« Vous avez vu ce truc ? Il paraît que l'IA détecte le cancer mieux que les radiologues. » C'est la phrase qu'un confrère radiologue m'a lancée à la pause café, il y a quelques mois. Il souriait à moitié. Un peu agacé, surtout. Et franchement, je le comprends : depuis cinq ans que je suis ce dossier de près, j'ai vu défiler plus de promesses que de preuves. Pourtant, l'intelligence artificielle appliquée à la santé n'est plus un sujet de conférence. Elle tourne, en production, dans des services. Simplement pas là où on vous l'a vendue.
Points clés à retenir
- Les usages matures aujourd'hui sont l'imagerie, l'aide au codage et le tri des urgences — pas le diagnostic autonome.
- Un dispositif marqué CE n'est ni magique ni neutre : il dépend de la qualité des données d'entraînement.
- Le frein principal n'est pas technique. C'est l'intégration au logiciel métier et la formation des équipes en exercice.
- Comprendre ce que fait réellement un algorithme change votre rapport à ses résultats.
- Les formations longues (DU, masters) visent des profils précis, pas une culture générale express.
Où l'intelligence artificielle appliquée à la santé tient réellement ses promesses
Oubliez la consultation augmentée par un chatbot omniscient. Ce qui fonctionne déjà, dans les services où je suis passé, se répartit en trois familles bien plus modestes en apparence.
L'imagerie médicale, terrain d'élection
La détection de la rétinopathie diabétique sur fond d'œil reste l'exemple le plus documenté. Un logiciel analyse une photo de rétine et signale les cas suspects en quelques secondes, sans ophtalmologue sur place. Dans les déserts médicaux, ça change concrètement la donne : on ne remplace personne, on trie plus vite.
Ce qui m'a le plus surpris, en manipulant ces outils : le rythme. Un radiologue examine une mammographie en une poignée de minutes, avec une attention qui finit par baisser au bout de la quarantième. L'algorithme, lui, ne baisse jamais. Et c'est précisément là qu'il sert — pas à trouver ce que l'humain rate par incompétence, mais à rattraper ce qu'il rate par fatigue.
Le codage et la documentation
Personne n'en parle dans les articles grand public, et pourtant. La relecture automatique des comptes rendus pour proposer des codes PMSI fait gagner un temps fou aux services administratifs. J'ai vu une équipe passer d'une reprise manuelle exhaustive à une vérification ciblée. Moins glamour qu'un diagnostic assisté. Beaucoup plus rentable.
Le tri aux urgences
Des outils proposent une orientation à partir des constantes et du motif d'entrée. Attention : ils proposent. L'infirmier d'accueil garde la main. C'est la seule configuration que je défends, et je l'assume entièrement.
Ce qui ne marche pas (et pourquoi on vous le cache)
Un dispositif validé sur 50 000 images d'un hôpital universitaire peut se comporter comme un débutant dans une clinique de province. La raison est banale : les appareils diffèrent, les protocoles diffèrent, les patients diffèrent. On appelle ça le décalage de domaine, et c'est le mur contre lequel la moitié des projets que j'ai suivis se sont écrasés.
Autre écueil : l'acceptabilité. J'ai vu un excellent outil d'aide à la prescription mis en service dans un service, puis désactivé au bout de six semaines. Trop d'alertes. Trop de faux positifs sur des interactions médicamenteuses sans gravité. Les médecins ont fini par cliquer sur « ignorer » en réflexe, et l'outil est devenu un panneau décoratif à 80 000 euros.
Bref, le problème n'est presque jamais l'algorithme. C'est ce qu'on met autour.
Comparer les approches avant de signer
Quand on me demande par où commencer, je sors ce tableau. Il n'est pas parfait, mais il évite les erreurs les plus coûteuses.
| Type d'outil | Maturité réelle | Principal risque | Effort d'intégration |
|---|---|---|---|
| Aide à l'imagerie | Élevée | Généralisation hors du site de validation | Moyen, dépend du PACS |
| Codage et documentation | Élevée | Erreurs silencieuses de saisie | Faible à moyen |
| Tri et orientation | Moyenne | Biais si les données d'entrée sont pauvres | Moyen |
| Chatbot patient | Faible | Réponses confiantes et fausses | Faible techniquement, élevé juridiquement |
| Prédiction de décompensation | Expérimentale | Alertes non actionnables | Élevé |
La ligne « chatbot patient » mérite qu'on s'y arrête. C'est la demande la plus fréquente des directions, et la plus risquée. Un modèle qui hallucine une posologie n'est pas un gadget : c'est un incident.
Faut-il se former, et à quoi ?
La question revient sans cesse. « Est-ce que je dois passer un diplôme, ou je peux juste lire des articles ? »
Les DU et masters en santé numérique
Plusieurs universités proposent des diplômes universitaires dédiés, à Lille, à Paris-Saclay, à Lyon. Ils s'adressent à des profils déjà dans le soin ou dans l'informatique de santé. Ce n'est pas une initiation en trois soirées. Comptez une année, avec un mémoire, et beaucoup de lecture de publications.
Mon avis, tranché : si vous êtes soignant et que vous voulez piloter un projet d'IA dans votre service, la formation longue vaut le coup. Si vous voulez simplement comprendre de quoi on parle pour ne pas vous laisser impressionner en réunion, lisez les recommandations de la HAS sur les dispositifs médicaux numériques. C'est gratuit, dense, et ça vous évitera de dire des bêtises.
L'IA en médecine générale : le cas le plus délicat
En cabinet, l'usage réel reste marginal. Le médecin généraliste gère de l'incertitude, du contexte social, de la chronicité. Un outil qui sort une probabilité diagnostique sans voir le patient rate l'essentiel. Je ne crois pas, aujourd'hui, à l'assistant diagnostic en première ligne. Je crois beaucoup à la synthèse automatique du dossier avant la consultation. Ce n'est pas la même ambition, ni le même risque.
Questions qu'on me pose souvent
Est-ce qu'il existe de l'IA en santé gratuite ?
Oui, à la marge. Des outils de sensibilisation, des démonstrateurs universitaires, des modèles ouverts que vous pouvez tester vous-même. Mais attention au mot « gratuit » : un outil déployé en milieu clinique engage une responsabilité. Un dispositif qui touche au diagnostic doit porter un marquage réglementaire, et ça, ça a un coût. Le gratuit s'arrête au bac à sable.
Un exemple concret d'IA en médecine, pour comprendre ?
Prenez la mammographie de dépistage. Un second lecteur algorithmique examine l'image après le radiologue et signale les zones douteuses. Il ne pose pas de diagnostic. Il attire l'œil là où il faut. Le gain, dans les programmes organisés, se mesure en rappels précoces et en charge de travail mieux répartie.
Faut-il une formation pour utiliser ces outils ?
Oui, et pas seulement technique. Savoir ce que l'algorithme a appris, sur quelles populations, avec quelles limites : ça s'apprend. Un clinicien qui ignore comment son outil a été entraîné ne peut pas interpréter correctement ce qu'il affiche. C'est un point sur lequel je ne céderai pas.
Le vrai basculement, ces prochaines années, ne viendra pas d'un algorithme plus puissant. Il viendra des services qui auront accepté de revoir leurs processus, pas seulement d'empiler un outil de plus sur un logiciel métier déjà saturé. Et ça, aucun modèle ne le fera à votre place.
