Comprendre · expérimenter · transmettre
Quand l’IA voit ce que le professionnel ne voit pas
Une alerte, un choix, une preuve : apprenez à distinguer une capacité impressionnante d’un bénéfice réellement évalué.
Un parcours EVALIR pour professionnels, organisations et personnes curieuses de l’IA en santé.
Illustration à venir
Diagnostic assisté — croiser les regardsEmplacement réservé · Parcours 0101 / Examiner une promesse
Une alerte n’est pas encore un diagnostic.
Un système signale une zone que la première lecture n’avait pas retenue. Cette alerte peut ouvrir une investigation utile. Elle peut aussi être un faux signal. Ce qui compte est la manière dont les professionnels examinent le résultat, le confrontent aux autres informations et décident de la suite.
Le titre de cette page pose donc une question : dans quelles conditions une aide informatique apporte-t-elle quelque chose à une pratique de diagnostic ? On peut apprendre à lire les preuves sans interpréter soi-même une image médicale.
Vous participez à une réunion d’établissement.
Un fournisseur présente une démonstration impressionnante. Une image jusque-là peu remarquée reçoit un marquage. On vous demande si cela suffit pour conclure à un bénéfice pour les patients.
Votre rôle : examiner la preuve et les conditions d’usage, sans prendre de décision médicale individuelle.
Que demandez-vous avant de conclure ?
Pourquoi une très bonne performance technique ne répond-elle pas à toutes les questions ?
Une performance est liée à une population, à un jeu de données, à une version du système et à une manière de calculer le résultat. L’organisation du travail ajoute d’autres conditions : matériel disponible, professionnels formés, temps pour examiner les alertes et possibilité d’agir après leur réception. Une alerte pertinente qui reste sans suite ne produit pas le même effet qu’une alerte intégrée à un parcours cohérent.
L’évaluation doit donc préciser ce qui est comparé : un modèle seul, des professionnels seuls ou un dispositif associant professionnels, système et nouvelle organisation. Ces trois comparaisons ne sont pas interchangeables.
02 / Le laboratoire des alertes
Que se passe-t-il quand la situation recherchée est rare ?
Voici un calcul fictif pour comprendre les erreurs possibles d’un test. Il n’utilise pas les performances d’un produit médical. La population de l’exercice est fixée à 10 000 personnes. Les résultats sont des effectifs attendus, arrondis.
Comprendre le calcul et ses limites
Nombre de personnes concernées = 10 000 × fréquence. Parmi elles, la sensibilité donne la part repérée. Parmi les personnes non concernées, 1 − spécificité donne la part signalée à tort. La part des personnes réellement concernées parmi les alertes est donc : vrais signaux / (vrais signaux + faux signaux).
Ce modèle simplifie fortement une situation réelle : performances supposées stables, classement binaire et fréquence connue. Il aide à comprendre un raisonnement ; il ne permet ni de choisir un dispositif médical ni d’estimer le risque d’une personne. Une variation des chiffres modifie le nombre d’alertes à examiner et de situations manquées. Il faut aussi apprécier leurs conséquences et les possibilités de confirmation.
03 / Une étude réelle, avec son périmètre
Lire un résultat sans lui faire dire davantage.
MASAI, Suède, analyse publiée dans The Lancet en 2026. Cet essai randomisé compare une organisation de dépistage mammographique assistée par IA à une double lecture habituelle. L’IA contribue au choix d’une lecture simple ou double et à l’aide à la détection. L’analyse porte sur plus de 105 000 femmes.
Les cancers d’intervalle sont de 1,55 contre 1,76 pour 1 000 participantes ; le rapport est de 0,88, avec un intervalle de confiance à 95 % de 0,65 à 1,18. L’essai conclut à la non-infériorité sur ce critère. Ce résultat ne démontre pas une réduction de mortalité. [1]
Quelle conclusion respecte les éléments présentés ?
Et dans un établissement français ?
Une expérience étrangère éclaire une réflexion, sans prouver à elle seule l’effet local. Le guide HAS d’aide au choix invite à examiner les questions utiles avant l’acquisition d’un dispositif numérique à usage professionnel. [2]
On examine la finalité, la population, les données, l’intégration au travail, les personnes qui contrôlent et les résultats à suivre. Les équipes et les représentants des personnes concernées peuvent poser des questions différentes, toutes utiles à la décision.
Les quatre questions à emporter
- Qu’a-t-on réellement comparé ?
- Quel résultat est mesuré ?
- Qu’est-ce qui reste inconnu ?
- Qui peut agir après l’alerte ?
Comprendre et transmettre
Ce que cette expérience change dans votre regard.
Une promesse intéressante mérite une enquête précise : bonne capacité, bon usage, bonne organisation et résultat utile. Les professionnels doivent disposer des connaissances et du temps nécessaires pour apprécier les sorties, contester une alerte et réexaminer les conséquences. L’OMS place les droits et la responsabilité des acteurs au cœur de sa réflexion sur l’IA en santé. [3]
Dans un atelier EVALIR, cette page peut servir à préparer les questions d’un projet, confronter plusieurs regards et distinguer ce qui relève d’une preuve de ce qui constitue une hypothèse à tester.
Ce champ reste dans la page ouverte. Il n’est pas transmis ni enregistré automatiquement.
Sources et repères
- Gommers et al. — MASAI, The Lancet, 2026
Article de recherche ; DOI : 10.1016/S0140-6736(25)02464-X. Résumé accessible sur PubMed. Les valeurs ne sont pas celles du calculateur fictif. - HAS — Guide d’aide au choix des dispositifs médicaux numériques, 2023
Repères pour les professionnels et établissements ; ne vaut pas validation d’un outil particulier. - OMS — Ethics and governance of artificial intelligence for health, 2021
Cadre éthique et de gouvernance ; les exercices de cette page sont des créations EVALIR.
Lecture pédagogique au 20 octobre 2026. Cas d’ouverture et calculateur fictifs ; étude scientifique identifiée séparément. Cette page ne propose ni interprétation d’imagerie ni conseil de soin individuel.
