Traduit de l’original anglais. Les chiffres et les sources sont inchangés. Lire l’original en anglais
University Hospital Bonn
L’hôpital universitaire de Bonn exécute DeepSeek-R1 sur un serveur isolé pour ses radiologues
L’hôpital universitaire de Bonn, en Allemagne, a déployé le modèle ouvert (open-weight) DeepSeek-R1 sur un serveur isolé au sein de son centre de données, avec l’autorisation de traiter des données patients non anonymisées. Lors d’un pilote d’une semaine, 22 radiologues ont jugé la traduction et la correction de texte comme les meilleures tâches, et ont signalé le plus d’erreurs lorsque le modèle rédigeait les conclusions de comptes rendus.
Chiffres clés
Repris tels quels des sources. Copiez n’importe quel chiffre avec sa citation.
22
(17 internes, 3 radiologues certifiés, 2 radiologues seniors)
Radiologues ayant terminé le pilote d’une semaine en juillet 20251
10,0
Note de stabilité du système, médiane, échelle de 0 à 101
9,5
Note de qualité des résultats pour la traduction de comptes rendus, médiane, échelle de 0 à 101
6
Tâches sans aucune erreur critique signalée, sur dix testées1
Ce que cela a demandé
Le coût, la taille de l’équipe et le calendrier ne sont pas communiqués dans les sources.
Le problème
Les radiologues rédigent et corrigent de longs comptes rendus, les traduisent et préparent des courriers. Les modèles de langage peuvent aider, mais les hôpitaux allemands ne peuvent généralement pas envoyer de données de patients à des services d’IA externes, en vertu de règles de confidentialité comme le RGPD de l’UE. L’hôpital universitaire de Bonn voulait un modèle qu’il puisse exécuter lui-même, tout en obtenant l’autorisation de traiter des données patients non anonymisées.
Ce qu’ils ont construit
L’hôpital a construit un service isolé et auto-hébergé autour de DeepSeek-R1, un modèle ouvert (open-weight). « Ouvert » signifie que les fichiers du modèle sont publiés : un hôpital peut l’exécuter sur son propre matériel. L’équipe a utilisé la version complète de 671 milliards de paramètres, compressée (quantifiée) pour tenir sur un serveur équipé de huit puces NVIDIA A100. Le service s’appuie sur un écran de discussion avec dix modèles de prompts prêts à l’emploi, comme la correction et la traduction de comptes rendus. L’hôpital a publié le package de déploiement en open source.
Comment ils s’y sont pris
La conception part du principe qu’une intrusion est possible. Des zones réseau séparent l’interface web du modèle, des règles de pare-feu bloquent le trafic extérieur et des tests automatiques vérifient que l’isolation tient. Un moniteur surveille les connexions extérieures inattendues.
En parallèle, l’équipe a mené une procédure d’autorisation, qui a associé la direction de la clinique, le délégué à la protection des données, le responsable de la sécurité de l’information, le service conformité et le comité d’entreprise (les représentants du personnel). Le comité d’entreprise a donné son accord à condition qu’aucune statistique d’usage par salarié ne soit collectée et que l’usage reste volontaire. Les collaborateurs doivent suivre un cours de culture IA avant de pouvoir se connecter.
En juillet 2025, 22 radiologues ont utilisé le système pendant une semaine.
Résultats
La procédure d’autorisation a abouti, et l’hôpital présente le service comme la base d’une offre permanente pour plus de 10 000 collaborateurs. Pendant le pilote, les utilisateurs ont noté la stabilité à 10,0 sur 10 en médiane et la convivialité à 9,0. La rapidité a été notée 7,0. Le moniteur n’a détecté aucune connexion extérieure.
Les tâches fondées sur un texte fourni par l’utilisateur ont obtenu les meilleurs résultats. La traduction de comptes rendus a reçu une note de qualité médiane de 9,5, et six tâches sur dix n’ont fait l’objet d’aucune erreur critique signalée. Une erreur critique est une affirmation erronée, une omission ou un contenu inventé qui exige une correction manuelle.
Ce qui a mal tourné
La rédaction de conclusions à partir de constats d’imagerie a affiché le taux d’erreur le plus élevé. Sur 16 utilisateurs de cette tâche, un a signalé une erreur critique unique et deux en ont signalé plusieurs. Le codage CIM-10 (les codes standard de maladies utilisés pour la facturation) a été jugé prometteur, mais les utilisateurs ont indiqué que la vérification des codes suggérés faisait gagner peu de temps. Les notes de rapidité étaient plus basses que celles de stabilité, ce que les auteurs attribuent à leur matériel serveur plus ancien.
Ce qu’il faut retenir
Commencez par la correction, la traduction et la simplification de textes que l’utilisateur possède déjà. Considérez la génération de nouveau contenu clinique comme plus risquée et testez-la séparément.
Tous les chiffres publiés
| Indicateur | Chiffre | Citation |
|---|---|---|
| Radiologues ayant terminé le pilote d’une semaine en juillet 2025 | 22 (17 internes, 3 radiologues certifiés, 2 radiologues seniors)1 | |
| Note de stabilité du système, médiane, échelle de 0 à 10 | 10,01 | |
| Note de qualité des résultats pour la traduction de comptes rendus, médiane, échelle de 0 à 10 | 9,51 | |
| Tâches sans aucune erreur critique signalée, sur dix testées | 61 | |
| Génération de conclusions : utilisateurs signalant une erreur critique (une erreur, plusieurs erreurs), sur 16 utilisateurs de cette tâche | 1 a signalé une seule erreur, 2 ont signalé plusieurs erreurs1 | |
| Délai médian avant le premier jeton | 3,13 secondes1 | |
| Événements de connexion externe détectés par le moniteur d’isolation pendant le pilote | 01 |
Enseignements pour votre projet
Choisissez des tâches où le modèle travaille à partir d’un texte fourni par l’utilisateur, comme la traduction ou la correction d’un compte rendu. La rédaction ouverte à partir de constats a produit les erreurs les plus graves.
Prévoyez du temps pour les autorisations, pas seulement pour le logiciel. L’hôpital a eu besoin de l’aval de la direction, de la protection des données, de la sécurité de l’information, de la conformité et du comité d’entreprise.
Faites de la formation une condition d’accès. L’hôpital a exigé un cours de culture IA avant toute connexion, afin de remplir ses obligations de déployeur au titre du règlement européen sur l’IA (AI Act).
Ne liez pas l’architecture à un seul modèle. La pile est indépendante du modèle : l’hôpital peut adopter de nouveaux modèles ouverts sans refaire le travail de sécurité.
Réserves
- Il s’agit d’un preprint (article de recherche non évalué par des pairs) rédigé par les équipes de radiologie et d’informatique de l’hôpital ; les chiffres sont donc ceux de l’hôpital lui-même.
- Le pilote a duré une semaine, avec 22 volontaires sur un seul site. Les erreurs ont été signalées par les utilisateurs eux-mêmes, sans vérification par des experts indépendants.
- Les chiffres d’utilité et de gain de temps sont des notes des utilisateurs sur une échelle de 0 à 10, et non des minutes mesurées. Pour le codage CIM-10, la médiane du gain de temps perçu n’était que de 3,5.
- L’article indique qu’un service permanent pour plus de 10 000 collaborateurs constitue la base actuelle, mais il ne rapporte aucun chiffre d’usage pour ce déploiement plus large.
Sources
- Secure On-Premise Deployment of Open-Weights Large Language Models in Radiology: An Isolation-First Architecture with Prospective Pilot Evaluation
arXiv · 2026-03-25 · Article de recherche · arxiv.org
Résumé dans nos propres mots à partir des sources ci-dessus. Une erreur ? Consultez les corrections.