L’intelligence artificielle peut-elle nous aider à restaurer la confiance dans la science ?

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.

Depuis plusieurs années, les performances de l’intelligence artificielle en médecine donnent lieu à des résultats parfois spectaculaires. Les grands modèles de langage réussissent des examens médicaux, répondent à des cas cliniques complexes et peuvent égaler, voire dépasser, les performances de professionnels sur certaines tâches diagnostiques. Mais est-ce vraiment la bonne question ? L’avenir de l’intelligence artificielle en santé ne se jouera probablement pas dans un duel entre le médecin et la machine. Il se jouera dans leur association. Pour le savoir, il faut désormais sortir des laboratoires, des benchmarks et des vignettes cliniques pour entrer dans le monde réel : celui des consultations, des patients, des prescriptions, des erreurs possibles, des contraintes de temps et des décisions quotidiennes. C’est précisément ce qu’a fait un essai pragmatique randomisé publié en 2026 dans Nature Medicine1. Son intérêt est majeur : il ne compare pas simplement une intelligence artificielle à un professionnel de santé. Il cherche à savoir ce qui se passe lorsque le professionnel est assisté par une IA générative dans sa pratique quotidienne. Et les résultats sont peut-être plus intéressants encore parce qu’ils sont nuancés. De l’IA des benchmarks à l’IA de la vraie vie L’étude a été menée dans 16 centres de soins primaires au Kenya. Au total, 103 clinical officers (des professionnels de santé qui assurent une grande partie des soins primaires dans un pays confronté à une importante pénurie médicale) ont été randomisés entre deux groupes : 52 utilisaient un dossier médical électronique intégrant une assistance par grand modèle de langage (LLM), tandis que 51 travaillaient avec le même dossier médical, mais sans cette assistance. Plus de 9 000 patients ont finalement été analysés. Le choix du Kenya n’est pas anodin. Dans de nombreux pays à ressources limitées, les professionnels de première ligne doivent prendre des décisions diagnostiques et thérapeutiques complexes sans pouvoir systématiquement solliciter un spécialiste ou un médecin senior. L’intelligence artificielle pourrait donc théoriquement constituer une forme d’expertise complémentaire immédiatement disponible. Mais les auteurs ont surtout fait un choix méthodologique essentiel : tester l’IA dans les conditions réelles du soin. Nous savons déjà que certains grands modèles de langage obtiennent d’excellents résultats lorsqu’on leur soumet des cas cliniques standardisés. Les auteurs rappellent eux-mêmes que des travaux sur des vignettes suggèrent que les LLM peuvent égaler ou dépasser les professionnels sur certaines tâches de diagnostic ou de triage. Mais les preuves prospectives dans la vraie vie restent beaucoup plus limitées. Or réussir un examen médical n’est pas soigner un patient. Un véritable copilote intégré à la consultation L’outil testé, appelé AI Consult, était directement intégré au dossier médical électronique. C’est un point essentiel. Le professionnel n’avait pas besoin d’ouvrir un chatbot, de copier le dossier du patient ou de rédiger une question spécifique. Au cours de la consultation, le système analysait automatiquement les données structurées et les textes saisis dans le dossier médical, puis générait des recommandations diagnostiques et thérapeutiques contextualisées. Le système pouvait signaler l’absence de problème, une difficulté mineure ou une situation critique grâce à un système visuel à trois niveaux. Mais surtout, le professionnel conservait la décision finale. Il pouvait accepter, modifier ou ignorer les suggestions formulées par l’intelligence artificielle. Nous sommes donc loin de l’image parfois fantasmée d’une intelligence artificielle autonome se substituant au médecin. Il s’agit plutôt d’un copilote clinique : une seconde capacité d’analyse, présente en permanence mais placée sous le contrôle du professionnel : Le résultat principal est… négatif. Et c’est probablement ce qui rend cette étude particulièrement intéressante. Le critère principal était exigeant et très concret : l’échec thérapeutique dans les 14 jours suivant la consultation, incluant notamment la persistance des symptômes, une réorientation non programmée vers un niveau de soins supérieur ou certains événements de sécurité. Résultat : l’IA n’a pas significativement amélioré ce critère. Un échec thérapeutique est survenu chez 2,2 % des patients du groupe assisté par IA contre 2,0 % dans le groupe contrôle. Après ajustement, la différence n’était pas statistiquement significative (aOR 0,77 ; IC à 95 % 0,55–1,08 ; P = 0,13). À l’heure où chaque nouvelle version d’un modèle d’intelligence artificielle donne lieu à des annonces de performances toujours plus impressionnantes, il est important de savoir écrire cette phrase : Dans cet essai, l’IA n’a pas démontré qu’elle améliorait le devenir clinique à court terme des patients. Mais loin de diminuer l’intérêt du travail, ce résultat marque peut-être une étape de maturité. L’intelligence artificielle médicale entre dans l’ère de l’evidence-based medicine. Une innovation doit démontrer son utilité, pas seulement sa performance Nous n’accepterions pas qu’un nouveau médicament soit utilisé à grande échelle simplement parce qu’il fonctionne remarquablement bien dans une simulation. Pourquoi devrions-nous raisonner différemment avec l’intelligence artificielle ? Une excellente performance algorithmique n’est pas nécessairement synonyme de bénéfice clinique. Entre les deux interviennent le professionnel, le patient, l’organisation des soins, l’adhésion thérapeutique, le contexte social, la qualité des données et une multitude de facteurs qui constituent précisément la complexité de la médecine. C’est pourquoi 2026 doit probablement marquer un changement de paradigme dans notre manière d’évaluer l’IA en santé : passer de la performance technique à l’utilité clinique. Et l’étude kenyane montre que cette évaluation doit être exigeante. Pourtant, quelque chose s’améliore. Le critère principal est négatif, mais certains résultats secondaires sont particulièrement intéressants. Parmi 2 000 consultations évaluées spécifiquement, l’assistance par LLM améliore significativement la qualité de la documentation médicale. Les professionnels utilisant l’IA étaient plus susceptibles de documenter un diagnostic approprié (aOR 1,74), de produire une note clinique complète (aOR 1,68) et de consigner un plan thérapeutique approprié (aOR 1,71).  L’intervention n’a par ailleurs pas dégradé la satisfaction des patients. La durée médiane des consultations était de 11 minutes dans les deux groupes. Enfin, le coût direct d’utilisation du modèle était, dans cette expérimentation, extrêmement faible : environ 0,04 dollar par patient. Cela dessine une vision beaucoup plus réaliste de l’IA médicale. Son premier bénéfice ne sera peut-être pas de produire immédiatement une réduction spectaculaire de la mortalité. Il pourrait commencer par une multitude d’améliorations plus discrètes : mieux documenter, mieux synthétiser, attirer l’attention sur un oubli, améliorer la pertinence d’un plan thérapeutique, faciliter l’accès aux connaissances et réduire progressivement certaines erreurs. Le médecin augmenté plutôt que le médecin remplacé Pendant plusieurs années, une partie du débat sur l’intelligence artificielle en médecine a été organisée autour d’une question presque sportive : qui sera le meilleur, l’homme ou la machine ? Cette étude invite à poser la question autrement : dans quelles conditions l’association de l’intelligence humaine et de l’intelligence artificielle produit-elle une meilleure médecine ? Car le professionnel reste indispensable. L’étude le montre d’ailleurs de manière très concrète. Dans une analyse portant sur 1 000 alertes rouges générées par le LLM, 3,1 % des recommandations ont été considérées comme quelque peu dangereuses ou inappropriées et 1,1 % comme dangereuses et inappropriées. Les professionnels, eux, pouvaient choisir de suivre totalement, partiellement ou de ne pas suivre la recommandation. Cette capacité de jugement est fondamentale. Le médecin n’est donc pas nécessairement la variable que l’IA doit faire disparaître. Il est peut-être précisément la condition qui permet de transformer la puissance de l’IA en décision médicale pertinente. Cela impose évidemment une nouvelle compétence : savoir utiliser l’intelligence artificielle, mais aussi savoir lui résister. Les auteurs alertent d’ailleurs sur un risque essentiel : une dépendance prolongée au raisonnement automatisé pourrait conduire à une perte progressive de certaines compétences professionnelles. Le défi sera donc de concevoir des outils qui renforcent le raisonnement clinique plutôt qu’ils ne s’y substituent.  Après avoir appris à construire l’IA médicale, apprenons à l’évaluer Ce travail soulève enfin une question méthodologique passionnante. Nous savons relativement bien comment évaluer un médicament ciblant une pathologie précise. Mais comment évaluer une technologie généraliste qui intervient simultanément sur le diagnostic, la documentation, la prescription, l’organisation et potentiellement le temps médical ? Les auteurs soulignent que des événements objectifs comme l’hospitalisation ou le décès sont heureusement rares en soins primaires. Démontrer un effet modeste sur ces événements pourrait nécessiter des essais dépassant 100 000 patients. Ils posent donc explicitement la question des critères pertinents pour évaluer une technologie généraliste comme un LLM appliqué aux soins primaires. Cette question deviendra centrale. Il faudra bien sûr mesurer la mortalité, les complications ou les hospitalisations lorsqu’elles sont pertinentes. Mais il faudra également mesurer les erreurs évitées, la qualité des décisions, le temps médical gagné, la charge cognitive des professionnels, les coûts, la satisfaction des patients et la qualité de la relation humaine. Après avoir appris à construire l’IA médicale, nous devons maintenant apprendre à l’évaluer. Du copilote au système de santé « IA-native » Cette étude permet enfin d’entrevoir une transformation encore plus profonde en passant de systèmes numériques traditionnels vers des systèmes véritablement « IA-native » dont nous avons déjà parlé dans notre épisode de la semaine dernière. La distinction est importante. Un système IA-native n’est pas un logiciel ancien auquel on ajoute ponctuellement une fonctionnalité d’intelligence artificielle. Il est conçu dès l’origine pour que l’IA participe en permanence à l’organisation, à l’interprétation et à la restitution de l’information, afin d’aider les professionnels dans leurs décisions.  L’expérimentation kenyane en constitue déjà une première illustration concrète. Le professionnel ne « va » pas chercher l’intelligence artificielle : celle-ci est intégrée dans son environnement de travail, analyse les informations au fur et à mesure et lui restitue les éléments qu’elle juge pertinents. À terme, cette logique pourrait transformer profondément le dossier patient. Celui-ci ne serait plus seulement un réservoir dans lequel s’accumulent comptes rendus, prescriptions et résultats biologiques. Il pourrait devenir une plateforme dynamique de connaissances, capable de synthétiser l’information, de signaler les risques et d’accompagner la décision médicale. C’est précisément l’évolution vers laquelle peuvent tendre les systèmes IA-native.  Mais pour que cette transformation soit utile, une règle doit demeurer : l’IA propose, le professionnel comprend, contextualise et décide. Cette étude ne démontre donc pas encore que l’intelligence artificielle améliore le pronostic des patients. Et c’est précisément ce qui la rend intéressante. Elle marque le passage d’une époque de fascination technologique à une époque d’évaluation clinique. Nous avons passé plusieurs années à demander si l’IA pouvait réussir un examen médical, reconnaître une image ou répondre mieux qu’un médecin à une vignette clinique. Ces comparaisons étaient nécessaires. Elles ne suffisent plus. 2026 doit être l’année où nous cessons d’évaluer uniquement l’IA contre le médecin pour commencer à évaluer la pratique médicale avec l’IA La véritable révolution de l’intelligence artificielle en santé ne résidera pas seulement dans la performance des algorithmes. Elle se jouera dans notre capacité à transformer l’organisation même du système de santé pour le rendre plus prédictif, plus personnalisé et davantage tourné vers l’anticipation.  Le véritable enjeu n’est donc pas de remplacer le médecin. Il est de lui donner de nouvelles capacités : mieux exploiter l’information, repérer plus tôt certains risques, réduire sa charge cognitive et administrative et lui rendre du temps pour ce qui demeure au cœur de son métier : écouter, expliquer, décider et accompagner. C’est là que l’intelligence artificielle rejoint directement l’ambition d’une République de la prévention. Une médecine augmentée par l’IA ne doit pas seulement permettre de mieux soigner une maladie lorsqu’elle apparaît. Elle doit progressivement nous aider à détecter plus tôt, anticiper davantage, personnaliser la prévention et intervenir avant que certaines complications ne surviennent. La réussite de cette révolution ne se mesurera donc pas au nombre d’algorithmes installés dans les hôpitaux ou au nombre de réponses correctes obtenues à un benchmark. Elle se mesurera au nombre de complications évitées, d’hospitalisations prévenues, d’années de vie gagnées en bonne santé et au temps médical réellement rendu aux patients : si l’IA réussit sa révolution, elle finira peut-être par devenir presque invisible. Les patients ne diront pas qu’ils ont été pris en charge par un système « augmenté » ou « IA-native ». Ils diront simplement qu’ils ont été mieux soignés et, surtout, mieux protégés. L’avenir n’est probablement ni le médecin sans IA, ni l’IA sans médecin. Il est celui d’un médecin augmenté par l’IA, au service d’une médecine plus humaine, plus précoce et plus préventive. Rendez-vous mardi 1er septembre 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.

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 »