Santé et IA : comment l’apprentissage automatique transforme les soins

Un système d’intelligence artificielle ne soigne pas à la place d’un médecin. En revanche, il peut trier des informations, comparer des images, repérer des associations statistiques et signaler des situations qui méritent une attention particulière. Dans des établissements où se croisent dossiers médicaux, résultats biologiques, imagerie, traitements et contraintes logistiques, cette capacité d’analyse peut devenir précieuse.

À la fin de novembre 2024, l’apprentissage automatique s’impose ainsi comme l’un des leviers les plus observés pour améliorer les soins. Ses promesses couvrent le diagnostic plus précoce, la prévention de complications, l’adaptation de certains parcours de soins et une organisation hospitalière plus fluide. Mais la technologie ne produit pas spontanément de meilleurs résultats : elle dépend de la qualité des données, des conditions de son déploiement et de la vigilance des professionnels qui l’utilisent.

De quoi parle-t-on quand on évoque l’apprentissage automatique en santé ?

L’apprentissage automatique, souvent désigné par l’expression anglaise machine learning, est une branche de l’intelligence artificielle. Son principe est de construire un modèle à partir d’exemples : images annotées, résultats d’analyses, comptes rendus, données administratives ou historiques de prise en charge. Le modèle cherche alors des régularités dans ces données pour estimer une probabilité ou effectuer une classification.

Dans le domaine médical, cela peut se traduire par des questions très concrètes : une radio présente-t-elle une anomalie qui justifie une relecture attentive ? Un patient hospitalisé présente-t-il un risque accru de complication ? Quel service pourrait manquer d’un médicament si les consommations suivent leur trajectoire actuelle ?

La distinction est essentielle : un algorithme fournit généralement une estimation, un score ou une alerte. Il ne connaît ni la douleur ressentie par la personne, ni son contexte de vie dans toute sa complexité, ni les éléments cliniques qui n’ont pas été saisis dans les données. C’est pourquoi son résultat doit être interprété par une équipe soignante, et non traité comme une décision automatique.

Du dépistage à la prévention des complications

L’un des usages les plus visibles de l’IA médicale concerne l’aide au diagnostic. Les logiciels entraînés sur des données de santé peuvent assister l’analyse de maladies cardiovasculaires, du diabète ou de certaines pathologies repérables dans l’imagerie. Ils ne découvrent pas nécessairement une maladie à eux seuls. Leur rôle consiste plutôt à mettre en évidence des configurations de données qui ressemblent à celles observées dans des cas précédemment identifiés.

L’imagerie médicale illustre bien cette logique. Sur une radiographie, un scanner ou une autre image, un modèle peut analyser un très grand nombre de pixels et attirer l’attention sur une zone inhabituelle. Cela peut contribuer à réduire le risque qu’un signal discret passe inaperçu, notamment lorsque les volumes d’examens sont importants. Pour autant, une image ne se lit jamais isolément : l’âge, les symptômes, les antécédents, les autres examens et l’évolution clinique restent déterminants.

La prédiction joue également un rôle dans la prévention. En rapprochant plusieurs variables présentes dans un dossier, un outil peut estimer qu’une situation exige une surveillance renforcée. Cette approche peut aider à anticiper certaines complications plutôt qu’à intervenir seulement lorsqu’elles se sont déclarées. Elle doit toutefois rester prudente : une probabilité élevée n’est pas un diagnostic, et une probabilité faible ne garantit pas l’absence de problème.

Pourquoi les biais de données peuvent-ils nuire aux patients ?

Les données de santé ne sont pas un reflet parfait de la population. Elles portent les traces de l’histoire des soins : accès inégal aux consultations, diagnostics tardifs, différences de prise en charge, dossiers plus ou moins complets selon les lieux ou les patients. Si un modèle apprend uniquement à partir de ces données sans examen critique, il peut reproduire, voire amplifier, les inégalités qu’elles contiennent.

Un outil entraîné sur une population insuffisamment diverse peut par exemple être moins pertinent pour des groupes peu représentés. Un autre peut confondre une corrélation avec une cause : il peut avoir appris à associer un indicateur administratif ou social à un risque médical, sans que cette association soit directement utile pour soigner une personne donnée.

Les travaux de la chercheuse Marzyeh Ghassemi, au MIT, s’inscrivent dans cette réflexion sur les biais des modèles utilisés en santé. L’enjeu n’est pas uniquement informatique. Il concerne la manière de collecter les données, de choisir les critères d’évaluation, d’interpréter les résultats et d’associer aux projets des compétences médicales, techniques, statistiques et sociales.

L’identité, le parcours et les choix des personnes qui développent ces systèmes comptent aussi. Ils influencent les questions posées, les résultats considérés comme importants et les populations pour lesquelles un outil sera testé. Une technologie plus équitable ne repose donc pas sur une simple correction technique appliquée à la fin d’un projet.

L’IA peut aussi aider à mieux organiser les hôpitaux

L’apprentissage automatique ne se limite pas aux actes de diagnostic. Les établissements de santé doivent gérer des flux complexes : disponibilité des lits, besoins de personnel, stocks de médicaments, priorités de suivi et coordination entre services. Dans ces tâches, des modèles prédictifs peuvent aider à anticiper plutôt qu’à réagir dans l’urgence.

L’objectif n’est pas de confier l’hôpital à un algorithme. Il s’agit de mettre à disposition des équipes des prévisions argumentées, qui peuvent éclairer une décision opérationnelle. La qualité de l’outil dépend alors de données à jour, mais également de règles claires : qui reçoit l’alerte, qui la vérifie et quelle action est envisageable ?

Sécurité des patients : alerter sans créer de nouvelles erreurs

Dans un service hospitalier, détecter tôt un risque peut faire une différence importante, en particulier pour les personnes les plus fragiles. L’apprentissage automatique peut analyser en continu des données consignées dans un dossier afin de générer une alerte lorsqu’un ensemble de signaux paraît préoccupant. Cette fonction de veille peut soutenir le suivi des patients à haut risque.

Mais une alerte n’est utile que si elle est à la fois fiable, compréhensible et actionnable. Un système qui avertit trop souvent risque d’être ignoré par des équipes déjà fortement sollicitées. À l’inverse, un outil trop restrictif peut manquer des cas importants. Trouver cet équilibre fait partie du travail clinique, pas seulement de la programmation.

La sécurité suppose aussi de savoir ce que le modèle mesure réellement. Une alerte fondée sur une donnée mal renseignée, sur un historique incomplet ou sur une pratique propre à un établissement peut conduire à une mauvaise interprétation. Les équipes doivent pouvoir vérifier le résultat, le confronter à la situation du patient et, lorsque c’est nécessaire, ne pas le suivre.

Comment évalue-t-on un outil d’IA médicale ?

Avant d’être utilisé dans les soins, un modèle doit être évalué sur des données qui n’ont pas servi à son entraînement. Les chercheurs et les soignants examinent alors plusieurs indicateurs. La sensibilité indique la capacité à détecter les cas réellement concernés. La spécificité mesure la capacité à ne pas signaler à tort des cas qui ne le sont pas. Ces deux dimensions doivent être considérées ensemble, car augmenter l’une peut parfois diminuer l’autre.

L’aire sous la courbe, souvent appelée AUC, est également utilisée pour apprécier la capacité globale d’un modèle à distinguer deux catégories, par exemple des situations à risque et d’autres qui le sont moins. Cet indicateur est utile, mais il ne suffit pas. Un bon résultat statistique ne prouve pas, à lui seul, que l’outil améliore le quotidien des patients ou des soignants.

L’évaluation doit donc se poursuivre en conditions réelles. Le modèle fonctionne-t-il avec les données réellement disponibles ? Est-il aussi fiable dans plusieurs établissements ? Modifie-t-il les décisions de manière pertinente ? Réduit-il un risque sans accroître la charge de travail ou les fausses alertes ? Ces questions permettent de passer d’une démonstration technique à une véritable utilité clinique.

La protection de la vie privée est tout aussi centrale. Les données médicales sont particulièrement sensibles. Leur utilisation impose de limiter les accès, de sécuriser les systèmes, de documenter les usages et d’éviter de collecter ou de conserver plus d’informations que nécessaire. La confiance des patients dépend autant de ces garanties que de la qualité des algorithmes.

Former des équipes capables de questionner les outils

Le développement de l’IA en santé appelle une formation qui dépasse la maîtrise du code. Les médecins, infirmiers, chercheurs, ingénieurs, statisticiens, juristes et spécialistes des sciences humaines n’abordent pas un même problème de la même façon. Leur collaboration est indispensable pour définir un besoin de soin réel, sélectionner des données pertinentes et évaluer les conséquences d’un outil sur les patients.

Pour les professionnels de santé, comprendre les principes de base de l’apprentissage automatique aide à utiliser ces systèmes avec discernement. Il ne s’agit pas de transformer chaque soignant en informaticien, mais de savoir poser les bonnes questions : sur quelles données l’outil a-t-il été entraîné ? Pour qui a-t-il été évalué ? Que signifie exactement son score ? Que se passe-t-il si son conseil est ignoré ou suivi ?

Pour les concepteurs, l’apprentissage du raisonnement clinique et des réalités hospitalières est tout aussi important. Un modèle peut être techniquement sophistiqué tout en étant inadapté à un service où les données arrivent avec retard, où le temps manque ou où l’alerte ne peut déboucher sur aucune action concrète.

Ce qu’il faut surveiller pour une IA réellement utile

La perspective d’une médecine plus préventive et plus personnalisée est réelle, mais elle ne repose pas sur l’automatisation de toutes les décisions. Les outils les plus prometteurs sont ceux qui renforcent la capacité des soignants à repérer, vérifier et prioriser, tout en laissant une place centrale au dialogue avec le patient.

Les prochaines avancées devront être jugées à l’aune de questions simples. Les résultats sont-ils robustes dans des contextes variés ? Les bénéfices sont-ils répartis équitablement ? Les professionnels comprennent-ils les limites de l’outil ? Les patients savent-ils comment leurs données sont employées ? Et surtout, la technologie améliore-t-elle de façon mesurable la qualité, la sécurité ou l’accès aux soins ?

L’apprentissage automatique peut contribuer à moderniser la santé, de l’analyse d’une image à la gestion d’un stock de médicaments. Sa valeur ne se résumera toutefois jamais à sa puissance de calcul. Elle dépendra de la qualité des pratiques médicales, de l’attention portée aux inégalités et de la responsabilité collective dans le choix des usages.