En cancérologie, le diagnostic anatomopathologique conditionne toute la prise en charge : c’est lui qui identifie la maladie et détermine les traitements qui suivront. Or ce maillon décisif repose sur un acte d’interprétation, avec la part d’incertitude que cela implique. La discipline le reconnaît elle-même : deux pathologistes peuvent lire différemment une même lame, un même médecin peut réviser son analyse d’une semaine à l’autre. À cette variabilité s’ajoutent une pénurie de spécialistes et une pression croissante sur les délais, alors même que, en cancérologie, la rapidité du diagnostic pèse directement sur les chances du patient.
C’est sur ce terrain que se déploie l’intelligence artificielle, non comme un substitut au médecin, mais comme un outil d’aide : une source d’objectivité, un moyen d’accélérer et de fiabiliser le diagnostic, à condition que la décision finale, et la responsabilité qui l’accompagne, restent au praticien. La promesse est double : un gain de temps mesurable, et un espoir d’égalité, celui d’offrir la même qualité de diagnostic quel que soit l’établissement où le patient est pris en charge.
Le Dr Marie Sockeel occupe une position singulière pour en juger. Médecin pathologiste exerçant à l’hôpital comme en libéral, elle a cofondé en 2017 Primaa, une entreprise française qui développe des solutions d’IA pour l’analyse des lames. Ce double regard, clinique et entrepreneurial, la tient à distance de l’enthousiasme comme de la défiance : elle mesure ce que la machine apporte, mais aussi ses limites, les erreurs qu’elle peut induire, l’exigence de contrôle humain qu’elle impose.
Son analyse débouche sur une question qui dépasse la médecine : une innovation de santé conçue en France, utile aux patients, peut-elle y survivre ? Car derrière les bénéfices qu’elle décrit se profile un paradoxe qu’elle formule sans détour : elle conçoit des outils que le système de santé français, faute de cadre et de financement, ne se donne pour le moment pas les moyens d’acquérir. Se pose alors un enjeu de souveraineté : sans modèle économique soutenant ses propres innovateurs, la France s’expose à dépendre demain de solutions étrangères, moins coûteuses, mais développées loin de ses patients et de ses données.
Un métier sous tension, invisible et pourtant décisif
Vous avez cofondé Primaa. Racontez-nous quel problème, dans votre métier, vouliez-vous résoudre ?
Le problème est très visible dans ma spécialité, et je crois que tous les pathologistes le connaissent. C’est un métier à très fort enjeu pour le patient, car de notre diagnostic dépend toute la prise en charge qui suivra, et c’est un métier stressant. Stressant parce que nous voulons le diagnostic le plus juste possible, mais aussi parce que nous subissons une vraie pression sur les délais. Nous devons répondre vite, avec une quantité de dossiers toujours plus importante, alors que nous ne sommes pas nombreux dans la discipline. On est en tension permanente, du début à la fin de la journée.
À cela s’ajoute une réalité qu’on dit peu : quand j’exerce, je suis seule à regarder mes lames. J’essaie de bien identifier mes limites, et quand je sais ne pas pouvoir trancher, je demande une seconde lecture à un confrère. Mais il existe une réelle variabilité diagnostique dans notre discipline, de mieux en mieux documentée. Prenez HER2, l’un des principaux biomarqueurs du cancer du sein : nous devons tous le scorer de 0 à 3+, or la reproductibilité est très faible, de l’ordre de 1 % sur les 1+, autour de 3,6 % sur les 2+, ce sont les chiffres publiés. Et derrière, le patient a un traitement, ou n’en a pas. Si je dis 0 là où c’était 1+, il n’aura pas sa thérapie ciblée. Il faut bien voir que je ne suis pas toujours certaine de savoir, et qu’il m’arrive d’être variable moi-même : quand je revois mes lames d’une semaine sur l’autre, j’aurais parfois envie de changer un peu mon diagnostic.
C’est de la reconnaissance d’images, donc une part d’interprétation. Nous faisons de notre mieux, mais nous aurions besoin d’une source d’objectivité. C’est là que l’IA en imagerie peut énormément apporter : une nouvelle source d’information, un copilote à côté du médecin, qui dit objectivement le taux de marquage, instantanément. À partir de là, c’est moi, le médecin, qui décide ce que je mets dans mon compte rendu. Cela reste un diagnostic médical, et c’est le médecin qui en porte la responsabilité.
Passer de la recherche à l’entreprise : fabriquer un produit
Le projet naît en 2017, presque par hasard, au détour d’une discussion en famille sur la reconnaissance d’images. Qu’est-ce qui, à ce moment-là, transforme une idée en entreprise ?
En 2017, passer de médecin à entrepreneur était moins courant qu’aujourd’hui. Le hasard, c’est que dans ma famille, des personnes se formaient à l’intelligence artificielle et en avaient les diplômes : cela m’est parvenu par ce biais. Mais au fond, quand on est pathologiste, ou radiologue, on voit bien que notre métier c’est de la classification et de la reconnaissance d’images. Utiliser des outils d’aide à la reconnaissance de motifs est presque une suite logique.
Ce qui change vraiment, c’est le passage de la recherche fondamentale, toujours indispensable à l’hôpital, à la recherche appliquée, dont le but est de fabriquer des produits mis à disposition d’autrui. Cela, c’est de l’entreprise, de l’industrie, et il faut comprendre la différence. Il faut aussi corriger une image répandue : une entreprise n’est pas là seulement pour faire du profit. Elle est là pour développer des produits, franchir des barrières réglementaires, gérer une équipe capable de les déployer auprès des médecins et des hôpitaux. C’est un vrai métier. Pour ma part, j’ai gardé la double casquette, hôpital et libéral, et en anatomopathologie ces deux secteurs sont complémentaires : c’est important d’avoir conscience des enjeux des deux.
Ce que l’outil fait, concrètement, sur une lame
Expliquez-nous simplement : quand un pathologiste reçoit une lame de cancer, que fait votre logiciel, et que voit le médecin sur son écran ?
Je rappelle d’abord en quoi consiste le métier. Une partie de notre journée est consacrée à la lecture des lames, au microscope. Les plateaux arrivent en cours de journée, cinq, dix, quinze plateaux, de vrais plateaux en bois ou en métal couverts de lames, qu’il faut diagnostiquer vite, car des patients attendent. Nous regardons d’abord chaque lame pour décider si des examens complémentaires sont nécessaires : si on oublie d’en commander, on ne les aura que le surlendemain, et les délais s’allongent. J’attends souvent ces lames complémentaires, celles d’immunohistochimie, pour le lendemain, avant de signer mes comptes rendus, que je tape moi-même ou que ma secrétaire peut taper.
Ce que changent nos solutions, c’est que tous les algorithmes tournent avant que le médecin commence son travail. Quand les plateaux sont distribués sur nos ordinateurs, l’IA a déjà tourné. Nous disposons alors de listes de travail, une ligne par patient, ce qui permet de prioriser : je repère d’office mes cancers infiltrants et je les traite en premier. Mieux, l’IA peut commander automatiquement les examens complémentaires nécessaires, ce qui évite les oublis et permet parfois de valider un compte rendu dans la journée.
À l’écran, on voit le prélèvement à l’échelle cellulaire, on zoome et dézoome grâce à la pathologie digitale. Ce que permet l’IA, c’est d’entourer les lésions anormales, y compris de tout petits cancers de trois ou quatre cellules en périphérie de la lame, qu’elle détecte et signale : elle focalise mon regard sur l’essentiel. Elle quantifie aussi. Le comptage des mitoses, que je devrais faire noyau par noyau sur dix champs, elle le réalise d’office sur toute la surface tumorale, très vite. Cela fait gagner un temps considérable, avec des éléments les plus objectifs possibles.
Ce gain de temps, vous le chiffrez à combien ? Et où s’arrête la machine, où commence le médecin ?
Je réponds d’abord à la seconde question, car elle est essentielle : c’est toujours le médecin qui pose le diagnostic et qui en est responsable, jamais l’IA. Celle-ci est une aide, à visée informative. C’est une vraie demande de la spécialité : garder la main sur le diagnostic et le compte rendu. L’IA est un copilote, qui envoie des informations, attire l’attention sur une anomalie, rappelle ce qu’on oublie souvent. Mais c’est toujours le médecin qui valide.
Sur le gain de temps, l’objectif est vraiment de concentrer l’IA là-dessus, et c’est aussi une question de modèle économique : sur la seule amélioration de la performance diagnostique, il n’existe pas de modèle économique, alors que sur le gain de temps, oui, comme en radiologie. Dans notre dernière étude, menée avec le CHU de Brest sur dix pathologistes et deux cents lames, nous avons montré 50 % de gain de temps sur le comptage des mitoses, et 32 % sur la détection des métastases ganglionnaires. Ajoutez à cela des lames prêtes plus tôt et une journée réorganisée en commençant par les cas urgents : cela change radicalement le métier, pour les patients comme pour les équipes.
Ce temps gagné, le médecin le réinvestit dans quoi ? Et en quoi cela peut changer la vie d’un patient ?
Le gain de temps est primordial dans le diagnostic du cancer, car c’est souvent ce qui fait la perte de chance, ou non. Entre le moment où l’on suspecte une maladie et le début du traitement, il y a le temps du diagnostic. En laboratoire, nous visons moins d’une semaine pour une biopsie, mais cela reste plusieurs jours, ce n’est jamais instantané : il y a un temps technique de préparation des lames. Plus le compte rendu est prêt tôt, plus les équipes en aval, oncologues, chirurgiens, radiothérapeutes, anesthésistes, peuvent s’organiser. Chaque jour compte quand il s’agit d’un cancer.
Je précise une chose importante : l’objectif est que nos diagnostics restent au moins aussi sûrs. On ne fait pas du gain de temps pour le gain de temps, on ne baisse pas la qualité, on cherche même à l’augmenter, notamment en réduisant la variabilité interobservateur. Un pathologiste peut varier, y compris par rapport à lui-même d’une semaine à l’autre ; l’IA, elle, répond toujours la même chose. C’est capital, car dans certains services il n’y a pas quinze pathologistes, il y en a un, parfois plus du tout, et les lames sont envoyées ailleurs. L’idéal, c’est que tous les patients aient la même qualité de diagnostic, qu’ils soient prélevés au fin fond de l’Alsace ou de la Picardie, ou dans le plus grand centre anticancéreux.
Ce que la machine ne sait pas faire
Qu’est-ce que votre outil ne sait pas faire ? Peut-il se tromper, et comment l’évitez-vous ?
Très bonne question, et on n’en parle pas assez. Il y a toujours des limites dans ce que l’IA apprend, et surtout elle n’apprend pas comme un interne. C’est très perturbant : des diagnostics très faciles pour un jeune pathologiste, l’IA les rate complètement. A l’inverse, ce qui est très compliqué pour un interne, l’IA ne le rate jamais. L’adénose micro-glandulaire, en pathologie du sein, ressemble beaucoup à un cancer infiltrant : les jeunes internes tombent dans le panneau, l’IA ne s’y trompe jamais. Mais la nécrose, ces motifs qu’on retrouve dans beaucoup de lésions, la font hésiter et proposer de mauvais diagnostics. Il y a aussi des choses très fréquentes qui restent compliquées pour une IA. Je pense au score de Gleason dans le cancer de la prostate, que nous devons quantifier d’office sur chaque biopsie prostatique. Nous le faisons au quotidien, à l’œil, en pourcentage global par lame. Mais quand on demande à un pathologiste d’entourer précisément où est le Gleason 3, le 4, le 5, nous en sommes incapables de façon reproductible, y compris entre experts, parce que ce n’est pas ce qu’on nous demande d’habitude : les limites sont floues. Même chose pour les emboles ou les engainements périnerveux, très difficiles à labelliser de manière reproductible.
Le vrai enjeu, c’est tout ce qu’elle n’a pas appris, et notamment les cas rares. Nos bases de données représentent la pathologie courante, mais contiennent peu de cas rares. En pathologie cutanée, nous avons beaucoup de carcinomes ou de mélanomes, mais peu de lymphomes cutanés, avec de multiples sous-classes. Face à un lymphome ou un sarcome qu’elle n’a pas l’habitude de voir, l’IA peut être en difficulté. L’enjeu, c’est de la faire progresser sur ces cas rares, et d’améliorer la façon dont les médecins labellisent les lames : entourer précisément ce qui compte pour le diagnostic, et rien d’autre. Si je labellise mal, l’algorithme apprend mal. Un exemple : les globes cornés dans le carcinome épidermoïde. Si, à chaque fois qu’il voit un globe corné, l’algorithme saute sur ce diagnostic, c’est souvent parce que nous avons mal labellisé : en tant que pathologiste, j’entoure toute la lésion, alors qu’il faudrait sélectionner précisément ce qui est essentiel au diagnostic, et lui expliquer ce que je prends en compte et ce que je ne prends pas en compte. C’est ainsi que les IA deviendront vraiment plus performantes. C’est une révolution technologique en cours, avec de nouveaux outils qui changent la manière même de concevoir ces IA d’image.
Si le diagnostic se révèle erroné, qui est responsable ? Le médecin, l’hôpital, l’éditeur du logiciel ?
Dans la loi française, la responsabilité est d’ordre médical : en tant que pathologiste, c’est moi qui prends la responsabilité de mon diagnostic. Mais cela suppose une contrepartie, et c’est une vraie question pour ceux qui éditent des IA comme nous : il faut que le médecin puisse vérifier tout ce que dit l’IA. Si un outil me donne un score global que je ne peux pas contrôler, je ne peux pas l’utiliser, car je devrais tout refaire moi-même, et alors autant m’en passer. Il faut donc une vraie explicabilité : montrer le cheminement, tout mettre à la disposition du médecin pour qu’il assume le diagnostic.
La responsabilité ne pèse donc pas tellement sur l’éditeur, mais celui-ci doit tout mettre à portée du médecin, sinon le médecin n’utilisera pas l’outil : c’est une charge partagée. Il faut aussi garder les preuves de ce dont le médecin disposait. Si une IA affiche mélanome, que le pathologiste, peu sûr, finit par suivre, et que ce n’en était pas un, il faut pouvoir remonter aux calques, comprendre pourquoi on en est arrivé là, corriger, et assumer les responsabilités s’il s’agit d’une véritable erreur technique du logiciel. Garder les preuves et expliquer systématiquement le diagnostic, c’est indispensable.
La fracture entre les hôpitaux : qui aura accès à ces outils ?
Votre technologie est-elle déjà déployée ? Fonctionne-t-elle dans un hôpital public moyen, sans grande infrastructure numérique ?
Nous la déployons dans plusieurs structures, hospitalières et libérales, et à l’international. Mais pour un hôpital, la difficulté n’est pas seulement d’installer une solution d’IA. Il faut d’abord que la direction ait conscience de l’enjeu et veuille l’intégrer : quand la demande vient des seuls médecins sans être relayée par la direction, il ne se passe pas grand-chose. C’est une question d’acceptation de l’innovation, et certains hôpitaux sont bien plus en avance que d’autres, notamment ceux qui ont des budgets pour cela.
Il faut ensuite l’équipement en digitalisation, et c’est un vrai problème : beaucoup de laboratoires travaillent encore au microscope, sans ordinateur. La disparité est réelle, entre hôpitaux équipés et non équipés, entre grands et petits centres, et entre l’hospitalier et le libéral. La moitié des pathologistes exercent en libéral, or les financements de la pathologie digitale y sont quasi inexistants : quand je travaille en libéral, c’est au microscope, il n’y a rien. S’ajoute l’infrastructure informatique, avec une capacité de stockage immense, une lame représentant 1 à 5 gigaoctets, et un patient plusieurs dizaines par jour. C’est de l’hébergement de données de santé, extrêmement coûteux. Les capacités de stockage ne sont pas infinies.
Les hôpitaux moyens ou des territoires, souvent privés de pathologistes, ne seraient-ils pas les premiers gagnants de ces technologies ?
C’est exactement ce que je pense, et c’est ce qu’on devrait faire. Mais la façon dont sont structurés les budgets et les établissements fait que ce n’est pas le cas. Ce sont plutôt les centres anticancéreux et les grands centres, déjà en avance et dotés de budgets, qui testent et se coordonnent. Les hôpitaux publics n’y ont pas toujours accès : les budgets de digitalisation arrivent au compte-gouttes, on ne peut pas digitaliser tous les hôpitaux d’une région. Il faudrait une vraie réflexion nationale, au nom de l’égalité d’accès aux soins.
Car l’anatomopathologie est le secteur clé de toute la prise en charge du cancer : elle arrive en premier et détermine la suite. Si un hôpital n’a pas accès, dans les prochaines années, à la pathologie augmentée par l’IA, cela créera une vraie différence de prise en charge entre établissements. Il faut réfléchir dès aujourd’hui à harmoniser l’accès à l’innovation dans tous les hôpitaux, y compris les plus petits, souvent isolés et au budget limité. Il ne faut pas les oublier.
Une innovation conçue en France, mais un marché français trop étroit
Où sont hébergées les données de vos patients, et faut-il qu’elles restent françaises ?
La souveraineté est une question majeure. Toutes nos données sont obligatoirement hébergées chez des hébergeurs de données de santé, européens. Primaa est une start-up développée en France, à partir de données cliniques françaises et du travail de médecins français. Nous avons la chance d’avoir une médecine reconnue à l’international, avec des pathologistes experts de très haut niveau, ce qui donne des solutions de grande qualité. Mais le système français s’inscrit dans un système européen fragmenté.
Or, à l’échelle d’une entreprise, le seul marché des hôpitaux et des équipements français reste trop petit : il ne permet pas de survivre. Nous sommes donc obligés de nous adresser à l’échelle européenne, puis internationale. Et pourquoi cela finit par toucher la France ? Parce que certaines régions du monde font monter les prix, les États-Unis en particulier, où ils sont bien plus élevés qu’ailleurs. Du coup, comme tous nos concurrents, nous nous retrouvons à aligner nos tarifs sur le marché américain, qui n’a rien à voir avec le marché français. Et c’est là que le paradoxe me saute aux yeux : je prépare des solutions d’intelligence artificielle que je ne pourrais pas acheter moi-même en tant que médecin, parce que le système de santé français ne suit pas l’innovation et ne garantit pas aux entreprises une sécurité financière suffisante pour qu’elles puissent se contenter du marché national. On est tous dans un déséquilibre permanent, à devoir aller vite, chercher les secteurs où l’on peut survivre. À cela s’ajoute que nos entreprises sont plus facilement rachetées par des acteurs internationaux. On finit par devoir attaquer le marché mondial et ne plus pouvoir suivre ce qui se passe à l’échelle française. C’est un vrai problème pour les outils que j’utiliserai moi-même dans mes services d’ici trois ou quatre ans.
| Repère : comment la France finance (ou non) l’innovation numérique en santé Pour accélérer l’accès au marché, la France a créé en 2023 la prise en charge anticipée numérique (PECAN), prévue par la loi de financement de la Sécurité sociale pour 2022 et précisée par le décret du 30 mars 2023. Elle permet à un dispositif médical numérique présumé innovant d’être remboursé de façon dérogatoire pendant un an, le temps de constituer son dossier de remboursement de droit commun (sources : Agence du numérique en santé, Haute Autorité de santé). Mais ce dispositif vise les solutions à visée thérapeutique et de télésurveillance, pas directement les outils d’aide au diagnostic comme celui de Primaa. C’est précisément le vide que pointe Marie Sockeel : pour l’IA diagnostique, il n’existe pas encore de voie de remboursement claire, ce qui prive les entreprises d’un modèle économique stable sur le marché français. |
Un hôpital peu doté risque-t-il de choisir une technologie étrangère moins chère ? Et quels risques cela comporte-t-il ?
Je ne suis pas certaine que les entreprises françaises soient les plus chères. Paradoxalement, comme beaucoup se sont développées en France avec des aides, nous sommes peut-être même moins chers que d’autres à l’international. Mais le fait de devoir adresser le marché mondial peut faire monter les prix.
Le pari, au fond, c’est que l’IA permettra de faire baisser le coût des soins, parce qu’elle aidera à mieux prendre en charge les patients, à mieux segmenter les catégories de lésions, à personnaliser le traitement, donc à éviter des traitements coûteux chez ceux qui n’en ont pas besoin et à les réserver à ceux pour qui c’est nécessaire. Cela ferait des économies pour la Sécurité sociale. L’idée, c’est de favoriser ce qui aide le système à mieux soigner, tout en garantissant une égalité d’accès sur l’ensemble du territoire, dans le libéral comme à l’hôpital, dans les grands centres comme dans les petits.
Mais il ne faut pas se voiler la face : nos concurrents internationaux sont féroces. Il y a des solutions qu’on ne voit pas encore beaucoup, mais qui arrivent, notamment de Chine et d’Asie. Elles sont très peu coûteuses et exceptionnelles sur le plan technologique. En anatomopathologie, à ma connaissance, il n’y en a pas encore, mais dans tous les autres secteurs de l’intelligence artificielle, elles sont absolument redoutables. Et elles ne vont pas laisser passer le marché du diagnostic en santé, qui est évidemment stratégique. Elles arrivent, il faut qu’on soit prêts. C’est une vraie question nationale : jusqu’à quel point devons-nous réfléchir à cette souveraineté, pour les hôpitaux, pour les entreprises, et pour les données en général ?
Enfin, il faut rester vigilant sur un point technique : la façon d’interpréter une lame varie selon la région du monde. Ce n’est pas qu’on ne veut pas faire pareil, c’est que la prévalence de certains cancers diffère. Le carcinome intramuqueux, par exemple, dans les pathologies digestives, nous le diagnostiquons en Europe parce que c’est important pour le suivi du patient, alors qu’aux États-Unis, ils ne le font pas. En Asie, il y a beaucoup de cancers de l’estomac. Une IA entraînée sur des données d’une autre région du monde doit donc être soigneusement contrôlée pour vérifier qu’elle s’applique bien chez nous, et inversement pour ce que nous exportons. Dans le diagnostic, il faut être très prudent et toujours rester aligné sur la pratique de la région où l’on importe la solution. Cela suppose des études cliniques.
Le chaînon manquant : indépendance, marquage CE et remboursement
On redoute parfois la dépendance de la médecine à l’industrie. En anatomopathologie, cette indépendance est-elle menacée ?
De ce que je connais des pratiques de la discipline, nous restons vigilants et surtout indépendants dans nos diagnostics : nous ne diagnostiquons pas en fonction de tel ou tel traitement, cela n’a jamais été notre façon de travailler. Entre confrères, dans les congrès, nous nous efforçons d’être très autonomes. Cela dit, des liens de plus en plus forts apparaissent entre la rédaction de nos comptes rendus et l’indication thérapeutique, avec des traitements de plus en plus coûteux : de potentiels conflits d’intérêts commencent à se poser. Je pense aux immunothérapies avec PD-L1, dont les lames sont extrêmement difficiles à lire objectivement, face à des traitements très chers. Nous nous efforçons de rester objectifs, de ne pas favoriser une ligne thérapeutique. Au fond, nous sommes avant tout des médecins : ce qui nous fait nous lever le matin, c’est que le patient soit le mieux pris en charge, pas de vendre un médicament. Et les études cliniques restent protégées par des protocoles et des comités éthiques. Même largement financées par l’industrie pharmaceutique, elles sont faites avec le plus d’objectivité possible, et heureusement, car c’est comme cela qu’on progresse en médecine : sans cette rigueur, les résultats seraient faussés et on s’apercevrait vite que les traitements ne servent à rien.
Vous alertez aussi sur un vide dans l’évaluation de ces innovations. Lequel ?
Oui, et cela m’intéresse beaucoup. Pour les dispositifs médicaux et les solutions d’IA diagnostique, nous devons mener des études de performance afin d’obtenir le marquage CE. Mais ces études ne permettent guère plus que d’obtenir ce marquage : elles disent que notre diagnostic met le patient en sécurité, que nous ne sommes pas dangereux. Ce qui manque cruellement, ce sont les études d’impact organisationnel et médico-économiques. Elles sont complexes, très coûteuses, et il n’existe pas encore de méthodologie établie : nous sommes en train de la réinventer.
Et le problème, c’est qui paie. Il n’y a pas de voie de remboursement, ou très peu. Du coup, on développe surtout des IA qui font gagner du temps et du confort au médecin, parce qu’il existe là un modèle économique, tandis que les études pour améliorer réellement la prise en charge du patient restent bloquées, faute de remboursement et donc de retour pour les entreprises, qui ne peuvent pas investir des millions dans des études sans marché. On aimerait que les pouvoirs publics clarifient les règles : quelles évaluations pour quel remboursement, ou bien qu’ils disent clairement qu’il n’y en aura pas. Que ce soit clair au niveau politique, pour que les entreprises se développent dans le bon secteur et qu’on ne perde pas collectivement de l’argent sur des solutions sans marché.
| Repère : marquage CE et IA, un double cadre réglementaire Un logiciel d’aide au diagnostic est un dispositif médical : pour être commercialisé en Europe, il doit obtenir le marquage CE au titre du règlement (UE) 2017/745, qui atteste de sa sécurité et de sa conformité, mais ne dit rien de son intérêt médico-économique. C’est la limite que souligne Marie Sockeel. Depuis l’entrée en application du règlement européen sur l’intelligence artificielle (AI Act), une couche s’ajoute : selon les précisions publiées en 2025 par la Commission européenne et les autorités compétentes, tout dispositif médical intégrant de l’IA est automatiquement classé « à haut risque ». Il doit donc respecter des exigences renforcées de gestion des données, de transparence et de supervision humaine (sources : règlements UE 2017/745 et 2024/1689 ; analyses Lexing Avocats, 2025). Prouver qu’on n’est pas dangereux devient nécessaire, mais reste loin de suffire à démontrer un bénéfice pour le système de soins. |
Conclusion
Pour conclure, la question que nous posons à tous nos invités : si vous étiez ministre de la Santé demain, quelle serait votre première décision en matière d’IA ?
Plusieurs idées me viennent, mais si je devais n’en choisir qu’une, ce serait d’élargir l’application de l’article 84 du projet de loi de financement de la Sécurité sociale pour 2026. Cet article permet à un système d’aide au diagnostic, qu’il repose ou non sur l’intelligence artificielle, de démontrer le bénéfice qu’il apporte à l’Assurance maladie, et prévoit que les économies ainsi réalisées soient partagées entre l’industriel et l’Assurance maladie. Dans sa philosophie, c’est une création très originale, qui pourrait vraiment donner l’impulsion à l’innovation : un modèle économique plus rapide, ouvert à un champ d’action beaucoup plus large, et qui, en prime, permettrait à l’Assurance maladie de faire des économies ou de restructurer sa façon de gérer ses coûts.
L’article a déjà été voté, mais dans les discussions en cours, il a été restreint à une toute petite partie de l’aide au diagnostic, l’antibiothérapie. C’est un début, mais il serait bien plus ambitieux de l’appliquer à tout, car les bénéfices seraient pour tout le monde. Cela demande une vraie organisation, un vrai travail, mais l’effort profiterait à tous. Cela donnerait enfin de la visibilité aux innovations en santé, qui ont un mal fou à se déployer dans les hôpitaux, à être vues et surtout à être achetées. Ce serait la première marche vers l’innovation en santé et l’amélioration de la prise en charge des patients.
Je crois vraiment en cet article. Le décret d’application est encore en réflexion, mais l’ouvrir plus largement faciliterait le travail des entreprises, qui se retrouvent sans cesse à mener de nouvelles études et de nouvelles démonstrations pour des résultats financiers dérisoires, dans des engagements complexes qui finissent par les faire mourir. C’est un bon exemple de ce qui pourrait vraiment aboutir, à deux conditions : élargir clairement son application, et ne pas trop complexifier la démarche, pour que ce soit simple pour tout le monde.
Rendez-vous mardi 28 juillet pour le prochain épisode
« Les mardis de l’innovation en santé »
David Smadja est professeur d’hématologie à l’AP-HP et à l’Université Paris Cité, responsable de la Commission Santé du Laboratoire de la République.
Léa Behr est CEO de RespublicIA et membre de la commission Santé du Laboratoire de la République.