IA en MedTech : des laboratoires aux dispositifs, la santé se réorganise

L’intelligence artificielle ne transforme pas la MedTech uniquement dans les salles d’examen ou au bloc opératoire. Son influence commence souvent bien plus tôt, dans les laboratoires, les équipes chargées de la documentation, les services achats et les chaînes d’approvisionnement. Pour les fabricants de technologies médicales, l’enjeu est double : concevoir de meilleurs produits et réduire le temps nécessaire pour les développer, les valider puis les déployer auprès des soignants.

Cette évolution recouvre des réalités très différentes. L’IA générative peut résumer une littérature scientifique ou préparer un premier brouillon de document. D’autres systèmes analysent des images, assistent un geste ou facilitent le suivi de paramètres de santé via des objets connectés. Dans tous les cas, l’automatisation ne dispense ni d’une vérification humaine ni des exigences particulièrement élevées de la médecine : un outil utile doit être fiable, compréhensible dans son usage et compatible avec le parcours de soins.

La MedTech, un secteur où l’IA agit à tous les étages

La MedTech désigne les entreprises qui développent des technologies au service de la santé : dispositifs d’imagerie, équipements chirurgicaux, logiciels cliniques, outils de diagnostic, capteurs et objets de santé connectée. L’IA peut intervenir dans le produit final, mais aussi dans la manière dont ce produit est conçu et commercialisé.

Dans une entreprise du secteur, les usages les plus immédiats concernent souvent les tâches répétitives qui mobilisent beaucoup de temps qualifié. Synthétiser des publications, retrouver une information dans un ensemble de documents techniques, préparer des comptes rendus ou organiser des données hétérogènes sont autant d’opérations susceptibles d’être accélérées. La recherche et développement, les opérations commerciales et la gestion de la chaîne d’approvisionnement figurent parmi les fonctions qui explorent ces possibilités.

Il faut toutefois distinguer deux grandes familles d’usages :

L’IA générative est particulièrement visible parce qu’elle sait manipuler du texte et dialoguer en langage naturel. Elle ne remplace pourtant pas un jugement scientifique ou médical. Ces modèles produisent des réponses plausibles à partir de données d’entraînement et d’instructions, sans constituer une preuve clinique par eux-mêmes. Dans un contexte médical, tout contenu généré doit donc être contrôlé par des personnes compétentes avant d’être intégré à un dossier, une décision ou une communication réglementaire.

Des gains économiques prometteurs, mais encore à concrétiser

L’intérêt des industriels s’explique aussi par l’ampleur des gains envisagés. McKinsey estime que les entreprises MedTech pourraient tirer de l’IA générative entre 14 milliards et 55 milliards de dollars de gains annuels. L’optimisation des produits et des services pourrait, selon cette même analyse, apporter plus de 50 milliards de dollars de revenus supplémentaires.

Ces estimations ne constituent pas un résultat acquis pour l’ensemble du secteur. Elles décrivent un potentiel, qui dépend de la qualité des données, de la maturité des outils choisis, de la formation des équipes et de la capacité à inscrire l’IA dans des processus réels. Une solution spectaculaire en démonstration peut avoir peu d’effet si elle impose une double saisie aux soignants, si elle ne communique pas avec les systèmes existants ou si personne n’est clairement responsable de sa validation.

Un sondage mené en 2024 montre néanmoins que le mouvement est déjà engagé : près de deux tiers des dirigeants de la MedTech interrogés avaient adopté l’IA générative, tandis qu’environ 20 % étendaient leurs solutions. Cette diffusion rapide traduit un intérêt qui dépasse l’expérimentation isolée. Elle pose aussi une question de gouvernance : quelles tâches peut-on confier à un système génératif, avec quelles données, et qui contrôle le résultat final ?

Les gains de temps les plus tangibles se situent souvent dans les activités administratives et documentaires. Certaines entreprises font état de 20 % à 30 % de gains de productivité dans la recherche. Dans un environnement où les équipes doivent lire, comparer, justifier et archiver de très nombreux éléments, cette amélioration peut libérer du temps pour des travaux à plus forte valeur scientifique. Elle ne doit pas être confondue avec une réduction automatique des délais de développement : les essais, la vérification et les étapes réglementaires restent indispensables.

Pourquoi la R&D adopte-t-elle l’IA si rapidement ?

Les départements de recherche et développement sont naturellement exposés à des volumes considérables d’informations : publications scientifiques, résultats d’essais, spécifications techniques, retours de terrain, procédures internes et exigences réglementaires. L’IA générative peut faciliter la première lecture de ces matériaux, notamment en produisant une synthèse ou en aidant à retrouver les passages pertinents dans une documentation abondante.

Cette adoption peut aussi partir du terrain. Des chercheurs et ingénieurs utilisent déjà des outils d’IA pour alléger certaines tâches, parfois avant même qu’une stratégie formelle ne soit adoptée à l’échelle de leur entreprise. Cette dynamique peut accroître la productivité, mais elle révèle une difficulté majeure : sans cadre commun, les pratiques se dispersent, les données peuvent être exposées de manière inappropriée et les résultats sont plus difficiles à auditer.

Pour être utile, un programme d’IA en R&D doit donc répondre à des questions concrètes. Les données utilisées contiennent-elles des informations sensibles ? Les sources citées dans une synthèse peuvent-elles être vérifiées ? Les équipes savent-elles reconnaître une erreur ou une omission ? Les versions d’un document sont-elles traçables ? Dans la santé, la rapidité n’a de valeur que si elle n’affaiblit pas la qualité de la preuve.

L’humain reste responsable de la qualité

Une IA peut accélérer la préparation d’une soumission ou la relecture d’un document complexe, mais elle ne porte pas la responsabilité de son contenu. Les équipes scientifiques, cliniques et réglementaires doivent conserver la maîtrise des faits, des données et des formulations employées. C’est particulièrement important lorsque le document décrit les performances d’un dispositif ou les risques associés à son utilisation.

L’objectif le plus réaliste n’est donc pas d’automatiser intégralement la R&D. Il consiste à retirer une partie de la charge répétitive, afin que les spécialistes consacrent davantage d’attention aux questions qui exigent une expertise humaine : interpréter une donnée ambiguë, évaluer un compromis de conception, définir un protocole ou juger de la pertinence clinique d’une innovation.

Du dispositif performant au produit réellement utilisable

Dans la technologie médicale, une innovation n’est pas jugée seulement sur ses performances techniques. Son expérience utilisateur compte tout autant. Un appareil peut fournir une mesure précise, mais devenir peu utile s’il est difficile à installer, s’il ralentit un service ou s’il demande des gestes complexes dans une situation d’urgence. À l’inverse, une interface claire peut réduire la charge cognitive des professionnels et rendre une technologie plus accessible aux patients.

Les UX Design Awards, qui distinguent des produits associant qualité de conception et qualité d’usage, illustrent cette évolution. Dans le domaine de la santé, l’expérience utilisateur doit composer avec des contraintes spécifiques : hygiène, stress des utilisateurs, diversité des profils de patients, formation des professionnels et exigences de sécurité. L’interface n’est donc pas une couche décorative ajoutée à la fin d’un projet. Elle fait partie de la conception du soin.

Le système CIARTIC Move de Siemens Healthineers est cité comme un exemple de cette tendance. Ce système d’imagerie 3D autonome permet aux chirurgiens de contrôler l’équipement sans contact physique. Dans un bloc opératoire, limiter les manipulations peut contribuer à fluidifier le travail et à préserver l’attention de l’équipe sur le geste médical. L’exemple montre comment l’autonomie d’un équipement et son ergonomie peuvent compter autant que la sophistication de sa technologie interne.

ASUS a également reçu des distinctions pour son application HealthConnect et sa série VivoWatch, qui associent des fonctionnalités de santé connectée à des interfaces pensées pour être faciles à utiliser. Ces produits s’inscrivent dans une tendance plus large : les patients rencontrent de plus en plus souvent des outils numériques de santé hors de l’hôpital. Leur simplicité doit néanmoins aller de pair avec une information claire sur ce que les mesures signifient, et sur ce qu’elles ne permettent pas de conclure.

Comment mesurer l’intérêt réel d’un programme d’IA en santé ?

La mesure du succès ne peut pas reposer uniquement sur le nombre de licences achetées ou sur la rapidité d’une démonstration. Les entreprises doivent suivre des indicateurs clés de performance, souvent appelés KPI, qui relient l’outil à un effet vérifiable. Dans le développement de produits, cela peut concerner le temps consacré à la recherche documentaire, le délai de traitement d’une demande, la qualité des dossiers ou la capacité à détecter plus tôt une incohérence.

Dans le champ clinique, l’exigence est plus élevée : il faut s’intéresser à la sécurité, à la qualité des soins, à l’expérience des patients et à l’utilisation réelle par les équipes. Une amélioration opérationnelle n’est pas automatiquement un bénéfice clinique. Par exemple, réduire le temps de préparation d’un document est utile, mais ne démontre pas à lui seul une amélioration de l’état de santé des patients.

Les programmes de produits médicaux réunissent généralement des équipes cliniques, techniques, réglementaires et commerciales. Leur coordination conditionne le passage de la conception au lancement. Associer tôt les personnes responsables de la conformité peut éviter qu’une fonctionnalité soit développée avant que ses contraintes de preuve, de documentation ou de sécurité n’aient été identifiées. Cette approche réduit les retours en arrière et favorise une innovation plus durable.

Données et réglementation, les conditions de la confiance

L’intégration des données est l’un des principaux défis de l’IA en MedTech. Les données peuvent provenir d’essais, d’équipements, de logiciels, de services hospitaliers ou de retours d’utilisation. Elles ne sont pas toujours structurées de la même manière, ni collectées dans les mêmes conditions. Avant de demander à un système de les analyser, il faut comprendre leur origine, leur qualité, leurs lacunes et les droits associés à leur utilisation.

La réglementation ajoute une autre couche de complexité. Les fabricants doivent démontrer la conformité de leurs produits aux règles applicables et, lorsqu’un dispositif influence un diagnostic ou une prise en charge, apporter les éléments nécessaires à l’évaluation de sa sécurité et de ses performances. L’IA générative peut aider à produire et réviser des documents complexes, ou à organiser des ensembles de données mixtes. Elle ne remplace pas les validations requises.

La meilleure approche consiste à intégrer ces questions dès le début du développement. Cela implique de définir les données nécessaires, les contrôles humains, la documentation à conserver et les critères d’acceptation de chaque fonctionnalité. Plutôt que d’opposer innovation et conformité, les entreprises peuvent faire de la rigueur réglementaire un instrument de conception : une solution dont les limites sont documentées et comprise sera plus facile à évaluer, à déployer et à maintenir.

Ce qu’il faut surveiller dans les prochains programmes MedTech

Au 13 juin 2025, l’enjeu n’est plus de savoir si l’IA peut trouver une place dans la MedTech, mais où elle apporte une valeur démontrable. Les projets les plus solides seront probablement ceux qui partent d’un problème précis : réduire le temps de synthèse d’un dossier, faciliter le contrôle d’un équipement, améliorer la lisibilité d’une information ou mieux organiser un flux de données.

Il faudra suivre l’écart entre les promesses économiques et les effets réellement observés. Les estimations de gains sont importantes, mais elles devront se traduire en résultats mesurables sans dégrader la qualité, la sécurité ou la confidentialité. La capacité des fabricants à former leurs équipes et à associer cliniciens, ingénieurs, spécialistes des données et responsables réglementaires restera déterminante.

Enfin, le succès de ces technologies se jouera dans leur usage quotidien. Une IA intégrée à un dispositif médical ou à un outil de recherche doit aider les personnes qui travaillent avec elle, sans leur imposer de nouvelles frictions ni masquer ses limites. En santé, l’innovation la plus pertinente n’est pas nécessairement celle qui automatise le plus : c’est celle qui améliore concrètement, et de façon vérifiable, le parcours de soins et le travail des professionnels.