers des hôpitaux américains sous Epic utilisaient un outil d'IA ambiante en 2025. Un produit bien intégré au workflow passe, mais impose gouvernance et traçabilité renforcées.
EU AI Act : l'IA de santé classée « haut risque »
La plupart des dispositifs médicaux à IA relèvent du haut risque : gouvernance de la donnée, transparence, supervision humaine et traçabilité des données d'entraînement deviennent obligatoires. Le calendrier s'étale sur 2026-2028 (dates encore susceptibles d'évoluer).
Concrètement, avec Polnor.
Fine-tuner sur des données réelles, chez le client
Ingérez le FHIR de l'hôpital, dé-identifiez par colonne, aplatissez en silver/OMOP, construisez vos features, puis entraînez sans que la donnée ne quitte le cloud du client (le plan de contrôle ne voit que du SQL).
Servir un endpoint d'inférence chez le client
Déployez votre modèle en serving dans le namespace du client, à côté de la donnée. Votre SaMD tourne là où vivent les patients, sans flux sortant de PHI à justifier auprès de la DSI.
Bâtir un RAG clinique ancré sur OMOP
Un assistant qui répond en s'appuyant sur les tables OMOP/silver du client (labo LOINC, mesures, conditions) plutôt que sur la mémoire du LLM : traçable et vérifiable.
Intégrer qualité clinique et gouvernance PHI
Contrôles d'unités et de plages LOINC, classification PHI automatique, journal d'accès : la traçabilité qu'exigent la validation réglementaire et le régime « haut risque » de l'EU AI Act, sans la recoder.
Rendre cohortes et features reproductibles (MLflow)
Du patient brut à une cohorte définie, dé-identifiée et versionnée, jusqu'au feature store et au tracking MLflow : un socle MLOps qui raccourcit le time-to-model et documente chaque run.
Générer le dossier de conformité par construction
Exportez journal d'accès PHI, classification, lineage des runs et métriques MLflow : la matière première de la documentation technique et de l'audit trail attendus par la validation clinique et l'EU AI Act.
Un détecteur de sepsis entraîné et servi sur données réelles.
Une startup développe un modèle de détection précoce de sepsis à commercialiser comme SaMD. Son blocage : un prototype entraîné sur données publiques, et des DSI qui refusent tout export de PHI. Voici le déroulé.
Déploiement chez le client
Polnor est déployé dans le namespace du CHU partenaire (hébergeur certifié HDS) ; le connecteur FHIR tire les données via $export vers le bucket du CHU. Rien ne sort.
Dé-identification
Dé-identification par colonne (noms et identifiants masqués, dates décalées) ; la classification PHI et le journal d'accès s'enclenchent automatiquement.
Structuration & qualité
Le FHIR est aplati puis converti en OMOP ; les résultats de labo sont normalisés en LOINC ; les contrôles qualité valident lactatémie et constantes vitales avant tout entraînement.
Entraînement
La cohorte de patients hospitalisés est définie, versionnée, ses features matérialisées. Le fine-tuning tourne sur le compute du CHU, chaque run tracké dans MLflow ; le plan de contrôle ne voit que du SQL.
Serving & conformité
Le modèle validé est exposé en endpoint dans le cloud du CHU, appelable par le SI hospitalier. La startup exporte journal d'accès, classification PHI, lineage des runs et métriques.
Résultat. La startup a entraîné ET servi sur données réelles sans jamais les exfiltrer, et sort du projet avec le dossier de traçabilité qui alimente la documentation exigée par le régime « haut risque » de l'EU AI Act, précisément les 80 % (intégration, confiance, conformité) où la plupart des startups IA santé échouent.