Le rapport d’Élisabeth Hubert, Nicolas Bouzou, Stéphane Junique et Franck Von Lennep (accessible ici) a un mérite essentiel : replacer la prévention au centre de la transformation de notre système de santé. Vieillissement de la population, progression des maladies chroniques, innovations thérapeutiques de plus en plus efficaces mais parfois très coûteuses : la dépense de santé va continuer à augmenter. Dans le même temps, le déficit de l’Assurance maladie pourrait atteindre 17,7 milliards d’euros en 2029 en l’absence de mesures nouvelles. Nous pouvons continuer à chercher qui paiera demain quelques milliards supplémentaires. Mais il ne faut pas simplement déplacer la facture entre Sécurité sociale, complémentaires et patients. Car la vraie question est ailleurs : comment éviter qu’une partie de cette facture n’apparaisse ? C’est ici que le rapport ouvre une voie intéressante. Il propose de faire évoluer les complémentaires vers de véritables « organismes d’assurance santé », dont les missions ne seraient plus seulement de rembourser, mais également de prévenir et d’accompagner. Cette évolution va dans la bonne direction. Mais elle ne produira ses effets que si nous allons au bout du raisonnement. La prévention n’est pas une dépense : c’est un investissement Notre système reste construit autour d’une logique simple : nous dépensons massivement lorsque la maladie est là.Nous savons financer un infarctus, une hospitalisation ou un cancer diagnostiqué tardivement. Nous sommes beaucoup moins organisés pour financer ce qui aurait permis de les prévenir ou de les détecter plus tôt. C’est le paradoxe français : nous avons construit une démocratie du soin, mais pas encore une démocratie de la prévention. Le rapport propose que les futurs organismes d’assurance santé consacrent au moins 2 % de leurs cotisations à la prévention. L’intention est juste, mais une obligation de dépense ne garantit pas une meilleure prévention. Dépenser 2 % ne nous dira jamais si nous avons mieux prévenu. Ce dont nous avons besoin, ce n’est pas d’une ligne comptable supplémentaire, mais d’un financement autonome de la prévention : clairement identifié, sanctuarisé, pluriannuel et associé à des objectifs sanitaires mesurables. Il faut donc passer d’une obligation de moyens à une obligation de résultats. D’autant que les dépenses aujourd’hui qualifiées de « prévention » recouvrent des pratiques très hétérogènes. L’argent de la prévention doit aller en priorité vers des interventions dont l’efficacité est scientifiquement établie et les résultats évaluables. La question n’est pas seulement de savoir combien nous dépensons pour prévenir, mais ce que cette dépense change réellement dans la santé des Français. Ne faisons pas payer la maladie au nom de la prévention Je suis en revanche beaucoup plus réservé sur la possibilité d’introduire de nouvelles franchises. Une franchise fait d’abord payer celui qui consomme des soins. Et celui qui consomme beaucoup de soins est souvent celui qui est déjà malade. Je ne crois pas que l’on construise une politique de prévention en faisant davantage payer la maladie. La même vigilance doit s’appliquer aux mécanismes de bonus prévention. Encourager la vaccination, le dépistage ou la participation à certains parcours peut être utile. Mais nous devons tracer une frontière infranchissable : aucune politique de prévention ne doit conduire, directement ou indirectement, à tarifer les individus selon leur état de santé. Car les personnes les plus éloignées de la prévention sont souvent aussi celles qui rencontrent le plus de difficultés sociales, territoriales ou informationnelles. Une bonne politique de prévention n’est donc pas celle qui récompense seulement ceux qui savent déjà prendre soin de leur santé. C’est celle qui va chercher ceux que notre système ne parvient pas aujourd’hui à atteindre. L’école et le travail : les deux grandes portes d’entrée Si nous voulons vraiment changer d’échelle, nous devons investir là où nous pouvons toucher presque toute la population : à l’école et au travail. L’école permet de repérer tôt les troubles de santé mentale, les difficultés sensorielles, l’obésité, les addictions ou certaines vulnérabilités sociales. C’est aussi là que se construisent des comportements de santé pour des décennies. Le travail constitue l’autre grande infrastructure de prévention de notre pays. Pourtant, ces deux piliers restent largement à la périphérie de notre système de santé et relèvent d’organisations ministérielles différentes. Avec une conséquence très concrète : selon l’école, l’entreprise ou le territoire, l’accès à la prévention peut être profondément inégal, particulièrement là où la démographie médicale est déjà fragile. On ne peut pas bâtir une politique nationale de prévention sur une telle hétérogénéité. Santé scolaire, santé au travail et système de soins doivent donc être beaucoup mieux coordonnés : la prévention ne doit pas s’arrêter aux frontières d’un ministère. Donner des responsabilités suppose de donner les moyens d’agir Le rapport a également raison de vouloir mobiliser davantage les complémentaires dans la prévention. Mais il existe une contradiction à leur demander de financer davantage des parcours tout en limitant leur capacité à les organiser et à les évaluer. Le rapport précise d’ailleurs que les organismes d’assurance santé n’auraient pas vocation à « structurer et coordonner les parcours de soins », mais plutôt à en être les facilitateurs. C’est probablement insuffisant. Si l’on confie de nouvelles responsabilités à un acteur, il faut lui donner les leviers nécessaires pour les exercer. Cela ne signifie évidemment ni privatiser notre système de santé ni abandonner le rôle de l’Assurance maladie. Cela signifie organiser une véritable responsabilité partagée autour d’objectifs publics. L’État fixe les garanties, les règles scientifiques, les objectifs nationaux et assure la solidarité. L’Assurance maladie conserve son rôle fondamental. Mais les complémentaires, les professionnels de santé, les entreprises et les collectivités doivent pouvoir participer réellement à la construction des parcours préventifs. Pas de nouvelle responsabilité sans capacité d’action. Mais pas de capacité d’action sans évaluation des résultats. La révolution de la prévention sera territoriale et numérique Pour transformer réellement la prévention, il faut agir sur deux fronts : donner davantage de capacité d’action aux territoires et en particulier aux régions et engager une véritable révolution numérique. L’État doit rester le garant de l’égalité et de la solidarité nationale, mais la prévention se joue dans la vie réelle : les besoins d’un adolescent en Seine-Saint-Denis ne sont pas ceux d’un retraité en zone rurale, d’un salarié d’un bassin industriel ou d’une femme vivant dans un territoire ultramarin. Les moyens doivent donc être davantage orientés selon les besoins sanitaires réels des populations, avec des objectifs mesurables. Régions, Assurance maladie, professionnels de santé, collectivités, écoles, santé au travail et organismes complémentaires pourraient contractualiser autour de priorités pluriannuelles : vaccination, santé mentale, risque cardio-vasculaire, obésité, dépistages, santé des femmes ou vieillissement en bonne santé. Mais cette territorialisation restera incomplète sans une révolution de la donnée. Aujourd’hui encore, nos informations de santé circulent mal : des examens sont répétés faute d’accéder aux résultats, tandis que les données de vaccination, de dépistage, de biologie ou de santé au travail restent trop dispersées. Faire communiquer les systèmes entre eux doit devenir une priorité. L’intelligence artificielle peut ensuite permettre d’aller plus loin : identifier plus tôt les risques, mieux atteindre les populations éloignées de la prévention, éviter des examens inutiles, mieux orienter les patients et évaluer l’efficacité des politiques menées dans chaque territoire. Dans un cadre sécurisé et respectueux des droits de chacun, il ne s’agit ni de surveiller les individus ni de remplacer les soignants, mais de donner aux professionnels et aux territoires les moyens d’agir plus tôt, là où les besoins sont les plus forts. Sans cette double révolution, territoriale et numérique, les microréformes resteront des ajustements. Le rapport Hubert-Bouzou-Junique-Von Lennep constitue donc une étape importante. Il reconnaît que la prévention doit devenir l’une des missions structurantes de notre système de santé et que l’organisation actuelle entre Assurance maladie et complémentaires doit évoluer. Mais il faut maintenant franchir une étape supplémentaire. Au fond, le sujet n’est pas seulement de savoir qui rembourse quoi. Ce débat est indispensable, mais il appartient encore au monde d’hier. Le véritable enjeu est de construire un financement autonome et durable de la prévention, fondé sur la science, évalué sur ses résultats, déployé prioritairement à l’école et au travail, organisé au plus près des territoires et appuyé sur la révolution numérique. Car le choix qui est devant nous est finalement assez simple : continuer à chercher comment financer toujours davantage la maladie, ou commencer enfin à investir dans la santé. C’est cette bascule que nous devons maintenant organiser. David Smajda est professeur d’Hématologie et chef de service (Hôpital Européen Georges Pompidou et Université Paris Cité), responsable de la commission Santé du Laboratoire de la République, auteur de « La République de la prévention » aux éditions LEH. Retrouvez la tribune de David Smadja sur le site du Point.

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

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

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

Alors que l’IA s’impose comme l’un des grands récits de transformation du système de santé, un angle pourtant décisif demeure trop souvent relégué au second plan : celui des données qui la rendent possible. Leur qualité, leur disponibilité, leur protection et leur gouvernance conditionneront la capacité de la France à convertir la promesse technologique en progrès médical, industriel et démocratique. Deux échéances en font désormais un sujet stratégique : la migration de la Plateforme des données de santé vers un hébergeur français et l’entrée en application progressive de l’Espace européen des données de santé. Depuis plusieurs années, le débat public s’est concentré sur la performance des algorithmes, leurs promesses diagnostiques, leurs risques éthiques et leur capacité à transformer les pratiques médicales. Cette focale est nécessaire, mais insuffisante. Une IA de santé n’a de valeur que par la donnée qui l’alimente : son origine, son niveau de qualité, ses conditions d’accès, son hébergement, ses usages autorisés et la confiance qu’elle inspire aux citoyens. En somme, parler uniquement des algorithmes, revient à disserter de manière exclusive sur la couleur du véhicule en oubliant ce qui le fait avancer : son carburant, les données qui l’alimente. Les professionnels interrogés au fil de cette série convergent vers un même constat. Qu’il s’agisse du Pr Florian Scotté, attaché à préserver la décision partagée et la place du soignant, de la Dr Marie Sockeel, qui relie directement innovation, accès au marché et souveraineté numérique, ou du Pr Cécile Badoual, qui insiste sur le temps médical et le doute clinique, tous rappellent que l’IA en santé ne se résume pas à une performance technique. Les questions de souveraineté, de protection, de financement de l’accès aux données et de structuration des prélèvements ne sont pas périphériques : elles constituent l’infrastructure même de l’innovation en santé. Un trésor que nous exploitons trop peu La France se trouve face à un paradoxe stratégique. Avec le Système national des données de santé (SNDS), elle dispose d’un patrimoine médico-administratif d’une ampleur exceptionnelle, couvrant la quasi-totalité de la population et souvent présenté comme l’un des plus riches au monde. Créé par la loi de modernisation de notre système de santé du 26 janvier 2016, puis élargi par la loi du 24 juillet 2019, le SNDS agrège notamment les remboursements de l’Assurance maladie, l’activité hospitalière et les causes médicales de décès. Un tel actif devrait constituer un avantage comparatif majeur pour la recherche, l’évaluation des politiques publiques, la pharmacovigilance et le développement d’innovations fondées sur des preuves en vie réelle. Il demeure pourtant insuffisamment exploité. La difficulté n’est pas seulement juridique ; elle est aussi technique, organisationnelle et culturelle. Détenir une donnée n’équivaut pas à pouvoir l’utiliser : encore faut-il qu’elle soit qualifiée, documentée, interopérable et accessible dans des conditions prévisibles. Repère · Le SNDS, mémoire administrative de notre système de santé Le Système national des données de santé est l’un des grands actifs invisibles de la puissance sanitaire française. Il relie les principales bases médico-administratives du pays (remboursements de l’Assurance maladie, activité hospitalière, causes médicales de décès) et couvre la quasi-totalité de la population. Sa valeur ne tient pas seulement à son volume, mais à sa continuité : il permet de suivre les parcours de soin, d’évaluer les pratiques et de produire des connaissances en vie réelle. Parce qu’il porte sur des données particulièrement sensibles, son accès reste strictement encadré : les données mises à disposition ne comportent pas, en principe, d’identifiants directement lisibles, et leur réutilisation suppose des autorisations, des finalités définies et des garanties de sécurité. La souveraineté sort enfin du discours La question de la souveraineté numérique en santé illustre le passage d’un débat de principe à une décision industrielle. Depuis sa création en 2019, la Plateforme des données de santé s’appuyait sur l’infrastructure cloud de Microsoft Azure, choix qui avait nourri une controverse durable en raison des risques associés à l’extraterritorialité du droit américain. Pour des données aussi sensibles que les données de santé, la localisation juridique et opérationnelle de l’hébergement n’est pas un détail technique : elle participe directement de la confiance publique. Le choix annoncé le 23 avril 2026 de confier l’hébergement à Scaleway, filiale française du groupe Iliad, marque une inflexion politique nette. La migration vers un cloud souverain vise à renforcer la sécurité, la maîtrise technologique et la confiance des acteurs de la recherche comme des citoyens. Elle ne règle pas à elle seule l’ensemble des questions : la trajectoire de qualification SecNumCloud, les exigences de sécurité, la résilience opérationnelle et la capacité à accompagner des usages scientifiques à grande échelle devront être suivies dans la durée. Mais elle transforme la souveraineté numérique en donnée concrète de politique publique. Cette dimension est d’autant plus centrale que l’innovation française se heurte à une concurrence internationale déjà structurée. La Dr Marie Sockeel le soulignait dans cette série à propos de l’anatomopathologie : les outils existent, les besoins cliniques sont avérés, mais l’accès au marché, l’évaluation médico-économique et le financement hospitalier conditionnent leur diffusion réelle. La souveraineté ne consiste donc pas seulement à héberger les données en France : elle suppose aussi de donner aux innovations utiles les moyens d’être évaluées, financées et déployées sur le territoire. Un cadre européen qui rebat les cartes Cette inflexion nationale s’inscrit dans un mouvement européen plus large. Le règlement relatif à l’Espace européen des données de santé, publié au Journal officiel de l’Union européenne le 5 mars 2025 et entré en vigueur le 26 mars 2025, crée le premier cadre sectoriel européen destiné à organiser l’accès, le partage et la réutilisation des données de santé. Le règlement distingue deux usages structurants : l’usage primaire vise à permettre aux citoyens d’accéder plus facilement à leurs données et à améliorer la continuité des soins, notamment dans un cadre transfrontalier. l’usage secondaire organise la réutilisation des données pour la recherche, l’innovation, les politiques publiques et les activités réglementaires, dans des environnements sécurisés et sous contrôle. Ce compromis européen repose sur une ligne de crête : faciliter l’accès aux données sans affaiblir les droits des personnes ni la protection des usages sensibles. Les principaux actes d’exécution doivent être adoptés d’ici 2027, tandis que l’application des obligations les plus structurantes s’échelonnera à partir de 2029. Or les capacités requises (qualité des données, interopérabilité, gouvernance des accès, traçabilité, sécurisation des environnements) ne se construisent pas en quelques mois. Les États, établissements et acteurs industriels qui anticiperont cette transition disposeront d’un avantage décisif. En France, cette mise en œuvre suppose de désigner l’organisme responsable de l’accès aux données (ORAD), pendant national du Health Data Access Body prévu par le règlement. Cette désignation, attendue dans le cadre d’un projet de loi en 2026 et à notifier à la Commission européenne d’ici mars 2027, n’est pas encore tranchée : les missions concernées sont aujourd’hui réparties entre la CNIL, la Plateforme des données de santé et le comité éthique et scientifique compétent. La Plateforme des données de santé apparaît comme l’acteur le mieux placé, mais rien n’est encore acté. L’EHDS marque ainsi un changement de doctrine : après une séquence dominée par la protection et la mise en conformité, l’Europe affirme que la circulation encadrée des données peut devenir un instrument de puissance scientifique, industrielle et sanitaire. Le RGPD demeure le socle ; l’EHDS ajoute une ambition d’usage. La difficulté consistera à faire coexister protection, efficacité administrative et capacité d’innovation. Repère · L’EHDS, le pari européen de la circulation encadrée Avec l’Espace européen des données de santé, l’Union européenne tente de résoudre une tension centrale : mieux faire circuler les données de santé sans affaiblir la protection des personnes. Le règlement crée un cadre commun pour deux usages : l’accès des citoyens à leurs propres données et leur réutilisation, sous contrôle, pour la recherche, l’innovation, les politiques publiques et les activités réglementaires. Le changement est considérable : l’Europe ne considère plus seulement la donnée de santé comme une information à protéger, mais aussi comme une ressource d’intérêt général à gouverner. Le RGPD demeure le socle, tandis que l’EHDS ajoute une ambition d’usage, d’interopérabilité et de circulation sécurisée. Son application sera progressive : les actes d’exécution sont attendus d’ici 2027, avant une première vague d’obligations à partir de 2029, puis une seconde à partir de 2031, notamment pour l’imagerie médicale, les résultats de laboratoire et les données génomiques. Le calendrier laisse du temps, mais pas de marge d’improvisation. Ouvrir, protéger, structurer : l’équation à trois termes Les prochaines années imposeront de tenir ensemble trois impératifs que le débat public oppose trop souvent : le premier est l’ouverture : sans accès effectif aux données, la recherche, l’évaluation et les entreprises innovantes resteront dépendantes de jeux fragmentés, insuffisants ou difficilement comparables. le deuxième est la confiance : sans garanties fortes sur la sécurité, les finalités d’usage et la transparence, l’acceptabilité sociale de l’innovation s’érodera. le troisième est la gouvernance : sans règles lisibles, délais prévisibles et responsabilités clairement établies, les meilleures intentions se heurteront à l’inertie institutionnelle. Le modèle économique de cet accès sera également décisif. Les détenteurs de données ne peuvent être traités comme de simples réservoirs passifs : ils supportent des coûts de production, de documentation, de sécurisation et de mise à disposition. En reconnaissant la possibilité de redevances et de garanties relatives à la propriété intellectuelle comme au secret des affaires, le cadre européen ouvre la voie à un partage plus soutenable, à condition que celui-ci ne reconstitue pas des barrières d’accès excessives. Reste l’enjeu le moins visible, mais probablement le plus déterminant : la structuration. Une donnée de santé n’a de valeur collective que si elle peut être comprise, comparée, reliée et réutilisée. Cela suppose des standards, des investissements, des compétences et un accompagnement des équipes qui produisent la donnée au plus près du soin. La souveraineté de l’hébergement et l’ambition européenne ne produiront leurs effets que si la France investit dans cette infrastructure ordinaire de la qualité. Cette exigence rejoint également l’idée d’un « soignant augmenté » : non pas un professionnel remplacé par la machine, mais un clinicien capable de gagner du temps sans renoncer au doute. C’est dans cette articulation entre données de qualité, outils compréhensibles et responsabilité humaine que l’IA peut devenir un instrument de soin plutôt qu’un facteur d’automatisation aveugle. Le socle d’une République de la prévention L’innovation en santé ne se jouera donc pas uniquement dans les laboratoires, les start-up ou les modèles d’intelligence artificielle. Elle se jouera dans une infrastructure moins spectaculaire, mais plus décisive : la capacité collective à gouverner les données de santé comme un bien stratégique. Les protéger, les rendre accessibles, les documenter, les héberger dans des conditions maîtrisées et les mettre au service de finalités d’intérêt général : tel est le véritable agenda des prochaines années. Comme le rappelait le Pr Florian Scotté, l’IA ne doit pas devenir un effecteur qui décide à la place du médecin ; elle doit demeurer un outil au service d’une décision médicale partagée. Cette exigence rejoint une ambition plus large : passer d’un système centré sur la réparation à une République de la prévention. La répartition actuelle des dépenses, massivement orientée vers le curatif (80% pour le curatif, 20% pour le préventif), ne pourra durablement soutenir les besoins sanitaires et démographiques des prochaines décennies. Donner corps à cette ambition suppose de détecter plus tôt, de comprendre les trajectoires de santé, d’identifier les signaux faibles et d’évaluer les politiques publiques sur des bases objectivées. Sans données fiables, gouvernées et exploitables, cette ambition restera déclarative ; avec elles, la France peut transformer son patrimoine de santé en un levier de prévention, de souveraineté et de progrès médical. 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 8 septembre pour le prochain épisode « Les mardis de l’innovation en santé » Sources Commission européenne, « Règlement relatif à l’espace européen des données de santé (EHDS) », health.ec.europa.eu (calendrier, usages primaire et secondaire, estimations économiques). Règlement (UE) 2025/327 du Parlement européen et du Conseil du 11 février 2025 relatif à l’espace européen des données de santé, Journal officiel de l’UE, 5 mars 2025. Ministère de la Santé (sante.gouv.fr) et Délégation au numérique en santé : mise en œuvre de l’EHDS en France, concertation publique de 2025, calendrier national. Doctrine du numérique en santé et G_NIUS (esante.gouv.fr) : usage secondaire, Organisme responsable de l’accès aux données (ORAD), statut de détenteur de données, redevances et garanties. Choix de Scaleway pour l’hébergement du SNDS, annonce du ministère de la Santé et du Health Data Hub, 23 avril 2026. Assurance maladie (ameli.fr), CNIL, Inserm, DREES : présentation du SNDS, périmètre, bases constitutives et cadre légal (lois n° 2016-41 du 26 janvier 2016 et n° 2019-774 du 24 juillet 2019). Entretiens « Les mardis de l’innovation en santé » : Pr Florian Scotté, « Si on laisse l’IA décider de tout, on n’est plus dans le partage », 14 juillet 2026 ; Dr Marie Sockeel, « Nos concurrents internationaux sont féroces, ils ne vont pas laisser passer le marché », 21 juillet 2026 ; Pr Cécile Badoual, « Le soignant augmenté : gagner du temps sans perdre le doute ».

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.