L’intelligence artificielle s’installe progressivement dans le quotidien des professionnels de santé. Elle promet de faciliter l’accès à l’information, d’alléger certaines tâches administratives et d’accompagner la prise de décision médicale. Mais à mesure que ces outils prennent place dans les pratiques de soin, une question essentielle émerge : comment garantir que l’humain reste réellement maître des décisions ? Car la présence d’un médecin devant un écran ne suffit pas à garantir une utilisation sûre de l’IA. Encore faut-il qu’il dispose du temps, des compétences et des informations nécessaires pour comprendre une recommandation, en vérifier les fondements et, si besoin, la contester. Dans une contribution adressée à la Food and Drug Administration (FDA), l’American Medical Association (AMA) rappelle que cette supervision humaine ne peut être une simple exigence de principe : elle doit être concrètement possible, démontrable et soutenue par des moyens adaptés. Ce nouveau numéro des Mardis de l’innovation en santé nous invite ainsi à dépasser la seule question de la performance technologique pour interroger les conditions réelles d’intégration de l’IA dans les organisations de soins. Car, au fond, le véritable enjeu n’est pas seulement de maintenir un humain dans la boucle, mais de lui donner les moyens d’y exercer pleinement son jugement. Imaginons une situation de travail, proposée ici à titre d’illustration. Une IA prépare la synthèse d’un dossier et une proposition de suivi. Le texte est clair, les informations paraissent cohérentes, la conclusion rassurante. Une surveillance biologique importante a pourtant disparu du résumé. Un médecin est invité à valider. A-t-il accès au document initial ? Peut-il repérer l’omission sans reconstruire tout le dossier ? Dispose-t-il du temps nécessaire alors que d’autres patients attendent ? Et que devient cette étape lorsque les validations se comptent par dizaines ? Ces questions déterminent la valeur clinique du dispositif. Un système peut produire rapidement une réponse convaincante et imposer un travail de vérification considérable. Il peut aussi améliorer réellement la prise en charge si ses limites sont connues, ses résultats vérifiables et son intégration adaptée au service. Pour le patient, ce qui compte est la qualité de la décision finale et du suivi qui en découle. Dans les Mardis de l’innovation en santé, nous avons déjà abordé la nécessité de tester les réactions des modèles face aux demandes inappropriées. Le débat ouvert par la FDA prolonge cette réflexion : après la sécurité des réponses, il faut examiner les conditions de leur utilisation. L’enjeu est de savoir ce que le fabricant doit démontrer, ce que le professionnel peut effectivement contrôler et comment l’établissement organise cette coopération. Un document de discussion et une position professionnelle Le 23 octobre 2026, l’American Medical Association, organisation professionnelle médicale américaine, présente dans son bulletin d’actualité sa contribution transmise à la FDA le 16 octobre. La lettre, signée par John Whyte, répond au document du Center for Devices and Radiological Health consacré aux dispositifs médicaux intégrant de l’IA générative [1, 2]. Le statut des textes mérite d’être précisé. Le document de la FDA est un support de discussion et d’appel à contributions. Il indique expressément qu’il ne constitue ni une recommandation provisoire ni une recommandation définitive, et qu’il n’instaure pas de nouvelles règles. La lettre de l’AMA formule des positions et des demandes. Ces documents ne sont donc ni une étude clinique démontrant un bénéfice, ni une réglementation nouvellement adoptée. [1, p. 1 ; 2] Leur périmètre est également délimité. La FDA rappelle qu’elle réglemente les produits relevant de la définition du dispositif médical, et non l’IA en tant que technologie. Tous les assistants conversationnels ou logiciels utilisés dans un hôpital ne relèvent donc pas automatiquement du champ étudié. La réflexion peut néanmoins éclairer leur évaluation et leur organisation, à condition de ne pas confondre cette transposition avec une qualification réglementaire. [1, p. 4–5] La FDA cherche à adapter les méthodes d’évaluation à des outils dont les entrées et les réponses peuvent être très variables. L’AMA soutient une approche proportionnée aux risques, couvrant toute la vie du produit, tout en fixant une exigence : la difficulté de tester une technologie ne doit pas justifier une démonstration insuffisante de sa sécurité et de son efficacité. [1, p. 1–3 ; 2, p. 1–2] Évaluer ce que le dispositif fait réellement Le document de la FDA propose d’explorer une grille à deux axes. Le premier décrit l’activité du dispositif et le degré d’indépendance avec lequel il oriente ou réalise une action. Le second concerne la gravité des conséquences possibles d’une réponse erronée. Il s’agit d’un outil de réflexion, pas d’une classification réglementaire nouvelle. [1, p. 5–8] Cette approche aide à distinguer des usages souvent réunis sous le même terme d’« assistant ». Fournir une information générale, recommander une conduite personnalisée et déclencher une action ne soulèvent pas les mêmes questions. La gravité d’une erreur dépend aussi de la décision concernée, de son caractère réversible et du délai disponible pour la corriger. La frontière peut évoluer au cours d’une conversation. Un outil commence par expliquer les effets indésirables d’un traitement, puis répond à des questions de plus en plus personnelles, jusqu’à suggérer de modifier ou d’interrompre ce traitement. Évaluer seulement la première réponse manquerait alors le comportement le plus conséquent. L’AMA demande que l’évaluation couvre des trajectoires conversationnelles réalistes et les fonctions les plus risquées raisonnablement prévisibles dans l’usage considéré. [2, p. 7] Les avertissements génériques ne règlent pas cette difficulté. La FDA envisage qu’une information orientant une action ne devienne pas moins directive parce qu’elle se termine par une invitation à consulter un médecin. L’AMA soutient cette lecture et demande que l’efficacité d’un avertissement présenté comme mesure de réduction du risque soit démontrée auprès des utilisateurs concernés. Le ton prudent ne suffit pas à neutraliser la conduite suggérée. [1, p. 7 ; 2, p. 5] L’enjeu est donc d’évaluer les fonctions et leurs conséquences prévisibles. Une formule commerciale comme « aide à la décision » ne permet pas, à elle seule, de déterminer la place réelle du logiciel dans le soin. La supervision doit être possible dans le travail quotidien Le point central de la lettre de l’AMA est particulièrement utile : la présence d’un professionnel ne doit pas être présumée réduire le risque. Si la supervision est utilisée comme mesure de sécurité, son efficacité et sa faisabilité doivent être démontrées dans l’environnement auquel le dispositif est destiné. [2, p. 3–4] Cela suppose d’abord l’accès aux informations nécessaires. Le soignant doit pouvoir retrouver les sources pertinentes, identifier les limites connues et comprendre ce que la proposition permet ou ne permet pas de conclure. Une explication formulée avec assurance ne vaut pas preuve d’exactitude. L’AMA précise d’ailleurs que l’explicabilité ne remplace pas les autres méthodes de démonstration de sécurité et d’efficacité. [2, p. 3] La compétence attendue doit ensuite correspondre au professionnel qui utilisera réellement le dispositif. Un outil destiné à aider un généraliste ne peut être considéré comme sûr uniquement parce qu’un spécialiste reconnaît ses erreurs. Si une expertise spécialisée est indispensable à son contrôle, cette condition doit être explicite et intégrée à l’évaluation. L’objectif d’élargir l’accès à une expertise reste pertinent ; encore faut-il démontrer que l’outil y contribue avec ses utilisateurs prévus. [2, p. 6, 8–9] La formation et le temps de travail sont tout aussi déterminants. Une évaluation dans laquelle les médecins disposent d’un temps supplémentaire, de documents enrichis ou d’un accompagnement indisponible en pratique peut surestimer la sécurité après déploiement. L’AMA demande de reproduire les contraintes de l’usage attendu, notamment le temps de lecture, les informations présentées et les conditions de validation. [2, p. 9] Enfin, le professionnel doit pouvoir agir. Il faut pouvoir contester une réponse, la modifier, demander un avis ou interrompre une action. Une étape de validation qui intervient trop tard, ou qui ne permet pas de revenir sur la proposition, n’offre qu’un contrôle limité. L’AMA inclut aussi les ressources et la rémunération du travail de supervision parmi les conditions à examiner. [2, p. 3] Nous en tirons une conséquence pour l’organisation hospitalière : la mention « validation médicale » devrait correspondre à une tâche définie, avec un responsable, un délai réaliste et une possibilité d’intervention effective. Elle ne peut rester une case ajoutée au circuit informatique. Tester le dispositif complet et la coopération avec les soignants La FDA envisage une évaluation en deux composantes : des tests structurés des capacités du dispositif, puis une confirmation clinique adaptée à son usage. Le produit à évaluer serait celui effectivement déployé, dans sa configuration d’utilisation, et non le seul modèle de fondation sur lequel il repose. [1, p. 11–15] Cette distinction est essentielle. La réponse dépend du modèle, mais aussi des consignes, des documents consultés, des outils accessibles, des règles de sécurité et de l’interface. Un résultat obtenu avec un modèle isolé ne décrit donc pas nécessairement le comportement du dispositif installé dans un service. Les domaines de test envisagés par la FDA dépassent les connaissances médicales. Ils incluent la reconnaissance des situations nécessitant une intervention, le respect des limites d’usage, l’expression de l’incertitude, la qualité de la communication, la robustesse aux variations des informations reçues et les performances dans différents sous-groupes. Pour les systèmes capables d’agir, des compétences supplémentaires concernent la planification et l’exécution des tâches. [1, p. 12, 24–26] La confirmation clinique ne correspondrait pas obligatoirement à un essai prospectif pour chaque dispositif. La FDA discute plusieurs possibilités : analyse rétrospective de dossiers, fonctionnement en parallèle sans influence sur les soins, interactions avec des patients standardisés, appréciation de cas réels par des cliniciens indépendants, ou étude prospective, parfois randomisée. Le choix devrait dépendre de l’usage et du risque. Présenter ce document comme une exigence générale d’essais randomisés serait donc inexact. [1, p. 14–16] Chaque méthode répond à une question différente. Un fonctionnement en parallèle, dont les résultats ne sont pas montrés aux équipes, peut documenter les réponses produites dans un environnement réel. Par construction, il ne permet pas d’observer comment les soignants changent leurs décisions en les lisant. Une évaluation de la coopération doit donc examiner cette interaction lorsque la sécurité en dépend. Pour un outil d’aide au suivi, nous proposons de mesurer les omissions importantes, les orientations inappropriées, les erreurs détectées et celles qui subsistent après validation. Il faudrait aussi documenter le temps de vérification et les conséquences sur les autres tâches. Le taux d’acceptation des propositions ne suffit pas à établir leur qualité : accepter peut traduire une aide pertinente, mais aussi un contrôle insuffisant. Qui assume la responsabilité du produit et de son utilisation L’AMA défend une ligne claire : la contribution des médecins à l’évaluation ne doit pas transférer vers eux la responsabilité de la performance du produit. Elle demande que les fabricants démontrent et maintiennent la sécurité et l’efficacité de leurs dispositifs, y compris lorsque celles-ci dépendent d’interactions avec les utilisateurs. [2, p. 2–3, 7–8] Ce principe ne signifie pas que le professionnel n’aurait plus de responsabilité dans sa décision, ni que l’établissement serait dispensé d’organiser un usage approprié. Il invite à distinguer les contributions. Pour notre réflexion, le fabricant doit documenter le produit et ses conditions d’utilisation ; l’établissement doit vérifier qu’il peut réunir ces conditions ; le professionnel exerce son jugement dans ce cadre et doit disposer des moyens d’alerter lorsqu’il ne fonctionne pas. Cette répartition est une proposition de gouvernance. Elle ne tranche pas l’attribution juridique d’une faute ou d’une indemnisation dans un cas particulier, et les positions américaines ne constituent pas une règle directement applicable en France. La question opérationnelle demeure toutefois incontournable : aucune partie ne devrait compter sur une autre pour assumer un contrôle qui n’a pas été défini. Les dispositifs construits sur des modèles fournis par des tiers compliquent cette organisation. Une modification du modèle sous-jacent peut changer les réponses sans que le service hospitalier ait modifié son usage. La FDA interroge donc les moyens techniques et contractuels permettant au fabricant du dispositif de détecter, évaluer et gérer ces changements. [1, p. 20–22] Pour les établissements, nous proposons que l’achat précise les versions utilisées, les modalités d’information sur les mises à jour et les situations nécessitant une nouvelle évaluation. Il faut également prévoir comment suspendre une fonction et assurer la continuité de l’activité. La dépendance technique à plusieurs fournisseurs doit être documentée, plutôt que découverte au moment d’un incident. Surveiller les évolutions sans reporter la preuve sur les patients La FDA pose une question sensible : pourrait-on accepter davantage d’incertitude avant commercialisation en renforçant la surveillance après déploiement ? L’AMA s’oppose à réduire le niveau de preuve nécessaire à une assurance raisonnable de sécurité et d’efficacité sur cette seule hypothèse. Elle considère que les données recueillies après commercialisation doivent compléter les preuves initiales. [1, p. 19 ; 2, p. 11] La nuance compte. Aucun protocole ne peut éliminer toute incertitude ni reproduire chaque conversation possible. Mais les limites prévisibles, les principaux modes d’échec et les conditions d’utilisation doivent être suffisamment caractérisés avant l’exposition des patients. Détecter un dommage après sa survenue ne remplace pas sa prévention. La surveillance reste ensuite indispensable. La FDA discute la répétition de tests, la revue d’échantillons de situations réelles par des cliniciens et la recherche de dégradations des performances. L’AMA demande que cette revue inclue particulièrement les interactions sensibles, notamment les demandes d’avis et les situations où les professionnels ont corrigé ou rejeté une proposition. Une moyenne globale pourrait masquer des erreurs rares mais graves. [1, p. 19–20 ; 2, p. 12] L’AMA souhaite aussi que les événements surveillés ne se limitent pas aux dommages immédiatement identifiables. Des réponses anormales, des quasi-accidents ou une évolution des erreurs peuvent constituer des signaux utiles. Elle propose d’étudier une capacité nationale de surveillance associant données des fabricants, signalements standardisés et expertise clinique. Il s’agit là encore d’une demande, pas d’un dispositif annoncé comme opérationnel. [2, p. 13] Pour nous, un signalement doit déboucher sur une réponse identifiable : analyse, correction, information des utilisateurs ou suspension si nécessaire. La fréquence de réévaluation devrait suivre le risque et les changements observés. Une nouvelle population, une modification de l’interface ou une mise à jour du modèle peuvent justifier de réexaminer des résultats auparavant satisfaisants. Les agents autonomes rendent les points de contrôle décisifs Les systèmes dits agentiques peuvent planifier des tâches successives, utiliser des outils externes et exécuter des actions. La FDA les distingue des dispositifs se limitant à produire une réponse et sollicite des contributions spécifiques. L’AMA demande une vigilance et des évaluations renforcées, en soulignant les incertitudes sur leur préparation à l’usage clinique. [1, p. 22–23, 26 ; 2, p. 14] Le problème devient celui d’une séquence. Une interprétation initiale peut orienter la recherche d’informations, puis la proposition suivante et enfin une action. L’annexe de la FDA envisage de tester les erreurs d’outils, le respect des validations humaines avant des actions importantes et la résistance aux instructions malveillantes présentes dans des contenus consultés. [1, p. 26] Nous proposons donc que les droits d’action soient explicites : ce que le système peut préparer, ce qu’il peut transmettre et ce qu’il ne peut exécuter sans validation. Les étapes irréversibles ou à conséquences élevées doivent faire l’objet d’un contrôle adapté. Un bouton d’arrêt n’est utile que si le professionnel sait quand l’utiliser et s’il peut intervenir avant que l’action ne produise ses effets. Financer la supervision et préserver un accès équitable Le financement occupe une place importante dans la contribution de l’AMA. Celle-ci demande que les fabricants organisent et financent la participation clinique nécessaire à la surveillance de leurs produits. Elle refuse que les médecins absorbent gratuitement une fonction permanente de contrôle après commercialisation. [2, p. 12–13] Pour un établissement, cette exigence invite à examiner le coût complet de l’innovation. Le prix du logiciel ne résume pas celui de son utilisation. La formation, l’intégration informatique, les vérifications, la gestion des alertes et l’analyse des incidents mobilisent des ressources. Nous proposons que ces éléments soient intégrés à l’évaluation économique dès le départ. Un gain de temps doit ainsi être apprécié après prise en compte du travail supplémentaire. Une synthèse produite rapidement peut être utile, mais sa valeur dépend du temps nécessaire pour la contrôler et de la fiabilité de la décision qu’elle permet. L’objectif est de rendre du temps disponible pour le soin, sans organiser un transfert invisible vers d’autres professionnels. L’accès aux soins pose une seconde question. L’AMA reconnaît qu’il est pertinent de comparer un dispositif aux possibilités réellement accessibles aux patients, notamment lorsque l’avis spécialisé est retardé. Elle met néanmoins en garde contre un abaissement automatique des exigences pour les populations déjà défavorisées. Le manque de ressources ne devrait pas normaliser une offre de moindre qualité. [2, p. 9–10] Cette réflexion s’applique à la prévention. Une IA pourrait repérer un suivi interrompu, préparer une information adaptée ou faciliter une orientation. Son utilité devra être appréciée jusqu’à la réponse apportée : information comprise, contact effectif, rendez-vous accessible et continuité du suivi. Nous proposons de vérifier ces résultats dans les populations les plus éloignées du système de santé, et pas seulement chez les utilisateurs les plus à l’aise avec le numérique. Orienter plus souvent vers un professionnel n’est pas nécessairement une erreur ; cela peut être indispensable. Mais une multiplication d’alertes sans destinataire disponible ne constitue pas une amélioration du parcours. La FDA discute précisément les risques associés à une orientation insuffisante comme à une orientation excessive. Leur équilibre doit être évalué selon la situation clinique. [1, p. 8–10] Une exigence concrète pour les prochaines innovations À partir de ces textes, il est proposé que tout projet d’IA ayant une incidence sur les décisions de soins réponde, avant son déploiement, à quelques questions explicites. Pour quelle tâche et quelle population a-t-il été évalué ? Quelles erreurs importantes ont été recherchées ? Qui vérifie quoi, dans quel délai et avec quelles informations ? Qui finance cette vérification ? Que se passe-t-il lorsque le dispositif change ou qu’un signal de risque apparaît ? Les réponses devraient associer les professionnels concernés, les responsables de la qualité et du numérique, les patients et les concepteurs. Elles permettraient de définir un déploiement progressif, des critères d’arrêt et une réévaluation proportionnée au risque. Les indicateurs devraient porter sur les erreurs cliniquement importantes, les délais, la charge de travail, la compréhension des patients et les inégalités d’accès, en complément des performances techniques. Le débat américain ne fournit pas une solution prête à transposer. Il rend cependant visible une condition souvent laissée implicite : la sécurité d’une IA dépend aussi du travail nécessaire pour l’utiliser correctement. Ce travail doit être étudié, organisé et financé. La supervision humaine ne se décrète pas, elle s’organise. Pour qu’elle protège réellement le patient, le professionnel doit pouvoir comprendre, vérifier et intervenir. Le fabricant doit apporter les preuves correspondant à l’usage proposé et entretenir cette démonstration dans le temps. L’établissement doit disposer des moyens d’intégrer le dispositif sans fragiliser le soin. C’est à ces conditions que l’IA pourra devenir une aide durable aux équipes et à la prévention. Références et repères de lecture [1] U.S. Food and Drug Administration, Center for Devices and Radiological Health. Considerations for the Regulation of Generative AI-Enabled Medical Devices: Discussion Paper and Request for Feedback. Document de discussion transmis pour cette note. Les pages citées correspondent à la pagination imprimée 1 à 30, après la page de couverture. Statut et périmètre : p. 1–5 ; risque : p. 5–10 ; évaluation : p. 10–18 ; surveillance et modifications : p. 19–22 ; agents : p. 22–23 et 26 ; compétences : p. 24–26. [2] American Medical Association. Lettre de John Whyte à Rick Abramson, directeur du Digital Health Center of Excellence du CDRH, FDA. Re: Considerations for the Regulation of Generative AI-Enabled Medical Devices: Discussion Paper and Request for Feedback. 16 octobre 2026, 14 pages. [3] American Medical Association. National Advocacy Update, 23 octobre 2026. Rubrique « AMA comments on FDA generative AI-enabled medical device regulatory considerations ». Source de la présentation publique de la contribution du 16 octobre. 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 3 Novembre pour la prochaine note « Les mardis de l’innovation en santé »

Pour ce nouveau rendez-vous des Mardis de l’Innovation de Demain, nous avons interrogé le Dr Arnaud Hansske, qui vient de rejoindre Softway Medical en tant que Directeur médical. Fort de son expérience du terrain et de sa connaissance des enjeux de transformation du système de santé, il porte une vision exigeante et profondément humaine de l’innovation. Une vision qui repose sur trois convictions fortes : Le professionnel de santé avant la technologie : concevoir le numérique à partir des besoins cliniques, du parcours patient et de la réalité quotidienne des soignants. La preuve avant la promesse : privilégier une innovation évaluée, mesurable, économiquement soutenable et créatrice de valeur réelle en santé. L’humain avant l’algorithme : faire de la technologie un levier au service du jugement médical, de la responsabilité, de la coopération et de la relation de soin. Comment passer de l'innovation technologique à l'innovation véritablement utile aux soignants et aux patients ? Comment réconcilier ambition numérique, exigence clinique et valeur en santé ? Autant de questions au cœur de cet entretien, qui nous invite à repenser une évidence : ce n'est pas à la médecine de s'adapter à la technologie, mais à la technologie de servir la médecine. Qu’est-ce qui vous a conduit à faire du numérique un axe central de votre parcours ? Je ne suis pas venu au numérique par fascination pour la technologie. J’y suis venu par la médecine, et plus précisément par la conviction que la qualité d’une décision médicale dépend aussi de la qualité de l’information dont dispose le médecin. Mes responsabilités dans l’information médicale m’ont rapidement fait comprendre qu’un établissement de santé était une organisation extraordinairement complexe, dans laquelle l’information constitue un élément essentiel de la qualité, de la sécurité et de la continuité des soins. A l’occasion de trois changements de Dossier Patient Informatisé (DPI), j’ai découvert que transformer un système d’information hospitalier, ce n’est pas seulement déployer des logiciels. C’est toucher aux organisations, aux métiers, aux relations entre professionnels et parfois même à la culture médicale. Finalement, mon parcours repose sur une conviction assez simple : la technologie n’a de sens que lorsqu’elle améliore la capacité des professionnels à mieux soigner. Quelle ambition portez-vous en rejoignant Softway Medical comme directeur médical groupe ? Après avoir passé une grande partie de ma carrière du côté des établissements de santé ou et de leurs fédérations, j’ai souhaité changer de perspective sans changer de conviction. J’ai longtemps été confronté à la distance qui peut exister entre les fonctionnalités imaginées par les éditeurs et les besoins réels des professionnels. Cette distance n’est pas une fatalité. Elle tient souvent à une compréhension insuffisante des organisations hospitalières et des contraintes quotidiennes des soignants. Mon ambition chez Softway Medical est précisément de contribuer à rapprocher ces deux mondes : celui de la médecine et celui de la technologie. Je souhaite apporter une vision médicale, organisationnelle et stratégique, nourrie par l’expérience du terrain. Il s’agit aussi d’anticiper les transformations à venir, notamment celles liées à l’intelligence artificielle, pour qu’elles ne soient pas simplement ajoutées aux logiciels existants, mais pensées comme de véritables évolutions innovantes des pratiques avec de la création de valeur (qualité, temps gagné, pour les soignants, facilitations…). Je ne viens pas expliquer aux ingénieurs comment développer un logiciel. Je viens contribuer à leur expliquer pourquoi, pour qui et dans quelles conditions il doit et peut être développé. Comment définissez-vous une innovation utile au système de santé ? Je me méfie de l’expression “innovation pour l’innovation”. Une technologie peut être spectaculaire sans être réellement utile. Pour moi, une innovation doit répondre à trois questions : quel problème concret résout-elle ? Quelle valeur apporte-t-elle au patient ou au professionnel ? Et cette valeur est-elle suffisamment démontrée pour justifier son coût et sa complexité ? J’ajouterais une quatrième dimension, souvent oubliée : son acceptabilité par les utilisateurs. Une innovation qui améliore théoriquement la performance mais désorganise le travail quotidien n’est pas nécessairement un progrès. Je défends donc une approche fondée sur la création de valeur en santé, qui intègre les résultats cliniques, l’expérience des patients, les conditions de travail des professionnels et l’efficience économique. Une bonne innovation n’est pas forcément celle dont on parle le plus. C’est celle dont on ne pourrait plus se passer après l’avoir adoptée ou qui a réellement changé une organisation en mieux. Pouvez-vous raconter une situation dans laquelle un outil numérique a réellement amélioré le travail d’une équipe ou le parcours d’un patient ? L’un des enseignements majeurs de mon expérience hospitalière concerne la transformation du dossier patient informatisé. Pendant longtemps, nous avons considéré que la réussite d’un projet informatique se mesurait à son déploiement : le logiciel fonctionnait, les utilisateurs étaient formés et les données étaient disponibles. Mais la véritable réussite se situe ailleurs : dans la capacité du système à fluidifier les échanges entre professionnels, à éviter les doubles saisis, à sécuriser les prescriptions et à rendre l’information disponible au bon moment. J’ai appris qu’un projet ne réussit pas parce qu’il est technologiquement performant. Il réussit parce que les professionnels se l’approprient et parce que l’organisation évolue avec lui. C’est pourquoi je crois profondément à la co-construction avec les équipes médicales et soignantes. Le changement ne se décrète pas depuis une direction informatique, même avec le meilleur logiciel du monde. Quelle transformation attendez-vous principalement de l’IA en santé ? Je ne crois pas qu’il faille opposer le temps médical retrouvé, l’amélioration des décisions et la transformation des parcours. Ces trois dimensions sont intimement liées. Mais si je devais choisir une priorité, ce serait de redonner du temps et de la disponibilité intellectuelle aux soignants. Nous avons progressivement transformé les professionnels de santé en producteurs de données. Ils passent une part considérable de leur activité à rechercher, saisir, vérifier ou transmettre des informations. L’intelligence artificielle pourrait inverser cette logique : faire travailler davantage les données au service des professionnels, plutôt que les professionnels au service des données. À terme, le véritable changement ne sera probablement pas une IA qui réalise quelques tâches plus rapidement, mais un système d’information capable de mieux comprendre les situations cliniques et d’accompagner les parcours en temps réel avec un « cœur IA » qui accompagne chaque étape (voire qui l’anticipe en allant chercher toutes les informations qui permettent de consolider le dossier). La finalité reste en lien avec le terrain et les utilisateurs : permettre au médecin de consacrer davantage d’attention à son patient. Quels usages de l’IA sont suffisamment solides pour entrer dans la pratique quotidienne ? Il faut distinguer la maturité technologique de la maturité clinique. Certains usages sont déjà bien documentés, notamment des applications ciblées d’analyse d’images médicales, dans des indications précises, avec des dispositifs évalués et un cadre réglementaire adapté (Mode Deep Learning sur les IA en Imagerie, Explorations fonctionnelles ou Anatomopathologie). D’autres usages, (IA génératives) comme l’aide à la rédaction, la structuration documentaire ou la recherche d’informations dans un dossier, présentent un potentiel opérationnel considérable. Mais leur fiabilité doit être appréciée selon le contexte clinique et les conséquences possibles des erreurs. Je suis plus prudent concernant les systèmes qui prétendent produire des raisonnements diagnostiques complexes ou proposer des décisions thérapeutiques de manière autonome. La fluidité d’une réponse ne constitue jamais une preuve de sa justesse. Nous devons sortir de la logique de démonstration technologique pour entrer dans une véritable culture de l’évaluation clinique. Une IA impressionnante n’est pas nécessairement une IA médicalement fiable, là où la garantie humaine trouve toute sa justification. Qu’avez-vous appris des travaux sur la synthèse du dossier patient par IA générative au Groupement des Hôpitaux de l’Institut Catholique de Lille ? Le besoin initial était très concret : permettre au médecin d’accéder rapidement à l’essentiel d’une histoire médicale parfois dispersée dans des dizaines, voire des centaines de documents. Le dossier patient informatisé est devenu extrêmement riche, mais cette richesse peut paradoxalement rendre l’information difficile à exploiter. L’objectif n’était donc pas simplement de résumer des documents. Il était de faire émerger les informations pertinentes pour une situation clinique donnée : les antécédents, les traitements, les événements récents, les examens déterminants ou les points de vigilance. Ces travaux m’ont conforté dans une conviction : la difficulté principale n’est pas seulement de produire un texte cohérent. C’est de produire une synthèse médicalement pertinente, fidèle aux sources et adaptée à la question du soignant. Il faut également veiller à ne pas créer une nouvelle forme de dépendance : le médecin doit pouvoir retrouver les informations originales et conserver son jugement critique. Une bonne synthèse ne remplace pas le dossier patient. Elle permet au médecin d’y accéder intelligemment, et quand elle fonctionne moins, les praticiens se signalent (exemple en Gériatrie). Comment évaluer la fidélité et la pertinence clinique d’une synthèse générée par IA ? C’est probablement l’une des questions les plus importantes. Une synthèse peut être parfaitement rédigée, agréable à lire, et pourtant médicalement dangereuse parce qu’elle omet une allergie, un antécédent ou une information contradictoire. Je considère qu’il faut évaluer ces outils selon trois dimensions distinctes. D’abord, la fidélité documentaire : ce qui est écrit correspond-il réellement aux informations du dossier ? Ensuite, la pertinence clinique : les informations retenues sont-elles celles dont le médecin a besoin pour prendre sa décision ? Enfin, le risque associé aux erreurs : toutes les omissions n’ont pas la même gravité. Oublier un élément administratif n’a pas les mêmes conséquences qu’omettre un traitement anticoagulant. L’absence d’info ne signifie pas « pas de problème » : exemple ; « ne fume pas », n’est pas équivalent à aucune mention sur le tabac. Cela suppose des protocoles d’évaluation impliquant des médecins, des cas cliniques représentatifs et une analyse structurée des erreurs. En médecine, la qualité d’un résumé ne se mesure pas seulement à ce qu’il dit, mais aussi à ce qu’il ne dit pas. Comment concevoir une IA qui préserve la maîtrise de la décision par les professionnels ? Je défends une intelligence artificielle explicable dans son usage, traçable dans ses sources et suffisamment transparente sur ses limites. Il ne s’agit pas nécessairement de rendre compréhensible chaque mécanisme mathématique du modèle. Il s’agit de permettre au professionnel de savoir d’où vient une information, à quelle date elle a été produite, quel degré d’incertitude lui est associé et si des données contradictoires existent. Le système doit faciliter le retour à la source, pas enfermer le médecin dans une réponse. Il faut également garder un droit au doute : une IA doit pouvoir indiquer qu’elle ne sait pas, qu’une information manque ou qu’une situation nécessite une vérification humaine. De son côté, le médecin doit rester responsable de son raisonnement clinique, mais l’éditeur a la responsabilité de concevoir un environnement qui permette réellement l’exercice de ce jugement. L’IA doit augmenter le discernement médical, pas le mettre en sommeil. Le dossier patient informatisé pourrait-il devenir un véritable outil d’anticipation ? Je pense que nous sommes à un moment charnière de l’histoire du dossier patient informatisé. Depuis plusieurs décennies, nous construisons des systèmes dont la fonction principale consiste à conserver et restituer des informations. Demain, le dossier patient pourrait devenir un système capable de comprendre une trajectoire de soins, de repérer des incohérences et d’anticiper certains risques. Imaginons un patient chronique dont le suivi biologique n’a pas été réalisé, une consultation spécialisée oubliée ou une interaction médicamenteuse qui apparaît après une modification thérapeutique. Le système pourrait signaler ces situations de manière contextualisée. Mais cette évolution suppose plusieurs conditions : des données fiables, structurées et interopérables facilement, une connaissance du contexte médical et surtout une maîtrise du risque de multiplication des alertes. Je crois que nous devons passer du dossier patient qui mémorise, ou numérise le papier au dossier patient qui accompagne, guide, puis qui anticipe. C’est une transformation majeure, qui pourrait redéfinir le rôle des éditeurs de logiciels médicaux. Jusqu’où confier des actions aux agents d’intelligence artificielle ? L’arrivée des agents d’intelligence artificielle constitue probablement une rupture plus profonde qu’on ne l’imagine. Jusqu’à présent, nous demandions essentiellement aux logiciels de présenter des informations ou d’exécuter des commandes. Les agents peuvent désormais envisager une succession d’actions pour atteindre un objectif. Dans un établissement de santé, on peut imaginer des agents capables de préparer un dossier de consultation, (c’est souvent une tâche laborieuse et chronophage demandée aux secrétaires ou pire à des soignants) de vérifier la présence d’examens, de proposer une programmation ou de faciliter la coordination d’un parcours. Je distinguerais toutefois trois niveaux : l’agent qui informe, celui qui propose et celui qui agit. Plus nous avançons vers l’action autonome, plus les exigences de sécurité, de traçabilité et de contrôle doivent augmenter. Une action administrative réversible n’a pas les mêmes conséquences qu’une modification de prescription ou qu’une décision d’orientation médicale. Je suis favorable à une autonomie progressive, proportionnée aux risques, avec des mécanismes explicites de validation humaine car l’autonomisation de la machine ne doit jamais signifier l’abandon de la responsabilité humaine. Comment démontrer qu’une IA améliore réellement les soins ? Nous avons parfois tendance à évaluer les innovations numériques comme si elles étaient uniquement des performances informatiques. On mesure la précision d’un algorithme, sa sensibilité, sa spécificité ou sa vitesse de traitement. Ces indicateurs sont indispensables, mais ils ne suffisent pas à démontrer une amélioration des soins. Il faut aller plus loin et mesurer les conséquences réelles de son utilisation : les erreurs évitées, les délais réduits, les décisions améliorées, les hospitalisations potentiellement évitables, mais aussi la charge de travail des professionnels et l’expérience des patients. Je crois beaucoup à une approche inspirée des principes de la Value-Based Healthcare : la valeur produite doit être appréciée au regard des résultats obtenus pour les patients et des ressources mobilisées. Il faut également accepter qu’une innovation ne produise pas les bénéfices attendus. C’est précisément l’intérêt d’une évaluation indépendante et rigoureuse. Le véritable indicateur de réussite d’une IA médicale n’est pas son intelligence supposée, mais son impact démontré sur la santé. Comment s’assurer que le temps gagné grâce à l’IA bénéficie réellement aux patients ? C’est une question fondamentale, et peut-être même une question politique au sens noble du terme. Nous pourrions parfaitement imaginer une intelligence artificielle qui améliore la productivité des établissements sans améliorer les conditions de travail des soignants ni la qualité de la relation avec les patients. Le temps gagné pourrait être immédiatement absorbé par une augmentation de l’activité, de nouvelles obligations administratives ou de nouvelles exigences de reporting. Je crois donc qu’il faut penser simultanément la transformation technologique et la transformation organisationnelle. Lorsqu’un outil permet de réduire le temps consacré à une tâche, il faut définir collectivement comment ce gain sera utilisé : davantage de temps clinique, une meilleure coordination, une diminution de la charge cognitive ou une amélioration des conditions de travail. La technologie ne décide pas de la destination des gains de productivité. Ce sont les organisations et leurs dirigeants qui le font. L’IA nous fera peut-être gagner du temps. Mais c’est à nous de décider ce que nous voulons faire de ce temps. Quelle formation proposer aux professionnels de santé ? Nous devons former les professionnels de santé à l’intelligence artificielle, mais certainement pas avec l’ambition de transformer tous les médecins en informaticiens ou en spécialistes des algorithmes. Il me paraît essentiel qu’ils comprennent les principes de fonctionnement des outils, leurs domaines de validité, leurs limites et les risques liés à leur utilisation. Cela suppose notamment de savoir reconnaître une hallucination, identifier une information insuffisamment documentée, comprendre les biais possibles et conserver une capacité d’analyse indépendante. Mais il faut aussi préserver, et probablement renforcer, certaines compétences proprement médicales : le raisonnement clinique, la sémiologie, l’écoute, la capacité à hiérarchiser les informations et l’aptitude à décider dans l’incertitude. J’ajouterais une dimension souvent négligée : la formation des dirigeants hospitaliers. L’IA transforme les métiers, les organisations et les responsabilités. Elle ne peut pas être considérée comme un simple sujet informatique. En revenants d’UN Himss aux USA en 2022, où j’avais vu les premiers impacts de l’IA générative, j’ai convaincu le DG dubitatif initialement de former tout le Codir à l’IAG. Ce fut un véritable succès, qui a permis d’enclencher une dynamique positive, portée par des directeurs désormais convaincus par les résultats concrets observés sur le terrain. Comment partager les responsabilités entre l’éditeur, l’établissement et le professionnel ? La responsabilité ne peut pas être concentrée sur un seul acteur, et encore moins être reportée systématiquement sur le médecin utilisateur. L’éditeur doit assumer la qualité, la sécurité et la conformité de ce qu’il développe. Il doit documenter les usages prévus, les limites du système, les conditions de fonctionnement et les risques identifiés. L’établissement doit, pour sa part, organiser le déploiement, former les professionnels, définir les conditions d’utilisation et assurer une surveillance des incidents. Enfin, le professionnel conserve une responsabilité propre dans l’exercice de son métier, dans les limites de son rôle et des moyens dont il dispose. Le cadre européen, notamment le règlement sur les dispositifs médicaux et le règlement sur l’intelligence artificielle, contribue à structurer ces obligations, selon la qualification et les usages des systèmes concernés. Mais au-delà du droit, je crois à une responsabilité partagée, explicite et organisée. On ne peut pas demander à un médecin de faire confiance à une IA si personne n’est capable d’expliquer précisément qui répond de son fonctionnement, on est dans un cadre d’éthique médicale, où le Bien doit être à la base des réflexions ; notamment à travers la Bienveillance, la Non-malfaisance, la Justesse-justice et la Transparence. Quelle place donner aux patients dans la conception et l’évaluation de ces outils ? Nous avons longtemps conçu les systèmes d’information de santé pour les professionnels, parfois pour les gestionnaires, mais insuffisamment pour les patients. C’est une erreur qu’il est aujourd’hui essentiel de corriger. Le patient doit être pleinement associé à la conception des outils numériques en santé, en particulier lorsqu’ils touchent à son parcours de soins, à son information ou aux décisions qui concernent sa santé. Nous disposons pour cela d’une ressource précieuse : les patients experts, dont l’expérience et le regard sont indispensables pour développer des solutions réellement adaptées aux besoins des utilisateurs. Cette démarche a notamment été mise en œuvre à Lille dans le cadre du projet Brain Motion, dédié à la rééducation des patients atteints de sclérose en plaques (SEP). Un exemple concret de ce que peut apporter la co-construction avec les patients à une innovation en santé plus pertinente, plus utile et plus humaine. Il faut également lui expliquer simplement ce que fait l’intelligence artificielle : contribue-t-elle à organiser son rendez-vous, à analyser une image, à préparer une synthèse ou à assister une décision médicale ? La transparence est indispensable, mais elle ne doit pas se transformer en discours technique incompréhensible. Je crois surtout qu’il est essentiel de préserver la confiance, qui demeure le fondement de la relation de soin. Le patient doit avoir la certitude que la technologie est là pour améliorer sa prise en charge, éclairer les décisions médicales et renforcer la qualité des soins, jamais pour substituer une relation automatisée à la relation humaine. La technologie doit rester à sa juste place : celle d’un outil d’aide à la décision, au service du médecin, qui conserve pleinement son discernement, sa responsabilité et le dernier mot dans la décision médicale. Cette question me paraît rejoindre une préoccupation philosophique et éthique essentielle : le patient ne doit jamais devenir un simple objet de traitement algorithmique. Il demeure une personne, avec son histoire, ses préférences, ses émotions et son autonomie, c’est la base de la relation et du colloque singulier médical. Comment faire circuler les informations entre l’hôpital, la ville, la biologie et l’imagerie ? L’interopérabilité est un sujet ancien, mais elle demeure l’une des conditions fondamentales de la transformation numérique en santé. Nous avons construit des systèmes souvent performants à l’intérieur de leurs propres périmètres, mais qui communiquent encore imparfaitement entre eux même si les EAI ont bien fait avancer les choses. Or, un patient ne vit pas dans un logiciel. Il circule entre la médecine de ville, l’hôpital, les laboratoires, les centres d’imagerie et les structures médico-sociales. Les standards comme HL7, FHIR, DICOM ou les terminologies médicales communes constituent des leviers essentiels. Mais l’interopérabilité ne se réduit pas à la capacité technique de transmettre un message. Il faut aussi que les informations soient comprises de la même manière, qu’elles soient pertinentes, actualisées et accessibles aux professionnels autorisés. Je crois à une approche dans laquelle les éditeurs doivent pouvoir se différencier par la qualité de leurs services, et non par leur capacité à enfermer les données dans des environnements propriétaires : la donnée de santé doit suivre le parcours du patient, et non les frontières des logiciels. Quelles garanties attendez-vous en matière de souveraineté numérique ? La souveraineté numérique est devenue un enjeu stratégique pour notre système de santé, mais je crois qu’il faut dépasser les slogans. La question n’est pas seulement de savoir où sont hébergées les données. Il faut aussi examiner qui contrôle les infrastructures, quelles législations peuvent s’appliquer, comment les données sont utilisées et dans quelle mesure nous dépendons de fournisseurs technologiques. Avec l’intelligence artificielle, de nouvelles questions apparaissent : les données de santé servent-elles à entraîner les modèles ? D’où viennent-ils ? Pouvons-nous changer de fournisseur ? Sommes-nous capables d’auditer les traitements et de garantir leur confidentialité ? Je pense qu’une souveraineté pragmatique, fondée sur des garanties vérifiables : maîtrise des données, conformité réglementaire, sécurité, réversibilité, transparence contractuelle et limitation des dépendances critiques doit être l’objectif de tous. Il ne s’agit pas de refuser les innovations internationales, mais de conserver notre liberté de choix : la souveraineté ne consiste pas à tout produire soi-même. Elle consiste à ne pas perdre la maîtrise de ce dont on dépend. Comment faire bénéficier les petits établissements des mêmes avancées que les grandes structures ? C’est un sujet qui me tient particulièrement à cœur, car je connais les contraintes des établissements de santé qui ne disposent ni des moyens financiers ni des équipes techniques des grands centres hospitaliers universitaires. Je me souviens avec été interne dans ces hôpitaux qui déjà disposaient de peu de moyens. Nous devons éviter que l’intelligence artificielle ne crée une nouvelle fracture numérique entre établissements : ceux qui pourraient se l’offrir et les autres. La mutualisation constitue une première réponse : plateformes partagées, services industrialisés, référentiels communs et évaluations collectives. Les éditeurs jouent également un rôle majeur. Ils peuvent rendre accessibles des innovations complexes en les intégrant directement dans les logiciels utilisés quotidiennement par les professionnels. Il faut enfin réfléchir aux modèles économiques. Une innovation qui exige des investissements considérables en infrastructure, en compétences et en maintenance restera inaccessible à de nombreux établissements. Je suis convaincu que la démocratisation de l’IA en santé passera moins par la multiplication de projets expérimentaux isolés que par l’intégration progressive de fonctionnalités éprouvées dans les outils existants. L’IA peut-elle aider notre système à intervenir plus tôt, avant la maladie ou ses complications ? Autrement dit l’IA peut être nous aider à faire une vraie politique de prévention ? Notre système de santé reste très largement organisé autour de la prise en charge de la maladie déclarée, alors qu’une partie de ses enjeux futurs réside dans la prévention et l’anticipation. Les parcours de soins seraient un bon axe de démarrage dans ce cadre. L’intelligence artificielle pourrait contribuer à accompagner cette logique en identifiant plus précocement certains risques, à partir d’informations cliniques, biologiques et longitudinales tout au long su suivi notamment des pathologies chroniques. Je pense notamment aux maladies chroniques, comme le diabète, l’insuffisance cardiaque, respiratoire, ou les maladies rénales ou inflammatoires, pour lesquelles une rupture de suivi ou une évolution biologique défavorable peut précéder une complication. Tout ceci est tout à fait possible si on accepte de lancer l’ide de forfaits de suivis pilotés par l’IA et des structures habituées à suivre les parcours patients (Mutuelles par exemple). Dans la santé des jeunes, comment articuler numérique, éducation et accompagnement humain ? Les jeunes générations grandissent dans un environnement où l’information médicale est immédiatement accessible, mais où sa qualité est extrêmement variable. Avec l’intelligence artificielle générative qu’ils connaissent déjà très bien, cette situation prend une dimension nouvelle. Il devient possible d’obtenir une réponse instantanée, personnalisée et convaincante à presque toutes les questions de santé. C’est une opportunité pédagogique considérable, mais aussi un risque si cette réponse est prise pour une vérité médicale. Je crois que nous devons développer une véritable éducation à l’information de santé, qui associe connaissances scientifiques, compréhension des outils numériques et apprentissage de l’esprit critique. L’IA pourrait devenir un accompagnateur pédagogique intéressant, à condition d’être adaptée à l’âge, aux besoins et à la vulnérabilité des jeunes, et de préserver la place des parents, des enseignants et des professionnels de santé. Mais attention :  l’éducation ne consiste pas simplement à transmettre des réponses, mais à développer la capacité de jugement. Une IA utile à la santé des jeunes devrait les rendre progressivement plus autonomes, et non plus dépendants de ses réponses. Quel modèle de financement permettrait de soutenir les innovations réellement utiles ? Nous devons probablement faire évoluer notre manière de financer l’innovation numérique en santé. Aujourd’hui, nous raisonnons encore trop souvent en coût d’acquisition, en budget de projet ou en investissement technologique, sans toujours prendre en compte l’ensemble des coûts et des bénéfices. Une innovation doit être évaluée sur son cycle de vie : développement, intégration, formation, conduite du changement, maintenance, cybersécurité, évaluation et évolution. Mais il faut également s’intéresser à la valeur qu’elle produit : amélioration des résultats de santé, diminution des complications, réduction des tâches inutiles, amélioration des conditions de travail et efficience organisationnelle : ROI et création de valeur, pas que financière, mais aussi de QVT, de baisse de pression mentale, de gain de temps… Je serais favorable à des mécanismes de financement associant une phase d’expérimentation rigoureuse, une évaluation indépendante et un déploiement progressif lorsque les bénéfices sont démontrés. Il faudrait également éviter que chaque établissement finance isolément les mêmes expérimentations. Si je devais demander une évolution prioritaire aux pouvoirs publics, ce serait de mieux articuler financement, évaluation et diffusion des innovations, avec des dispositifs pérennes plutôt qu’une succession d’appels à projets. Nous devons apprendre à financer non seulement l’innovation, mais aussi la preuve de son utilité et les conditions de son adoption. Le problème n’est pas uniquement de savoir combien coûte une innovation. C’est aussi de savoir combien coûte le fait de ne pas adopter une innovation réellement utile. Dans dix ans, quel changement vous ferait dire que l’intégration de l’IA en santé a été une réussite ? Je vais peut-être vous surprendre, mais j’aimerais que, dans dix ans, nous parlions beaucoup moins d’intelligence artificielle dans les hôpitaux. Non pas parce qu’elle aurait disparu, mais parce qu’elle serait devenue une composante naturelle, fiable et discrète de notre environnement de travail. J’aimerais voir un professionnel de santé qui n’a plus besoin de consacrer une partie importante de son temps avec un patinet à rechercher des informations dans un dossier ou à documenter des tâches administratives. J’aimerais voir un patient qui n’a plus à répéter son histoire médicale à chaque étape de son parcours, et dont les professionnels disposent des informations pertinentes au bon moment. J’aimerais également que les outils puissent contribuer à prévenir certaines complications, faciliter les décisions et améliorer la coordination des soins. Mais surtout, j’aimerais que le temps gagné se traduise par davantage d’écoute, de dialogue et d’attention. Nous avons parfois présenté le progrès technologique comme une course à la performance. Je crois qu’en médecine, le véritable progrès se mesure aussi à la qualité de la relation humaine. Si, dans dix ans, les patients ont le sentiment d’être mieux écoutés et les soignants celui de pouvoir mieux exercer leur métier, alors nous pourrons dire que l’intelligence artificielle a véritablement réussi son entrée dans le système de santé. Pour terminer, je pose toujours a nos invités cette même dernière question : y a-t-il un livre qui changé votre regard sur la médecine, la technologie ou l’action collective ? Je citerais La Peste, d’Albert Camus. Ce n’est évidemment pas un ouvrage consacré à l’intelligence artificielle ou aux technologies médicales. Mais c’est un livre qui nous interroge profondément sur la médecine, la responsabilité individuelle et l’action collective. Ce qui me touche particulièrement dans le personnage du docteur Rieux, c’est sa manière d’agir. Il ne prétend pas posséder toutes les réponses, il ne recherche pas l’héroïsme et il ne s’abrite pas derrière de grandes certitudes. Il fait simplement ce qu’il considère comme son devoir, avec lucidité et persévérance. Je retrouve dans cette attitude quelque chose d’essentiel pour notre époque. Face à l’intelligence artificielle, nous pouvons être tentés par deux attitudes excessives : la fascination pour une technologie qui résoudrait tous nos problèmes, ou la peur d’une technologie qui menacerait notre humanité. Je crois qu’il faut choisir une troisième voie, celle de la responsabilité, de l’action éclairée et du discernement. Camus nous rappelle aussi que l’action collective est indispensable face à des problèmes qui dépassent les individus. C’est une conviction qui a accompagné ma vie professionnelle : aucune transformation importante d’un établissement de santé ne peut réussir durablement sans intelligence collective, sans confiance et sans engagement des équipes. Finalement, la question essentielle n’est peut-être pas de savoir jusqu’où ira l’intelligence artificielle, mais ce que nous choisirons collectivement d’en faire. 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 27 octobre pour la prochaine note « Les mardis de l’innovation en santé »

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. 

Autoprélèvements, dépistage personnalisé, intelligence artificielle : les outils évoluent. Une synthèse de l’Observatoire européen des systèmes1 et des politiques de santé rappelle cependant que leur bénéfice dépend de notre capacité à les intégrer dans des parcours accessibles, évalués et accompagnés. Une invitation à repenser l’organisation de la prévention. Un prélèvement réalisé chez soi, un dépistage dont la fréquence tient compte du risque individuel, une mammographie analysée avec l’appui d’une intelligence artificielle : ces évolutions dessinent une prévention plus accessible et plus personnalisée mais leur disponibilité ne garantit ni leur utilisation, ni leur efficacité à l’échelle d’une population. C’est l’un des enseignements du rapport consacré aux innovations dans les programmes de dépistage des cancers par l’Observatoire européen des systèmes et des politiques de santé. En examinant trois transformations (les autoprélèvements, la stratification du risque et l’analyse radiologique assistée par IA) les auteurs de ce rapport invitent à regarder au-delà de la performance technique. Un meilleur test ne suffit pas à faire un meilleur dépistage. Aller vers les personnes, puis les accompagner Les autoprélèvements peuvent réduire plusieurs obstacles : déplacements, contraintes horaires, gêne ou difficulté à accéder à un professionnel. Le rapport souligne notamment l’intérêt de l’envoi direct de kits à domicile pour améliorer la participation mais recevoir un kit ne signifie pas savoir l’utiliser. Réaliser un prélèvement ne garantit pas de comprendre le résultat. Et un résultat anormal n’assure pas, à lui seul, l’accès à l’examen diagnostique nécessaire. L’innovation doit donc être pensée jusqu’au bout du parcours : information compréhensible, aide au prélèvement, transmission des résultats et accompagnement vers les investigations complémentaires. Sans cela, une partie des obstacles est simplement déplacée vers le domicile. La prévention à domicile ne doit pas devenir une prévention en solitaire. Personnaliser sans accroître les inégalités Le dépistage adapté au risque poursuit une ambition pertinente : ajuster les examens et leur fréquence à la probabilité individuelle de développer un cancer. Il pourrait permettre de concentrer davantage les moyens sur les personnes susceptibles d’en bénéficier, tout en limitant certains examens inutiles chez les autres mais une estimation du risque dépend des données recueillies et de la population dans laquelle le modèle a été validé. Un outil performant dans un contexte peut l’être moins dans un autre. Les auteurs insistent donc sur la validation des modèles dans les populations auxquelles ils seront appliqués. Cette exigence est aussi sociale. Que devient une prévention personnalisée lorsque les antécédents sont mal renseignés, que le suivi médical est discontinu ou que les personnes restent éloignées des soins ? Personnaliser suppose de renforcer l’accès à l’évaluation, l’explication des résultats et la possibilité de réévaluer le risque. Un risque faible ne signifie jamais une absence de risque. L’IA doit être évaluée avec les professionnels En imagerie, l’IA pourrait contribuer à fluidifier les lectures et à alléger certaines contraintes de travail, notamment comme second lecteur. Cette perspective mérite d’être prise au sérieux. Elle exige également de distinguer plusieurs niveaux de preuve. Repérer davantage d’anomalies, réduire un temps de lecture, limiter les cancers diagnostiqués entre deux dépistages et diminuer la mortalité sont des résultats différents. Ils ne peuvent être déduits automatiquement les uns des autres. Le rapport souligne les besoins de validation externe, de données représentatives et d’évaluations prospectives. Il insiste aussi sur la formation des professionnels et sur les risques d’une confiance excessive dans les résultats de l’algorithme. L’enjeu est donc d’évaluer l’IA dans son environnement réel : avec le radiologue, avec les contraintes du service et avec les personnes dépistées. Il faut notamment examiner les faux positifs, les examens supplémentaires et les conséquences sur les délais de prise en charge. La performance de l’algorithme n’est qu’une composante de la qualité du soin. Financer le parcours de prévention Cette lecture conduit à une question politique : que choisissons-nous de financer ? Nous avions déjà abordé cet enjeu dans les Mardis de l’innovation en santé du Laboratoire de la République, lors de nos échanges sur la biologie médicale et le RIHN, dispositif de financement des actes innovants hors nomenclature. Comment permettre à une innovation d’être évaluée, puis de trouver durablement sa place dans les soins ? Cette question se prolonge ici : financer une technologie suppose aussi de financer les conditions de son utilisation. Acheter un outil ne finance pas nécessairement le temps d’explication. Envoyer un kit ne finance pas toujours la relance. Ajouter une évaluation du risque ne crée pas les professionnels disponibles pour l’interpréter. Financer l’innovation, c’est aussi financer le chemin qui la rend utile au patient. Les propositions que nous pouvons tirer de ce rapport sont concrètes : déployer progressivement, évaluer en conditions réelles, mesurer les effets sur les inégalités et garantir la continuité entre dépistage et diagnostic. La réussite ne se mesurera pas seulement au nombre de kits distribués ou d’images analysées. Elle se jugera à la capacité de rejoindre les personnes aujourd’hui éloignées du dépistage et de leur assurer une prise en charge utile, au bon moment. L’innovation en prévention doit se mesurer jusqu’au patient. 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 6 octobre pour la prochaine note « Les mardis de l’innovation en santé » Policy-brief-83-1997-807-engTélécharger

Depuis la pandémie de Covid-19, une question préoccupe la communauté médicale et scientifique : comment restaurer la confiance dans la science dans un monde où l’information circule désormais beaucoup plus vite que la connaissance scientifique ? Le paradoxe est saisissant. Jamais autant de connaissances scientifiques n’ont été accessibles. En quelques secondes, chacun peut consulter une publication, rechercher une étude ou interroger une intelligence artificielle sur pratiquement n’importe quelle question médicale. Mais jamais il n’a peut-être été aussi difficile de distinguer une donnée robuste d’une affirmation simplement vraisemblable. La pandémie nous l’a montré de manière spectaculaire. Nous avons assisté presque en temps réel à la confrontation de deux temporalités radicalement différentes. D’un côté, le temps scientifique : formuler une hypothèse, recueillir des données, les analyser, publier, confronter les résultats à ceux d’autres équipes, parfois se tromper et corriger. De l’autre, le temps numérique : quelques secondes pour publier une affirmation et quelques heures pour qu’elle soit vue par des millions de personnes. Une étude préliminaire, un cas clinique isolé ou une hypothèse non démontrée peuvent ainsi devenir viraux bien avant que la communauté scientifique ait eu le temps de les vérifier. La confiance scientifique ne peut pas être décrétée. Elle doit se construire sur la rigueur, l’éducation scientifique et la compréhension des mécanismes permettant de produire et de valider une connaissance. La crise sanitaire a montré combien la science est une construction progressive : elle ne délivre pas instantanément des certitudes ; elle produit des connaissances qui se renforcent, se corrigent et se confrontent.  Quand la viralité concurrence la vérité L'intelligence artificielle générative rend cette question encore plus importante. Elle permet désormais de produire en quelques secondes des textes structurés, argumentés et apparemment scientifiques. Le danger n'est donc plus seulement la fausse information grossière. C'est aussi l'apparition d'une information fausse mais vraisemblable, accompagnée éventuellement de références, de graphiques ou d'un vocabulaire donnant toutes les apparences de la rigueur. La désinformation médicale a changé de dimension depuis la pandémie. Les réseaux sociaux, les mécanismes algorithmiques d'amplification et désormais l'intelligence artificielle permettent à des récits inexacts de circuler à une échelle et à une vitesse sans précédent. Plus préoccupant encore : les messages longs et élaborés peuvent être particulièrement persuasifs. Nous sommes donc confrontés à une transformation profonde de l'environnement scientifique et informationnel. La question n'est plus seulement : « Cette information est-elle vraie ? ». Elle devient : « Puis-je vérifier comment cette conclusion a été produite ? » Et c'est précisément sur ce terrain qu'une publication récente dans Nature mérite toute notre attention. Quand un article scientifique devient un agent Des chercheurs de Stanford ont développé Paper2Agent1, un système dont l'ambition est étonnante : transformer automatiquement une publication scientifique en agent d'intelligence artificielle interactif. Aujourd'hui, lorsqu'un chercheur lit un article décrivant une nouvelle méthode computationnelle, le chemin entre la publication et son utilisation peut être long. Il faut comprendre la méthode, retrouver le code source, installer les bonnes dépendances informatiques, récupérer les données et apprendre à utiliser correctement les outils développés par les auteurs. Autrement dit, publier une méthode ne signifie pas nécessairement qu'elle soit facilement réutilisable. Paper2Agent cherche à supprimer une partie de cette barrière. Le système analyse l'article mais aussi les éléments qui l'accompagnent : code informatique, données, documents supplémentaires et workflows. Il construit ensuite des outils exécutables accessibles à un agent d'IA avec lequel le chercheur peut dialoguer en langage naturel. On ne demande donc plus seulement à l'intelligence artificielle : « Résume-moi cet article. » On peut lui demander : « Utilise la méthode décrite dans cet article sur mes propres données. » La différence est considérable. De la connaissance publiée à la connaissance exécutable Les chercheurs ont notamment appliqué Paper2Agent à AlphaGenome, un modèle permettant d'étudier les conséquences potentielles de variants génétiques. Les chercheurs ont notamment appliqué Paper2Agent à AlphaGenome, ainsi qu'à des outils d'analyse single-cell et de transcriptomique spatiale, montrant que le système pouvait reproduire des analyses existantes mais aussi appliquer les méthodes à de nouvelles questions. Mais l'expérience la plus importante est probablement celle menée à plus grande échelle. Les auteurs ont soumis 100 articles de biologie computationnelle au système. Soixante-quatorze ont pu être transformés avec succès en agents. Ceux-ci ont généré 599 outils, dont 593 ont passé les tests automatisés de validation. Sur 300 questions issues des tutoriels associés à ces publications, Paper2Agent avec le modèle utilisé dans l'étude atteint une précision moyenne de 91,2 %, contre 80,3 % pour le comparateur disposant directement de l'article et du dépôt informatique.  Ces chiffres ne signifient évidemment pas que la reproductibilité scientifique serait résolue par l'IA. Ils montrent en revanche qu'une partie de la distance séparant la publication d'une méthode de sa réutilisation effective pourrait être considérablement réduite. Et si plusieurs articles pouvaient « travailler » ensemble ? Paper2Agent va encore plus loin. Les chercheurs ont connecté plusieurs articles-agents afin qu'ils puissent mobiliser conjointement leurs méthodes et leurs données. Dans un exemple consacré au psoriasis, des agents issus de plusieurs publications ont combiné des prédictions génomiques avec des données expérimentales sur les lymphocytes T CD4+. Cette analyse a conduit le système à soutenir GPR137 comme gène causal probable au locus étudié, dans un mécanisme dépendant de l'activation cellulaire. Différentes publications deviennent en quelque sorte des briques scientifiques capables d'être interrogées ensemble, tandis que le chercheur reste dans la boucle pour choisir les stratégies et interpréter les résultats. Nous passons alors progressivement d'une bibliothèque composée de documents statiques à un écosystème de connaissances scientifiques potentiellement interactives. C'est une transformation potentiellement majeure de la manière dont circule la connaissance scientifique. Une nouvelle étape pour la reproductibilité scientifique ? C'est aussi là que Paper2Agent rejoint directement la question de la confiance. Pendant longtemps, le lecteur d'une publication scientifique devait essentiellement faire confiance au processus éditorial : les auteurs, les reviewers, la revue et, progressivement, la reproduction des résultats par d'autres équipes. L'ouverture des données et du code a commencé à modifier ce modèle. Paper2Agent pourrait constituer une étape supplémentaire : rendre une partie de la méthode directement interrogeable et exécutable. Les auteurs avancent d'ailleurs une idée particulièrement intéressante : demain, à côté des traditionnelles rubriques Data availability et Code availability, les revues scientifiques pourraient demander une rubrique « Agent availability » indiquant si les travaux publiés peuvent être utilisés sous forme d'agent.  On peut même aller plus loin. La capacité d'une publication à être transformée en agent pourrait devenir indirectement un test de reproductibilité. Dans l'étude, 26 des 100 articles de biologie computationnelle n'ont justement pas pu être transformés avec succès, notamment en raison de code inexécutable, de données ou modèles manquants, de problèmes de dépendances informatiques ou de scripts difficilement généralisables.  L'échec de « l'agentification » devient alors lui-même informatif : il révèle les obstacles empêchant réellement d'autres chercheurs de réutiliser le travail publié. Mais l'IA ne doit pas devenir un nouvel argument d'autorité Il serait toutefois dangereux d'en conclure que l'intelligence artificielle pourrait devenir un arbitre automatique de la vérité scientifique. Ce serait remplacer une confiance aveugle par une autre. Un agent peut reproduire fidèlement une méthode et néanmoins partir d'une hypothèse discutable. Un code parfaitement exécutable ne garantit pas que la question scientifique soit pertinente. Une corrélation statistique ne devient pas une causalité parce qu'elle a été calculée automatiquement. Les auteurs de Paper2Agent sont d'ailleurs explicites : la génération d'hypothèses, le choix des orientations scientifiques et l'interprétation des résultats doivent rester human-in-the-loop. Ils présentent leur système comme un outil d'augmentation de la recherche, non comme une source autonome et autoritaire de conclusions scientifiques.  Cette distinction est fondamentale. L'IA peut exécuter, comparer, rechercher, confronter et accélérer. Mais le chercheur doit continuer à douter. Car le doute méthodique n'est pas une faiblesse de la science. Il en constitue précisément l'une des forces. Une science exécutable n'est pas nécessairement une science vraie. Mais une science que l'on peut davantage vérifier, reproduire et contester est une science qui expose mieux ses preuves. De l'IA qui produit du vraisemblable à l'IA qui aide à vérifier Nous arrivons ainsi à un paradoxe passionnant. L'intelligence artificielle constitue probablement l'un des outils les plus puissants jamais créés pour produire du contenu vraisemblable à grande échelle. Elle peut donc amplifier la désinformation et rendre beaucoup plus difficile la distinction entre connaissance, opinion et manipulation. Mais les mêmes technologies pourraient aussi nous fournir de nouveaux instruments pour remonter aux sources, confronter les données, reproduire les analyses et rendre les méthodes scientifiques plus accessibles. Dans un monde saturé de contenus générés artificiellement, la valeur d'une publication scientifique reposera peut-être de moins en moins sur sa seule capacité à être lue ou citée, et de plus en plus sur notre capacité à remonter aux données, aux méthodes et aux résultats qui la fondent. L'article scientifique de demain ne sera alors peut-être plus seulement quelque chose que nous lisons. Il deviendra quelque chose que nous pouvons interroger, tester, reproduire, confronter et utiliser. À condition de ne jamais oublier une règle essentielle : l'intelligence artificielle peut accélérer la science ; elle ne doit jamais nous dispenser d'exercer notre esprit critique. L'IA peut accélérer la science. Le doute, lui, doit rester humain. 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 27 septembre pour la prochaine note « Les mardis de l’innovation en santé » Retrouvez également cette tribune sur le site du Journal du Net.

Nous avons tous vu passer l’information il y a quelques jours : Nvidia va prendre le contrôle de Hugging Face, la plateforme franco-américaine devenue l’un des épicentres mondiaux de l’intelligence artificielle, pour 12,9 milliards de dollars. Derrière cette opération spectaculaire se joue pourtant quelque chose de plus important qu’un nouveau rachat dans la tech. Jensen Huang poursuit une stratégie méthodique : Nvidia ne veut plus seulement fabriquer les puces qui font tourner l’IA, mais devenir l’un des acteurs incontournables de tout son écosystème. Et la santé est désormais au cœur de cette ambition. Médicament, génomique, imagerie, endoscopie, chirurgie robotique, essais cliniques, hôpital : Nvidia avance presque partout. Le géant né il y a trente ans dans l’univers des cartes graphiques est aujourd’hui devenu la première capitalisation boursière mondiale. Une trajectoire qui pose une question simple : Nvidia est-il en train de devenir l’acteur invisible mais incontournable de la médecine de demain ? Cette ambition est portée par une puissance financière hors norme : Nvidia est devenue l’entreprise cotée affichant la plus forte capitalisation boursière mondiale. Une ascension spectaculaire pour une société fondée en 1993 et initialement spécialisée dans les processeurs graphiques conçus notamment pour le jeu vidéo. Leur capacité à effectuer simultanément un très grand nombre de calculs s’est ensuite révélée particulièrement adaptée à l’entraînement des réseaux de neurones. L’explosion de l’intelligence artificielle a fait le reste. Aujourd’hui, Nvidia n’est donc plus simplement un fabricant de semi-conducteurs. L’entreprise construit progressivement un écosystème associant puissance de calcul, logiciels, modèles et infrastructures d’IA. Et parmi les secteurs où elle avance le plus rapidement figure désormais la santé. Du médicament au génome, de l’imagerie à la chirurgie robotique, Nvidia est en train de se positionner à presque tous les étages de la médecine de demain. La question n’est donc plus seulement de savoir ce que l’intelligence artificielle peut apporter à la santé, mais qui contrôlera l’infrastructure technologique sur laquelle cette révolution reposera. C’est probablement dans l’industrie pharmaceutique que cette transformation est la plus spectaculaire. Développer un médicament reste un processus long, coûteux et marqué par de nombreux échecs. Identifier une cible biologique, rechercher une molécule susceptible d’agir sur elle, prévoir sa toxicité, réaliser les études précliniques puis les essais chez l’homme demande souvent des années. L’intelligence artificielle promet d’accélérer certaines de ces étapes : analyser d’immenses bases de données biologiques, prédire des structures, identifier de nouvelles cibles ou sélectionner virtuellement des candidats avant leur synthèse. La conséquence est majeure : la puissance de calcul devient progressivement une matière première de la recherche pharmaceutique. Eli Lilly constitue une bonne illustration de cette évolution. Le géant pharmaceutique américain s’est engagé avec Nvidia dans le développement d’infrastructures d’IA destinées à la recherche et à la découverte de médicaments. La logique est révélatrice : Nvidia ne fabrique pas lui-même le futur médicament, mais fournit une partie de l’infrastructure permettant de le concevoir. Dans les biotechnologies, Recursion Pharmaceuticals représente un autre exemple. Cette société utilise notamment l’automatisation, l’imagerie cellulaire à grande échelle et l’intelligence artificielle pour rechercher de nouvelles relations entre molécules, gènes et maladies. Nvidia a même investi dans l’entreprise. Le GPU n’est plus seulement utilisé pour faire fonctionner un modèle de langage : il participe désormais à l’exploration de la biologie à très grande échelle. La stratégie pourrait finalement se résumer ainsi : Nvidia ne cherche pas à devenir un laboratoire pharmaceutique, mais à devenir indispensable aux laboratoires qui utiliseront l’IA. La même logique apparaît dans la génomique. Le séquençage moderne génère des quantités considérables de données. Illumina, l’un des principaux acteurs mondiaux du séquençage de l’ADN, utilise le calcul accéléré et les technologies Nvidia pour certaines étapes d’analyse génomique. L’enjeu dépasse la simple vitesse informatique. La médecine de précision repose de plus en plus sur la capacité à croiser différentes informations : génome, biologie, imagerie, anatomopathologie, données cliniques et traitements antérieurs. Nous entrons progressivement dans l’ère des modèles multimodaux. Demain, un système d’intelligence artificielle ne se contentera peut-être plus d’interpréter un scanner. Il pourra prendre simultanément en compte l’image, les résultats biologiques, les données génétiques et l’histoire médicale du patient pour produire une information diagnostique ou pronostique. Plus la médecine devient multimodale, plus elle devient gourmande en calcul. Et plus Nvidia devient stratégique. Le deuxième front est celui des dispositifs médicaux. GE HealthCare travaille avec Nvidia sur l’intelligence artificielle appliquée à l’imagerie et aux équipements médicaux. L’ambition dépasse progressivement l’algorithme chargé de repérer une anomalie : il s’agit d’intégrer l’IA dans le fonctionnement même des appareils et dans le parcours diagnostique. Medtronic, autre géant mondial du dispositif médical, s’est rapproché de Nvidia autour de l’intelligence artificielle appliquée notamment à l’endoscopie. Ici, l’IA peut intervenir pendant l’examen et assister le médecin dans l’identification de lésions. Avec Johnson & Johnson MedTech, le terrain devient celui de la chirurgie numérique et de la robotique : analyse de la vidéo chirurgicale, assistance au geste, automatisation et développement de systèmes capables d’interagir avec leur environnement. Nous quittons progressivement l’IA qui « regarde » pour entrer dans ce que Jensen Huang appelle la « physical AI » : une intelligence artificielle qui perçoit son environnement et peut agir dans le monde physique. En médecine, les implications sont considérables : endoscopie augmentée, robots chirurgicaux, dispositifs autonomes ou semi-autonomes et, à terme, assistance en temps réel au professionnel de santé. La stratégie touche désormais directement les établissements de soins. La collaboration avec la Mayo Clinic autour de l’IA et de la pathologie numérique en constitue une illustration particulièrement intéressante. Une lame d’anatomopathologie numérisée représente une quantité considérable d’informations. Les modèles d’IA peuvent apprendre à reconnaître certaines architectures tumorales, identifier des caractéristiques microscopiques et mettre ces données en relation avec d’autres informations biologiques et cliniques. Le laboratoire hospitalier devient alors bien plus qu’un lieu où l’on réalise un examen. Il devient un producteur de données médicales massives susceptibles d’alimenter les modèles de demain. Cette transformation concerne potentiellement la radiologie, l’anatomopathologie, la biologie médicale, la génomique et de nombreuses autres spécialités. Pour les CHU, une question nouvelle apparaît : l’hôpital de demain sera-t-il uniquement un lieu de soins et de recherche ou deviendra-t-il également une infrastructure de production de données et d’intelligence médicale ? La transformation ne s’arrête pas à la découverte du médicament. IQVIA, l’un des principaux acteurs mondiaux des données de santé et de la recherche clinique, développe également l’utilisation de l’IA et du calcul accéléré dans ses activités. L’intelligence artificielle peut contribuer à identifier les patients susceptibles d’être inclus dans un essai, exploiter les données cliniques, automatiser certaines tâches documentaires ou faciliter la pharmacovigilance. La chaîne devient alors presque complète. Eli Lilly pour le médicament, Recursion pour la biotech, Illumina pour le génome, GE HealthCare pour l’imagerie, Medtronic pour l’endoscopie, Johnson & Johnson pour la chirurgie, IQVIA pour la recherche clinique, Mayo Clinic pour l’hôpital : Nvidia se positionne progressivement à presque tous les étages de la chaîne de valeur de la santé. C’est probablement le point essentiel. Le pari de Nvidia n’est peut-être pas de devenir une entreprise de santé. Il est plus ambitieux : devenir l’entreprise dont les entreprises de santé ne pourront plus se passer. La prochaine étape pourrait encore élargir ce rôle. Aujourd’hui, nous associons souvent l’IA médicale à un algorithme capable de détecter une anomalie sur une image ou à un modèle de langage capable de résumer un dossier médical. Mais les recherches se tournent également vers les jumeaux numériques. Le principe consiste à construire une représentation informatique dynamique d’un patient, d’un organe ou d’un système biologique afin d’en simuler certaines évolutions. Comment une maladie pourrait-elle évoluer ? Quelle serait la réponse à un traitement ? Quel patient présente le risque le plus élevé de complication ? La littérature scientifique explore déjà leur potentiel en médecine personnalisée et, à plus long terme, dans le développement des médicaments et les essais cliniques. Nous en sommes encore aux prémices et les difficultés scientifiques restent considérables : qualité des données, causalité, validation clinique, biais et capacité des modèles à fonctionner sur des populations différentes. Mais une chose est certaine : ces approches nécessiteront des capacités de calcul considérables. Encore une fois, Nvidia se trouve idéalement placé. Le prochain géant de la santé ne fabriquera peut-être aucun médicament Pendant des décennies, les acteurs dominants de la santé étaient facilement identifiables : laboratoires pharmaceutiques, fabricants de dispositifs médicaux, hôpitaux et assureurs. L’IA fait apparaître une nouvelle catégorie d’acteurs. Une entreprise technologique peut désormais être présente dans la découverte du médicament, la génomique, l’imagerie, la chirurgie, la recherche clinique et l’exploitation des données hospitalières sans fabriquer elle-même un médicament, réaliser un scanner ou prendre en charge un patient. Elle fournit quelque chose de plus transversal : l’infrastructure sur laquelle les autres construisent leur intelligence artificielle. Le prochain acteur incontournable de la santé pourrait donc ne fabriquer ni médicament ni dispositif médical. Il pourrait fournir la puissance de calcul et les outils dont tous les autres ont besoin. Une question de souveraineté sanitaire Cette concentration ouvre des possibilités extraordinaires. Accélérer la découverte de médicaments, améliorer l’analyse des images, personnaliser les traitements ou rapprocher l’expertise des patients sont autant de progrès potentiels. Mais cette révolution soulève aussi une question stratégique pour la France et l’Europe. Nous parlons beaucoup de souveraineté des données de santé. C’est indispensable, mais probablement insuffisant. La souveraineté concerne également les processeurs sur lesquels ces données sont analysées, le cloud dans lequel elles circulent, les logiciels qui permettent de les exploiter et les modèles qui produisent les résultats. Des données françaises hébergées en France ne suffisent pas à garantir une IA française ou européenne souveraine si toute la chaîne technologique nécessaire à leur exploitation dépend d’acteurs étrangers. La réponse ne consiste évidemment pas à se priver de Nvidia ou des autres leaders mondiaux. Les chercheurs et les hôpitaux européens doivent pouvoir utiliser les meilleurs outils disponibles. Mais partenariat ne doit pas devenir synonyme de dépendance. L’Europe doit investir simultanément dans ses capacités de calcul, ses infrastructures de données, ses modèles biomédicaux et surtout dans les compétences permettant aux médecins, chercheurs et ingénieurs de maîtriser ces technologies. La question n’est donc probablement plus : faut-il travailler avec Nvidia ? Nous travaillerons avec Nvidia et avec d’autres géants technologiques. La véritable question est : quelle partie de la chaîne de l’IA en santé voulons-nous encore être capables de maîtriser nous-mêmes ? Mais l’exemple de Nvidia rappelle une réalité parfois oubliée : l’intelligence artificielle n’est pas seulement une révolution logicielle, c’est aussi une révolution industrielle, énergétique et géopolitique. Derrière chaque modèle se trouvent des des centres de données, des réseaux électriques et des matières premières critiques. Il n’existe donc pas de véritable souveraineté en IA sans capacité à maîtriser au moins une partie de cette chaîne de valeur. La France dispose ici d’atouts qu’elle sous-estime parfois : une recherche scientifique de haut niveau, une industrie des semi-conducteurs présente notamment autour de Grenoble, mais surtout une production nucléaire largement décarbonée et pilotable, alors que l’essor des centres de calcul rend l’accès à une électricité abondante et stable de plus en plus stratégique. À cela s’ajoute une autre richesse : les outre-mer et le deuxième espace maritime mondial, qui donnent à la France une présence géopolitique exceptionnelle et un accès potentiel à des ressources critiques. La Nouvelle-Calédonie, notamment, possède d’importantes ressources en nickel, métal stratégique pour de nombreuses technologies contemporaines. À l’heure où États-Unis et Chine ont parfaitement compris que puissance numérique, énergie, semi-conducteurs et matières premières sont désormais indissociables, la France et l’Europe doivent raisonner avec la même vision d’ensemble. Notre souveraineté en IA ne se jouera pas uniquement dans nos algorithmes : elle se jouera aussi dans nos usines, notre énergie et nos territoires. L’ascension de Nvidia raconte bien plus que le succès de la première capitalisation boursière mondiale : elle révèle le déplacement du centre de gravité de l’innovation médicale. Hier, la valeur était dans le médicament, le dispositif ou l’acte de soin. Demain, elle sera aussi dans la donnée, le modèle et la puissance de calcul. De la découverte d’une molécule au séquençage d’un génome, du scanner au robot chirurgical et, demain, au jumeau numérique du patient, une même infrastructure relie désormais des mondes autrefois séparés.  C’est la grande leçon de Nvidia : celui qui maîtrise la puissance de calcul ne fournit plus seulement une technologie, il prend une position stratégique sur tout ce qui en dépend. Et désormais, notre santé en fait partie. 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 15 septembre pour la prochaine note « Les mardis de l’innovation en santé »