IA en santé : gains de temps spectaculaires et risques de biais

Une mammographie lue en quelques secondes, une photo de la rétine analysée sans ophtalmologue sur place, un plan de radiothérapie préparé bien plus vite qu’à la main : rien de tout cela ne relève de la science-fiction. L’intelligence artificielle en santé s’installe peu à peu dans les hôpitaux, les cabinets et les laboratoires du monde entier.

Derrière l’expression, on trouve des programmes informatiques qui apprennent à repérer des motifs dans des millions de données : radiographies, analyses de sang, dossiers de patients, séquences génétiques. Ils trient, signalent, suggèrent. Le médecin, lui, garde la décision finale.

L’enjeu est considérable. Les systèmes de santé manquent de personnel et de temps, alors que les examens se multiplient et que la population vieillit. Bien employée, l’IA accélère le diagnostic et allège la charge des équipes ; mal encadrée, elle fausse des décisions et expose des données sensibles.

L’intelligence artificielle en santé : des algorithmes qui apprennent des données médicales

Dans le domaine médical, l’intelligence artificielle regroupe des programmes qui accomplissent des tâches réservées jusqu’ici au raisonnement humain : reconnaître une anomalie sur une image, classer des résultats d’analyses, résumer un dossier. Un logiciel classique suit des règles écrites à l’avance. Une IA fonctionne autrement : elle s’entraîne sur de grandes collections d’exemples et en tire ses propres règles. Pour reconnaître une tumeur, elle étudie des milliers d’images que des spécialistes ont déjà annotées.

Trois familles de techniques dominent. L’apprentissage automatique (machine learning) repère des régularités dans des tableaux de chiffres, comme les résultats biologiques ou les constantes vitales. L’apprentissage profond (deep learning) s’appuie sur des réseaux de neurones artificiels à plusieurs couches et excelle dans l’analyse d’images. Le traitement automatique du langage lit les comptes rendus médicaux et en extrait les informations utiles.

À LIRE AUSSI >> Radiothérapie de pointe : comprendre la technologie Varian Edge

Une quatrième catégorie s’est invitée dans le débat : les modèles génératifs, des assistants conversationnels qui rédigent du texte à partir d’une simple question. Leur usage médical soulève des questions de fiabilité, car ils produisent parfois des réponses erronées formulées avec aplomb. En janvier 2024, l’Organisation mondiale de la santé (OMS) a publié des recommandations sur les grands modèles multimodaux et rappelé le rôle des gouvernements dans leur encadrement.

Toutes les techniques partagent toutefois une faiblesse : elles dépendent de la qualité des données qui les nourrissent. Un système entraîné sur des images issues d’un seul modèle d’appareil, ou d’un seul groupe de patients, perd en fiabilité dès qu’il quitte son terrain d’origine. Voilà pourquoi la validation clinique pèse autant que la prouesse technique.

L’IA épaule le diagnostic en analysant images, résultats et dossiers médicaux

Poser un diagnostic revient à trier une masse d’informations : symptômes, antécédents, analyses de sang, clichés. Les algorithmes épaulent le médecin : ils comparent le dossier d’un patient à des milliers d’autres et signalent les schémas associés à une maladie. L’imagerie médicale concentre l’essentiel des applications : scanner, IRM, mammographie et radiographie passent au crible d’algorithmes qui entourent les zones suspectes pour guider le regard du radiologue.

Le dépistage du cancer du sein offre la démonstration la plus solide. En Suède, un essai randomisé publié en 2025 dans The Lancet Digital Health a réparti plus de 105 000 femmes entre une lecture classique par deux radiologues et une lecture assistée par IA. Le groupe assisté a vu 29 % de cancers en plus détectés (6,4 pour 1 000 femmes contre 5,0), sans hausse des faux positifs, et la charge de lecture des radiologues a baissé de 44 %.

À LIRE AUSSI >> Médicaments GLP-1 : ce que la science révèle sur l’Ozempic

En ophtalmologie, la FDA a autorisé en 2018 IDx-DR, un système qui examine une photo du fond de l’œil chez des adultes diabétiques et indique s’il faut voir un spécialiste, sans médecin pour interpréter le cliché. Lors de l’essai mené sur 900 patients, il a repéré 87 % des cas de rétinopathie diabétique modérée ou pire et écarté à juste titre la maladie chez 91 % des personnes indemnes.

En anatomopathologie, des algorithmes examinent des lames numérisées pour signaler des cellules suspectes, que le pathologiste confirme. D’autres modèles estiment le risque de maladie avant tout symptôme, mais beaucoup restent à l’étape de la recherche. Dans les deux cas, le dernier mot appartient à l’équipe médicale.

Des traitements plus ciblés grâce à l’analyse des données de chaque patient

Choisir un traitement revient à résoudre une équation à nombreuses inconnues : âge, maladies associées, médicaments déjà prescrits, résultats biologiques, préférences du patient. Les outils d’aide à la décision clinique croisent les informations du patient avec les données de milliers de dossiers comparables. Ils signalent par exemple une interaction médicamenteuse risquée ou estiment la réponse probable à une option thérapeutique. Le médecin confronte leurs suggestions à son expérience et à la situation réelle de la personne.

La radiothérapie offre l’exemple le mieux documenté. Avant le début du traitement, l’équipe délimite la tumeur et les organes à épargner sur les images du scanner, une tâche minutieuse qui occupe environ une heure par patient pour un cancer de la tête et du cou. Des logiciels de contourage automatique tracent d’emblée les zones, puis un professionnel relit et corrige le résultat. Dans une étude de 2025, le temps médian de travail humain est passé de 55 à 17 minutes, soit 69 % de gain.  L’agence britannique d’évaluation NICE a recommandé en 2023 le contourage assisté par IA, à condition qu’un professionnel qualifié vérifie chaque tracé ; les gains de temps estimés vont de 3 à 80 minutes par plan.

D’autre part, l’analyse du profil génétique, de l’imagerie et de l’évolution biologique d’un patient nourrit la médecine personnalisée. Des modèles tentent de prédire qui répondra à quel traitement et d’anticiper les complications d’une maladie chronique comme le diabète. Plusieurs applications en sont encore au stade de la recherche : leur bénéfice pour les patients doit passer l’épreuve d’essais cliniques solides.

Des bénéfices réels, des risques qui exigent une supervision humaine

Les atouts se mesurent déjà. Un algorithme analyse des milliers d’images à vitesse constante et libère du temps pour les consultations et les cas complexes. Il apporte aussi un avis spécialisé dans les cabinets éloignés des centres experts, où l’ophtalmologue ou le radiologue fait défaut.

Les risques sont tout aussi concrets. Dans ses recommandations éthiques de 2021, l’OMS met en garde contre plusieurs écueils, dont :

• des données d’entraînement incomplètes ou peu représentatives, qui faussent les résultats ;
• des biais algorithmiques qui désavantagent certains groupes de patients ;
• la protection des données de santé et la cybersécurité ;
• la responsabilité en cas d’erreur, quand une machine participe à la décision.

À LIRE AUSSI >> Cancer et « smart drugs » : les promesses des thérapies ciblées

Un cas américain l’illustre. En 2019, une étude publiée dans Science a analysé un algorithme chargé de repérer les patients à suivre de près. Il prédisait les dépenses de santé plutôt que les besoins de soins. Or on dépense moins pour les patients noirs à état de santé égal : le programme les jugeait donc en meilleure forme qu’ils ne l’étaient. Corriger le calcul ferait passer la part de patients noirs orientés vers un suivi renforcé de 17,7 % à 46,5 %.

Pour encadrer les usages, l’OMS a posé six principes : protection de l’autonomie humaine, bien-être et sécurité, transparence, responsabilité, équité, durabilité. La règle courante reste la suivante : l’IA propose, le professionnel de santé décide, et le patient garde le droit de poser des questions. Les rares systèmes autorisés à trancher seuls, comme IDx-DR, répondent à un cadre précis et limité. Quant aux assistants conversationnels grand public, ils ne remplacent pas une consultation.