L’IA en santé progresse, mais son adoption reste freinée par la confiance

L’intelligence artificielle n’est plus une promesse abstraite pour la médecine. Elle peut déjà aider à lire certaines images, trier des informations dans des dossiers volumineux, organiser des flux hospitaliers ou accélérer des étapes de la recherche biologique. Pourtant, entre une démonstration convaincante et un outil employé chaque jour auprès de patients, l’écart reste considérable. Au 20 juillet 2025, le principal défi n’est donc pas seulement d’inventer des algorithmes plus puissants, mais de les rendre utiles, sûrs et acceptés dans des systèmes de soins soumis à de fortes contraintes.

Cette nuance est essentielle. En santé, une erreur ne se résume pas à une mauvaise recommandation de film ou à une réponse imprécise dans un moteur de recherche. Elle peut retarder un diagnostic, alourdir le travail des équipes ou contribuer à une décision inadaptée. L’IA doit donc être considérée comme une aide, insérée dans une chaîne de responsabilités humaines, médicales et institutionnelles.

Pourquoi l’IA en santé ne se déploie pas au même rythme partout ?

L’expression « IA en santé » recouvre des réalités très différentes. Un logiciel qui repère une anomalie sur une radiographie, un programme qui estime le risque de réadmission d’un patient et un assistant qui prépare un brouillon de compte rendu ne reposent pas nécessairement sur les mêmes méthodes ni sur les mêmes données. Ils n’exposent pas non plus les patients aux mêmes risques.

Dans son principe, un système d’apprentissage automatique repère des régularités dans de grands ensembles d’exemples. Pour l’imagerie, il peut être entraîné à associer des caractéristiques visuelles à des annotations réalisées par des spécialistes. Pour l’administration hospitalière, il peut analyser des historiques de rendez-vous ou d’occupation des lits. Les outils d’IA générative, eux, produisent notamment du texte à partir de motifs appris dans d’importants corpus, ce qui peut être utile pour préparer une synthèse, mais impose une relecture attentive.

Le déploiement est plus facile lorsque l’outil accomplit une tâche bien délimitée, que son résultat peut être vérifié et qu’il s’intègre à une pratique existante. À l’inverse, il devient délicat lorsqu’il prétend guider une décision complexe, prise avec des informations incomplètes et des conséquences lourdes.

Du programme MYCIN à l’analyse d’images médicales

L’idée d’assister le raisonnement médical par informatique n’est pas nouvelle. Conçu dans les années 1970, MYCIN est l’un des exemples historiques les plus connus. Ce système expert cherchait à aider les médecins face à certaines infections bactériennes, à partir de règles explicites. Il n’apprenait pas comme les systèmes contemporains : son fonctionnement reposait sur des connaissances formalisées sous la forme de règles conditionnelles.

Cette filiation historique permet de remettre l’engouement actuel en perspective. L’ambition reste similaire, aider à exploiter une information abondante et complexe. Les moyens ont changé. Les systèmes récents apprennent à partir de nombreuses données et peuvent analyser des images médicales avec une rapidité qui serait difficile à atteindre manuellement sur de très grands volumes d’examens.

En oncologie et en cardiologie, l’analyse d’images assistée par IA fait partie des domaines les plus visibles. Sur des scanners, des IRM, des mammographies, des échographies ou d’autres examens, les logiciels peuvent mettre en évidence des zones à examiner, calculer certaines mesures ou aider à classer les images. Leur intérêt potentiel est double : assister les spécialistes dans la lecture et contribuer à prioriser les dossiers lorsque les services sont sous tension.

Il faut toutefois éviter un raccourci fréquent : une détection automatisée n’est pas un diagnostic autonome. L’image n’est qu’un élément du dossier. Le clinicien la replace dans l’histoire du patient, ses symptômes, ses antécédents, les résultats biologiques et les autres examens. Une anomalie signalée par une machine peut être bénigne, et une anomalie non signalée doit pouvoir être identifiée par le professionnel.

L’IA peut aussi alléger certaines tâches répétitives. La préparation de documents, l’extraction d’informations dans des comptes rendus ou l’orientation administrative constituent des cas d’usage envisageables. Mais dans ce domaine aussi, un texte fluide peut contenir une erreur. Le gain de temps n’existe que si la vérification reste plus rapide et plus sûre que le travail initial.

AlphaFold2, un exemple marquant pour la recherche médicale

L’un des exemples les plus frappants du potentiel de l’IA pour les sciences du vivant est AlphaFold2. Ce système a profondément amélioré la prédiction de la structure tridimensionnelle des protéines à partir de leur séquence. Comprendre la forme d’une protéine est important, car cette forme contribue à déterminer ses interactions et ses fonctions biologiques.

Le repliement des protéines constituait depuis des décennies un défi majeur de la biologie. AlphaFold2 n’élimine pas le besoin d’expériences, mais il offre aux chercheurs des prédictions qui peuvent accélérer l’exploration de nombreuses pistes. Cela peut aider à formuler des hypothèses sur le rôle d’une protéine, à mieux préparer certaines expériences et à soutenir les premières étapes de travaux liés aux maladies ou aux médicaments.

Cette avancée illustre une distinction fondamentale entre l’IA utilisée dans la recherche et l’IA employée directement dans le soin. En recherche, un résultat algorithmique peut servir de point de départ à des validations successives. Au chevet d’un patient, la tolérance à l’erreur est différente et la décision doit être prise dans un cadre médical clairement défini.

L’augmentation des travaux scientifiques consacrés à l’IA témoigne de cet intérêt. Les États-Unis et la Chine se distinguent par une activité de recherche particulièrement intense. Toutefois, le nombre de publications n’est pas à lui seul un indicateur de bénéfice médical. Une étude prometteuse doit pouvoir être reproduite, confrontée à d’autres données et, lorsque c’est nécessaire, évaluée dans des conditions cliniques rigoureuses.

Les freins concrets : données, biais et preuves cliniques

La médecine produit beaucoup de données, mais elles ne forment pas automatiquement un matériau exploitable par un algorithme. Les informations sont dispersées entre établissements, conservées dans des formats différents, incomplètes ou décrites de manière variable. Deux hôpitaux peuvent, par exemple, ne pas enregistrer une même donnée de la même façon. Cette absence d’interopérabilité complique l’entraînement et l’évaluation des systèmes.

La qualité des données soulève aussi la question des biais. Si les exemples utilisés pour développer un outil représentent mal certains groupes de patients, certaines situations cliniques ou certains territoires, le système peut être moins performant pour eux. Un résultat moyen satisfaisant peut donc masquer des écarts importants. En santé, la vérification doit porter sur les performances globales, mais aussi sur les limites connues du système et sur les personnes pour lesquelles il a été évalué.

La performance peut également évoluer avec le temps. Une nouvelle génération de matériel d’imagerie, une modification des pratiques médicales ou une transformation de la population prise en charge peuvent réduire la fiabilité d’un modèle. L’évaluation ne s’arrête donc pas nécessairement au moment de la mise sur le marché ou de l’installation du logiciel. Elle suppose un suivi dans l’usage réel.

Enfin, un outil utile en théorie peut échouer pour des raisons très concrètes : écran supplémentaire, alerte trop fréquente, résultat difficile à interpréter, manque de formation ou absence de temps pour agir. Les professionnels n’ont pas besoin d’une nouvelle couche de complexité. Ils ont besoin d’un outil qui s’insère dans leur organisation et dont ils comprennent le rôle.

La relation patient-médecin ne peut pas devenir une variable secondaire

L’IA alimente une inquiétude légitime : la technologie risque-t-elle d’éloigner encore davantage le soignant du patient ? La réponse dépend moins de l’existence de l’outil que de la manière dont il est déployé. Employée pour réduire des tâches administratives ou préparer l’information, elle pourrait libérer du temps pour l’écoute et l’explication. Employée sans discernement, elle peut au contraire multiplier les interfaces et dépersonnaliser un parcours déjà complexe.

La responsabilité médicale ne disparaît pas parce qu’un logiciel a formulé une recommandation. Le professionnel doit pouvoir comprendre, contester et contextualiser le résultat. Cela ne signifie pas que chaque système doit être parfaitement explicable dans tous ses détails techniques, mais ses usages, ses limites, ses conditions de fonctionnement et la place de la supervision humaine doivent être clairs.

La protection de la vie privée est tout aussi centrale. Les données de santé comptent parmi les informations les plus sensibles. Leur collecte, leur accès, leur partage et leur conservation exigent des garanties adaptées. La promesse de mieux exploiter les données ne doit pas conduire à banaliser leur circulation.

La surveillance épidémiologique, un terrain d’action à grande échelle

L’IA peut également soutenir la santé publique, notamment dans la surveillance des maladies à transmission vectorielle. Ces maladies sont influencées par des interactions complexes entre climat, écosystèmes, animaux, vecteurs et populations humaines. L’analyse de données sur la température ou les précipitations peut aider à observer des évolutions et à repérer des zones où un risque mérite une attention particulière.

Cette approche s’inscrit dans la logique dite One Health, qui considère conjointement la santé humaine, la santé animale et l’environnement. Elle demande des échanges de données entre disciplines, territoires et institutions. L’IA peut faciliter le traitement de ces ensembles très variés, mais elle ne remplace ni la surveillance de terrain ni l’expertise des épidémiologistes.

Il importe aussi de distinguer corrélation et causalité. Qu’un modèle détecte une association entre des conditions météorologiques et un signal sanitaire ne suffit pas à expliquer un phénomène ou à prédire avec certitude une épidémie. Les résultats doivent servir à orienter la vigilance, les investigations et la préparation, non à produire une illusion de certitude.

Une gouvernance commune pour passer des pilotes aux soins courants

Le passage de projets pilotes à des usages durables exige une coopération étroite entre soignants, patients, chercheurs, établissements, entreprises et pouvoirs publics. Chacun apporte une expertise différente : les équipes médicales connaissent les contraintes du terrain, les patients peuvent éclairer les enjeux d’acceptabilité, les chercheurs évaluent les méthodes, tandis que les autorités définissent les conditions de sécurité et de responsabilité.

La réglementation constitue un levier plutôt qu’un simple frein, à condition d’être compréhensible et cohérente. En Europe, l’AI Act s’ajoute progressivement à des règles déjà applicables aux dispositifs médicaux, à la protection des données et aux pratiques de soins. Selon sa fonction et son niveau de risque, un même outil peut devoir répondre à plusieurs exigences. Cette complexité peut ralentir certains projets, mais elle répond à une nécessité : s’assurer que l’innovation ne se fasse pas au détriment des patients.

Le Forum économique mondial souligne la nécessité d’accélérer l’adoption de solutions numériques et d’IA face aux besoins de santé. Cette accélération ne doit pas être confondue avec une mise en œuvre précipitée. Elle suppose de mieux partager les retours d’expérience, de définir des méthodes d’évaluation communes et de financer aussi l’intégration, la formation et le suivi, pas seulement la conception des algorithmes.

Ce qu’il faut surveiller pour que l’IA devienne réellement utile

La prochaine étape ne se jouera pas uniquement dans les laboratoires ou les grandes entreprises technologiques. Elle se jouera dans la capacité des systèmes de soins à choisir les bons problèmes, à évaluer les outils sur le terrain et à retirer ceux qui n’apportent pas de bénéfice démontré. Les projets les plus solides seront sans doute ceux qui répondent à une difficulté précise, mesurable et reconnue par les équipes.

Il faudra observer la qualité des validations cliniques, la représentation des patients dans les données, la transparence sur les limites des modèles et les mécanismes prévus lorsqu’un système se trompe. La formation des professionnels sera également décisive : utiliser une IA de façon responsable demande de savoir ce qu’elle fait, ce qu’elle ne fait pas et à quel moment il faut s’en écarter.

L’IA n’a pas vocation à résoudre seule les pénuries de personnel, les délais d’accès aux soins ou les inégalités territoriales. En revanche, correctement encadrée, elle peut devenir un instrument supplémentaire pour la recherche, l’organisation et la décision. Son succès ne se mesurera pas au nombre de démonstrations impressionnantes, mais à sa capacité à améliorer concrètement les soins tout en préservant la confiance entre les patients et celles et ceux qui les soignent.