Douleurs et IA exploratrices

Ce que les machines muettes savent déjà de notre douleur — et pourquoi on n’en parle jamais.

Il n’y a pas une intelligence artificielle, il y en a deux

Depuis trois ans, un seul visage de l’intelligence artificielle occupe tout l’espace : celui qui parle. Celui à qui on pose une question et qui répond dans notre langue. Ces systèmes — les modèles de langage — fascinent et inquiètent parce qu’ils nous ressemblent. Mais ils partagent une limite que peu de gens nomment : ils recombinent. Ils sont tirés, par construction, vers le centre de gravité de tout ce que les humains ont déjà écrit. Ils raffinent, ils reformulent, ils accélèrent. Ils n’inventent pas hors de ce qu’on leur a montré.

À côté d’eux, dans un silence presque total, travaille une autre famille de machines. Elles ne parlent pas. Elles n’ont pas d’interface grand public, pas d’abonnement, pas de plateau télé. Et ce sont elles, pas les bavardes, qui franchissent réellement le plafond du savoir humain. Deux d’entre elles ont d’ailleurs reçu le prix Nobel de chimie 2024 : AlphaFold, pour la prédiction de la structure des protéines, et les travaux de conception de protéines de David Baker.

Étage 1 — Concevoir une molécule que personne n’avait imaginée

C’est le cas le plus net de dépassement. Des équipes ont utilisé un logiciel de conception de protéines (Rosetta) pour dessiner de zéro des peptides capables de bloquer le canal sodique NaV1.7 — un canal-clé de la transmission du message douloureux dans les nocicepteurs, ces neurones spécialisés dans la détection de la douleur.

Cette sélectivité d’un facteur mille, la chimie humaine classique ne l’avait jamais atteinte sur cette cible : tous les médicaments existants visant ces canaux étaient non spécifiques. La machine, elle, a trouvé la clé qui n’ouvre qu’une seule serrure. C’est cela, le vrai dépassement : produire quelque chose que le savoir de départ ne contenait pas. Et c’est muet, illisible pour le grand public, donc invisible dans le débat.

Étage 2 — Lire la douleur dans le cerveau : la brèche qui nous concerne

Voici l’étage qui devrait nous intéresser le plus, parce qu’il n’attaque pas le mécanisme de la douleur : il attaque son invisibilité. Et l’invisibilité, c’est le cœur de notre combat.

L’équipe de Prasad Shirvalkar, à San Francisco, a implanté des électrodes intracrâniennes chez des patients en douleur chronique réfractaire, puis a entraîné des algorithmes à prédire — avec une haute sensibilité — le niveau de douleur ressenti par chaque personne à partir de sa seule activité cérébrale. Le constat de départ résume notre problème : pour les autres signes vitaux, il existe une mesure objective ; pour la douleur, il n’en existe aucune. La machine a fabriqué un signal objectif là où il n’y avait, depuis toujours, que la parole du patient — cette parole qu’on met si facilement en doute.

Des travaux distincts et convergents, menés en 2026 par une équipe coréenne (Lee et Woo), ont obtenu un résultat proche par IRM fonctionnelle, sans aucun implant. Avec une nuance déterminante, qu’il faut dire honnêtement : chaque modèle reposait sur des signatures cérébrales propres à chaque individu et ne se transposait pas d’un patient à l’autre. Autrement dit, l’objectivation de la douleur existe désormais — mais elle reste personnalisée, pas encore un test universel qu’on brandirait pour toute la fibromyalgie.

Étage 3 — Reconnaître la fibromyalgie : utile, mais ce n’est pas inventer

Il faut être honnête, car c’est ici que se cache le malentendu. Une vague de travaux récents applique l’apprentissage automatique au diagnostic de la fibromyalgie : biomarqueurs issus de l’expression des gènes, classifieurs sur l’électroencéphalogramme, modèles distinguant patients et témoins à partir de l’imagerie cérébrale.

C’est réel, c’est prometteur pour raccourcir l’errance diagnostique. Mais ce n’est pas du dépassement. C’est de la classification : la machine apprend à reconnaître des motifs dans des données que des humains ont déjà étiquetées. Elle range, elle n’invente pas. Confondre l’outil qui range avec l’outil qui découvre, c’est se préparer une désillusion.

La coupure cruelle pour la fibromyalgie

Une ligne de fracture apparaît, et elle nous est défavorable. Le vrai dépassement — la conception de molécules — se concentre sur la douleur neuropathique, là où il existe une cible nette : un canal, une serrure. La fibromyalgie, douleur nociplastique, reste le trou noir précisément parce qu’elle n’offre pas de cible franche : un dérèglement diffus de la modulation centrale, un système sans serrure visible.

Ce que nous en retenons

L’intelligence artificielle qui parle ne nous sauvera pas : elle recombine ce que les humains savent déjà, et sur la fibromyalgie, les humains savent peu. Mais les machines muettes ouvrent une brèche — pas sur le traitement, sur la reconnaissance. C’est là que nous devons veiller. Pas du côté des promesses bruyantes, mais du côté du silence des laboratoires, là où l’invisible commence, lentement, à devenir lisible.

Cet article inaugure une veille permanente. Nous suivrons trois fils : le décodage objectif de la douleur, la conception de molécules anti-douleur, et les outils de diagnostic assisté.

Fiche patient EN CLAIR

De quoi parle-t-on ? On entend beaucoup que « l’intelligence artificielle va tout changer en médecine ». Voici ce qui est vrai, ce qui est exagéré, et ce qui vous concerne vraiment.

Faut-il espérer ? Oui, mais au bon endroit. N’attendez pas un médicament miracle à court terme. Espérez plutôt que l’IA rende, progressivement, votre douleur visible et reconnue. C’est ce levier-là qui peut changer le regard porté sur vous.

Concrètement, aujourd’hui : rien ne change dans votre traitement immédiat. Ces recherches sont récentes et ne sont pas encore au cabinet médical. Mais elles dessinent une direction, et notre association la suivra pour vous — sans survendre, ni minimiser.

Fiche expert TECHNIQUE

1. Distinction structurante

Les grands modèles de langage opèrent par interpolation dans la distribution de leurs données d’entraînement : forts en synthèse, faibles en génération hors-distribution. À l’opposé, les architectures d’optimisation/recherche (design de protéines par Rosetta, apprentissage par renforcement) produisent des solutions absentes du corpus initial. Toute la pertinence pour la douleur tient à cette distinction : automatiser un tri ≠ découvrir une cible.

2. Conception moléculaire — dépassement avéré

Nguyen et al. (eLife, 2022) : conception assistée par Rosetta d’inhibiteurs peptidiques de NaV1.7 dérivés de la ProTx-II ; IC50 de 4–7 nM, sélectivité > 1000× sur les isoformes NaV1.1 à 1.9 ; efficacité sur modèles murins (voie intrathécale). Exemple net de génération hors-distribution. À distinguer de la résolution structurale de NaV1.7 par cryo-EM (Huang et al., 2022, 2,2 Å, PDB 7W9K), qui relève de la biologie structurale expérimentale, non d’une conception par IA. Limite FM : cible neuropathique, non transposable directement à la physiopathologie nociplastique.

3. Décodage neuronal — dépassement avéré, pertinence FM élevée

Shirvalkar et al. (Nat Neurosci, 2023) : première prédiction intra-individuelle de l’état de douleur chronique chez l’humain à partir de biomarqueurs intracrâniens (CCA + cortex orbitofrontal), 4 patients neuropathiques réfractaires, enregistrements ambulatoires longitudinaux. Résultat-clé : les marqueurs chroniques (puissance soutenue, OFC) diffèrent des signatures transitoires de la douleur aiguë. Travaux distincts et convergents de Lee, Jo, Cho & Woo (Nat Neurosci 29:957-963, 2026, Corée du Sud) : décodage de la douleur spontanée par IRMf de précision, 2 patients, r = 0,40–0,65, AUC 0,71–0,93. Nuance déterminante : modèles reposant sur des caractéristiques individuellement uniques, non généralisables entre patients — pas de biomarqueur universel à ce stade, mais des modèles personnalisés gourmands en données.

4. ML diagnostique appliqué à la FM — classification, pas dépassement

Zhao et al. (Front Genet, 2025) : modèle XGBoost sur expression génique, candidats DYRK3 / RGS17 / ArhGEF37. Li et al. (Front Pain Res, 2026) : connectivité EEG par ML. Zeng et al. (PLoS One, 2026) : classification FM/témoins par rs-fMRI + DTI. Classification supervisée sur étiquettes humaines préexistantes : utile contre l’errance diagnostique, sans génération de connaissance hors-distribution.

5. Conclusion stratégique

Le levier le plus actionnable pour la FM n’est pas la pharmacologie de conception (absence de cible nociplastique nette) mais l’objectivation neuronale de la douleur. Veille prioritaire : écosystème du décodage objectif. Veille secondaire : débordement éventuel des méthodes de conception moléculaire vers des cibles centrales de la modulation nociplastique.

Dictionnaire de l’article

Douleur nociplastique

Douleur née d’un dérèglement de la modulation de la douleur dans le système nerveux central, sans lésion tissulaire ni nerveuse identifiable. C’est le mécanisme de la fibromyalgie.

Douleur neuropathique

Douleur causée par une lésion ou une maladie du système nerveux lui-même (un nerf abîmé). Elle offre, contrairement à la nociplastique, des cibles biologiques précises.

Hors-distribution

Se dit d’une solution qu’un système d’IA produit alors qu’elle était absente de ses données de départ. C’est le critère du « vrai » dépassement, par opposition à la recombinaison.

Nocicepteur

Neurone spécialisé dans la détection des stimuli potentiellement douloureux.

NaV1.7

Canal sodique présent dans les nocicepteurs, cible majeure pour de nouveaux antidouleurs ; au cœur de la transmission du message douloureux.

Biomarqueur

Indicateur biologique objectif et mesurable d’un état. Pour la douleur, il n’en existait aucun jusqu’aux travaux récents de décodage cérébral.

Cortex orbitofrontal (OFC)

Région du cerveau dont l’activité soutenue s’est révélée prédictive de l’état de douleur chronique.

Rosetta / AlphaFold

Logiciels de modélisation et de conception de protéines, récompensés par le Nobel de chimie 2024 ; capables de concevoir des molécules inédites.

Sources

• Shirvalkar P. et al. First-in-human prediction of chronic pain state using intracranial neural biomarkers. Nature Neuroscience 26:1090-1099 (2023). doi:10.1038/s41593-023-01338-z
• Lee J.-J., Jo S., Cho S., Woo C.-W. Personalized brain decoding of spontaneous pain in individuals with chronic pain. Nature Neuroscience 29:957-963 (2026). doi:10.1038/s41593-026-02221-3
• Nguyen P.T. et al. Computational design of peptides to target NaV1.7 channel with high potency and selectivity for the treatment of pain. eLife 2022;11:e81727. doi:10.7554/eLife.81727
• Zhao F. et al. Identification of diagnostic biomarkers for fibromyalgia using gene expression analysis and machine learning. Frontiers in Genetics 16:1535541 (2025). doi:10.3389/fgene.2025.1535541
• Li J. et al. EEG connectivity features associated with fibromyalgia revealed by machine learning. Frontiers in Pain Research 6:1704444 (2026). doi:10.3389/fpain.2025.1704444
• Zeng Z. et al. Machine learning for the diagnosis of fibromyalgia based on magnetic resonance imaging. PLoS One (2026). doi:10.1371/journal.pone.0340899
• Huang G., Liu D. et al. High-resolution structures of human Nav1.7… Cell Reports (2022) ; cryo-EM 2,2 Å, PDB 7W9K.
• Ablin J.N. Nociplastic Pain: A Critical Paradigm… J Clin Med (2024). doi:10.3390/jcm13195741
• Prix Nobel de chimie 2024 : AlphaFold (D. Hassabis, J. Jumper) et conception computationnelle de protéines (D. Baker).