Diagnostic médical : quand l'IA voit ce que le médecin ne voit pas

COMPRENDRE

1. L'IA diagnostique n'est plus une promesse. Mais elle n'est pas partout.

Longtemps, l'informatique médicale a surtout servi à enregistrer, classer et transmettre des informations. L'intelligence artificielle ajoute une capacité différente : à partir de données et de modèles entraînés, elle peut reconnaître des caractéristiques, signaler des anomalies et produire des estimations utiles à une décision.

En radiologie, certains logiciels analysent les radiographies pour repérer des signes compatibles avec une fracture. D'autres examinent des images pulmonaires ou contribuent à prioriser la lecture des examens. En cardiologie, des systèmes analysent les signaux d'électrocardiogrammes. En ophtalmologie, l'analyse automatisée des photographies du fond d'œil peut contribuer au dépistage de la rétinopathie diabétique.

Ces applications ne sont pourtant pas interchangeables. Reconnaître une anomalie bien définie sur une image est une tâche différente de celle qui consiste à comprendre l'ensemble de la situation clinique d'une personne.

Un diagnostic prend en compte les symptômes, les antécédents, l'examen clinique, les probabilités, les hypothèses alternatives et parfois l'évolution dans le temps. L'IA peut contribuer à certaines de ces étapes sans nécessairement maîtriser l'ensemble du raisonnement.

La Haute Autorité de santé distingue les dispositifs numériques possédant une finalité médicale des technologies utilisées pour des fonctions de soutien, comme la rédaction de synthèses. Elle propose des ressources pour aider les professionnels et les établissements à choisir et utiliser ces outils.

Consulter les ressources de la HAS sur les technologies numériques et l'IA à usage professionnel ↗

ÉVALUER LES CONNAISSANCES

2. Une IA performante améliore-t-elle nécessairement les soins ?

Pour répondre, il faut regarder comment les résultats scientifiques sont construits. Une performance mesurée sur des images sélectionnées ne garantit pas que le même système fonctionnera avec la même précision dans tous les établissements et sur toutes les populations.

Les conditions de travail, la qualité des données, les appareils employés, l'expérience des professionnels et l'organisation du service peuvent modifier les résultats.

Le dépistage du cancer du sein : ce que nous apprend l'étude MASAI

L'essai suédois MASAI constitue un exemple particulièrement instructif. Environ 106 000 participantes ont été réparties entre un dispositif de dépistage assisté par IA et une organisation de référence.

L'assistance algorithmique ne consistait pas simplement à remplacer un radiologue. Elle participait à l'organisation des lectures, notamment au choix entre lecture simple et double, ainsi qu'au signalement de régions suspectes.

Ces chiffres, publiés dans The Lancet Digital Health, montrent à la fois une amélioration de certains indicateurs de détection et une réduction importante du nombre de lectures réalisées.

Mais leur interprétation demande de la prudence. La fréquence des faux positifs n'était pas significativement différente entre les groupes dans cette analyse. Les résultats concernent cependant une population, un système et une organisation spécifiques.

Ils ne démontrent pas que le même gain sera obtenu automatiquement dans un établissement français. Ils ne suffisent pas non plus à conclure sur tous les résultats de santé à long terme.

Lire l'étude MASAI dans The Lancet Digital Health ↗

Et lorsque l'IA se trompe ?

Une autre étude, publiée dans JAMA, a étudié l'influence de recommandations algorithmiques sur les décisions de cliniciens confrontés à des situations diagnostiques simulées.

Les recommandations issues d'un modèle standard pouvaient améliorer la justesse des réponses. Mais des recommandations systématiquement biaisées pouvaient, au contraire, détériorer les performances.

Même la présence d'explications du modèle ne suffisait pas à neutraliser complètement ce danger.

Lire l'étude du JAMA sur les effets des recommandations d'IA biaisées ↗

EXPÉRIMENTER

3. Le médecin et l'IA ne sont pas d'accord. Que faire ?

Prenons une situation pédagogique fictive, inspirée des questions que soulève l'utilisation des outils d'aide au diagnostic.

Ce cas permet de travailler sur plusieurs risques : l'excès de confiance dans la machine, la confiance excessive dans une première interprétation humaine, la façon de documenter un désaccord et la possibilité d'organiser une nouvelle lecture.

Le point décisif n'est pas de choisir un camp. Il est d'établir une procédure qui permette de confronter les informations disponibles et de rechercher une décision médicalement fondée.

Exercice fictif à finalité pédagogique. Il ne constitue pas une conduite à tenir pour une situation médicale individuelle.

COMPRENDRE LES TRANSFORMATIONS

4. Ce que l'IA transforme vraiment dans un établissement de santé

Une innovation diagnostique ne s'installe pas dans un hôpital comme un logiciel ordinaire sur un ordinateur personnel. Elle intervient dans une chaîne de décisions, de responsabilités et de relations professionnelles.

Imaginons qu'un service de radiologie adopte un outil qui signale des fractures susceptibles d'avoir été manquées. Il faut décider quand le logiciel intervient, qui reçoit son alerte, comment celle-ci est présentée, dans quelles conditions elle peut modifier une décision et comment les résultats seront évalués.

Une nouvelle répartition du travail

Si les images présentant certains signaux sont priorisées, les professionnels peuvent être amenés à modifier leur ordre de lecture. Ce changement peut accélérer certaines prises en charge, mais il peut également produire de nouvelles alertes à examiner.

Le gain de temps n'est réel que si l'ensemble du processus est pris en compte : lecture initiale, vérifications, examens complémentaires, traçabilité et suivi des patients.

Les compétences deviennent une condition de sécurité

Les soignants et les médecins doivent comprendre ce que le logiciel est censé détecter, sur quelles données ses performances ont été évaluées et dans quels cas une alerte mérite une vérification particulière.

Former les professionnels ne signifie donc pas seulement leur montrer où cliquer. C'est développer leur compréhension des probabilités, des limites et des mécanismes d'erreur.

L'économie doit être étudiée sur toute la durée du projet

Le prix d'une licence n'est qu'une partie du coût d'un outil diagnostique. Il faut également intégrer l'infrastructure, l'intégration dans le système d'information, la maintenance, les formations, la cybersécurité, le suivi des performances et les éventuels changements de pratiques.

C'est pourquoi une évaluation médico-économique sérieuse ne se résume pas à mesurer quelques minutes économisées.

EXERCICE POUR LES DÉCIDEURS

5. Votre établissement envisage une solution d'IA diagnostique. Que faut-il examiner ?

L'évaluation d'un projet doit relier les besoins médicaux, la maturité de la solution, les preuves scientifiques, les contraintes techniques, la formation et le suivi des résultats.

Voici un premier exercice d'acculturation. Il ne remplace pas un audit : il permet d'identifier les questions prioritaires.

Une étude plus approfondie pourrait examiner les résultats attendus, les risques d'erreur, la sécurité des données, les changements de métiers et les conséquences économiques à moyen terme.

PROSPECTIVE 2027–2030

6. Trois avenirs possibles pour le diagnostic médical

Il serait trompeur de présenter la généralisation du diagnostic assisté par IA comme une évolution automatique et uniforme. Les choix politiques, scientifiques, économiques et organisationnels joueront un rôle décisif.

Dans le même temps, l'Espace européen des données de santé prévoit une mise en œuvre progressive de nouveaux cadres d'échange et de réutilisation des données.

Ces évolutions peuvent favoriser la recherche et l'évaluation multicentrique, à condition de respecter les obligations de sécurité, de gouvernance et de protection des personnes.

Espace européen des données de santé : présentation et calendrier officiels ↗

Les scénarios sont des hypothèses prospectives EVALIR, non des prévisions.

À CHAQUE ACTEUR SES QUESTIONS

7. Que change l'IA diagnostique dans votre activité ?

Un médecin, un cadre de santé, un responsable d'établissement ou un industriel ne rencontrent pas les mêmes problèmes. L'intelligence vivante doit pouvoir adapter l'exploration au métier et au contexte.

L'INTELLIGENCE VIVANTE EN ACTION

8. Comment EVALIR peut accompagner les acteurs de la santé

L'intelligence vivante IA & Santé n'est pas une simple collection d'articles. Elle réunit des connaissances organisées, une veille, des méthodes d'analyse, des exercices, des comparaisons et des simulations.

Chaque nouvelle question peut conduire à approfondir le corpus, actualiser les informations, étudier une expérience, construire un scénario ou préparer une intervention.

L'enjeu est de développer une capacité durable à observer, comprendre, délibérer et décider face à des technologies qui évoluent plus vite que les organisations.

Découvrir les activités et les intelligences vivantes d'EVALIR ↗

9. Sources scientifiques, institutionnelles et documents pour approfondir

Ce dossier mobilise notre veille EVALIR du 20 octobre 2026 et des publications scientifiques et institutionnelles. Les résultats étrangers ne doivent pas être assimilés automatiquement à des résultats français.

Certaines références scientifiques ou réglementaires évoluent. Les informations doivent être réexaminées avant toute réutilisation dans un contexte de décision médicale.