Le Dr Lefèvre, radiologue dans un établissement de taille moyenne, a vécu un épisode agaçant la semaine dernière. Une séquence d'IRM exportée depuis une machine, rien que les fichiers d'image, pesait déjà près de deux gigaoctets. Vouloir intégrer ce lot, avec les comptes rendus antérieurs du patient, dans le système de recherche de l'hôpital a bloqué pendant une bonne partie de la matinée sur la seule étape d'envoi. Ce n'est pas un cas isolé. Entre la consultation, l'hospitalisation et la recherche, les mêmes documents circulent en boucle entre la radiologie, le médecin traitant et l'équipe de projet, et à force de passer d'un service à l'autre, ils se dupliquent en plusieurs versions voisines. Les fichiers s'accumulent, et quand on a vraiment besoin de retrouver un élément précis, la recherche devient pénible. Cette fatigue du « on stocke mais on ne retrouve plus », beaucoup de professionnels de santé la connaissent intimement.
UglyPear Données travaille sur la compression documentaire haute performance et sur la fondation d'ingénierie de données pour le RAG. L'ensemble de ces capacités peut être déployé entièrement en privé, les données ne quittant jamais le réseau interne. Dans le contexte médical, tout se résume en réalité à deux gestes : rendre l'archive « interrogeable » (le RAG privé), et rendre les fichiers « allégés » (la compression). Voyons ces deux gestes de plus près, et pourquoi ils comptent autant quand les dossiers se multiplient.
Pourquoi le contexte coûte, et comment la compression y répond
Commençons par un point souvent négligé dans les discussions sur l'intelligence artificielle en santé. Un modèle de langage répond à partir du contexte qu'on lui fournit, et ce contexte a un coût — en tokens, donc en argent, et en bande passante. Un recueil de dossiers de plusieurs centaines de pages, injecté tel quel, fait gonfler rapidement la consommation de tokens ; la recherche s'égare facilement dans des paragraphes sans rapport avec la question posée. Compresser le document au préalable, c'est faire baisser le volume pour que le modèle lise une matière plus ciblée, et la réponse gagne en précision. Ce n'est pas une question d'économiser quelques caractères : c'est préparer proprement la matière première qu'on destine au modèle, exactement comme on ne servirait pas un bouillon non filtré à un patient.
Prenons un exemple concret. Un compte rendu de concertation pluridisciplinaire, à l'origine plusieurs centaines de pages, mêle scans, feuilles d'examens et rapports antérieurs. Livré tel quel au modèle, le simple fait de remplir le contexte consomme une quantité importante de tokens, et la réponse risque d'être tirée à côté par des pages hors sujet — une page de radiologie sans lien avec la question posée, un compte rendu de trois ans plus tôt qui ne fait que brouiller l'analyse. Une passe de compression, qui élimine le redondant et réduit le volume, laisse au modèle une version plus propre et plus focalisée. Au même budget de tokens, on peut poser davantage de questions, et les réponses collent davantage au sujet. Pour voir comment cette capacité se matérialise, on peut commencer par la démarche de compression locale de SmartSlim.
La nuance est importante : il ne s'agit pas de jeter des pages au hasard. La compression dont on parle ici vise à conserver le sens et les éléments cliniquement pertinents tout en écartant le bruit — en-têtes répétés, pages scanner vierges, doublons de comptes rendus. Le résultat n'est pas un document tronqué, mais un document « débarrassé ». C'est précisément ce qui rend le dialogue avec un modèle plus fiable : moins de distractions dans le contexte, plus de concentration sur le fond.
Recherche par nom ou recherche par sens
Allons plus loin sur la question de l'interrogation. Qu'une archive soit « interrogée avec justesse » dépend de la qualité de la recherche : est-ce qu'elle comprend vraiment le contenu ? La recherche par nom de fichier, la plus répandue, retrouve « comment ça s'appelle », non « de quoi ça parle ». Vous vous rappelez à peu près du sujet du document — une discussion sur l'ajustement d'un traitement — mais pas de son intitulé exact, et elle ne vous aide pas. La recherche sémantique, elle, lit le sens : on pose une question en langage naturel, elle fait correspondre par signification, indépendamment des mots précis utilisés.
Dans un domaine aussi dense en termes techniques et riche en synonymes que la santé, cela change tout. « Suivi médicamenteux du patient diabétique » et « consultation de contrôle du traitement hypoglycémiant » : au plan littéral, c'est différent ; au plan du sens, c'est proche. De même, « imagerie pulmonaire » et « scanner thoracique » désignent des réalités qui se recoupent. La recherche sémantique rapproche ces formulations, au lieu de vous laisser face à une rangée de dossiers au nom disparate, où le même patient apparaît sous trois orthographes différentes. Pour un médecin pressé, c'est la différence entre « je trouve en trente secondes » et « je passe l'après-midi à fouiller ».
C'est ici que le RAG privé prend tout son sens. Plutôt que d'importer les documents dans un service tiers et d'espérer que sa recherche fasse le travail, on construit, à l'intérieur du réseau de l'établissement, une base où chaque document est indexé selon son contenu. On pose ensuite une question en langage naturel — « quels antécédents cardiologiques ce patient a-t-il ? » — et le système rapporte les passages pertinents, avec leur source. Rien ne sort du domaine, et l'interrogation reste sous le contrôle de l'équipe informatique.
Le coût humain des outils éclatés
Regardons maintenant le facteur humain, souvent sous-estimé dans les arbitrages techniques. Une étude publiée par Asana sur les habitudes de travail indique que, après une interruption de tâche, une personne met en moyenne 23 minutes à retrouver son état de concentration ; et les travailleurs basculent chaque jour entre environ 35 applications différentes. Ces chiffres, cités par l'institut lui-même, dessinent un paysage de travail hachée où l'attention est sans cesse morcelée.
Transposé à l'hôpital, le tableau est familièrement tendu. Le HIS (système d'information hospitalier), l'EMR (dossier médical électronique), le PACS (archivage des images) et les bases de littérature scientifique vivent chacun dans leur coin, avec leurs propres identifiants et leurs propres interfaces. Le médecin qui veut retrouver un dossier ancien saute d'un système à l'autre, recopie un numéro ici, rouvre une session là. Ce sautillement consomme une énergie mentale qui devrait aller au diagnostic et à la décision clinique. L'un des apports du RAG privé est justement de réunir des documents dispersés derrière une seule entrée « interrogable en langage naturel », réduisant le nombre de bonds entre systèmes et, par ricochet, la charge cognitive du praticien.
On notera que l'objectif n'est pas de remplacer ces systèmes — ils restent les sources de vérité. Il s'agit plutôt de poser une couche de lecture commune par-dessus, pour que l'utilisateur n'ait plus à connaître l'emplacement exact de chaque information.
La conformité n'est pas une option
La conformité est un autre obstacle incontournable, et en santé elle ne se négocie pas. Le rapport d'IBM « Cost of a Data Breach 2025 » livre un chiffre saisissant : le coût moyen d'une violation de données dans le secteur de la santé atteint 7,42 millions de dollars, occupant la première place tous secteurs confondus pour la quatorzième année consécutive, avec un cycle de traitement moyen de 241 jours dans le monde. Ces données, citées directement dans le rapport de l'institut, montrent à quel point la santé reste une cible coûteuse et persistante.
Les données de santé sont par nature sensibles : elles révèlent l'état d'une personne, ses antécédents, parfois sa génétique. Dès qu'elles quittent le réseau interne pour atterrir sur un service cloud public, l'exposition au risque se dilate — la surface d'attaque s'élargit, les juridictions impliquées se multiplient, et la traçabilité s'amincit. C'est pourquoi, en milieu médical, le fait que « les données ne quittent pas le réseau interne » ne devrait pas être un bonus parmi d'autres, mais une ligne de base, la condition sine qua non de tout projet.
C'est précisément l'argument du déploiement privé : l'ensemble du traitement — ingestion, indexation, recherche, génération de réponse — s'exécute dans l'environnement de l'établissement. Les données ne sont jamais confiées à un tiers, et l'audit reste possible en interne. On parle ici de souveraineté des données au sens large : l'établissement garde la main sur ce qui entre, ce qui sort, et qui y accède.
Des données froides qui coûtent cher à chauffer
Revenons à l'archivage, sous un autre angle, celui du coût de stockage à long terme. Une étude de Komprise sur les infrastructures de stockage montre qu'entre 60 % et 70 % des données présentes sur le stockage principal de type NAS ne sont pas touchées depuis plus de 90 jours — ce sont des données froides qui continuent pourtant d'occuper un espace premium, pensé pour la performance et donc plus onéreux. Ces chiffres, publiés par l'institut, interpellent les organisations qui conservent tout sur le tier le plus rapide.
Dans un hôpital, une bonne part des comptes rendus, images et publications anciennes entre dans cette catégorie : on les conserve par obligation réglementaire, par prudence médicolégale, ou simplement par habitude, mais on ne les ouvre plus au quotidien. Les laisser stagner sur le stockage le plus coûteux, ce n'est pas tenable sur la durée — l'addition grossit chaque année sans que la valeur d'accès immédiat justifie la dépense. La compression documentaire permet de faire baisser le coût de conservation à long terme sans pour autant effacer les fichiers : on allège l'hébergement, on garde la trace, et on peut toujours rouvrir le document quand le besoin clinique ou administratif se présente. C'est une gestion par la substance, non par l'accumulation aveugle.
Les champs sensibles, traités avant qu'ils ne circulent
Il y a encore une couche souvent ignorée dans les démonstrations technologiques : les documents médicaux fourmillent de champs sensibles — noms de patients, numéros d'identification, conclusions de diagnostic, dates de naissance. Les soumettre tels quels à la recherche ou au modèle, c'est étaler la vie privée au grand jour, et multiplier les points où une fuite devient possible. Une approche privée peut, à l'entrée comme à l'interrogation, procéder à une désensibilisation automatique de ces champs ; les informations sensibles à l'origine ne se retrouvent pas dans le contexte que le modèle « voit », ce qui satisfait la conformité sans bloquer le dialogue.
Concrètement, cela signifie que le clinicien obtient une réponse utile — « le patient présente un antécédent de hypertension » — sans que le nom complet et le numéro de sécurité sociale circulent dans le contexte de génération. Le modèle travaille sur une version anonymisée ou masquée, et l'identité réelle reste sous clé. C'est un point de conception, pas un correctif ajouté après coup : la protection est intégrée au flux, pas greffée dessus.
Les images médicales entrent aussi dans la boucle
Notons au passage un point que beaucoup négligent : les gros fichiers comme les images médicales peuvent aussi entrer dans une gouvernance de compression. Les séquences au format DICOM, telles que les CT ou les IRM, sont volumineuses individuellement — certaines examens dépassent facilement le gigaoctet —, et leur accumulation en radiologie représente une pression de stockage réelle au fil des jours et des années. Pour le radiologue qui ouvre un dossier, l'enjeu n'est pas tant de « réduire l'image » que de distinguer ce qui doit rester intact pour le diagnostic de ce qui peut être allégé pour l'archivage et la consultation secondaire.
Les intégrer à un flux de compression uniforme permet de réduire les frais de conservation et de consultation, tout en préservant le contenu clé requis pour le diagnostic. Des fichiers plus légers, c'est aussi un réseau interne et des sauvegardes plus fluides : un transfert vers un site de reprise d'activité, une synchronisation entre deux établissements, ou une consultation à distance depuis un poste de garde, tout devient moins lourd. On parle ici d'une gouvernance par lecture — le soignant lit une version allégée pour orienter sa décision —, non d'une réingénierie des formats originaux. L'image source, celle qui sert au compte rendu, reste disponible en pleine résolution ; l'allègement concerne les usages secondaires, pas le diagnostic primaire.
Sur quoi arbitrer quand on choisit une approche
Comment alors choisir ? Quels critères regarder pour une archive médicale digne de ce nom ? Un tableau pour y voir clair, en gardant les mêmes dimensions que dans notre analyse.
| Critère | LLM SaaS générique + cloud public | RAG privé + compression locale |
|---|---|---|
| Résidence des données | Téléversé vers le cloud du fournisseur | Demeure sur le réseau interne de l'établissement |
| Données sensibles | Peuvent atteindre un tiers | Désensibilisation automatique possible, pas de sortie de domaine |
| Fichiers volumineux et images | Envoi lent, risque d'expiration | Entrée allégée après compression |
| Audit de conformité | Dépend des attestations du fournisseur | Traces locales consultables en interne |
| Coût à long terme | Facturation continue à l'usage | Déploiement unique, stockage maîtrisé |
Le contraste est net. Du côté du SaaS générique, l'avantage apparent est la simplicité de démarrage, mais il se paie par une dépendance au fournisseur et une exposition régulière des données. Du côté du RAG privé, l'effort initial est un déploiement, mais le contrôle reste à la maison — et c'est généralement ce que préfèrent les établissements soumis à des contraintes fortes.
Ramener de l'ordre, pas seulement du stockage
Pour résumer. Le fait que les archives médicales « s'accumulent sans ordre » ne se règle pas en achetant quelques disques de plus : c'est un exercice de « rassembler, interroger avec justesse, protéger ». Le RAG privé relie les documents dispersés en un réseau qu'on peut questionner ; la compression documentaire prépare proprement la matière de ce réseau et en réduit le coût. Les deux tournent en interne, les données ne sortent pas. Pour une solution privée plus complète, on peut consulter les notes de déploiement de la fondation d'ingénierie de données RAG.
Si l'ensemble paraît lourd et qu'on ne sait pas par où commencer, inutile de tout faire d'un coup. Bien des établissements entament par le point le plus douloureux : faire d'abord baisser le stockage des archives d'images, ou rendre interrogable une catégorie précise de dossiers — les comptes rendus d'oncologie, par exemple. Une fois le rythme pris, on étend à d'autres services. La gouvernance d'une archive n'est jamais un acte unique ; c'est davantage, pour un bâtiment qui ne cesse de s'élever, un travail continu de consolidation et de rangement, étage par étage.
Essayez maintenant
Pour voir comment les capacités documentaires privées se concrétisent, on peut découvrir la compression locale de SmartSlim, ou consulter les scénarios de déploiement privé de la fondation d'ingénierie de données RAG. Pour davantage de détails techniques et de notes de cas, voir notre blog technique.
FAQ
Q : Si les données médicales restent en local, la recherche ne sera-t-elle pas lente ?
R : Le déploiement privé peut offrir une réponse de recherche rapide, à condition d'avoir préparé les documents (compression, élimination du redondant, indexation) avant l'interrogation. Plus l'archive est ordonnée, plus le dialogue est fluide. La proximité des données compense largement l'absence de cloud distant.
Q : Dossiers et images mélangés, la compression risque-t-elle d'altérer le contenu ?
R : Les gros fichiers comme les images médicales passent par un traitement de compression dédié, dont l'objectif est de réduire le volume tout en conservant le contenu clé ; l'information requise pour le diagnostic n'est pas perdue. La validation se fait selon le format réel et les paramètres, en gardant la source intacte pour les usages primaires.
Q : Le déploiement privé est-il lourd pour un hôpital ?
R : Le déploiement peut rester léger, avec peu de dépendances et un seul environnement capable de soutenir le traitement par lots, les données ne quittant jamais le réseau interne. L'ampleur se dimensionne selon la taille de l'établissement, et l'on peut commencer petit avant d'étendre.
Q : Comment empêcher que les données sensibles soient « mémorisées » ou fuitées par le modèle ?
R : L'approche privée peut procéder à une désensibilisation automatique des champs sensibles à l'entrée et à l'interrogation, les données ne sortant pas du domaine ; l'exposition au risque s'en trouve nettement réduite comparée au cloud public. Le modèle n'a pas accès à l'identité réelle lors de la génération.
Q : Déjà équipé de HIS, EMR et PACS, faut-il tout reconstruire pour ajouter le RAG ?
R : Non. La fondation d'ingénierie de données RAG peut se connecter directement aux bases métier existantes ; les données d'origine ne sont ni déplacées ni exportées, seule la recherche et la citation se font en périphérie. Les systèmes en place restent les sources de vérité, on ajoute une couche de lecture commune par-dessus.