L’intelligence artificielle ne constitue pas une innovation médicale supplémentaire comparable à l’arrivée d’un nouvel appareil d’imagerie ou d’un nouveau médicament. Elle agit comme une technologie transversale, susceptible de modifier simultanément la détection des maladies, l’interprétation des examens, la formulation des diagnostics différentiels, la personnalisation des traitements, le suivi continu des patients, la recherche pharmaceutique, l’organisation des hôpitaux, la documentation médicale, la formation des professionnels et la relation entre le patient, le médecin et le système de soins.

• La détection des maladies
• L’interprétation des examens
• La formulation des diagnostics différentiels
• La personnalisation des traitements
• Le suivi continu des patients
• La recherche pharmaceutique
• L’organisation des hôpitaux
• La documentation médicale
• La formation des professionnels
• La relation entre le patient, le médecin et le système de soins

La radiologie est l’une des premières spécialités fortement exposées, car elle produit des volumes considérables de données numériques standardisées — radiographies, scanners, IRM et mammographies — particulièrement adaptées à l’apprentissage automatique. Mais l’impact dépasse largement l’imagerie : la pathologie, la dermatologie, l’ophtalmologie, la cardiologie, l’oncologie, la génomique, la chirurgie, la médecine générale, la psychiatrie et la recherche clinique sont également concernées.

L’IA remplacera vraisemblablement moins les médecins qu’elle ne remplacera certaines tâches aujourd’hui accomplies par les médecins. En revanche, les professionnels qui n’utiliseront pas l’IA risquent d’être progressivement marginalisés par ceux qui sauront l’intégrer dans une pratique clinique rigoureuse.

Chapitre I De quelle intelligence artificielle parle-t-on en médecine ?

Le terme « intelligence artificielle » recouvre plusieurs technologies dont les niveaux de maturité, les finalités et les risques sont différents.

Chapitre II Pourquoi la radiologie est-elle au premier rang ?

1. Une spécialité intégralement numérisée

• Données déjà numériques
• Images relativement standardisées
• Volumes d’examens très importants
• Anomalies souvent visuellement repérables
• Classifications diagnostiques formalisées
• Nombreux examens antérieurs disponibles
• Fort enjeu de délai d’interprétation

2. Ce que l’IA sait déjà faire

• Détecter des nodules pulmonaires, embolies, fractures ou hémorragies
• Analyser des mammographies
• Segmenter et mesurer une tumeur
• Comparer automatiquement plusieurs examens
• Hiérarchiser les examens urgents
• Produire une première version de compte rendu
• Quantifier la progression d’une pathologie
• Contrôler la qualité technique d’une image

3. L’IA comme second lecteur

1. Analyse de l’examen.
2. Signalement des zones suspectes.
3. Attribution éventuelle d’un score de probabilité.
4. Fourniture de mesures quantitatives.
5. Priorisation des cas urgents pour le radiologue.

4. Le radiologue va-t-il disparaître ?

Cette hypothèse paraît peu probable à moyen terme. L’interprétation radiologique ne se limite pas à reconnaître une forme : elle exige la vérification de la qualité de l’examen, l’intégration des antécédents, la comparaison temporelle, l’appréciation de la cohérence entre l’image et les symptômes, la gestion des découvertes fortuites, le dialogue avec les cliniciens, la réalisation de gestes interventionnels et l’assomption de la responsabilité médicale.

Le métier évoluera vers davantage de validation, de résolution des cas complexes, d’intégration multimodale, d’interventionnel, de contrôle des outils et de gestion des divergences entre l’IA et l’appréciation humaine.

Chapitre III Les autres spécialités médicales déjà transformées

L’impact de l’intelligence artificielle ne se limite pas à l’imagerie. Huit autres champs cliniques connaissent déjà des transformations significatives.

1. Anatomopathologie

La numérisation des lames permet à l’IA de repérer des zones tumorales, compter des cellules, caractériser l’agressivité d’une tumeur, évaluer certains biomarqueurs, quantifier l’expression de protéines et détecter des métastases microscopiques. Le pathologiste demeure responsable de l’interprétation finale.

2. Dermatologie

L’IA peut classer des lésions, estimer un risque de mélanome, suivre l’évolution d’un nævus ou orienter vers une consultation urgente. Les biais liés à la couleur de peau, à l’éclairage et à la sous-représentation de certaines populations sont majeurs.

3. Ophtalmologie

L’analyse automatisée du fond d’œil facilite le dépistage de la rétinopathie diabétique, du glaucome et de la dégénérescence maculaire. Certains systèmes peuvent recommander une orientation sans intervention immédiate d’un ophtalmologiste, sous protocole strict.

4. Cardiologie

Les applications couvrent l’analyse des ECG, la détection des troubles du rythme, l’évaluation du risque d’insuffisance cardiaque, l’analyse échographique et la surveillance par objets connectés.

5. Oncologie

L’IA combine imagerie, anatomopathologie, génomique, biologie et données thérapeutiques pour détecter, caractériser et suivre les cancers, prédire la récidive ou la toxicité, sélectionner des traitements et optimiser la radiothérapie.

6. Neurologie

Les applications concernent l’AVC, l’IRM cérébrale, l’épilepsie, les maladies neurodégénératives ainsi que l’analyse de la parole, de la marche, de la frappe ou du sommeil comme biomarqueurs numériques.

7. Psychiatrie et santé mentale

L’IA peut soutenir le dépistage et le suivi, mais présente des risques spécifiques : erreurs d’interprétation, surveillance excessive, atteinte à l’intimité, confusion entre soutien conversationnel et psychothérapie, gestion insuffisante des urgences.

8. Médecine générale

La médecine générale sera profondément transformée par le résumé du dossier, la préparation de la consultation, les diagnostics différentiels, la vérification médicamenteuse, la rédaction et le suivi. Elle reste néanmoins fondée sur des situations complexes, multimorbides et sociales difficilement réductibles à des données structurées.

Chapitre IV L’IA générative : la révolution silencieuse du travail médical

1. La documentation automatisée

Les systèmes d’IA ambiante peuvent écouter une consultation, avec l’accord du patient, puis produire une note structurée, une synthèse clinique, une liste de problèmes, un courrier, des consignes de suivi ou un projet de prescription. Cette technologie peut réduire la charge documentaire mais exige une validation humaine systématique.

2. Le résumé automatisé du dossier

• Reconstituer la chronologie médicale
• Extraire les antécédents pertinents
• Identifier les résultats anormaux
• Relever médicaments et allergies
• Détecter les examens manquants
• Résumer les hospitalisations
• Repérer les incohérences

3. L’aide au diagnostic

L’IA générative peut proposer des diagnostics différentiels, mais un modèle généraliste n’est pas un dispositif médical validé. Il peut produire une réponse convaincante mais erronée, inventer une référence, négliger un diagnostic rare, surestimer une hypothèse ou varier selon la formulation de la question.

Chapitre V De la médecine curative à la médecine prédictive

1. Prédiction du risque

À partir des dossiers, analyses, images, données génétiques et objets connectés, l’IA pourra estimer les risques de diabète, infarctus, AVC, insuffisance rénale, décompensation cardiaque, infection, complication postopératoire, réhospitalisation, cancer ou chute.

2. Détection avant les symptômes

Les algorithmes peuvent repérer des signaux faibles — anomalies subtiles sur une image, variations biologiques, modification de la voix, perturbation de la marche ou du sommeil — avant l’apparition de symptômes. Le risque symétrique est le surdiagnostic.

3. Jumeaux numériques

Un jumeau numérique est un modèle informatique dynamique représentant certains aspects anatomiques, physiologiques, génomiques et thérapeutiques d’un patient. Il pourrait permettre de simuler un dosage, une chirurgie, une radiothérapie ou un changement de stratégie avant l’intervention réelle.

Chapitre VI Une médecine personnalisée à très grande échelle

La médecine fondée sur les preuves produit souvent des résultats moyens. L’IA vise à identifier le traitement le plus pertinent pour un patient déterminé, sa dose optimale, son risque de toxicité et le moment où une stratégie doit être modifiée.

La décision pourra combiner imagerie, génomique, protéomique, microbiote, biologie, histoire clinique, comportement, environnement, données socio-économiques et préférences du patient. Cette ambition suppose des données fiables, représentatives, interopérables et juridiquement accessibles.

Chapitre VII L’IA dans la chirurgie et les gestes médicaux

• Planification préopératoire
• Reconstruction anatomique 3D
• Repérage des structures à risque
• Guidage du geste
• Stabilisation des mouvements
• Analyse vidéo
• Détection d’un saignement
• Évaluation de la qualité
• Prédiction des complications
• Formation par simulation

L’évolution la plus probable est graduelle : assistance visuelle, recommandation de trajectoire, automatisation de sous-tâches, autonomie partielle sous supervision. La chirurgie totalement autonome reste limitée par la variabilité anatomique, les événements imprévus, la responsabilité et l’acceptabilité.

Chapitre VIII Transformation de la recherche médicale et pharmaceutique

1. Découverte de médicaments

L’IA peut accélérer l’identification de cibles, la modélisation des protéines, la sélection de molécules, la prédiction de toxicité, le repositionnement de médicaments et la conception de nouvelles molécules. Elle ne supprime pas l’expérimentation biologique mais réduit le nombre de candidats inutiles.

2. Essais cliniques

• Identification des patients éligibles
• Sélection des centres
• Analyse des critères d’inclusion
• Détection des événements indésirables
• Surveillance de la qualité
• Constitution de groupes témoins externes

La difficulté méthodologique est d’évaluer un algorithme évolutif. Les dispositifs nécessitent des essais dynamiques et une surveillance après déploiement.

Chapitre IX Le patient de demain : mieux informé, mais aussi plus exposé

1. Le prédiagnostic par le patient

Les patients utilisent déjà des assistants conversationnels pour comprendre un symptôme, préparer une consultation, interpréter un résultat, demander un second avis ou reformuler un compte rendu. La consultation deviendra davantage un espace d’arbitrage et de validation.

2. Le risque de faux sentiment de compétence

• Fausse réassurance
• Retard de consultation
• Automédication
• Interprétation erronée
• Anxiété
• Examens inutiles
• Exposition de données personnelles

3. Vers un consentement renouvelé

Le patient devra être informé lorsque l’IA intervient substantiellement dans l’analyse d’un examen, une recommandation thérapeutique, l’enregistrement d’une consultation, la prédiction d’un risque ou la priorisation des soins.

Chapitre X Les bénéfices attendus pour les systèmes de santé

1. Gains de productivité

L’IA peut réduire le temps consacré à la rédaction, au codage, au tri des examens, à la recherche d’information et à la planification. Toutefois, un gain technique peut être absorbé par la vérification, les faux positifs, les licences, l’intégration et la maintenance.

2. Réduction des déserts médicaux

• Téléexpertise
• Tri des urgences
• Interprétation initiale
• Protocoles de dépistage
• Assistance aux infirmiers
• Formation continue
• Traduction médicale
• Suivi à distance

L’IA améliore l’usage de ressources rares mais ne remplace ni les infrastructures, ni les médicaments, ni les professionnels, ni les filières de soins.

3. Amélioration de la continuité

Les systèmes peuvent détecter une rupture de traitement, un rendez-vous manqué, un résultat non consulté, une interaction, une absence de suivi ou un risque de réhospitalisation.

Chapitre XI Les risques cliniques majeurs

Sept catégories de risques cliniques accompagnent l’intégration de l’intelligence artificielle dans la pratique médicale.

1. Biais

Une IA apprend à partir des données disponibles. La sous-représentation de certaines populations, les erreurs de référence, les pratiques de codification ou les différences d’accès aux soins peuvent produire des performances inéquitables.

2. Changement de contexte

Un algorithme validé dans un centre peut perdre en performance dans un autre établissement, sur un autre appareil ou lorsque la prévalence change : c’est la dérive de distribution.

3. Faux positifs et faux négatifs

Les conséquences peuvent être des examens inutiles, des biopsies, de l’anxiété, un retard thérapeutique ou une fausse réassurance.

4. Biais d’automatisation

Le professionnel peut accorder un poids excessif à la recommandation algorithmique ou, inversement, l’ignorer par habitude.

5. Érosion des compétences

Une dépendance excessive peut réduire la capacité à interpréter, synthétiser ou repérer une erreur sans assistance.

6. Opacité

Une décision médicale doit rester explicable : données prises en compte, limites, incertitudes et cohérence clinique.

7. Cybersécurité

Vol, rançongiciel, falsification de résultats, altération du modèle ou intrusion dans un dispositif connecté deviennent des risques cliniques directs.

Chapitre XII Données de santé, souveraineté et gouvernance

La valeur stratégique réside autant dans les données que dans l’algorithme : volume, qualité, représentativité, longitudinalité et interopérabilité sont déterminants.

1. Le paradoxe des données

Plus les données sont centralisées pour améliorer les modèles, plus augmentent les risques de réidentification, de fuite, de discrimination, d’usage secondaire non prévu et de dépendance commerciale.

2. L’Espace européen des données de santé

Entré en vigueur en mars 2025, le cadre européen vise à faciliter l’accès des citoyens à leurs données et leur réutilisation encadrée pour la recherche, l’innovation et les politiques publiques.

3. Risque de dépendance technologique

• Propriété des données dérivées
• Auditabilité du modèle
• Transférabilité
• Continuité en cas de défaillance du fournisseur
• Réutilisation pour l’entraînement
• Verrouillage contractuel

Chapitre XIII Responsabilité juridique : qui répond de l’erreur ?

En cas d’erreur, la responsabilité peut concerner le médecin, l’établissement, le fabricant, l’intégrateur, le fournisseur de données ou l’éditeur. Le modèle traditionnel, dans lequel le professionnel conserve la décision finale, devient délicat lorsque l’outil est opaque, imposé ou évolutif.

1. Le médecin reste-t-il responsable ?

Le médecin ne peut raisonnablement être à la fois obligé d’utiliser un système et tenu seul responsable d’un fonctionnement qu’il ne peut comprendre ni modifier. La gouvernance doit répartir clairement les responsabilités.

2. Le cadre européen

Les systèmes intégrés à certains dispositifs médicaux peuvent être classés à haut risque et soumis à des exigences de gestion des risques, qualité des données, documentation, traçabilité, supervision humaine, robustesse, cybersécurité et suivi après mise sur le marché.

3. Dispositif médical et chatbot généraliste

Chapitre XIV Les métiers médicaux seront-ils détruits ?

Matrice probable d’impact

La ligne de fracture opposera moins l’homme à la machine que les professionnels capables de superviser l’IA à ceux qui l’utilisent sans esprit critique ou refusent de l’intégrer.

Chapitre XV Comment évolueront les études médicales ?

La formation devra préserver l’autonomie intellectuelle du médecin afin qu’il puisse contester la machine, reprendre la main et exercer sans assistance en situation dégradée.

Chapitre XVI À quoi pourrait ressembler une consultation médicale en 2035 ?

Avant la consultation

• Recueil sécurisé des symptômes
• Questions complémentaires
• Repérage des urgences
• Résumé du dossier
• Préparation d’hypothèses
• Vérification des traitements et risques

Pendant la consultation

• Transcription ambiante
• Structuration des informations
• Suggestion de questions
• Affichage de recommandations
• Vérification des interactions
• Proposition de diagnostics différentiels
• Préparation de l’ordonnance

Le médecin examine, contextualise, arbitre, explique, valide ou rejette les propositions.

Après la consultation

• Compte rendu
• Prescriptions
• Organisation du suivi
• Transmission documentaire
• Rappels
• Télésurveillance
• Alertes en cas d’aggravation

Chapitre XVII Trois scénarios pour la médecine de demain

Chapitre XVIII Les conditions d’une intégration responsable

1. Évaluation préalable

• Définir le besoin clinique
• Vérifier le statut réglementaire
• Examiner les études
• Tester sur la population locale
• Évaluer l’impact organisationnel
• Analyser le coût total

2. Validation locale

Les appareils, populations, circuits, pratiques, données, taux de faux positifs et cas atypiques doivent être testés localement.

3. Surveillance continue

• Mesurer les performances
• Analyser les incidents
• Contrôler les dérives
• Comparer les sous-populations
• Documenter les mises à jour
• Prévoir le retrait
• Organiser le fonctionnement dégradé

4. Supervision humaine réelle

5. Traçabilité

Le dossier doit identifier l’outil, sa version, la date, le résultat, la décision humaine, les modifications et les désaccords.

Chapitre XIX Points de vigilance pour la France et l’Europe

Les atouts sont un système structuré, des bases importantes, une recherche clinique solide, des infrastructures publiques et une expertise réglementaire. Les fragilités sont la fragmentation des logiciels, l’interopérabilité insuffisante, la lourdeur des achats, le déficit de ressources informatiques, la qualité hétérogène des données, le financement et la dépendance technologique.

Chapitre XX Enjeux particuliers pour l’Afrique

Le continent dispose d’un terrain singulier : un déficit chronique de médecins spécialistes, une démographie médicale insuffisante face à la croissance de la population, mais aussi une capacité avérée à adopter rapidement des technologies numériques lorsqu’elles répondent à un besoin concret — comme l’a montré la diffusion du paiement mobile.

L’IA peut soutenir la lecture de radiographies, le dépistage ophtalmologique, la télédermatologie, le tri des urgences, les agents de santé communautaires, le suivi de grossesse, la traduction, la surveillance épidémiologique, l’aide à la prescription et la formation à distance. Dans des zones où l’accès à un spécialiste peut nécessiter plusieurs heures de déplacement, un outil de dépistage fiable et low-cost peut représenter un gain sanitaire considérable — à condition qu’il soit validé sur des populations et des pathologies réellement représentatives du continent.

Les risques sont l’utilisation de modèles entraînés sur des populations étrangères, la faiblesse des données locales, la dépendance à des fournisseurs extérieurs, les transferts de données sensibles, l’insuffisance réglementaire, l’instabilité des infrastructures et le manque de maintenance. Un algorithme de dépistage dermatologique calibré sur des peaux majoritairement claires, par exemple, illustre concrètement le risque de biais déjà identifié au chapitre III : transposé sans adaptation, il peut produire des performances dégradées précisément là où le besoin clinique est le plus fort.

Conclusion générale L’intelligence artificielle au service du soin, pas à sa place

L’intelligence artificielle transformera d’abord l’imagerie, la pathologie numérique, la documentation clinique, la surveillance, l’aide au diagnostic, la personnalisation thérapeutique, la recherche pharmaceutique et l’organisation hospitalière.

La principale menace n’est pas que l’IA devienne médecin. Elle est que les systèmes de santé l’utilisent principalement pour réduire les coûts et accélérer les flux, sans réinvestir les gains dans la relation humaine, la prévention et la qualité des soins.

Références Sources institutionnelles et scientifiques

1. Organisation mondiale de la santé Ethics and governance of artificial intelligence for health: guidance on large multi-modal models who.int/publications/i/item/9789240084759
2. Food and Drug Administration Artificial Intelligence-Enabled Medical Devices fda.gov — Artificial Intelligence-Enabled Medical Devices
3. Nature — npj Digital Medicine Systematic review of artificial intelligence in clinical imaging workflows nature.com/articles/s41746-024-01248-9
4. NEJM AI Artificial intelligence in radiation oncology ai.nejm.org/doi/abs/10.1056/AIra2401164
5. NEJM AI Ambient artificial intelligence documentation in clinical practice ai.nejm.org/doi/full/10.1056/AIdbp2401267
6. Commission européenne Virtual Human Twins Initiative digital-strategy.ec.europa.eu/en/policies/virtual-human-twins
7. OMS Europe Health data governance in the age of artificial intelligence who.int/europe — WHO-EURO-2025-11462-51234-78079
8. Commission européenne Artificial intelligence in healthcare health.ec.europa.eu — Artificial intelligence in healthcare
9. Haute Autorité de santé Technologies numériques et systèmes d’IA à usage professionnel has-sante.fr/jcms/p_3363066
10. Food and Drug Administration Guidances with digital health content fda.gov — Guidances with digital health content