Publié par : Lucas Simon — Rédacteur spécialisé en intelligence Artificielle
L’intelligence artificielle aide déjà à repérer des anomalies sur des images médicales, à estimer certains risques et à préparer des comptes rendus. Son intérêt n’est pas de remplacer la consultation, mais d’apporter une information utile au bon moment. Encore faut-il distinguer un outil validé pour une tâche précise d’un agent conversationnel capable de produire une réponse convaincante, mais erronée.
Ce que fait réellement une IA face à un dossier médical
L’intelligence artificielle en médecine désigne des systèmes capables d’analyser des informations pour détecter, classer, prédire ou proposer une action. Ils peuvent exploiter une radiographie, un résultat biologique, un texte clinique ou des mesures issues d’un dispositif de suivi. Leur compétence reste liée à leur objectif : reconnaître une anomalie sur une image ne signifie pas comprendre toute la situation du patient.
Des règles médicales aux modèles qui apprennent
L’approche symbolique utilise des connaissances explicites et des règles de raisonnement. Un système expert peut ainsi rapprocher des symptômes de critères définis. Les ontologies, qui organisent les concepts médicaux et leurs relations, permettent notamment de donner un sens commun aux informations.
L’approche numérique recherche plutôt des régularités dans des exemples. L’apprentissage automatique construit un modèle à partir de données ; l’apprentissage profond utilise des réseaux de neurones, notamment pour analyser des images. L’Inserm cite des entraînements sur 50 000 images pour la détection de mélanomes et 128 000 images pour celle de rétinopathies diabétiques. Ces volumes illustrent le besoin de données, pas une garantie de réussite chez chaque patient.
Prédire, recommander et rédiger ne sont pas équivalents
Un modèle prédictif estime un risque ; un système d’aide à la décision propose une information pertinente ; un outil d’automatisation exécute une tâche définie. Les grands modèles de langue, ou LLM, génèrent du texte et peuvent préparer une synthèse. Mais une phrase fluide n’est pas une preuve médicale : faits, traitements et références doivent être vérifiés avant toute utilisation clinique.
Du dépistage au suivi : des usages à comparer selon leur rôle
L’imagerie médicale constitue un terrain important d’application, car elle repose sur des données visuelles analysables à grande échelle. Les usages dépassent toutefois la radiologie. Leur disponibilité et leur validation varient selon le produit, la population et l’établissement : un prototype de recherche ne doit pas être confondu avec un dispositif utilisé en soins.
| Domaine | Contribution possible | Vigilance essentielle |
|---|---|---|
| Radiologie et dépistage | Signaler une zone suspecte sur une mammographie ou une radiographie | Vérifier les faux positifs et les anomalies manquées |
| Pathologie numérique | Aider à repérer et quantifier des caractéristiques sur des biopsies numérisées | Contrôler la qualité des lames et leur interprétation |
| Soins intensifs | Estimer un risque de dégradation à partir de mesures cliniques | Éviter les alertes trop nombreuses ou peu pertinentes |
| Suivi à distance | Détecter une évolution inhabituelle des mesures d’un patient | Prévoir qui reçoit l’alerte et intervient |
| Documentation clinique | Préparer un compte rendu ou une synthèse de dossier | Relire les omissions, erreurs et informations attribuées au mauvais patient |
En réanimation, la Commission européenne évoque des systèmes pouvant signaler un risque de septicémie 3 heures avant l’apparition des symptômes cliniques. Cette anticipation n’a d’intérêt que si l’alerte permet une évaluation et une prise en charge adaptées. Elle ne constitue ni un diagnostic certain ni une performance applicable à tous les logiciels.
D’autres applications concernent la recherche de médicaments, la pharmacovigilance, l’anticipation d’épidémies ou la gestion des lits hospitaliers. En chirurgie, certaines fonctions assistent la planification et le geste : robotique et autonomie décisionnelle ne sont pas synonymes. En santé mentale, un agent conversationnel ne remplace pas une évaluation professionnelle, notamment face à une situation de crise.
Le bénéfice se mesure dans le parcours de soins, pas seulement sur un écran
Repérer davantage d’anomalies, réduire un délai de lecture ou personnaliser une surveillance peut améliorer les soins. Mais une bonne performance technique ne démontre pas, à elle seule, un bénéfice pour le patient. Il faut examiner les conséquences concrètes : examens supplémentaires, délais de traitement, complications évitées, charge de travail et qualité de vie.
Faire gagner du temps sans déplacer le travail
Un compte rendu préparé automatiquement peut alléger la saisie, à condition que sa relecture ne devienne pas plus longue que sa rédaction. De même, une alerte utile peut accélérer une intervention ; des notifications répétitives peuvent disperser l’attention. Le gain doit être évalué sur l’ensemble du parcours, et non sur la seule tâche automatisée.
Le suivi à distance illustre une boucle souvent oubliée : mesurer, transmettre, interpréter, agir, puis vérifier l’effet de l’action. Si personne n’est chargé de rappeler le patient après une alerte, la chaîne reste ouverte. Avant de multiplier les capteurs, il faut donc définir un destinataire, un délai de réponse et une procédure d’escalade. Une mesure supplémentaire ne devient un soin que lorsqu’elle déclenche une réponse pertinente.
Conserver le raisonnement et la relation clinique
Le médecin confronte une proposition algorithmique à l’examen, aux antécédents, aux préférences du patient et aux possibilités thérapeutiques. Il peut la retenir ou l’écarter. Cette supervision doit être réelle : disposer du temps, des compétences et des informations nécessaires pour contester le résultat compte davantage qu’un simple clic de validation.
Données, erreurs et confidentialité : les conditions d’une utilisation fiable
Un modèle entraîné dans un établissement peut moins bien fonctionner ailleurs, avec un autre appareil ou une population différente. Des données incomplètes et des annotations incorrectes fragilisent également ses résultats. L’interopérabilité, c’est-à-dire la capacité des systèmes à échanger des informations correctement interprétables, est donc aussi importante que la puissance de calcul.
Les biais peuvent désavantager des groupes insuffisamment représentés lors de l’apprentissage. Il faut examiner les performances par population et distinguer faux positifs, qui provoquent des investigations inutiles, et faux négatifs, qui peuvent retarder une prise en charge. Un score global masque parfois ces différences.
Une autre difficulté tient à l’explicabilité : certains systèmes donnent un résultat sans justification facilement interprétable. L’explication affichée ne suffit toutefois pas à prouver que ce résultat est juste. Validation clinique et surveillance restent indispensables.
Les règles européennes relatives aux dispositifs médicaux et le règlement européen sur l’IA peuvent s’appliquer selon la destination et la classification du système. Les exigences sont renforcées pour les systèmes à haut risque, avec notamment des obligations de gestion des risques, de documentation et de contrôle humain. Le RGPD encadre parallèlement le traitement des données personnelles. Un dossier médical ne doit pas être copié dans un service grand public non autorisé pour cet usage.
Avant de faire confiance à un outil, vérifier son usage précis
Pour un établissement, l’adoption commence par un problème clinique clairement défini, pas par l’achat d’une technologie. L’évaluation doit porter sur la population concernée, la comparaison avec les pratiques habituelles et les effets sur l’organisation. Après déploiement, les erreurs, incidents et changements de performance doivent continuer à être suivis.
- Définir le périmètre : tâche autorisée, situations exclues et limites connues.
- Vérifier la validation : patients étudiés, conditions d’utilisation et résultats pertinents pour les soins.
- Organiser la supervision : professionnel responsable de la vérification et procédure en cas de désaccord.
- Sécuriser les données : accès, hébergement, conservation et éventuelle réutilisation.
- Prévoir les incidents : traçabilité, signalement et solution de repli sans l’outil.
Pour un patient, demander quel rôle joue l’IA, qui vérifie son résultat et comment ses données sont utilisées est légitime. La responsabilité en cas d’erreur dépend du dispositif, de son utilisation et des obligations des acteurs : elle ne disparaît pas derrière l’algorithme. Une IA médicale utile n’est pas celle qui semble tout savoir, mais celle dont on connaît les limites et dont l’apport aux soins peut être vérifié.
- Intelligence artificielle en médecine : repérer plus tôt, sans décider à la place du médecin - 25 octobre 2026
- Ingénieur intelligence artificielle : du premier modèle au salaire, la réalité du métier - 24 octobre 2026
- L’IA rédige vos courriers, mais vous gardez la maîtrise des faits - 22 octobre 2026
