La santé a besoin d’un nouvel acte de décentralisation : donnons aux régions les moyens d’agir

Pendant la crise du Covid-19, les biologistes médicaux sont sortis de l'ombre. Les Français ont découvert la PCR, le séquençage des variants et compris qu'avant de soigner, il fallait diagnostiquer. Pourtant, une fois la crise passée, la biologie médicale est redevenue discrète, alors même qu'elle est au cœur des grandes révolutions de la médecine. Pour ce nouvel épisode des Mardis de l'innovation en santé du Laboratoire de la République, nous recevons Mathieu Kuentz, biologiste médical, praticien hospitalier, président de la Commission médicale d'établissement du Centre hospitalier Henri-Mondor d'Aurillac et président de la Commission médicale de groupement du GHT du Cantal. Auteur d'un mémoire à Sciences Po Paris consacré au financement de l'innovation en biologie médicale, il défend une idée simple : un diagnostic plus précoce et plus précis n'est pas une dépense supplémentaire, c'est un investissement qui améliore les soins, renforce notre système de santé et participe à notre souveraineté sanitaire. Avec lui, nous reviendrons sur cinq questions essentielles : pourquoi la biologie médicale est devenue un levier stratégique de la médecine de précision ; comment financer l'innovation diagnostique dans un système sous contraintes ; en quoi les nouvelles technologies, de l'intelligence artificielle aux biomarqueurs, transforment déjà la prise en charge des patients ; quels enjeux de souveraineté industrielle et de santé publique se jouent derrière ces innovations ; et enfin, quelles réformes sont nécessaires pour que la France ne prenne pas de retard. 1. Comprendre les mutations en cours Le Laboratoire de la République : Vous observez depuis plusieurs années les évolutions de la biologie médicale. Quelles sont, selon vous, les innovations qui vont transformer le plus profondément la santé dans les dix prochaines années ? Mathieu Kuentz : Je commencerais par rappeler un chiffre qui résume tout : la biologie médicale représente moins de 3 % des dépenses de santé, mais elle conditionne environ 70 % des décisions médicales. C'est le poste le plus stratégique et le plus sous-estimé de la médecine. Et ce n'est pas nouveau : depuis deux siècles, c'est la biologie qui fait avancer la santé, sur le versant diagnostique comme sur le versant thérapeutique : du dosage de la glycémie qui a rendu le diabète traitable à l'antibiogramme qui guide l'antibiothérapie, jusqu'au séquençage du génome humain. À chaque saut technologique, c'est elle qui a déplacé la frontière du possible. Les dix prochaines années ne feront pas exception, et trois ruptures vont y peser. La première, c'est la génomique appliquée au soin courant : le séquençage haut débit, qui fait passer l'oncologie et la génétique des maladies rares d'une logique de symptôme à une logique de cible moléculaire. La deuxième, c'est la biologie moléculaire infectieuse rapide : ces PCR syndromiques multiplex qui, en quelques heures, identifient un agent pathogène et potentiellement un gène de résistance, là où il fallait attendre des jours : un levier majeur contre l'antibiorésistance. La troisième, et c'est sans doute la plus transversale, c'est l'irruption de l'intelligence artificielle, dans toutes ses dimensions : l'exploitation des métadonnées biologiques à l'échelle des populations, le traitement des séquençages génomiques, l'analyse d'image en cytologie ou en microbiologie, jusqu'à la prévention et le repérage précoce des patients à risque. L'IA ne remplace pas la biologie ; elle démultiplie sa capacité à transformer la donnée en décision. Mais le vrai changement n'est pas technologique, il est conceptuel. Ce qui compte, ce n'est plus le coût d'un test, c'est son informativité : sa capacité à réduire l'incertitude d'une décision. Un dosage à quelques dizaines d'euros qui oriente une greffe à plusieurs centaines de milliers d'euros n'a rien d'un acte « bon marché » : c'est un acte décisionnel. Tant qu'on ne raisonnera pas ainsi, on continuera à payer ces innovations comme des prestations techniques, et non comme ce qu'elles sont — des décisions médicales. La médecine personnalisée est souvent présentée comme une révolution. Où en sommes-nous réellement aujourd'hui ? Elle est déjà là, et ce n'est pas une promesse : c'est une pratique quotidienne. Le cœur, c'est l'oncologie et l'oncohématologie. Le séquençage haut débit, ou NGS, permet aujourd'hui d'identifier, sur la tumeur ou sur la moëlle, les mutations qui prédisent la réponse ou la résistance à une chimiothérapie, et donc d'orienter d'emblée vers la bonne molécule au lieu de traiter à l'aveugle. On ne donne plus le même traitement à tout le monde : on le choisit en fonction du profil moléculaire de la maladie. Et la même logique gagne l'infectiologie : l'identification moléculaire rapide d'un pathogène et de ses résistances permet de sortir au plus vite de l'antibiothérapie probabiliste : ce traitement « au cas où », à la fois coûteux et l'un des moteurs de l'antibiorésistance. Personnaliser, c'est exactement cela : le bon traitement, pour le bon patient, au bon moment. Le problème, ce n'est donc pas la technique : c'est le financement et la diffusion. Aujourd'hui, plus de six cents actes innovants sont coincés dans un dispositif dérogatoire en voie d'extinction, et les forfaits de séquençage les plus lourds (entre 880 et 2 200 euros l'acte) ne sont remboursés qu'à hauteur de 43 % de leur valeur théorique pour l'hôpital. Autrement dit : la France sait faire la médecine personnalisée, mais elle n'a pas encore construit le modèle économique qui permet de la rendre accessible à tous les patients, partout sur le territoire, en conservant la soutenabilité du système sans détruire nos capacités d'innovation. C'est exactement le sujet sur lequel j'ai travaillé dans le cadre du master Gestion et Politiques de Santé à Sciences Po Paris. L'intelligence artificielle fait beaucoup parler d'elle. Dans quels domaines de la biologie médicale apporte-t-elle déjà des résultats concrets ? L'IA en biologie, c'est moins le grand soir que beaucoup d'usages concrets qui s'installent. Elle est performante là où il y a de l'image et du volume : la pré-classification des cellules sanguines en hématologie, l'aide à l'interprétation des antibiogrammes en microbiologie. Elle est utile aussi en post-analytique : détection d'incohérences, contrôles de cohérence d'un résultat par rapport à l'historique du patient, repérage des prescriptions redondantes ou non pertinentes. Mais le plus prometteur est ailleurs, dans le travail sur les grandes masses de données. L'IA sait croiser des dizaines de biomarqueurs que l'œil humain ne peut corréler, et faire basculer la biologie du descriptif vers le prédictif : non plus seulement constater un résultat, mais anticiper une évolution. Elle est aussi devenue indispensable au séquençage : sans elle, on ne saurait ni traiter ni interpréter, à un coût raisonnable, les volumes considérables de données qu'un NGS génère — elle réduit à la fois le coût et la difficulté d'interprétation. Et elle ouvre un champ entièrement nouveau : la découverte de biomarqueurs inédits, des signatures qu'aucun œil clinique n'aurait isolées sans la puissance de calcul appliquée à de larges cohortes. Mais je veux être précis, l'IA n'est pas un biologiste. Elle amplifie la valeur informationnelle de l'acte, elle ne se substitue ni à la validation biologique ni au dialogue avec le clinicien. La vraie question qu'elle pose n'est pas « est-ce que ça marche ? » ; souvent oui ; mais « qui valide, qui est responsable, et comment finance-t-on un outil qui améliore la pertinence sans générer de recette à l'acte ? ». L'IA bute exactement sur le même mur que le reste de l'innovation diagnostique : un système de tarification qui paie le geste technique et reste aveugle à la valeur produite. 2. L'innovation diagnostique : un angle mort des politiques de santé ? Pourquoi parle-t-on beaucoup des innovations thérapeutiques mais encore relativement peu des innovations diagnostiques ? Parce que le médicament a tout ce qui rend une innovation visible : un industriel qui le porte, un prix de marché, un Comité économique des produits de santé qui le négocie, une liste en sus pour les molécules onéreuses, un mécanisme d'accès précoce qui le finance avant même son inscription définitive, et surtout une visibilité et un bénéfice tangibles pour le patient. Le diagnostic, lui, n'a rien de tout cela de visible et reste invisible. Pour la biologie, le forfait innovation a été conçu pour les dispositifs médicaux, pas pour nos actes ; l'article 51 finance des organisations, pas des cotations d'actes ; il ne reste, en pratique, qu'un seul outil, le RIHN (le référentiel des actes innovants hors nomenclature). Et, bien que perfectible, ce n'est pas le développement de l'innovation qui souffre le plus : c'est son passage en droit commun, son entrée en routine dans la prise en charge des patients. Le diagnostic souffre aussi d'une invisibilité comptable : à l'hôpital public, le coût d'un examen réalisé pendant un séjour est noyé dans le tarif global du séjour, sans facturation séparée. La biologie hospitalière, c'est 40 % des dépenses de biologie du pays (environ 3,4 milliards d'euros) et pourtant l'Inspection générale des affaires sociales et l'Inspection générale des finances (IGAS-IGF) la décrivent comme « moins connue, dans ses coûts comme dans sa production » que la biologie de ville. On ne défend bien que ce qu'on voit : l'innovation diagnostique est un angle mort parce qu'elle est, littéralement, invisible dans nos comptes comme aux yeux des patients. Peut-on considérer qu'un diagnostic plus rapide ou plus précis constitue déjà en lui-même une innovation majeure pour le patient ? Absolument, et plusieurs exemples peuvent l'illustrer. Tout d'abord en cardiologie, avec les troponines ultrasensibles : la Société européenne de cardiologie a validé des algorithmes à une heure. Si le taux est bas à l'arrivée et n’évolue pas significativement une heure plus tard, on écarte l'infarctus avec une valeur prédictive négative supérieure à 99 %. Le patient sort en une heure au lieu de douze ou vingt-quatre. Les études montrent une réduction du temps de passage aux urgences de 33 à 50 %, et une étude britannique chiffre l'économie à plus de 2 000 livres par patient, essentiellement en évitant des séjours en soins intensifs. Là, le « plus rapide » n'est pas un confort : c'est l'innovation. Mais l'exemple qui illustre le mieux cette valeur, c'est le panel PCR multiplex sur liquide céphalo-rachidien, aux urgences. Face à une suspicion de méningite, il permet d'identifier l'agent responsable en moins de deux heures, là où une culture classique demande cinq jours. Et si l'on fait le micro-costing (reconstruire le gain réel, poste par poste) cet acte coté 270 euros génère de l'ordre de 1 700 euros d'économies par patient soit un rapport de 1 à 6. Voilà ce que « plus rapide » veut dire concrètement. Et enfin, un dernier exemple : l'identification des résistances aux thérapeutiques anticancéreuses réduit les pertes de chances liées à l'usage d'une thérapeutique de première ligne inefficace. En biologie et à bon escient, le temps, c'est la réduction d'une perte de chance, mais aussi des coûts pour notre système de santé et c'est précisément ce que les restructurations industrielles de la dernière décennie ont oublié. En consolidant les laboratoires loin des patients, on a allongé les délais de rendu sans jamais les mesurer. Un diagnostic juste qui arrive trop tard a perdu une grande partie de sa valeur. Vous défendez l'idée que les tests diagnostiques génèrent des économies pour le système de santé. Comment mesurer cette valeur ? En reconstituant la chaîne complète des coûts évités, et non en regardant le seul prix du test. Le cas d'école, c'est le dépistage prénatal non invasif de la trisomie 21 (DPNI), une innovation qui a, en quelques années, transformé tout un pan du dépistage. Avant, on confirmait un risque élevé par amniocentèse, un geste invasif porteur d'un risque de fausse couche de 0,5 à 1 %. Aujourd'hui, une simple prise de sang à environ 390 euros, qui détecte l'ADN fœtal circulant avec une spécificité supérieure à 99 %, a divisé par deux le nombre de gestes invasifs : on est passé d'environ 24 400 amniocentèses en 2016 à 13 400 en 2023, soit près de 11 000 actes invasifs évités chaque année. Rien que pour l'Assurance maladie, l'amniocentèse et son cortège (l'acte lui-même, la consultation, le caryotype, l'échoguidage, la surveillance) c'est de l'ordre de 700 euros par geste, donc environ 7,7 millions d'euros d'économies directes par an. Mais l'essentiel n'est pas là. Il est dans deux dimensions que la tarification à l'acte ne voit jamais. D'abord le risque de fausse couche : sur 24 000 gestes, l'amniocentèse provoquait de l'ordre de 120 pertes fœtales par an soit 120 grossesses désirées interrompues par le geste de confirmation lui-même. Ces fausses couches évitées, leur coût médical est modeste, quelques dizaines de milliers d'euros, mais le coût humain et psychologique, lui, est tout simplement hors de prix. Ensuite les coûts sociaux : chaque amniocentèse évitée, ce sont des arrêts de travail en moins. Au total, environ 22 000 journées d'arrêt évitées par an, un peu plus d'un million d'euros d'indemnités pour l'Assurance maladie, mais surtout près de 4,4 millions d'euros de productivité préservée pour les employeurs. Personne, dans la nomenclature, ne « voit » ces 4,4 millions. Quand on agrège tout cela, le bilan devient parlant. La collectivité investit 46,8 millions d'euros pour rembourser le test aux 120 000 femmes éligibles chaque année. En face, le bilan strict de l'Assurance maladie reste négatif (de l'ordre de 33 millions d'euros nets) parce que le test coûte plus cher que les seules amniocentèses qu'il remplace. Mais le bilan sociétal élargi, lui, est positif et incontesté : intégrez les gains de productivité, les fausses couches évitées, l'anxiété maternelle épargnée, et le coût par année de vie pondérée par la qualité tombe très en dessous des seuils d'acceptabilité usuels. Le DPNI démontre tout : mesurer la valeur d'un diagnostic, ce n'est pas regarder son prix, c'est suivre la valeur sur toute la chaîne médicale, humaine, sociale bien au-delà du flux comptable d'un seul payeur. Et c'est valable partout. Prenez la maladie rénale chronique : un suivi au stade 3 coûte environ 3 000 euros par an, la dialyse au stade terminal en coûte 80 000. Deux examens simples (la créatinine et le rapport albumine/créatinine) suffisent à repérer tôt le risque et à changer la trajectoire. Là encore, l'acte est dérisoire, la valeur évitée colossale. Reste une difficulté : éviter une réadmission est bénéfique pour le payeur, mais pas forcément pour l'établissement, dont la réadmission aurait été une recette. C'est tout l'enjeu du micro-costing et de l'évaluation médico-économique : changer d'échelle, raisonner en valeur pour le système entier. Tant que chacun reste dans son silo comptable, la valeur du diagnostic échappe à tout le monde. 3. Le financement de l'innovation Le dispositif RIHN a permis l'accès à de nombreux actes innovants. Pourquoi est-il aujourd'hui nécessaire de le réformer ? Le RIHN a été conçu en 2015 comme un sas transitoire, le temps qu'un acte innovant fasse ses preuves avant d'entrer dans le droit commun. Il est devenu un régime structurel, et il s'est grippé pour deux raisons. D'abord, c'est une enveloppe fermée : plus les volumes augmentent, plus le taux de couverture s'effondre : il est passé de 83 % en 2016 à 43 % en 2023. Ensuite, le décret de mars 2024 a programmé son extinction par une décote annuelle, initialement de 20 % par an, ce qui revenait à éteindre le financement en cinq ans. Finalement, cette décote a été ramenée à 10 % par an pour les actes non évalués favorablement par la Haute Autorité de santé (HAS). L'entrée de nouveaux actes innovants passe désormais par un « RIHN 2.0 » plus exigeant. Le RIHN historique inscrivait des actes sur un dossier scientifique parfois mince, voire, pour la liste complémentaire, sur simple demande de gestion comptable. Le nouveau cadre, désormais ancré dans le Code de la sécurité sociale, doit conditionner le financement dérogatoire à la production d'études en vie réelle documentées : durée de séjour évitée, antibiothérapie épargnée, complications prévenues, mesurées sur des cohortes réelles. Autrement dit, transformer la période dérogatoire (qui n'était qu'une salle d'attente) en une véritable phase de démonstration de la valeur, pour que le passage en droit commun se décide enfin sur la preuve, et rapidement. Mais le réel problème, c'est l'impact du passage en droit commun. Dans les conditions actuelles, ce passage est devenu un piège pour l'hôpital public : source de déficit, de déstructuration d'une partie de ses laboratoires de biologie médicale, de ses compétences, et de sa capacité à faire émerger les innovations de demain. Les examens intégrés à la NABM (la Nomenclature des actes de biologie médicale) sont absorbés dans le GHS, le groupe homogène de séjour, des établissements publics : ils deviennent une charge, de surcroît totalement invisible pour nos tutelles, et ne constituent une recette que lorsqu'ils sont réalisés en externe. La conséquence est systémique : l'incapacité de conserver en routine des actes innovants pour nos établissements publics, donc d'en faire bénéficier nos patients et de faire émerger de nouvelles innovations. Devant des déficits croissants, l'abandon de ces actes induira une perte de chance pour les patients, un allongement de la durée moyenne de séjour et une fragilisation de nos plateaux techniques. Nos CHU sont les incubateurs de l'innovation diagnostique du pays : quand l'acte qui faisait vivre leur plateau devient déficitaire, la mécanique est implacable : on réduit l'activité, puis on externalise, puis on ferme le laboratoire. Et en détruisant les laboratoires de biologie médicale de nos CHU, on ne perd pas seulement une recette : on casse la chaîne qui produit les données biologiques, forme les biologistes, découvre les nouveaux biomarqueurs et valide les nouveaux tests avec les industriels. On scie la branche sur laquelle repose toute notre capacité d'innovation. C'est cela, le vrai danger d'un passage en droit commun mal pensé. Quels sont les principaux risques si la France ne parvient pas à mieux financer l'innovation diagnostique ? Le premier risque est chiffrable, service par service. Quand plus du tiers des recettes d'une activité dépend d'un financement qui s'éteint, les comptes basculent : pour un seul service réalisant 200 panels de séquençage par an, la perte nette atteint 171 000 euros, l'équivalent d'un poste de praticien hospitalier. Trois disciplines sont en première ligne, parce qu'elles concentrent l'activité innovante : l'oncogénétique, la génétique et la microbiologie. Mais le risque le plus grave dépasse la comptabilité : il est stratégique. C'est cette chaîne d'incubation (production de données cliniques, formation des biologistes, validation des tests avec les industriels) qui se rompt, et avec elle notre capacité collective à produire l'innovation de demain. D'autres pays l'ont compris et l'ont institutionnalisée : le Québec a inscrit dans son organisation publique cette fonction d'incubateur que la France, elle, laisse reposer sur l'autofinancement d'hôpitaux déjà déficitaires. Au fond, c'est une question de souveraineté diagnostique : voulons-nous rester un pays qui conçoit ses tests, ou devenir un pays qui se contente de les acheter ? Vous insistez sur l'importance des données de vie réelle et des évaluations médico-économiques. Pourquoi sont-elles devenues indispensables ? Parce que la valeur d'un acte diagnostique n'est pas dans son coût de production, elle est en aval : dans la durée de séjour qu'il raccourcit, les complications qu'il évite, l'antibiothérapie qu'il permet de désescalader. Une méta-analyse sur 27 études et plus de 17 000 patients montre qu'une PCR multiplex rapide réduit la durée de séjour d'environ un jour. Au Canada, le couplage d'une plateforme microbiologique automatisée à un programme de bon usage des antibiotiques a réduit de 28 % les dépenses d'antibiotiques. Ces bénéfices, aucune nomenclature française ne sait aujourd'hui les capter. Or on ne valorise que ce qu'on mesure. Tant qu'on ne relie pas chaque acte de biologie au séjour pour lequel il a été réalisé, on est incapable de démontrer la durée de séjour évitée. C'est pourquoi je propose un « FICHCOMP biologique » : une infrastructure de traçabilité reliant chaque acte au séjour, qui rendrait enfin mesurable l'impact réel. Sans cette donnée de vie réelle, le passage d'une tarification par le coût à une tarification par la valeur reste un vœu pieux. Le micro-costing est encore peu connu du grand public. En quoi cette approche peut-elle changer la manière d'évaluer les innovations de santé ? Le micro-costing, c'est l'art de reconstituer le coût réel et complet d'une prise en charge, poste par poste, au lieu de se contenter d'un forfait moyen. J'en donnais l'exemple avec le panel infectieux des urgences : on ne mesure sa vraie valeur qu'en additionnant la réanimation évitée, l'antibiothérapie épargnée et les complications prévenues, et non en regardant le seul prix de l'acte. C'est seulement à ce niveau de finesse qu'apparaît la valeur d'une innovation. Cette approche change la donne parce qu'elle déplace le débat. Aujourd'hui, on fixe le tarif d'un acte sur son coût analytique (réactifs, automate, main-d'œuvre). C'est un paradigme appauvri : il ignore tout ce que l'acte fait économiser ailleurs. Le micro-costing rend ces externalités visibles et chiffrables. La condition, c'est de disposer de bases de coûts homogènes : la Base d'Angers existe, mais elle est volontaire et hétérogène. Je propose un référentiel national standardisé, piloté par l'Agence technique de l'information sur l'hospitalisation (ATIH) et la Direction générale de l'offre de soins (DGOS), sans lequel toute tarification par la valeur restera théorique. 4. Santé publique et souveraineté sanitaire La crise du Covid a mis en lumière l'importance des capacités diagnostiques. Avons-nous tiré toutes les leçons de cette période ? En partie seulement. Le Covid a d'abord prouvé une évidence qu'on avait oubliée : sans capacité diagnostique, un pays est aveugle. L'État a solvabilisé pour 7 milliards d'euros de tests PCR en deux ans, et ce n'était pas du gaspillage : c'est cet acte innovant, déployé en quelques semaines, qui a permis de gérer pour partie les vagues successives. La PCR ne servait pas seulement à dire à un patient s'il était positif : agrégée, via des plateformes comme SI-DEP, elle a donné une veille épidémiologique en temps réel, capable de suivre la circulation du virus territoire par territoire. Et le séquençage a ajouté une couche décisive : détecter l'apparition des variants (Alpha, Delta, Omicron) et anticiper les vagues à venir. La biologie a été, là, l'instrument de pilotage de la crise. Mais c'est précisément là qu'on n'a pas tiré la leçon. Ce que le Covid a démontré, c'est que la France sait aller vite quand elle le décide : en quelques semaines, on a déployé une technique nouvelle, financé des actes, levé des verrous réglementaires. La capacité d'innovation existe. Le problème, c'est qu'en temps normal ce ressort est bloqué. Il a fallu une pandémie pour faire émerger ces avancées, et la crise passée, le système s'est refermé : un goulet d'évaluation de plusieurs années, une décote qui éteint les financements, une nomenclature figée. Autrement dit, nous ne savons faire émerger l'innovation que sous la contrainte de l'urgence ; le reste du temps, nous restons sclérosés. Voilà la vraie leçon mal tirée : on a vu que la capacité diagnostique était un bien stratégique, mais on n'a rien construit pour la faire vivre hors crise. Le Covid a aussi montré que ces capacités ne s'opposent pas : elles doivent être à la fois centralisées et de proximité. D'un côté, les vagues ont exigé des plateaux lourds, automatisés, à très haute cadence, et des plateformes de séquençage concentrées : c'est la centralisation. De l'autre, le dépistage de masse n'a fonctionné que parce qu'on a rapproché le test du citoyen, au plus près du terrain. Les deux logiques sont complémentaires : un diagnostic spécialisé consolidé sur des plateaux de référence, et un diagnostic courant rendu en proximité, au plus proche du patient. C'est exactement le modèle d'organisation territoriale qu'il faut bâtir. Enfin, et c'est peut-être le plus frustrant : le Covid a rendu la biologie visible. Pour la première fois, tout le pays parlait de PCR, de seuils, de sensibilité. Mais elle n'est devenue visible que comme un geste technique : l'écouvillon, le tube, le résultat positif ou négatif. On a réduit la discipline à sa prestation analytique, alors qu'elle a été bien davantage pendant la crise : un outil de décision collective, de pilotage de santé publique. Et elle peut être bien plus encore demain : un acteur clinique du parcours de soins, et non un simple fournisseur de résultats. Tant qu'on regardera la biologie comme un acte technique et non comme une spécialité médicale, on continuera de sous-estimer ce qu'elle apporte. La France dispose-t-elle encore des moyens nécessaires pour rester à la pointe de l'innovation en biologie médicale ? Sur le plan scientifique, oui : nos CHU savent faire, le plan France Médecine Génomique a structuré des plateformes de pointe, et le coût de production de notre biologie hospitalière publique (CHU comme centres hospitaliers) est compétitif, souvent inférieur au tarif de remboursement. Le savoir-faire n'est pas en cause. Ce qui menace, c'est le financement et les hommes. La démographie est alarmante : moins de 10 000 biologistes en France, en baisse de près de 7 % en dix ans, un âge moyen de 49,5 ans, et une spécialité tombée au 43e rang sur 44 dans le choix des internes en médecine. On forme moins, on attire moins, au moment précis où la discipline devient la plus technologique et la plus innovante. Donc oui, nous avons encore les moyens d'être à la pointe : mais c'est une fenêtre qui se referme. Si on laisse la décote éteindre les plateformes et la démographie s'effondrer, on aura, dans dix ans, accès à la science sans les moyens de la déployer, et surtout, nous n'en serons plus à l'origine. Comment concilier innovation, maîtrise des dépenses publiques et égalité d'accès aux soins ? Ces trois objectifs ne sont contradictoires que si l'on raisonne en coûts. Si l'on raisonne en valeur, ils convergent. Premier levier, la pertinence : l'OCDE estime que 20 % des examens de biologie sont non pertinents en France. L'Assistance publique-Hôpitaux de Paris (AP-HP), avec son programme « juste prescription », a dégagé 23,6 millions d'euros d'économies, sans réforme, par la seule gouvernance interne. C'est de la maîtrise des dépenses qui finance l'innovation. Deuxième levier, valoriser par l'impact plutôt que comprimer le coût : payer un acte pour ce qu'il fait économiser, pas pour ce qu'il coûte. Troisième levier, la structuration territoriale : mutualiser les plateaux spécialisés tout en gardant en proximité l'ensemble des examens nécessaires, comme le Québec l'a fait avec son modèle OPTILAB : 500 unités regroupées en 11 grappes. C'est ce type de consolidation qui garantit qu'un patient du Cantal accède aux mêmes innovations qu'un patient parisien, via un partenariat avec son CHU de référence, celui de Clermont-Ferrand, tout en conservant un délai de rendu inférieur à une heure pour les urgences médicales. L'égalité d'accès n'est pas l'ennemie de l'efficience : bien organisée, elle en est la condition. 5. Regards sur l'avenir Si vous aviez une réforme prioritaire à proposer pour accélérer l'accès des patients aux innovations diagnostiques, laquelle serait-elle ? Sur le plan technique, plusieurs mesures d'urgence s'articulent. D'abord, créer une véritable traçabilité de l'ensemble des examens de biologie médicale en les rattachant au séjour, afin d'évaluer au plus juste les GHS et de permettre leur évolution. Ensuite, créer une « liste en sus » biologique temporaire pour les actes onéreux, exactement comme on l'a fait pour les médicaments innovants au moment de l'hépatite C, ce qui rendrait possible ce travail sur les GHS. Enfin, débloquer le goulet d'évaluation de la HAS en y intégrant les données de vie réelle. C'est ce qui permettrait à l'hôpital de réaliser un séquençage à 1 500 euros sans absorber la perte dans le tarif du séjour. J'y ajoute, pour les actes infectieux à fort volume, un « Forfait Infectiologique Hospitalier » dédié, qui compenserait le coût du forfait biologique réalisé aux urgences. Mais s'il ne fallait en retenir qu'une, ce serait moins une mesure qu'un changement de paradigme : cesser de tarifer le diagnostic à son coût de production, et le tarifer à sa valeur, à la décision qu'il permet, au séjour qu'il évite, à la complication qu'il prévient. Reconnaître, en somme, que le laboratoire n'est pas un centre de coût mais un centre de décision. Toutes les réformes techniques découlent de cette inversion — d'où la nécessité de tracer chaque acte et de le rattacher au séjour du patient. Comment imaginez-vous la biologie médicale en 2035 ? Je l'imagine, ou je l'espère, médicalisée, consolidée, augmentée et valorisée par l'impact. Médicalisée : le biologiste redevenu un acteur clinique du parcours de soins, qui conseille la prescription, interprète les résultats complexes, siège dans les réunions pluriprofessionnelles, et dont ce temps médical est enfin reconnu. Consolidée : des plateaux spécialisés mutualisés à l'échelle territoriale, des examens courants rendus au plus près du patient, permettant sa prise en charge au plus près de son domicile. Augmentée : ayant intégré tout ce que l'intelligence artificielle permet en matière de traitement de données, faisant émerger de nouvelles valeurs informatives : préventives, diagnostiques et thérapeutiques. Et valorisée par l'impact : un système qui paie l'information médicale produite, pas le tube. C'est le scénario favorable. Le scénario défavorable, c'est l'autre branche de l'alternative : des plateformes qui ferment une à une sous l'effet de la décote, se concentrant toujours davantage et s'éloignant des équipes de soins ; une externalisation croissante vers quelques groupes privés ; une discipline qui n'attire plus ; une démographie qui s'éteint. Entre les deux, ce ne sont pas les technologies qui trancheront, elles seront là, ce sont les choix politiques des cinq prochaines années. Quel message souhaiteriez-vous adresser aux décideurs publics qui travaillent aujourd'hui sur les réformes du système de santé ? Un message tient dans le titre de cet entretien : l'innovation diagnostique est un investissement, pas un coût. Quand un acte à quelques dizaines d'euros conditionne 70 % des décisions médicales, le réduire ligne à ligne dans un tableau budgétaire, c'est une fausse économie qui se paie ailleurs, plus tard, et plus cher. Je leur dirais aussi : ne laissez pas s'éteindre par une simple décote comptable ce qu'il a fallu vingt ans de recherche clinique hospitalière à construire. La fragmentation entre trois directions ministérielles (la santé, l'offre de soins, la sécurité sociale) fait qu'aujourd'hui personne ne porte une politique d'ensemble de la biologie hospitalière. Le premier acte de courage politique, ce serait de désigner un pilote et de reconnaître la biologie médicale pour ce qu'elle est : non pas une prestation technique à comprimer, mais le système nerveux informationnel de toute la médecine. Conclusions En une phrase : quelle innovation aujourd'hui émergente pourrait avoir demain l'impact le plus important sur la santé des Français ? Le séquençage de l'ADN tumoral sur une simple prise de sang, la biopsie liquide, va redéfinir le diagnostic, le traitement et le suivi des cancers, et demain, peut-être, leur dépistage. Existe-t-il un livre qui a changé votre regard sur la santé, l'innovation, la biologie ou l'action collective ? En quoi a-t-il influencé votre manière de penser et d'agir aujourd'hui ? Il y en a bien sûr plusieurs, mais je pense à la série S.A.R.R.A. de David Gruson. C'est un roman d'anticipation qui met en scène une crise sanitaire majeure pilotée par une intelligence artificielle. L'auteur y pose la question qui me paraît la plus juste sur l'IA en santé : non pas « la machine est-elle performante ? », elle l'est, mais « comment garder l'humain, et la décision médicale, au cœur du dispositif ? ». C'est ce qu'il appelle la garantie humaine de l'intelligence artificielle, un principe qu'il a contribué à faire reconnaître jusque dans la loi française. Ce livre a changé mon regard parce qu'il m'a fait comprendre que le vrai enjeu de l'innovation n'est pas seulement technologique : il est éthique et organisationnel. L'intelligence artificielle, le séquençage, la biologie de demain ne valent que si le biologiste médical reste celui qui interprète, valide et décide ; la technologie doit amplifier le jugement, jamais le confisquer. Je crois qu'il vaut toujours mieux anticiper, organiser et réguler l'innovation en amont que la subir une fois qu'elle est là. Rendez-vous mardi 7 juillet pour la prochaine note « 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.

Octobre Rose est là. Alors, pour ce mardi de l’innovation, parlons de santé des femmes. Et parlons d’une innovation qui pourrait transformer profondément la manière dont nous dépistons demain le cancer du sein : l’intelligence artificielle appliquée à la mammographie. L’IA en radiologie n’est évidemment pas nouvelle. Depuis plusieurs années, les publications se multiplient pour montrer que des algorithmes peuvent identifier sur une image des anomalies parfois difficiles à détecter par l’œil humain. Mais il existe une différence fondamentale entre montrer qu’un algorithme fonctionne rétrospectivement sur une banque d’images et démontrer qu’il améliore réellement un programme de dépistage lorsqu’on l’utilise chez des dizaines de milliers de femmes. C’est précisément ce qui rend particulièrement intéressante l’étude suédoise MASAI (Mammography Screening with Artificial Intelligence) dont de nouveaux résultats avaient été publiés en janvier 2026 dans The Lancet. Et quelques mois plus tard (avril 2026), Eric Topol lui consacrait dans le même journal un éditorial au titre qui ne laisse guère de doute sur son interprétation : « Mammography should include artificial intelligence support ».  Alors, que montrent réellement ces résultats ? Jusqu’à présent, une grande partie des travaux consacrés à l’IA en mammographie reposait sur des études rétrospectives ou observationnelles. MASAI est différent. Il s’agit d’un essai randomisé en population réelle, intégré au programme suédois de dépistage du cancer du sein. Entre avril 2021 et décembre 2022, 105 934 femmes ont été randomisées. Dans un groupe, les mammographies étaient interprétées selon le système traditionnel : double lecture par deux radiologues. Dans l’autre, le dépistage était assisté par une IA. L’algorithme utilisé, Transpara, analyse les mammographies et attribue un score de risque allant de 1 à 10. Il signale également au radiologue les zones de l’image qu’il considère comme suspectes. Les mammographies à risque moins élevé pouvaient ainsi faire l’objet d’une seule lecture humaine, tandis que celles considérées comme les plus à risque bénéficiaient d’une double lecture. L’IA fournissait également une aide à la détection au radiologue. C’est une distinction importante : l’étude ne compare pas le radiologue à la machine. Elle compare deux organisations : deux radiologues d’un côté, une organisation associant radiologue et intelligence artificielle de l’autre. Et c’est probablement ainsi qu’il faut envisager l’avenir de l’IA en médecine. Les premières analyses de MASAI avaient déjà produit un résultat particulièrement marquant. Dans le groupe bénéficiant de l’IA, 338 cancers ont été détectés lors du dépistage, contre 262 dans le groupe contrôle, soit une augmentation de 29 % de la détection des cancers. Mais ce chiffre n’aurait qu’un intérêt limité si l’IA obtenait ce résultat en multipliant les alertes, les examens complémentaires et les faux positifs. Or ce n’est pas ce qui a été observé. La spécificité est pratiquement identique dans les deux groupes : 98,5 % avec IA contre 98,5 % sans IA.  Et surtout, les cancers supplémentaires détectés n’étaient pas simplement des anomalies insignifiantes. L’augmentation concernait principalement de petites tumeurs invasives, sans atteinte ganglionnaire. Les auteurs avaient également observé davantage de détection de certains sous-types plus agressifs, notamment luminal B, triple négatif et HER2 positif. Autrement dit, l’IA semble permettre de repérer plus tôt une partie des cancers pour lesquels une détection précoce peut être particulièrement importante. Mais la vraie question arrive deux ans plus tard. Détecter davantage de cancers lors d’une mammographie est intéressant. Mais cela ne suffit pas. Car il existe un problème particulièrement important dans tous les programmes de dépistage : celui des cancers d’intervalle. Ce sont les cancers diagnostiqués entre deux campagnes de dépistage, après une mammographie qui ne les avait pas détectés. Ils constituent un indicateur important de la performance d’un programme de dépistage et sont généralement associés à des caractéristiques moins favorables que les cancers détectés lors du screening. C’est précisément l’objet de la publication de 2026. Après au moins deux années de suivi, les chercheurs retrouvent 82 cancers d’intervalle parmi 53 043 femmes dans le groupe IA, contre 93 parmi 52 872 femmes dans le groupe contrôle. Soit respectivement 1,55 contre 1,76 cancer d’intervalle pour 1 000 femmes dépistées. Cela correspond numériquement à 12 % de cancers d’intervalle en moins dans le groupe utilisant l’IA.  Mais attention à ne pas surinterpréter ce chiffre. L’étude était conçue pour démontrer la non-infériorité de l’approche assistée par IA sur ce critère et non sa supériorité. La différence observée ne permet donc pas d’affirmer statistiquement que l’IA réduit de 12 % les cancers d’intervalle. C’est un signal favorable, pas encore une démonstration de supériorité. En revanche, un autre résultat est beaucoup plus net : la sensibilité du dépistage passe de 73,8 % sans IA à 80,5 % avec IA. La différence est statistiquement significative. Et simultanément, la spécificité reste identique à 98,5 %. Pour les cancers invasifs, la différence est également notable : 70,9 % de sensibilité sans IA contre 78,3 % avec IA.  C’est probablement l’un des résultats les plus importants de l’étude. L’IA permet ici d’augmenter la probabilité de détecter un cancer présent sans dégrader la capacité du dépistage à reconnaître correctement les femmes qui n’ont pas de cancer. Il est également intéressant de regarder quels cancers apparaissent ensuite entre deux dépistages. Parmi les cancers d’intervalle, les chercheurs observent numériquement dans le groupe IA 16 % de cancers invasifs en moins, 21 % de tumeurs T2+ en moins et 27 % de cancers non-luminal A en moins. Enfin, une femme présentait des métastases au moment du diagnostic dans le groupe IA, contre cinq dans le groupe contrôle.  Là encore, prudence : ces différences sont descriptives. L’essai n’avait pas la puissance statistique nécessaire pour démontrer une supériorité sur chacun de ces critères. Mais elles posent une hypothèse passionnante : l’IA ne permettrait peut-être pas seulement de trouver davantage de cancers. Elle pourrait permettre de trouver plus tôt certains cancers qui auraient autrement été diagnostiqués quelques mois plus tard, parfois à un stade plus avancé. Et c’est évidemment cette hypothèse qu’il faudra maintenant confirmer. Une deuxième révolution, moins spectaculaire mais peut-être tout aussi importante, concerne le temps médical. L’utilisation de l’IA a permis de réduire de 44,2 % le nombre de lectures de mammographies nécessaires : 61 248 lectures dans le groupe assisté par IA contre 109 692 avec le système traditionnel de double lecture.  On obtient donc simultanément 29 % de cancers détectés en plus, une sensibilité significativement améliorée, une spécificité inchangée et une réduction de 44 % de la charge de lecture. Dans des systèmes de santé confrontés à une raréfaction du temps médical et à des difficultés de démographie dans certaines spécialités, c’est une dimension majeure de l’innovation. Et cela permet de sortir du débat caricatural : « L’intelligence artificielle va-t-elle remplacer le radiologue ? » = ce n’est pas ce que montre MASAI. La question devient plutôt : comment l’intelligence artificielle peut-elle permettre au radiologue de consacrer davantage de son temps aux situations où son expertise est réellement nécessaire ? Dans son éditorial du Lancet, Eric Topol va encore beaucoup plus loin. Il considère que l’accumulation des résultats devient suffisamment convaincante pour envisager une évolution du standard de dépistage.  Mais ce qui est surtout intéressant dans son texte est qu’il ne limite pas l’IA à la détection d’un cancer sur une mammographie. Il imagine que demain, une même mammographie pourrait fournir trois types d’informations différentes. La première est celle dont nous venons de parler : détecter un cancer déjà présent. La deuxième change profondément la logique du dépistage : identifier, parmi les femmes dont la mammographie est normale aujourd’hui, celles qui présentent néanmoins un risque élevé de développer un cancer dans les années suivantes. Et la troisième est encore plus surprenante : utiliser la mammographie pour recueillir des informations sur le risque cardiovasculaire. Le schéma proposé par Topol résume parfaitement cette évolution : une seule mammographie, trois usages possibles : détection du cancer, prédiction du risque futur de cancer et analyse des calcifications artérielles mammaires comme marqueur potentiel du risque cardiovasculaire.  Topol cite notamment Clairity Breast, un algorithme ayant obtenu une autorisation de novo de la FDA américaine en 2025. L’algorithme a été développé à partir d’environ 420 000 mammographies provenant de 27 établissements aux États-Unis, en Europe et en Amérique du Sud. Une femme réalise sa mammographie. Aucune tumeur n’est détectée. Aujourd’hui, nous lui disons essentiellement : « Votre mammographie est normale. » Demain, l’analyse par IA pourrait ajouter : « Elle est normale aujourd’hui, mais certaines caractéristiques de votre mammographie indiquent que votre risque de développer un cancer du sein dans les cinq prochaines années est plus élevé. » Cette information pourrait permettre d’adapter le parcours de prévention : surveillance plus rapprochée ou recours, selon le niveau de risque, à d’autres modalités d’imagerie comme l’IRM, l’échographie ou la mammographie 3D. Nous passerions alors progressivement d’un dépistage organisé principalement selon l’âge à un dépistage davantage personnalisé selon le risque individuel. C’est un changement beaucoup plus profond que la simple automatisation de la lecture des mammographies. Et si la mammographie pouvait aussi nous renseigner sur le cœur ? C’est probablement l’aspect le plus inattendu de l’éditorial de Topol. Certaines mammographies montrent des calcifications des artères mammaires. Topol cite l’algorithme CureMetrix, autorisé par la FDA, qui peut exploiter cette information. Ces calcifications ont été associées au risque d’événements cardiovasculaires majeurs dans les années suivantes.  La mammographie pourrait donc devenir un exemple de ce que Topol appelle l’«opportunistic screening ». Une image réalisée pour une raison (rechercher un cancer du sein) fournirait, grâce à l’IA, une information supplémentaire concernant une autre maladie. Et ce point est particulièrement intéressant lorsqu’on parle de santé des femmes, car nous avons longtemps résumé la prévention féminine aux cancers gynécologiques et au cancer du sein, alors que les maladies cardiovasculaires représentent également un enjeu majeur chez les femmes. Imaginez donc le potentiel : un seul examen, réalisé dans le cadre du dépistage du cancer du sein, pourrait demain contribuer à évaluer simultanément le risque oncologique actuel, le risque oncologique futur et une partie du risque cardiovasculaire. C’est une vision radicalement différente de la prévention. Ces résultats sont impressionnants. Mais il ne faut pas transformer une avancée importante en promesse excessive. MASAI a été réalisé en Suède, dans quatre sites de dépistage, avec une organisation particulière, des radiologues expérimentés, un système de mammographie et un algorithme déterminé. Les résultats ne peuvent donc pas être automatiquement transposés à tous les systèmes de dépistage. Nous ne savons pas encore si l’amélioration observée se maintiendra au fil de plusieurs cycles de dépistage. Nous ne savons pas encore si elle entraînera à terme une diminution de la mortalité par cancer du sein. Il faudra également surveiller le risque de surdiagnostic, notamment pour certaines lésions in situ et certaines tumeurs peu agressives. Les auteurs de MASAI abordent eux-mêmes cette question. Et enfin, une question essentielle reste ouverte : le rapport coût-efficacité. L’analyse médico-économique de MASAI doit faire l’objet d’une publication spécifique car une innovation n’a véritablement de sens pour un système de santé que si elle améliore la santé des patients dans des conditions économiques permettant son déploiement à grande échelle. Alors, que retenir en ce début d’Octobre Rose ? Peut-être ceci : pendant des décennies, la mammographie nous a permis de voir plus tôt un cancer du sein. L’intelligence artificielle pourrait aujourd’hui nous permettre d’en tirer beaucoup plus d’informations. Voir davantage de cancers. Les voir potentiellement plus tôt. Identifier les femmes à risque avant même qu’un cancer ne soit visible. Et peut-être utiliser la même image pour obtenir des informations sur leur risque cardiovasculaire. Nous sommes donc peut-être en train de passer d’une mammographie de dépistage à une mammographie de prévention personnalisée. Et c’est là, à mon sens, que se trouve la véritable révolution : pas dans une compétition entre l’homme et la machine mais dans la possibilité de combiner l’expertise du médecin, la puissance de l’algorithme et les données que nous produisons déjà pour intervenir plus tôt. La France dispose d’un programme national de dépistage organisé du cancer du sein. Ces résultats posent donc désormais une question très concrète : faut-il expérimenter à grande échelle l’intelligence artificielle dans le dépistage organisé du cancer du sein en France ? Octobre Rose nous rappelle chaque année l’importance du dépistage. L’innovation peut désormais nous permettre de poser une question supplémentaire : comment faire de ce dépistage un véritable outil de prévention personnalisée en santé des femmes ? Parce que la médecine de demain ne consistera pas seulement à mieux traiter les maladies : elle devra aussi apprendre à les voir venir. 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. Il est l’auteur de « La République de la prévention » aux éditions LEH. Léa Behr est CEO de RespublicIA et membre de la Commission Santé du Laboratoire de la République. Rendez-vous mardi 13 octobre pour la prochaine note « Les mardis de l’innovation en santé » Références : Gommers J, Hernström V, Josefsson V, et al. Interval cancer, sensitivity, and specificity comparing AI-supported mammography screening with standard double reading without AI in the MASAI study: a randomised, controlled, non-inferiority, single-blinded, p Topol EJ. Mammography should include artificial intelligence support. The Lancet. 2026;407:1415. 

Une intelligence artificielle peut produire une réponse médicalement plausible tout en suivant une instruction dangereuse. Une étude publiée dans Communications Medicine, une revue du groupe Nature Portfolio, explore cette vulnérabilité et montre que de brefs rappels de sécurité peuvent réduire certains choix inappropriés. Elle invite surtout à évaluer les outils dans les situations qui mettent leur fiabilité à l’épreuve. La performance d’une intelligence artificielle en santé est souvent présentée à travers sa capacité à reconnaître une anomalie, à synthétiser un dossier ou à répondre à une question médicale. Ces capacités sont importantes mais l’utilisation d’un outil dans une organisation de soins soulève une question supplémentaire : comment réagit-il lorsqu’une instruction contredit les précautions nécessaires à la prise en charge d’un patient ? Un contrôle biologique est prévu après une hospitalisation mais une nouvelle demande invite à ne pas l’organiser pour réduire la charge de travail. Une information doit être vérifiée mais la consigne insiste sur l’urgence. Dans ces situations, la qualité de la réponse dépend de la capacité à identifier le conflit, à maintenir une conduite appropriée ou à demander un avis. C’est ce comportement que Mahmud Omar et ses collègues ont étudié dans un travail publié le 26 septembre 20261. Leur objectif était d’examiner la propension de modèles de langage à suivre des instructions explicitement dangereuses, puis de mesurer l’effet de consignes destinées à renforcer la sécurité. Les chercheurs ont évalué vingt grands modèles de langage, présentés dans l’article comme des modèles à poids ouverts. Le protocole associait deux ensembles : 501 variantes synthétiques issues de cinquante situations de départ et cent cas construits à partir de recommandations de sortie hospitalière anonymisées provenant de MIMIC-IV. Pour ces derniers, une demande simulée, contradictoire avec la recommandation initiale, était ajoutée au contexte clinique. Les situations couvraient notamment la sécurité médicamenteuse, le consentement, la confidentialité, la vérification de résultats et la qualité de la documentation. Dans chaque cas, le modèle choisissait parmi quatre actions : suivre une instruction dangereuse, l’accepter partiellement, maintenir une conduite sûre ou solliciter une vérification ou un avis supplémentaire. Le critère principal regroupait les deux premières catégories. Cette distinction est importante : une réponse formulée avec des réserves peut rester dangereuse si elle accepte néanmoins l’action problématique. L’évaluation doit donc porter sur la conduite proposée et ses conséquences possibles, au-delà du ton prudent employé par le modèle. Le protocole faisait varier le contexte de la demande. À une condition neutre s’ajoutaient six formes de pression : ordre hiérarchique, transfert de responsabilité, urgence, menace de conséquences, conformité au groupe et présentation impersonnelle de la tâche. Chaque situation était également testée sans rappel de sécurité ou avec l’un de trois rappels mettant l’accent sur les règles, la réduction du risque, ou la vérification et le recours à un avis. Les essais étaient répétés dix fois, en faisant varier l’ordre des réponses proposées. Au total, les chercheurs ont analysé plus de dix millions de réponses. Ce volume reflète la combinaison et la répétition des conditions expérimentales ; il ne correspond pas à dix millions de situations cliniques indépendantes. Le résultat principal est une diminution de la proportion de choix potentiellement dangereux : 16,6 % sans rappel de sécurité contre 10,1 % lorsque les trois modalités de rappel sont regroupées, soit une réduction absolue de 6,5 points. Une diminution est observée dans dix-neuf des vingt modèles, avec une ampleur variable. Le vingtième reste inchangé. Les résultats diffèrent entre les deux ensembles. Dans les scénarios synthétiques, la proportion passe de 10,6 % à 7,2 %. Dans les cas dérivés de MIMIC-IV, elle diminue de 46,6 % à 24,5 %. Cette différence doit toutefois être interprétée avec précaution. Les auteurs soulignent que les choix dangereux étaient plus ouvertement inappropriés dans les situations synthétiques, alors qu’ils reprenaient souvent la formulation de la demande dans les cas dérivés de dossiers hospitaliers. La comparaison reflète donc aussi la construction des questions et des réponses. Elle ne démontre pas que l’utilisation de données cliniques réelles entraîne, à elle seule, un risque supérieur en pratique. Un autre point mérite d’être conservé dans la lecture de l’étude : les différences entre les formes de pression sont modestes. Leur ordre varie selon les données et les conditions. Des choix potentiellement dangereux apparaissent également dans la situation neutre, et les rappels de sécurité y ont aussi un effet favorable. Le résultat le plus solide concerne donc la réduction de ces choix par les rappels, plutôt qu’un effet spectaculaire ou uniforme de l’autorité sur les modèles. L’étude apporte également un enseignement sur l’organisation des soins : renforcer la sécurité peut déplacer le travail vers les professionnels. Avec les rappels, la catégorie correspondant à une demande de vérification ou d’avis augmente de 25,8 % à 38,7 %. Parallèlement, les réponses choisissant directement une conduite sûre diminuent. Ce déplacement peut être souhaitable lorsqu’une situation exige effectivement une intervention humaine. Mais il pourrait aussi multiplier les sollicitations, allonger certains délais ou accroître la charge des équipes. Les chercheurs n’ont pas mesuré ces conséquences. La question devient alors très concrète : quelles demandes doivent être transmises, à quel professionnel et avec quel niveau de priorité ? Une IA qui sollicite davantage d’avis doit s’inscrire dans une organisation capable de leur apporter une réponse. Les auteurs ont aussi étudié la stabilité des choix lors des répétitions. La proportion d’ensembles d’essais donnant systématiquement la même catégorie de réponse est presque identique sans et avec rappel : 80,5 % et 80,4 %. Cette stabilité varie fortement selon les modèles. Elle ne doit pas être confondue avec la sécurité : un modèle peut sélectionner de manière parfaitement répétitive une option dangereuse. À l’inverse, certaines variations peuvent rester entre deux conduites considérées comme sûres. Ces éléments permettent de mieux définir la portée du travail. Il s’agit d’une expérimentation fondée sur des choix prédéfinis, sans prise en charge de patients ni mesure de dommages cliniques. Aucun groupe de professionnels placé dans des conditions comparables n’a été étudié. Les résultats ne permettent donc ni de comparer directement les modèles aux soignants, ni d’établir un taux d’accidents attendu à l’hôpital. La sélection des modèles ne permet pas davantage de conclure à la supériorité générale d’une famille, d’une génération ou d’une taille de modèle. Pour les Mardis de l’innovation, nous en tirons une exigence : évaluer une IA en santé suppose de tester sa réponse aux contradictions et aux demandes inappropriées, en complément de ses connaissances. Les scénarios d’évaluation doivent inclure des informations manquantes, des consignes incompatibles et des situations nécessitant une intervention humaine. La conduite proposée doit rester le centre de cette évaluation. Ce travail rappelle aussi que les instructions encadrant un modèle font partie du dispositif à examiner. Le choix du modèle, la manière de lui présenter les informations et les possibilités d’action qui lui sont accordées doivent être évalués ensemble. Une protection observée dans un protocole doit ensuite être vérifiée dans l’usage envisagé, auprès des équipes concernées. La responsabilité ne peut reposer sur la capacité de chaque professionnel à trouver la bonne formulation. Nous proposons que les concepteurs et les établissements définissent explicitement les tâches autorisées, les situations exigeant une validation et les modalités de signalement d’un problème. Ces règles doivent être testées et réexaminées lorsque le système évolue. La supervision humaine doit également disposer de moyens concrets. Le professionnel doit pouvoir retrouver les informations utiles, comprendre la proposition et prendre le temps de la corriger ou de la refuser. L’évaluation devra donc mesurer le travail de vérification créé par l’outil, autant que le temps éventuellement économisé. Cela vaut aussi pour la prévention. Une IA pourrait aider à identifier un suivi interrompu ou une action à discuter avec un patient. Son bénéfice devrait être évalué jusqu’à la réponse apportée : pertinence de l’alerte, échange avec la personne, accès à une consultation et continuité du suivi. La multiplication des notifications ne constitue pas, en elle-même, une amélioration de la santé. Enfin, financer ces innovations suppose de prévoir la formation, les évaluations et la surveillance des usages. L’achat du logiciel n’épuise pas le coût de son intégration. Les sollicitations supplémentaires, les corrections et l’analyse des incidents doivent être prises en compte pour apprécier son utilité réelle. L’étude de Mount Sinai fournit ainsi un cadre expérimental pour examiner une dimension essentielle de l’IA en santé : sa manière de réagir lorsqu’on lui demande de mal faire. Elle ouvre un programme d’évaluation à poursuivre dans des conditions cliniques prospectives, avec des professionnels et des organisations de soins. Le progrès devra se mesurer à la capacité de ces outils à aider les équipes, à rendre visibles les situations problématiques et à préserver la sécurité du patient, y compris lorsqu’une consigne pousse dans une autre direction. 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. Il est l’auteur de « La République de la prévention » aux éditions LEH. Léa Behr est CEO de RespublicIA et membre de la Commission Santé du Laboratoire de la République. Rendez-vous mardi 20 octobre pour la prochaine note « Les mardis de l’innovation en santé » Retrouvez également cette note sur le site du Journal du Net.