OpenEvidence

OpenEvidence est un moteur de recherche médical propulsé par l'IA, conçu exclusivement pour les cliniciens agréés, dans le but de remplacer la recherche manuelle sur PubMed et la lente navigation sur UpToDate au chevet du patient. Fondée en 2022 par Daniel Nadler, titulaire d'un doctorat de Harvard et ancien fondateur de Kensho (acquis par S&P Global pour $550 million), et par le cofondateur Zachary Ziegler, chercheur en apprentissage automatique à Harvard, la plateforme synthétise la littérature médicale évaluée par des pairs pour fournir en quelques secondes des réponses sourcées en langage naturel. Elle est gratuite pour tout médecin américain vérifié par un NPI, et financée par la publicité pour des produits pharmaceutiques et des dispositifs médicaux plutôt que par des abonnements.

Le produit principal propose deux modes depuis mai 2026. Quick Consult traite la plupart des questions sur le lieu de soins, fournissant des réponses fondées sur des preuves avec des citations directes de revues en moins de 10 secondes. DeepConsult, lancé en juillet 2025, est un agent de raisonnement IA autonome qui croise plusieurs études pendant plusieurs minutes et fournit une synthèse multi-sources exhaustive, s'apparentant davantage à une revue de la littérature qu'à une simple recherche. Les deux fonctionnent à partir de contenus sous licence en texte intégral provenant du JAMA Network, du NEJM Group, du NCCN, de l'ACC, de Cochrane et de l'AAFP. La plateforme est disponible sur le web, iOS et Android, avec des widgets natifs pour un accès rapide au chevet du patient et une API pour les intégrations institutionnelles. Un troisième produit, Coding Intelligence, a été lancé en mars 2026 pour aider les médecins à identifier les diagnostics sous-codés dans leurs notes et à récupérer les remboursements manquants.

Ce qu'est réellement OpenEvidence en mai 2026

OpenEvidence se situe à l'intersection de la recherche de littérature médicale et de la synthèse par IA. Ce n'est ni un chatbot, ni un outil de documentation, ni un moteur de diagnostic différentiel. Il s'agit d'un système de génération augmentée par la recherche (RAG) entraîné et fondé sur des contenus sous licence évalués par des pairs, avec la vérification du médecin comme condition d'accès.

Les partenariats de contenu de la plateforme la distinguent des outils d'IA généralistes appliqués à la médecine. L'accord avec le JAMA Network, annoncé le 5 juin 2025, a donné à OpenEvidence un accès sous licence au JAMA, au JAMA Network Open et aux 11 revues spécialisées du JAMA, y compris le texte intégral et le multimédia. L'accord parallèle avec le NEJM Group couvre l'ensemble des contenus du NEJM, de NEJM Evidence, de NEJM AI, de NEJM Catalyst et de NEJM Journal Watch depuis 1990. Il ne s'agit pas de résumés extraits du web ; ce sont des intégrations de textes intégraux sous licence. Pour un outil gratuit, cette richesse de contenu est véritablement exceptionnelle.

La croissance a été exceptionnellement rapide pour un logiciel médical. L'entreprise a atteint 1 million de consultations cliniques en une seule période de 24 heures le 10 mars 2026. Début 2026, elle traite plus de 20 millions de consultations par mois provenant de 757 000 médecins vérifiés dans plus de 10 000 hôpitaux et centres médicaux. L'IA a atteint 100 % à l'USMLE en 2025, contre 90 % en 2023, bien que les performances aux examens de certification et la précision réelle dans les sous-spécialités soient deux choses différentes (plus de détails à ce sujet dans la section sur les limites).

"OpenEvidence est plus à jour qu'UpToDate. Et plus utile de toute façon, car il est interactif, vous pouvez lui poser des questions et obtenir des réponses très précises sur des [cas] médicaux spécifiques." -- Dr. Antonio Jorge Forte MD, Directeur de MayoExpert, Mayo Clinic, 2025

Où se situe OpenEvidence par rapport à UpToDate et Glass Health

L'espace d'aide à la décision clinique comporte deux points de référence significatifs pour la comparaison : UpToDate, l'acteur institutionnel historique, et Glass Health, le challenger émergent natif de l'IA. OpenEvidence occupe une position distincte par rapport aux deux.

UpToDate (Wolters Kluwer) est une base de données de référence rédigée par des humains, et non un outil de synthèse par IA. Son contenu est rédigé et évalué par des comités de rédaction spécialisés, organisé en monographies thématiques structurées couvrant le dosage des médicaments, les algorithmes de diagnostic différentiel et le contenu détaillé des sous-spécialités. L'abonnement pour un médecin coûte environ $600 par an (souvent couvert par la licence de l'hôpital). La force d'UpToDate réside dans son auditabilité et sa profondeur : chaque affirmation remonte à un rédacteur expert nommé. Sa faiblesse est son format. C'est une référence que l'on lit, pas un système auquel on pose des questions. Il n'y a pas d'interface en langage naturel, pas de synthèse entre les articles, et aucune capacité à répondre à de nouvelles combinaisons spécifiques aux patients. Pour les questions généralistes au chevet du patient où la rapidité compte, OpenEvidence est plus rapide et tout aussi bien sourcé. Pour la profondeur des sous-spécialités complexes, le contenu éditorialisé d'UpToDate surpasse encore la synthèse par IA.

Glass Health est une plateforme clinique native de l'IA qui adopte une approche différente : axée sur le raisonnement plutôt que sur la recherche. Là où OpenEvidence répond à "que dit la littérature sur X", Glass Health répond à "compte tenu de ces symptômes, quels sont les diagnostics probables et quel devrait être le plan d'action". Il génère des diagnostics différentiels, des plans cliniques et, au niveau Max ($200/month), s'intègre directement à Epic, eClinicalWorks et Athena pour l'automatisation des flux de travail des DSE. Glass Health ne dispose pas des licences des revues JAMA/NEJM qu'OpenEvidence possède, et il n'est pas gratuit. Pour un médecin qui a besoin d'une aide au diagnostic et d'une planification clinique plutôt que d'une recherche documentaire, Glass Health est plus adapté. Pour la recherche de preuves fondées sur la littérature à coût nul, OpenEvidence l'emporte par défaut. Ces outils semblent de plus en plus complémentaires plutôt que concurrents : de nombreux cliniciens utilisent les deux.

Pour une comparaison connexe des outils d'IA qui se concentrent sur la documentation ambiante plutôt que sur la recherche de preuves, voir Abridge, Suki AI et Nabla. Pour une autre IA de raisonnement clinique avec une architecture différente, Hippocratic AI cible la communication en santé orientée vers le patient plutôt que le soutien clinique aux médecins.

Comment l'IA fonctionne réellement au sein d'OpenEvidence

OpenEvidence est un système RAG, et non un modèle médical affiné déployé sans ancrage. Chaque réponse est générée à partir de contenus sous licence en texte intégral plutôt qu'à partir d'un ensemble d'entraînement figé. Cette distinction est importante pour la précision et pour éviter les hallucinations : le système ne peut pas affirmer avec certitude quelque chose qui ne figure pas dans son corpus sous licence, et chaque affirmation fait apparaître sa citation source afin que le clinicien puisse la vérifier.

Quick Consult traite les questions cliniques simples, en extrayant les sections pertinentes du corpus sous licence et en générant une réponse synthétisée avec des citations, généralement en moins de 10 secondes. DeepConsult a une architecture différente : il fonctionne comme un agent autonome, décomposant la requête en sous-questions, exécutant de multiples passages de recherche et synthétisant les résultats de plusieurs études dans une boucle de raisonnement à plusieurs étapes. Cela prend plusieurs minutes et produit un résultat nettement plus long et plus nuancé, comparable à la revue de la littérature d'un jeune interne.

La vérification des médecins est appliquée via la recherche du National Provider Identifier (NPI). La plateforme ne vérifie pas les cliniciens non américains par ce mécanisme, ce qui crée des frictions d'accès pour les utilisateurs internationaux et signifie que le chiffre de 757 000 utilisateurs représente presque exclusivement l'univers des médecins américains.

"J'utilise OpenEvidence depuis une semaine - c'est incroyable ! Capable de cibler rapidement les résultats et de trouver des informations que je n'arrivais pas à obtenir avec mes propres recherches sur Google/PubMed." -- Dr. John Lee MD, Faculté de la Harvard Medical School, App Store, 2025

Les frictions et les préoccupations soulevées par les médecins

La trajectoire de croissance d'OpenEvidence est incontestable, mais le produit n'est pas sans limites réelles. Plusieurs tendances reviennent dans les avis et les commentaires cliniques.

Fiabilité des serveurs à grande échelle. Avec plus de 20 millions de consultations par mois, la plateforme a connu des pannes et des délais d'attente dépassés pendant les heures de pointe cliniques. De nombreux évaluateurs sur l'App Store décrivent des sessions qui s'interrompent après 1 à 3 questions pendant les périodes de forte affluence en journée. À l'échelle à laquelle OpenEvidence opère désormais, il s'agit d'un problème d'ingénierie structurelle plutôt que d'un dysfonctionnement mineur.

Lacunes de précision dans les sous-spécialités. OpenEvidence met en avant son score de 100 % à l'USMLE. Une prépublication de novembre 2025 sur medRxiv (Jagarapu et al., doi: 10.64898/2025.11.29.25341091) a testé la plateforme sur des questions complexes de sous-spécialités issues du jeu de données de l'examen de certification MedXpertQA et a révélé une précision de 41 % pour DeepConsult et de 34 % pour Quick Consult. Pour contextualiser, onze grands modèles de langage de premier plan testés sur le même jeu de données ont obtenu des scores de 14 à 46 %, l'écart reflète donc un problème complexe à l'échelle du domaine plutôt qu'un échec spécifique à OpenEvidence. Mais cela signifie que pour les internes en sous-spécialité ou les médecins spécialistes travaillant sur des cas limites, l'outil est nettement moins fiable que ne le laissent supposer ses performances généralistes.

Le modèle publicitaire. L'accès gratuit à OpenEvidence est financé par la publicité pour des produits pharmaceutiques et des dispositifs médicaux à des CPM de $70-$150, bien au-dessus des tarifs numériques habituels. L'entreprise soutient que le contenu clinique et les publicités sont strictement séparés. Les critiques, y compris des chercheurs en information de santé et des newsletters indépendantes (Out-of-Pocket, Krafty Librarian), notent que l'affaire Practice Fusion reste une référence en matière de mise en garde : cette entreprise a été condamnée à une amende de $145 million pour avoir intégré dans son DSE des alertes de prescription d'opioïdes qui ont été déclenchées 230 million de fois avant intervention. OpenEvidence n'est pas Practice Fusion, et la politique publicitaire de l'entreprise interdit explicitement aux publicités d'influencer les réponses cliniques. La préoccupation est structurelle : placer des publicités pharmaceutiques au moment précis où un médecin décide d'un traitement crée une proximité qui est inhabituelle dans tout autre contexte de référence médicale.

Sensibilité aux prompts. Les utilisateurs notent que des questions cliniques vagues ou mal formulées renvoient des réponses superficielles. La plateforme récompense un langage clinique précis, ce qui favorise les médecins expérimentés par rapport aux étudiants en médecine ou aux internes qui développent encore leurs compétences en formulation de questions.

Ce qu'il ne fait pas. OpenEvidence ne calcule pas les doses de médicaments, ne vérifie pas les interactions médicamenteuses, ne génère pas de diagnostics différentiels et ne produit pas de documentation clinique. Ces capacités nécessitent des outils distincts. Pour les médecins qui ont besoin d'un flux de travail clinique intégré plutôt que d'une recherche documentaire, cela signifie qu'OpenEvidence se place aux côtés d'autres outils plutôt que de les remplacer.

À qui s'adresse OpenEvidence, et qui devrait utiliser autre chose

OpenEvidence est particulièrement adapté aux médecins de premier recours, aux médecins hospitaliers, aux internistes généralistes et aux médecins urgentistes qui ont besoin de réponses rapides et sourcées à des questions cliniques généralistes sur ou près du lieu de soins. Il fonctionne bien comme première étape dans un flux de questions cliniques : interroger OpenEvidence, obtenir une synthèse de la littérature sourcée, puis vérifier ou approfondir si nécessaire. La gratuité supprime toute barrière d'accès pour les médecins américains, ce qui explique pourquoi l'adoption a été si rapide.

Les étudiants en médecine et les internes bénéficient de l'ancrage factuel de l'outil, en particulier pour développer leur connaissance de la littérature pendant leur formation. La transparence des citations montre d'où proviennent les affirmations, ce qui le rend éducatif plutôt que simplement générateur de réponses.

L'outil est moins adapté aux médecins spécialistes travaillant sur des cas complexes à la limite de la littérature de leur spécialité, où les données de précision de décembre 2025 suggèrent des lacunes de fiabilité significatives. Ce n'est pas non plus le bon outil pour les institutions dont les équipes de conformité ou d'éthique s'inquiètent de la publicité pharmaceutique adjacente à la prise de décision clinique, ou pour les cliniciens non américains qui ne peuvent pas effectuer la vérification NPI.

Les cliniciens qui ont besoin d'aide pour le dosage des médicaments, les interactions ou le diagnostic différentiel devraient associer OpenEvidence à des outils dédiés plutôt que de le considérer comme une solution complète d'aide à la décision clinique. Pour les outils d'IA spécifiquement axés sur le raisonnement clinique et la planification du diagnostic, Glass Health comble le vide qu'OpenEvidence laisse délibérément. Pour une IA médicale généraliste avec des compromis différents, Hippocratic AI se concentre sur la communication en santé orientée vers le patient plutôt que sur le soutien clinique aux médecins, une partie différente de l'écosystème de l'IA en santé.