Cet article montre comment l’intelligence artificielle en médecine modifie le diagnostic, la prise en charge des patients et l’organisation des soins.

Les usages de l’IA en médecine

L’intelligence artificielle en médecine regroupe deux familles technologiques : les systèmes experts, qui appliquent des règles logiques définies à l’avance, et l’apprentissage automatique, qui repère des régularités dans de grandes quantités de données cliniques. Cette distinction recouvre deux logiques très différentes : d’un côté des règles explicites et contrôlées, de l’autre des corrélations apprises sans qu’un médecin les ait formulées.

Le diagnostic médical et l’analyse d’images

En radiologie, des algorithmes entraînés sur des centaines de milliers d’images repèrent parfois des anomalies discrètes, notamment les premiers signes d’un cancer du poumon, avec une précision qui peut dépasser celle d’un lecteur isolé, sans que cela rende l’expertise humaine inutile.

• Radiologie : détection d’anomalies pulmonaires précoces sur des clichés, avec des performances variables selon la qualité des données d’entraînement.
• Dermatologie : analyse de photographies de lésions cutanées, comparées à de vastes bases de données pour orienter le diagnostic d’affections courantes.
• Pathologie numérique : examen automatisé de biopsies afin de repérer des anomalies tissulaires et de contribuer à la prédiction de l’évolution d’une maladie.
• Mammographie : identification de signes précoces du cancer du sein, avec des performances parfois supérieures à celles d’un seul radiologue selon les tâches évaluées.

L’imagerie médicale est le secteur où les réseaux de neurones ont produit les résultats les plus robustes. Les jeux de données annotés y sont souvent plus faciles à constituer que dans d’autres spécialités. L’intelligence artificielle au service du diagnostic d’images a nécessité, par exemple, 50 000 images pour entraîner un algorithme à repérer des mélanomes, et 128 000 pour dépister des rétinopathies diabétiques.

Les applications pour la santé au quotidien

L’intelligence artificielle appliquée au diagnostic médical ne se cantonne pas aux plateaux techniques hospitaliers. Des applications destinées au grand public peuvent analyser une lésion photographiée avec un smartphone, évaluer des symptômes ou orienter vers un professionnel de santé.

Le risque apparaît lorsque ces outils sont utilisés sans encadrement clinique. Une application peut donner une fausse réassurance ou provoquer une anxiété infondée. Sa fiabilité dépend directement de la représentativité et de la rigueur des données utilisées pour son entraînement.

L’aide à la décision clinique

En anesthésie-réanimation, des systèmes d’aide à la décision rappellent le dosage des antibiotiques périopératoires ou les mesures de prévention des nausées postopératoires chez les patients à risque. En soins intensifs, une modélisation de prédiction peut signaler un risque de septicémie plusieurs heures avant l’apparition de symptômes cliniques manifestes. Les équipes disposent alors d’un délai supplémentaire pour évaluer la situation et intervenir.

La médecine générale et les assistants conversationnels

Selon une enquête récente, 62 % des médecins déclarent utiliser un assistant conversationnel fondé sur l’IA dans leur pratique quotidienne. Ils s’en servent pour préparer des comptes rendus, orienter un diagnostic ou effectuer une veille bibliographique. Cette adoption répond à une contrainte très concrète : le temps disponible en consultation diminue.

Ces chatbots sont désormais présents dans les cabinets, les hôpitaux et les salles de garde.

Les règles d’usage manquent encore dans la plupart des établissements, alors que la médecine algorithmique entre déjà dans les décisions ordinaires.

Les bénéfices concrets pour les soins

La promesse d'efficacité de l'intelligence artificielle en médecine tient à plusieurs gains mesurables : détection plus précoce, parcours mieux personnalisés, organisation hospitalière plus fluide et recherche pharmaceutique accélérée.

Exemples d'intelligence artificielle médicale

Les applications les plus convaincantes sont celles où un signal précoce modifie réellement la prise en charge. En mammographie, les systèmes d'IA repèrent des signes de cancer du sein à un stade où les options thérapeutiques restent nombreuses et moins invasives. En soins intensifs, la prédiction d'un risque septique plusieurs heures à l'avance peut aider l'équipe à commencer le traitement avant la dégradation de l'état du patient.

• Détection précoce du cancer : en radiologie et en pathologie numérique, l'IA peut repérer une anomalie à un stade où le traitement est moins lourd et potentiellement plus efficace.
• Septicémie en USI : la modélisation prédictive signale un risque de sepsis plusieurs heures avant l'apparition de symptômes cliniques visibles.
• Pharmacocinétique : les modèles prédictifs aident à estimer un dosage optimal, sous réserve d'une validation pharmacologique appropriée.
• Essais cliniques : l'IA facilite la stratification des patients, les simulations d'essais et le développement de jumeaux numériques afin d'accélérer la validation des molécules.

Elle fournit un signal supplémentaire que le médecin confronte à l'examen clinique, à l'histoire du patient et au jugement des soignants.

Personnaliser les parcours de santé

Environ 80 % des informations sur les patients sont exprimées en texte libre dans les dossiers médicaux, un chiffre fréquemment relevé dans les travaux sur le traitement automatique du langage médical menés à Stanford. Le traitement automatique du langage peut extraire et structurer ces données afin de bâtir des plans de soins plus ciblés, en tenant compte d'un historique clinique qu'aucun praticien isolé ne pourrait lire intégralement en quelques minutes. Lorsqu'une intelligence artificielle médicale est accessible gratuitement aux équipes hospitalières publiques, elle peut aussi réduire certaines inégalités d'accès à des analyses complexes, à condition que les données soient représentatives et rigoureusement gouvernées.

Ils peuvent faire ressortir des combinaisons de facteurs difficiles à percevoir, mais leur pertinence dépend directement de la qualité des données d'entrée. Une base incomplète produit une réponse faussement précise.

Optimiser l'organisation hospitalière

La modélisation prédictive aide à anticiper les flux d'admission et à ajuster l'occupation des lits, les effectifs ainsi que les équipements disponibles. Dans un service sous tension, cette capacité de prévision donne aux soignants une marge d'organisation utile avant que les difficultés ne deviennent urgentes.

Un service mieux coordonné réduit les délais, les erreurs logistiques et la fatigue des équipes.

Accélérer la recherche pharmaceutique

Dans l'industrie pharmaceutique, l'IA accélère l'identification de cibles thérapeutiques et la conception de molécules. Elle soutient aussi la pharmacovigilance en examinant des données réelles pour repérer des signaux de sécurité avant qu'un effet indésirable ne devienne un problème de santé publique.

Lors des essais cliniques, l'IA joue un rôle croissant dans la stratification des patients et les simulations destinées à réduire la durée et le coût des études. Cette accélération ne dispense pas d'une validation médicale rigoureuse. Le dossier de l'Inserm sur l'IA en santé, consacré à des applications allant de la chirurgie assistée à la prédiction, décrit les possibilités de ces outils tout en documentant leurs limites avec précision : le dossier de l'Inserm sur l'IA en santé.

Son utilité dépend moins de la promesse technologique que de la qualité des données, de la responsabilité du médecin et du cadre dans lequel les soignants l'emploient.

Limites et risques de l'IA en santé

Les performances de l'IA en santé sont réelles dans des conditions contrôlées. Elles diminuent dès que les données deviennent incomplètes, que certaines populations sont sous-représentées ou que les algorithmes fonctionnent sans supervision humaine effective. Repérer ces limites ne condamne pas les outils. Cela fixe les conditions d'un usage responsable.

Pourquoi l'IA peut se tromper

Les grands modèles de langage génèrent du texte en prédisant la suite la plus probable. Ils ne comprennent ni la clinique ni la différence entre une information exacte et une affirmation fausse. Une réponse peut donc contenir une référence bibliographique inexistante, un dosage erroné ou un diagnostic plausible, mais incorrect. Cette hallucination algorithmique constitue un risque direct pour la sécurité des patients.

• Hallucinations : les LLM peuvent fabriquer des sources, des chiffres ou des recommandations qui n'existent pas, tout en leur donnant une apparence de rigueur.
• Données d'entraînement défaillantes : la description des pathologies associées dans les données médicales peut comporter jusqu'à 30 % d'erreurs, selon les informations disponibles sur la qualité des bases cliniques.
• Opacité interne : l'enchaînement des calculs reste souvent difficile à expliquer, y compris pour les concepteurs. Cette opacité complique l'audit et l'attribution des responsabilités lorsqu'une erreur survient.

Une application d'IA médicale destinée au grand public ne peut pas être considérée comme un dispositif capable de poser seule un diagnostic ou d'arbitrer une décision de soins. La pratique médicale repose sur un jugement contextuel que les modèles probabilistes actuels ne reproduisent pas.

Biais, données et inégalités

Le biais structurel est l'une des défaillances les moins visibles de l'intelligence artificielle en santé. Les systèmes de reconnaissance visuelle entraînés sur des données majoritairement masculines et caucasiennes commettent davantage d'erreurs chez les femmes et les personnes à la peau foncée. Lorsque l'échantillon ne représente pas la population réelle, l'IA reproduit des inégalités historiques sans les rendre immédiatement perceptibles. Contester une décision automatisée devient alors plus difficile.

Réduire ce biais suppose d'examiner les données à la source : auditer leur origine, vérifier leur représentativité, documenter les choix de conception et tester les résultats sur des populations diverses. Le travail est long, coûteux et rarement valorisé sur le plan commercial. Il reste donc souvent incomplet. Emmanuelle Darles, enseignante-chercheuse en informatique, analyse ces mécanismes dans un essai sur les dangers de l'intelligence artificielle, consacré à la manière dont les algorithmes amplifient les biais existants et menacent les libertés individuelles.

Transparence et responsabilité médicale

La transparence conditionne l'audit d'un système d'IA et l'attribution d'une responsabilité médicale. Sans accès aux mécanismes de décision, aucun contrôle sérieux ne peut être mené. Un dispositif acceptable doit reposer sur des règles explicites, des preuves vérifiables, une responsabilité clairement attribuée et un recours possible lorsque la décision automatique se trompe.

L'éthique de l'intelligence artificielle en médecine ne se limite donc pas à l'affichage de principes généraux. Elle exige la traçabilité d'une décision et la possibilité réelle de la corriger. Peu de systèmes actuellement déployés satisfont pleinement ces exigences. Pour approfondir ces enjeux normatifs, l'éthique de l'intelligence artificielle en médecine fait l'objet d'une réflexion éditoriale structurée aux Éditions marco pietteur.

Éthique et protection des patients

La recommandation de l'UNESCO organise le cadre normatif mondial autour de quatre valeurs : les droits humains et la dignité, les sociétés pacifiques et justes, la diversité et l'inclusion, ainsi que la protection des écosystèmes. Ces orientations prolongent les trois principes fondateurs du rapport Belmont de 1979 : respect des personnes, bienfaisance et justice. Leur application à l'IA médicale reste un chantier ouvert.

Les enjeux dépassent l'efficacité clinique. La concentration du pouvoir algorithmique entre les mains de quelques acteurs technologiques soulève une question de gouvernance de la santé publique : qui décide, qui contrôle et qui peut contester ? Cette concentration façonne des décisions collectives dont les citoyens et les professionnels de santé restent souvent écartés.

L'intelligence artificielle en médecine peut soutenir certains professionnels de santé, mais elle ne dispense ni de vérifier les données ni d'assumer la décision médicale. La qualité d'un outil se mesure aussi à ses erreurs, à la possibilité de les repérer et au recours offert aux patients.

Encadrer l'IA pour une médecine sûre

La performance technique d’un système d’intelligence artificielle en médecine ne suffit pas à justifier son emploi dans les soins. Trois conditions restent indispensables : un cadre réglementaire solide, une gouvernance claire des données et une intervention humaine réelle dans la décision médicale.

L'AI Act et les outils médicaux

L’AI Act est entré en vigueur le 1er août 2024. Il classe les logiciels médicaux utilisant l’IA selon quatre niveaux de risque : inacceptable, élevé, limité et minimal. La plupart des outils d’aide au diagnostic, à la décision clinique ou au suivi des patients relèvent de la catégorie à risque élevé.

Pour les praticiens qui utilisent l’intelligence artificielle en médecine générale, cette classification impose des exigences strictes de robustesse, de traçabilité et de contrôle humain. Le non-respect de ces obligations peut exposer leurs éditeurs à des sanctions atteignant plusieurs dizaines de millions d’euros.

Données de santé et RGPD

En France, toute application d’IA médicale traitant des données de santé doit respecter le RGPD et la loi pour une République numérique. Les données sont anonymisées ou pseudonymisées, tandis que leur accès par les chercheurs dépend de l’autorisation de comités d’éthique.

Intégrer l’IA dans un parcours de soins exige donc de vérifier l’origine et les conditions d’utilisation des données, mais aussi d’informer les patients de leur traitement. L’espace européen des données de santé (EHDS) ouvre une voie à leur usage secondaire pour la recherche, à condition que la gouvernance demeure effective et traçable.

Le médecin reste décisionnaire

Les lignes directrices européennes de 2019 sur une IA digne de confiance recensent sept exigences. Le contrôle humain effectif arrive en tête : lorsqu’une décision médicale peut avoir des conséquences importantes, elle ne doit pas être abandonnée à une machine. Le médecin doit pouvoir intervenir, comprendre la recommandation et justifier la décision prise.

• Traçabilité : chaque décision assistée par l’IA doit pouvoir être auditée et rattachée à un professionnel identifiable.
• Recours effectif : le patient doit disposer d’une voie de contestation réelle lorsqu’une décision automatisée l’affecte directement.
• Supervision humaine : le clinicien conserve la responsabilité finale, y compris lorsque l’outil formule une recommandation contraire à son jugement.

La responsabilité médicale ne se délègue pas à un algorithme, et aucun système d’IA actuellement disponible ne peut l’assumer à la place des soignants.

Choisir une application d'IA médicale

La multiplication des solutions disponibles oblige les professionnels de santé à examiner précisément ce qu’ils introduisent dans leur pratique médicale quotidienne. Trois critères permettent d’évaluer une IA en médecine, quelle que soit son application.

• Qualité des données d’entraînement : les données représentent-elles la population prise en charge, et leur provenance est-elle documentée ?
• Auditabilité : le système explique-t-il la recommandation produite et prévoit-il une procédure de correction en cas d’erreur ?
• Conformité réglementaire : l’outil est-il classé au regard de l’AI Act et respecte-t-il les obligations correspondant à son niveau de risque, notamment pour les données de santé sensibles ?

Un outil incapable de répondre à ces trois questions ne devrait pas être utilisé directement en contexte clinique, même si son interface est fluide et ses résultats semblent sophistiqués.

Ces informations sont données à titre éducatif. Elles ne remplacent pas l'avis d'un professionnel de santé. En cas de symptômes persistants, consultez votre médecin.