L’IA comme copilote médical : après les performances des algorithmes, l’heure des essais cliniques !

Le mois dernier, à SantExpo, puis la semaine dernière à VivaTech, l'intelligence artificielle s'est imposée comme l'un des sujets incontournables des débats sur l'avenir de la santé. Dans les allées des salons comme dans les conférences, une conviction semblait largement partagée : l'IA pourrait profondément transformer la manière dont nous prévenons les maladies, posons des diagnostics, organisons les soins et accompagnons les patients. Mais au-delà des démonstrations technologiques et des annonces parfois spectaculaires, une question demeure : où en sommes-nous réellement ? Car l'avenir de l'IA en santé ne se joue pas seulement dans les laboratoires de recherche ou sur les scènes des grands événements internationaux. Il se construit déjà, au quotidien, dans nos hôpitaux, nos laboratoires de biologie médicale, nos services de radiologie et nos entreprises innovantes. L'intelligence artificielle n'est plus seulement une promesse. Elle commence à s'intégrer dans le fonctionnement concret du système de santé : pour détecter plus tôt certaines maladies, aider les professionnels à prendre de meilleures décisions, optimiser l'utilisation des traitements ou encore mieux exploiter les données produites chaque jour par les patients et les soignants. Cette transformation est particulièrement intéressante parce qu'elle ne repose pas uniquement sur une avancée technologique. Elle repose aussi sur une nouvelle manière de produire des connaissances, d'organiser les soins et de faire circuler l'innovation entre la recherche, l'hôpital, les industriels et les pouvoirs publics. Au Laboratoire de la République, nous consacrerons dans les prochains mois plusieurs travaux à ces mutations qui dessinent déjà la santé de demain. Pour ouvrir cette série, nous avons choisi trois exemples très différents mais complémentaires. Trois innovations qui illustrent le passage de l'intelligence artificielle du stade de la promesse à celui de l'expérimentation, de l'évaluation et, progressivement, du déploiement au bénéfice des patients. 1. VisioCyt® Bladder: quand l'IA accélère la détection du cancer de la vessie Première illustration avec VitaDX, une entreprise française qui développe VisioCyt® Bladder, un test de cytologie urinaire assisté par intelligence artificielle destiné à améliorer la détection du cancer de la vessie. Le cancer de la vessie est aujourd'hui diagnostiqué grâce à deux outils principaux : la cystoscopie, un examen invasif permettant de visualiser directement la vessie, et la cytologie urinaire, qui consiste à examiner au microscope les cellules présentes dans les urines. Mais ces méthodes présentent des limites. La cystoscopie est coûteuse, invasive et dépend fortement de l'expérience du praticien. Quant à la cytologie conventionnelle, elle est très performante pour détecter les formes agressives de cancer, mais beaucoup moins pour les tumeurs de faible grade, souvent plus difficiles à identifier. C'est pour répondre à cette difficulté que VitaDX a développé VisioCyt®. Le principe est à la fois simple pour le patient et sophistiqué sur le plan technologique. À partir d'un simple prélèvement urinaire, les cellules sont déposées sur une lame puis numérisées à haute résolution. L'intelligence artificielle analyse alors automatiquement des milliers de cellules et recherche des modifications morphologiques caractéristiques des cellules tumorales : taille, forme, couleur, organisation interne et structure du noyau cellulaire. Pour entraîner l'algorithme, les chercheurs ont constitué une base de données composée de milliers d'images cellulaires annotées par des pathologistes et des cytotechniciens. L'intelligence artificielle a ainsi appris à distinguer les cellules normales des cellules suspectes, y compris lorsque les anomalies sont discrètes et difficiles à détecter lors d'un examen conventionnel. Autrement dit, l'algorithme ne remplace pas le biologiste. Il agit comme un outil d'augmentation capable de repérer des signaux faibles dans un volume d'informations qu'aucun humain ne pourrait analyser avec la même exhaustivité. Les résultats obtenus lors de l'étude clinique multicentrique VISIOCYT1 menée dans quatorze centres hospitaliers français sont particulièrement prometteurs. Le test a démontré une sensibilité globale de plus de 80 %, contre moins de 50 % pour la cytologie conventionnelle. L'amélioration est particulièrement marquée pour les tumeurs de faible grade, historiquement les plus difficiles à détecter. Mais l'histoire de VitaDX dépasse largement la seule performance technologique. Elle pose une question essentielle : comment permettre aux patients d'accéder plus rapidement aux innovations diagnostiques ? VisioCyt® Bladder est aujourd'hui le premier test reposant sur l'intelligence artificielle à avoir obtenu un avis favorable de la Haute Autorité de Santé dans le cadre du nouveau dispositif RIHN 2.0. Le récent contentieux autour de ses conditions de remboursement a mis en lumière un défi plus large : notre capacité collective à faire le lien entre recherche, validation scientifique et accès réel aux patients. Car l'innovation diagnostique ne doit pas rester bloquée dans un entre-deux administratif. Un diagnostic plus précoce et plus précis permet souvent d’éviter des examens invasifs, de réduire les hospitalisations inutiles, de mieux orienter les traitements, d’améliorer les chances de guérison et d'éviter des pertes de chance pour les patients. La question n'est donc pas seulement : combien coûte un test ? La vraie question est souvent : combien coûte son absence ? Le cas VitaDX illustre ainsi un enjeu majeur de souveraineté sanitaire. La France sait produire des innovations de rupture, valider leur efficacité scientifique et démontrer leur intérêt clinique. Le défi consiste désormais à construire des passerelles plus fluides entre la découverte, l'évaluation et l'accès aux soins. Car en santé, la souveraineté ne se mesure pas uniquement à notre capacité à inventer. Elle se mesure aussi à notre capacité à permettre aux patients de bénéficier rapidement des innovations que nous avons nous-mêmes contribué à créer. 2. Quand l'IA aide à préserver l'efficacité des antibiotiques L'intelligence artificielle ne transforme pas seulement le diagnostic. Elle devient aussi un outil précieux dans la lutte contre l'un des plus grands défis sanitaires du XXIe siècle : l'antibiorésistance. C'est le pari de Lumed, entreprise québécoise rachetée par bioMérieux en 2024, qui a développé deux solutions d'aide à la décision destinées aux hôpitaux : ZINC, pour la surveillance des infections, et APSS, pour l'optimisation des prescriptions d'antibiotiques. Leur principe est simple : faire parler les données déjà présentes dans les systèmes hospitaliers. Résultats de laboratoire, prescriptions, mouvements de patients, dossiers médicaux, examens complémentaires... Chaque jour, des milliers d'informations sont produites dans un établissement de santé. Jusqu'à présent, une grande partie de ces données restait sous-exploitée faute de temps ou de ressources humaines suffisantes. Grâce à l'intelligence artificielle et à l'automatisation, ces informations peuvent désormais être analysées en temps réel afin de détecter plus rapidement les risques infectieux et d'aider les professionnels à prendre les meilleures décisions thérapeutiques. Au CHRU de Nancy, le module ZINC permet ainsi d'identifier précocement des signaux annonciateurs d'épidémies hospitalières, de suivre les chaînes de transmission et de repérer les patients à risque. En dix mois seulement, près de 5 000 alertes ont été générées et traitées, contre quelques centaines auparavant. De son côté, APSS agit comme un véritable copilote pour les équipes médicales. L'outil analyse automatiquement les prescriptions antibiotiques et les confronte aux données biologiques et cliniques du patient. Il aide ainsi à éviter les traitements inadaptés, redondants ou excessifs. Les résultats observés sont significatifs. À l'hôpital universitaire de Sherbrooke, l'utilisation d'APSS a permis de réduire de 24 % la consommation d'antibiotiques en trois ans, tout en diminuant la durée moyenne d'hospitalisation et les coûts associés. Au-delà des gains d'efficacité, l'enjeu est collectif : préserver l'efficacité des antibiotiques pour les générations futures. Car chaque prescription inutile contribue à accélérer l'apparition de bactéries résistantes, aujourd'hui responsables de centaines de milliers de décès dans le monde. Là encore, l'intelligence artificielle ne remplace pas les professionnels de santé. Elle leur permet d'agir plus vite, avec une vision plus complète et une meilleure utilisation des connaissances médicales disponibles. 3. Détecter le sepsis avant qu'il ne soit trop tard Troisième illustration de cette révolution silencieuse : l'utilisation de l'intelligence artificielle pour lutter contre l'une des urgences médicales les plus redoutables et pourtant les plus difficiles à identifier à temps. Le sepsis survient lorsqu'une infection déclenche une réaction excessive de l'organisme. Cette réponse incontrôlée peut entraîner une défaillance progressive des organes et conduire au décès. Chaque année, près de 50 millions de personnes sont concernées dans le monde et environ 11 millions en meurent. Le défi est immense : dans ses premières heures, le sepsis est souvent invisible. Un patient peut arriver aux urgences avec de la fièvre, une fatigue inhabituelle, une légère difficulté respiratoire ou quelques anomalies biologiques. Pris séparément, ces signaux ne semblent pas forcément alarmants. Mais ensemble, ils peuvent annoncer une dégradation rapide. Or dans cette maladie, chaque heure compte : plus le diagnostic est précoce, plus les chances de survie augmentent. C'est précisément ce problème qu'ont voulu résoudre les équipes du Centre Hospitalier Universitaire Vaudois (CHUV) de Lausanne, sous l'impulsion notamment du Pr Jean-Louis Raisaro et du Dr Sylvain Meylan. Leur ambition n'était pas de remplacer les médecins par une machine, mais de leur donner les moyens de voir ce qui leur échappe parfois dans la masse d'informations produites quotidiennement par l'hôpital.  Pour y parvenir, les chercheurs ont commencé par construire ce qui constitue aujourd'hui l'une des plus importantes bases de connaissances hospitalières dédiées au sepsis. Pendant plusieurs années, ils ont rassemblé et structuré les données issues de plus de 97 500 séjours hospitaliers. Mais la véritable originalité du projet est ailleurs : l'intelligence artificielle n'a pas appris seule. Chaque cas suspect a été examiné par des spécialistes des maladies infectieuses qui ont classé les dossiers en différentes catégories : absence de sepsis, sepsis possible ou sepsis confirmé. Cette expertise médicale a servi de référence pour entraîner l'algorithme. Autrement dit, derrière l'intelligence artificielle se trouve d'abord l'intelligence des cliniciens. L'outil développé par le CHUV a été baptisé HERACLES. Son rôle est d'analyser en continu les données déjà présentes dans les systèmes hospitaliers : constantes vitales, résultats biologiques, traitements administrés, antécédents médicaux et évolution clinique du patient. Toutes les six heures, l'algorithme réévalue la situation et estime la probabilité qu'un patient développe un sepsis.  Pour cela, HERACLES combine plusieurs techniques d'intelligence artificielle. Certaines sont capables d'analyser simultanément des centaines de variables, tandis que d'autres sont spécialisées dans l'étude de l'évolution des données au fil du temps. Le système ne se contente donc pas d'observer une photographie à un instant donné : il suit une trajectoire clinique et repère des combinaisons de signaux faibles que l'œil humain aurait du mal à relier spontanément.  Mais la véritable innovation ne réside pas uniquement dans l'algorithme. Les chercheurs ont conçu ce qu'ils appellent un "Learning Health System", un système de santé apprenant. Le principe est simple mais puissant : les données générées par les soins alimentent l'intelligence artificielle, celle-ci produit des indicateurs et des alertes, les équipes médicales utilisent ces informations pour améliorer leurs pratiques puis les nouvelles données viennent enrichir à leur tour le système. L'hôpital apprend ainsi en permanence de sa propre expérience.  Les résultats sont particulièrement remarquables. Dans les services ayant déployé cette approche, la mortalité hospitalière des patients atteints de sepsis est passée de 20,5 % à 15,3 %. La mortalité à 90 jours a également diminué. Les équipes ont identifié davantage de cas, amélioré leur documentation et administré plus rapidement les traitements recommandés lorsque le sepsis était suspecté.  Au fond, cette étude nous rappelle une chose essentielle : l'intelligence artificielle n'établit pas le diagnostic à la place du médecin. Elle ne remplace ni l'expérience clinique ni le jugement humain. Elle agit comme un copilote capable de repérer des signaux faibles parmi des milliers d'informations, d'attirer l'attention des équipes sur les situations les plus à risque et de permettre une intervention plus rapide. Dans le cas du sepsis, cette capacité à gagner quelques heures peut faire toute la différence. Et c'est peut-être là que se trouve la promesse la plus concrète de l'intelligence artificielle en santé : non pas remplacer les soignants, mais leur donner les moyens de sauver davantage de vies.  Conclusion : Une transformation à conduire Ces trois initiatives concernent des domaines très différents : le diagnostic du cancer, la lutte contre l'antibiorésistance ou encore la détection précoce du sepsis. Pourtant, elles racontent toutes la même histoire. Pendant longtemps, l'innovation en santé s'est principalement incarnée dans les médicaments, les dispositifs médicaux ou les avancées biologiques. Une nouvelle dimension s'ajoute aujourd'hui : la capacité à exploiter intelligemment les données produites chaque jour par notre système de santé pour mieux prévenir, mieux diagnostiquer et mieux soigner. L'intelligence artificielle n'apparaît plus comme un simple outil supplémentaire. Elle devient progressivement une véritable infrastructure de santé, capable d'améliorer les décisions médicales, d'accélérer les diagnostics, de personnaliser les parcours de soins et de renforcer l'efficacité collective du système. Ce qui frappe dans les exemples présentés ici, c'est que l'innovation ne réside jamais uniquement dans l'algorithme. À chaque fois, le succès repose sur la combinaison de plusieurs éléments : des données de qualité, l'expertise des professionnels de santé, des organisations capables d'apprendre en continu et des entreprises qui transforment la recherche en solutions concrètes pour les patients. Nous assistons également à l'émergence d'une nouvelle génération d'acteurs et d'organisations « IA natives », qui ne se contentent pas d'ajouter une couche d'intelligence artificielle à des processus existants, mais conçoivent dès l'origine leurs produits, leurs services et leurs modèles autour de la donnée, de l'IA et de l'amélioration continue. Cette évolution pourrait être aussi structurante pour la santé que l'a été la révolution numérique pour l'ensemble de l'économie. La question n'est donc plus de savoir si l'intelligence artificielle transformera la santé. Elle est déjà en train de le faire. La véritable question est désormais politique : comment permettre à ces innovations d'être développées en France, évaluées rapidement, financées efficacement et accessibles au plus grand nombre ? Car derrière l'IA en santé se jouent des enjeux qui dépassent largement la technologie : l'accès des patients aux meilleures innovations, la compétitivité de notre recherche, l'attractivité de nos hôpitaux, la croissance de nos entreprises de santé et, plus largement, notre souveraineté sanitaire. La France dispose d'atouts considérables : des chercheurs reconnus mondialement, des cliniciens de premier plan, des données de santé parmi les plus riches au monde, des entreprises innovantes et un système de soins capable de produire des preuves en vie réelle à grande échelle. Mais l'innovation ne se mesure pas seulement à notre capacité à inventer. Elle se mesure aussi à notre capacité à transformer une découverte scientifique en solution concrète, évaluée, financée et accessible aux patients. C'est là que se situe désormais le défi. Créer les conditions d'une innovation de confiance, accélérer l'évaluation des technologies les plus prometteuses, fluidifier leur accès au système de soins et faire de la santé l'un des piliers de notre stratégie de souveraineté. Au Laboratoire de la République, nous continuerons à explorer ces transformations dans les mois qui viennent. Non pour célébrer la technologie pour elle-même, mais parce qu'une démocratie doit comprendre les innovations qui façonnent son avenir afin de pouvoir les orienter au service de l'intérêt général. La santé de demain ne sera pas seulement plus numérique ou plus connectée. Elle sera plus prédictive, plus personnalisée et de plus en plus IA native. À nous de faire en sorte qu'elle soit aussi plus efficace, plus souveraine et plus humaine. Rendez-vous mardi 30 juin pour la prochaine note « Les mardis de l’innovation en santé » David Smadja est professeur d’hématologie à l’AP-HP et à l’Université Paris Cité, responsable de la Commission Santé du Laboratoire de la République. Léa Behr est CEO de RespublicIA et membre de la commission Santé du Laboratoire de la République.

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

Et si la véritable révolution de l’intelligence artificielle en santé n’était pas de produire davantage de données, mais de découvrir tout ce que nous n’avions jamais su voir dans celles que nous possédons déjà ? C’est l’une des questions que soulève une étude particulièrement intéressante publiée en août 2026 dans Nature Communications1. Des chercheurs de la Cleveland Clinic, de Yale et de l’Université de Washington ont développé un modèle d’intelligence artificielle capable d’analyser la richesse des données enregistrées pendant une nuit de sommeil et d’en extraire des informations pronostiques jusque-là largement invisibles. Au-delà du sommeil, ce travail illustre peut-être une transformation beaucoup plus profonde de la médecine : le passage d’une médecine qui analyse des données pour diagnostiquer une maladie à une médecine capable de les utiliser pour anticiper un risque. Nous produisons beaucoup de données. Mais savons-nous vraiment les lire ? La polysomnographie constitue un exemple particulièrement parlant. Pendant toute une nuit, elle enregistre simultanément une quantité considérable d’informations : activité électrique cérébrale, mouvements oculaires, activité musculaire, électrocardiogramme, respiration, mouvements thoraciques et abdominaux, saturation en oxygène… Nous disposons donc de plusieurs heures d’observation extrêmement fine de la physiologie d’un individu. Pourtant, dans la pratique clinique, l’interprétation de l’apnée du sommeil repose encore largement sur un indicateur : l’index d’apnées-hypopnées (IAH), qui comptabilise le nombre d’événements respiratoires survenant pendant le sommeil. Cet indicateur est utile. Mais il résume plusieurs heures de fonctionnement simultané du cerveau, du cœur et du système respiratoire à quelques chiffres. Les auteurs de cette nouvelle étude ont posé une question simple : et si l’information importante était déjà là, sous nos yeux, mais que nous n’avions jusqu’ici pas les outils permettant de la lire ? Un « foundation model » pour comprendre une nuit entière Les chercheurs ont analysé plus de 10 000 polysomnographies réalisées à la Cleveland Clinic et reliées aux dossiers médicaux électroniques des patients, permettant de connaître leur évolution clinique sur plusieurs années. Ils ont développé un foundation model, reposant sur une architecture de type Transformer, capable d’intégrer simultanément les différents signaux physiologiques. Le principe est intéressant. Au lieu de demander uniquement à l’algorithme : « combien d’apnées ce patient présente-t-il ? », on lui demande d’apprendre la représentation physiologique globale de sa nuit. L’IA transforme ainsi des milliers de signaux en une sorte d’empreinte physiologique multidimensionnelle. À partir de ces représentations, cinq groupes de patients émergent, correspondant à des trajectoires de risque progressivement différentes. Et les résultats sont impressionnants. Comparativement au groupe présentant le risque le plus faible, les patients du groupe à plus haut risque présentent notamment davantage d’événements cardiovasculaires majeurs, d’insuffisance cardiaque, d’infarctus du myocarde, de fibrillation atriale, de troubles cognitifs et d’épilepsie. Après ajustement sur l’âge, le sexe, l’indice de masse corporelle, les comorbidités et même l’index classique d’apnées-hypopnées, le groupe présentant le risque le plus élevé conserve un risque de mortalité plus de deux fois supérieur. Autrement dit, l’intelligence artificielle retrouve dans les données que nous possédions déjà une information médicale que notre manière traditionnelle de les analyser laissait échapper. L’IA comme nouvelle machine à détecter les « signaux faibles » C’est probablement ici que ce travail devient particulièrement intéressant. En effet, l’une des transformations majeures permises par l’intelligence artificielle sera précisément notre capacité à détecter des signaux faibles avant que la maladie ou ses complications ne deviennent visibles. Nous avons construit notre système de santé autour d’une logique essentiellement curative : un symptôme apparaît, le patient consulte, nous réalisons des examens, nous établissons un diagnostic puis nous traitons. L’IA pourrait progressivement modifier cette temporalité. Nous pourrions intervenir non plus seulement lorsque la maladie est présente, mais lorsque les données commencent à indiquer qu’elle pourrait survenir. C’est le passage d’une médecine de réaction à une médecine d’anticipation. Et ce changement est fondamental pour construire une véritable politique de prévention. Après le « cloud-native », la santé « IA-native » Cette étude permet également d’illustrer une autre transformation : le passage de systèmes numériques traditionnels vers des systèmes véritablement « IA-native ». La distinction est importante. Aujourd’hui, nous ajoutons souvent de l’intelligence artificielle à des organisations et à des logiciels qui ont été conçus bien avant son apparition. L’IA devient alors une fonctionnalité supplémentaire : un algorithme analyse une image, rédige un compte rendu ou automatise une tâche administrative. Être « IA-native », c’est penser exactement à l’inverse. Par analogie avec les architectures « cloud-native », il s’agit de concevoir dès l’origine les systèmes d’information pour que l’intelligence artificielle soit capable d’analyser continuellement les données, de les croiser, de les contextualiser et d’en extraire une information utile pour le professionnel de santé. Le dossier médical ne serait alors plus seulement un lieu où nous stockons des informations. Il deviendrait progressivement un système vivant d’interprétation des données de santé. Le travail publié dans Nature Communications en donne une première illustration. La polysomnographie n’est plus simplement un examen destiné à répondre à une question diagnostique précise. Elle devient une source de données permettant d’appréhender plus largement le risque cardiovasculaire, neurologique ou vital d’un individu. Et demain ? Un électrocardiogramme réalisé pour rechercher une arythmie pourrait peut-être également révéler un risque cardiovasculaire futur. Une prise de sang prescrite pour une indication donnée pourrait contribuer à détecter une trajectoire métabolique ou inflammatoire anormale. Une imagerie réalisée aujourd’hui pourrait contenir des informations sur des pathologies qui ne constituent même pas la raison pour laquelle elle a été prescrite. La médecine dispose déjà d’une quantité considérable de données. L’enjeu sera de transformer ces données dormantes en connaissances médicales utiles. De la donnée à la prévention Ainsi, nous devrons transformer les données produites quotidiennement par notre système de santé en véritables outils d’anticipation sanitaire. Les laboratoires, les hôpitaux, l’imagerie, les objets connectés et demain de nombreux capteurs produisent chaque jour des millions de données. Aujourd’hui, nous les utilisons essentiellement individuellement et rétrospectivement. Demain, leur analyse intelligente pourrait permettre de détecter des signaux faibles, d’identifier plus précocement des populations à risque et de personnaliser les stratégies de prévention. Nous passerions alors d’une logique dans laquelle la donnée constate à une logique dans laquelle la donnée alerte. Et c’est peut-être là que se situe la véritable rupture. Prédire ne signifie pourtant pas encore prévenir Il faut néanmoins rester prudent. Cette étude est rétrospective. Elle démontre qu’un modèle peut identifier des groupes associés à des risques différents. Elle ne démontre pas encore que connaître cette information améliore le devenir des patients. C’est une distinction essentielle. Car une prédiction médicale n’a de valeur que si elle permet une action. Que doit-on proposer à un patient identifié comme appartenant au groupe à haut risque ? Une surveillance cardiovasculaire renforcée ? Une consultation neurologique ? Une intervention plus précoce sur ses facteurs de risque ? Et surtout : ces interventions permettront-elles réellement d’éviter les événements prédits ? Les auteurs reconnaissent eux-mêmes la nécessité d’études prospectives avant tout déploiement clinique. L’enjeu des prochaines années sera donc moins de démontrer que l’IA sait prédire que de démontrer que la prédiction permet de prévenir. La prévention comme nouvelle frontière de l’IA médicale Nous avons beaucoup parlé de l’IA capable de battre des performances diagnostiques, de reconnaître une tumeur sur une image ou d’assister un médecin dans sa décision. La prochaine étape est probablement ailleurs. Elle consiste à utiliser l’intelligence artificielle pour faire apparaître des informations que nous ne savions pas voir, détecter des risques avant qu’ils ne deviennent des maladies et intervenir suffisamment tôt pour modifier les trajectoires individuelles. C’est précisément la philosophie d’une République de la prévention : ne plus attendre que la maladie apparaisse pour mobiliser notre système de santé. L’étude publiée dans Nature Communications ne démontre évidemment pas que nous sommes déjà arrivés à cette médecine prédictive. Mais elle en dessine remarquablement le chemin. La grande révolution de l’intelligence artificielle en santé ne sera peut-être finalement pas seulement que la machine diagnostique mieux ou plus vite que nous. Elle sera surtout de nous permettre de voir plus tôt ce que la médecine ne savait jusqu’ici identifier qu’une fois la maladie installée. C’est un changement profond de temporalité : passer d’une médecine qui constate et qui répare à une médecine capable de détecter des signaux faibles, d’anticiper les risques et, demain, d’intervenir avant l’apparition des complications. Les données sont déjà là, produites chaque jour par nos laboratoires, nos examens d’imagerie, nos électrocardiogrammes, nos dossiers médicaux ou, comme dans cette étude, par une simple nuit de sommeil. L’enjeu est désormais d’apprendre à les faire parler. C’est tout le sens d’un système de santé véritablement « IA-native » : non pas ajouter quelques algorithmes à la médecine d’hier, mais concevoir une médecine dans laquelle l’analyse intelligente des données devient une composante permanente du parcours de santé. La frontière décisive sera alors celle qui sépare encore aujourd’hui prédire et prévenir. Car prédire un risque n’a de sens que si cette connaissance permet d’agir et de modifier la trajectoire du patient. C’est à cette condition que l’intelligence artificielle pourra contribuer à un véritable changement de paradigme : passer d’une République du soin, qui intervient lorsque la maladie est là, à une République de la prévention, capable d’agir avant qu’elle ne s’installe. Rendez-vous mardi 25 août pour le prochain épisode « Les mardis de l’innovation en santé » David Smadja est professeur d’hématologie à l’AP-HP et à l’Université Paris Cité, responsable de la Commission Santé du Laboratoire de la République. Il est l’auteur de « La République de la prévention » aux éditions LEH (sortie le 28 août 2026). Léa Behr est CEO de RespublicIA et membre de la commission Santé du Laboratoire de la République.