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.

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

Le sujet n'est plus la canicule mais notre incapacité collective à comprendre qu'elle n'est plus un épisode exceptionnel, mais une réalité sanitaire du XXIᵉ siècle. Demain, ces épisodes seront plus fréquents et plus intenses. Il est temps de les considérer comme un défi permanent de santé publique. Comme les maladies chroniques, les vagues de chaleur ne relèvent plus de l'exception. Nous continuons pourtant à raisonner en gestion de crise alors qu'il faudrait raisonner en prévention. Notre santé dépend autant de notre environnement que des soins reçus. Qualité de l'air, logement, conditions de travail, bruit ou exposition aux fortes chaleurs façonnent durablement notre état de santé. La santé environnementale rappelle qu'une politique de santé commence dans l'aménagement des territoires. Le débat public reste ainsi enfermé dans une logique curative : climatisation, oui ou non ? Notre système réagit aux crises plus qu'il ne les anticipe. Les images observées cette semaine dans plusieurs hôpitaux français sont éloquentes : salles transformées en espaces de rafraîchissement, couvertures de survie aux fenêtres, équipes contraintes d'improviser dans des bâtiments inadaptés. Pourquoi nos hôpitaux demeurent-ils aussi vulnérables alors que ces épisodes sont prévisibles ? Notre modèle privilégie naturellement les dépenses de soins. Nous savons financer une hospitalisation, une intervention ou un examen. En revanche, nous avons beaucoup plus de difficultés à financer les investissements qui permettent précisément d'éviter que ces soins deviennent nécessaires. La tarification à l'activité (T2A) a profondément amélioré la transparence du financement hospitalier. Mais elle demeure orientée vers la production de soins. Adapter un hôpital aux fortes chaleurs, rénover son bâti, améliorer son isolation thermique, végétaliser ses espaces, développer des solutions de rafraîchissement passif, moderniser les systèmes de ventilation ou réduire les îlots de chaleur ne produisent pas immédiatement des actes médicaux. Pourtant, ces investissements évitent demain des hospitalisations, des complications et parfois des décès. L'adaptation au changement climatique est désormais une mission de santé publique. Elle concerne les collectivités, les urbanistes, les architectes, les entreprises, les établissements scolaires et les professionnels de santé. Une ville qui réduit les îlots de chaleur et protège les plus vulnérables produit déjà de la santé. Un hôpital adapté aux fortes chaleurs est lui aussi un outil de prévention. Cette ambition suppose également de repenser l'organisation de l'État. La Délégation à l'aménagement du territoire et à l'action régionale (DATAR), créée en 1963, fut le symbole d'une puissance publique capable de planifier et de transformer durablement les territoires. Face au défi climatique, une proposition de « DATAR 2.0 » pourrait réunir des compétences aujourd'hui dispersées entre de nombreuses administrations. Au fond, la canicule agit comme un révélateur : elle montre les limites d'une action publique encore organisée pour réparer plutôt que pour prévenir. Le meilleur investissement est souvent celui qui évite que la crise n'advienne. 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). Retrouvez la tribune de David Smadja sur le site de Ouest-France.

Entretien avec Hermine Tranié, présidente et co-fondatrice de ClarityCare AI (English version below). L’intelligence artificielle est souvent associée au diagnostic, à la radiologie ou à la découverte de nouveaux médicaments. Pourtant, elle peut aussi transformer un aspect beaucoup moins visible, mais essentiel, du système de santé : l’accès aux soins. Aux États-Unis, les procédures de prior authorization retardent chaque année des millions de traitements. ClarityCare AI s’est donné pour mission d’automatiser ces démarches afin de permettre aux patients d’accéder plus rapidement aux soins. Nous recevons aujourd’hui Hermine Tranié, présidente-cofondatrice de ClarityCare AI. Le parcours entrepreneurial Bonjour Hermine, vous avez aujourd’hui créé une entreprise de santé numérique aux États-Unis. Pourtant, rien ne vous prédestinait forcément à cette aventure. Quel a été votre parcours ? Je ne suis pas devenue entrepreneure parce que j’avais une idée. Je le suis devenue parce que j’avais trouvé un problème que je ne pouvais plus ignorer. Au MIT, puis au fil d’expériences variées, j’ai eu la chance de travailler sur presque tous les aspects de l’industrie de la santé : la découverte de médicaments, l’optimisation de la planification hospitalière, les essais cliniques, les dispositifs médicaux. C’est ce parcours qui m’a fait découvrir une réalité simple : l’accès au soin ne dépend pas seulement de la science. La plupart du temps, il s’agit d’obtenir un rendez-vous, d’avoir une garantie financière sur la couverture du soin, ou tout simplement de pouvoir récupérer son médicament à la pharmacie. La prior authorization est précisément le mécanisme qui apporte cette garantie financière au patient et au médecin, et qui sécurise l’ensemble du processus. C’est là que j’ai décidé d’agir. Comment avez-vous eu cette idée ? Je n’ai pas eu d’idée au sens où on l’entend d’habitude : il n’y a pas eu d’illumination. ClarityCare est née d’une succession de constats qui ont fini par rendre ce travail inévitable. Ma recherche au MIT m’avait laissée avec un constat frustrant : l’immense majorité des données cliniques générées chaque jour ne sont pas, ou très peu, utilisées pour aider le patient. Plutôt que de poursuivre ma recherche, j’ai décidé de sortir du campus et d’aller me confronter au terrain. J’ai rejoint un incubateur, où j’ai rencontré Alex, mon associé, qui venait du monde de l’assurance. Tous les deux, nous avons fait du porte-à-porte dans les cabinets médicaux de Lower Manhattan pour comprendre le système de santé de l’intérieur. Très vite, les équipes administratives des cabinets nous préparaient d’énormes dossiers documentant leurs tâches et leurs échanges avec les assureurs, et un sujet revenait systématiquement : la prior authorization, cette autorisation préalable qui relie le médecin à l’assureur avant chaque soin. Dans un cabinet d’oncologie, cela signifie un dossier pour chaque imagerie, pour chaque prescription médicamenteuse Avec Alex, nous avons alors décidé de changer de perspective : après avoir compris le problème côté médecins, nous sommes allés voir ce qui se passait de l’autre côté, chez les assureurs. C’est ainsi qu’est née ClarityCare : d’une quête de questions et d’incompréhensions. Longue réponse pour dire que je n’ai jamais d’« idées » : j’essaie de résoudre des problèmes, et de comprendre pourquoi la situation est ce qu’elle est. Pourquoi avoir choisi un problème aussi peu visible que les autorisations préalables, alors que beaucoup d’entrepreneurs se tournent vers le diagnostic ou les dispositifs médicaux ? J’ai toujours parié sur les mal-aimés : les sujets ingrats, ceux que personne ne veut regarder. C’est exactement ça qui m’anime. Le diagnostic et les dispositifs médicaux attirent naturellement les talents et les capitaux ; les autorisations préalables, elles, font perdre du temps à des millions de patients dans une indifférence quasi générale. L’impact potentiel y est immense, précisément parce que personne n’y allait jusque-là. Comprendre ClarityCare AI Pour commencer simplement, si vous aviez une minute pour expliquer ClarityCare AI à un patient, à un professionnel de santé ou à un étudiant en médecine ou en pharmacie, que diriez-vous ? ClarityCare AI déploie des agents d’intelligence artificielle qui prennent en charge les tâches administratives du parcours de soin : l’accès au soin d’abord, le support pendant le soin, puis le suivi administratif et financier après la procédure. Ce type de démarche existe aussi en France : c’est l’accord préalable, utilisé pour certains actes et traitements dont l’apnée du sommeil, transports médicalisés, appareillages médicaux, analyses de laboratoire de biologie médicale. Aux États-Unis, ce mécanisme est extrêmement répandu, car tout soin coûte cher : le praticien, le patient et l’assureur doivent se mettre d’accord en amont sur la nécessité du soin. Chaque jour, des millions d’accords préalables s’échangent entre ces acteurs, et chacun attend une réponse. Electra, le produit phare de ClarityCare, gère ces accords préalables en quelques minutes et répond au praticien en quasi-temps réel. Concrètement, comment votre solution s’intègre-t-elle dans le quotidien d’un médecin ou d’un établissement de santé ? Pour le médecin ou l’établissement, une seule chose change : la réponse arrive en moins de cinq minutes. Ça peut paraître minime, mais la moyenne nationale est de trois semaines. Trois semaines, c’est une personne âgée qui attend sa prothèse de hanche, ou un patient qui a une tumeur attend son PET scan pour pouvoir poser un diagnostic. La plupart des patients n’osent pas commencer le soin avant d’avoir la réponse, de peur de s’endetter à vie si le soin n’était finalement pas couvert. Comment passe-t-on du constat d’un besoin à un outil qui répond en cinq minutes ? En se concentrant sur le problème le plus douloureux, et en ne résolvant que celui-là. Puis on avance, problème après problème. Notre premier client en est la meilleure illustration : notre logiciel d’alors ne ressemblait en rien à ce que nous faisons aujourd’hui, mais sa douleur était telle qu’il préférait notre version bêta à rien du tout. C’est le meilleur signal qui existe : quand quelqu’un adopte un produit encore imparfait, c’est que vous résolvez un problème qui compte vraiment. Aujourd’hui, nous travaillons avec des clients de toutes tailles, de l’équivalent américain de la Sécurité sociale, au niveau fédéral, jusqu’aux assureurs régionaux et nationaux. ClarityCare génère déjà plusieurs millions de dollars de revenus, là où il n’y avait rien il y a quelques mois. Nous venons par ailleurs de clore notre dernière levée de fonds, je pourrai en dire plus dans quelques semaines. Une conviction, enfin : l’innovation, ce n’est pas que du logiciel. Derrière chaque réponse rendue en cinq minutes, il y a des équipes de cliniciens, ingénieurs, spécialistes de l'assurance qui vérifient, apprennent et améliorent le système en continu. Quels sont aujourd’hui les principaux résultats obtenus en termes de réduction des délais ou de simplification des procédures ? Aujourd’hui, ClarityCare touche plus de 2 millions de vies. Et chaque semaine, des milliers de ces patients savent en moins de cinq minutes si leur soin est couvert, là où cela peut prendre des semaines. C’est notre résultat le plus concret : du temps d’incertitude rendu aux patients et aux médecins. Votre client est-il le médecin, l’hôpital, l’assureur… ou finalement le patient ? Je cherche toujours à créer des situations « gagnant-gagnant-gagnant ». Mon client, c’est l’assureur : des directives fédérales lui imposent de décider plus vite, mais face au volume, il n’y parvient pas, il prend des amendes et se met les patients à dos. L’hôpital, lui, veut réaliser une procédure médicale, mais encore faut-il qu’il soit payé : l’autorisation préalable le lui garantit, et l’obtenir en cinq minutes lui permet de mieux s’organiser. Le patient, enfin, veut le meilleur soin possible, le plus vite possible, sans que cela lui coûte toutes ses économies. Quand ces trois intérêts s’alignent, tout le monde gagne. Innovation en santé ClarityCare AI illustre une innovation technologique, mais aussi organisationnelle. Pensez-vous que les plus grandes innovations de demain concerneront davantage l’organisation des soins que les technologies elles-mêmes ? Les deux doivent fonctionner main dans la main. On peut caricaturer deux extrêmes : des technologies incroyables mais inaccessibles d’un côté, du soin médiocre mais abondant de l’autre. Ce qu’on veut, c’est un soin incroyable et abondant. Et on n’y arrive qu’en investissant du temps et de l’argent dans les deux à la fois : la technologie, et l’organisation qui la rend accessible. Comment imaginer possiblement une translation de cette expérience en France ? Soyons honnêtes : notre marché direct, ce sont d’abord les États-Unis. La seule administration de la santé y représente plus de 1 200 milliards de dollars par an, et ce marché croît de plus de 10 % chaque année. Nous avons du travail. Mais la France n’est jamais loin. D’abord parce que je suis française, et que c’est une fierté de montrer qu’une entreprise fondée par une Française travaille avec l’État fédéral américain sur un sujet aussi sensible que la donnée de santé. Ensuite parce que ClarityCare grandit grâce à des ingénieurs français de très grande qualité, que nous faisons venir à San Francisco. Enfin, parce que la méthode, elle, est transposable : je suis pragmatique, j’aime comprendre les flux financiers qui paie quoi, où se loge l’opacité, où naissent les frictions. C’est là que se révèlent les opportunités, dans n’importe quel système de santé. Le jour où la question se posera en Europe, nous serons prêts. Entrepreneuriat et management Comment recrute-t-on dans une startup qui réunit médecins, ingénieurs et spécialistes de l’intelligence artificielle ? On recrute sur l’obsession du problème et l’obsession du détail plus que sur le CV. Faire travailler ensemble médecins, ingénieurs et spécialistes de l’IA suppose une langue commune : chez nous, c’est le parcours du patient. Les ingénieurs assistent aux échanges avec les cliniciens, et les cliniciens participent aux revues produit. Le respect mutuel des expertises n’est pas un bonus culturel, c’est une condition de survie. Quelle culture d’entreprise cherchez-vous à construire chez ClarityCare AI ? Une culture d’excellence, d’innovation et de créativité. L’excellence, parce que nous traitons de la donnée de santé et que nous n’avons pas droit à l’à-peu-près. L’innovation et la créativité, parce que le problème que nous attaquons n’a jamais été résolu : il n’y a pas de manuel, il faut l’écrire. Cette excellence-là ne se décrète pas : elle se compose. Chaque détail compte ; faire 1 % mieux, partout, tous les jours, c’est ce qui crée l’exceptionnel par effet cumulé. J’y ajoute deux convictions qui me guident : les actes comptent infiniment plus que les mots, et « how you do one thing is how you do everything » la manière dont on fait une chose est la manière dont on fait tout. Comment arbitrer lorsqu’il faut choisir entre une innovation ambitieuse et une solution plus simple mais immédiatement utile pour les patients ? Je suis globalement d’avis de sortir une première version, même minimale, le plus rapidement possible, et de s’améliorer en cours de route. Un produit simple qui fait gagner trois semaines à un patient aujourd’hui vaut mieux qu’un produit parfait dans deux ans. Une nuance toutefois : ce raisonnement s’applique au logiciel, pas aux médicaments ni aux dispositifs médicaux, où les exigences sont d’un tout autre ordre. Vision Votre ambition est-elle de devenir un acteur majeur des autorisations préalables ou plus largement une plateforme d’optimisation du parcours de soins ? Notre ambition est de « turn healthcare online » : être l’architecture sur laquelle tout ce qui touche au parcours de soin, en dehors de l’interaction directe entre le patient et le soignant, est géré par ClarityCare. Une comparaison : aux États-Unis, quand vous achetez une canette de Coca, vous payez 1 dollar, votre carte affiche 1 dollar le jour même, et le relevé de fin de mois indique 1 dollar. Dans la santé, expérience personnelle, vous allez passer un IRM, le standardiste vous demande 100 dollars de reste à charge, le « copay », un montant fixé dans votre contrat d’assurance, et à la fin du mois vous recevez une facture de 850 dollars. Puis, pendant des semaines, l’hôpital vous appelle plusieurs fois par jour pour réclamer de l’argent, encore et toujours. Tant que payer un soin ne sera pas aussi simple et transparent qu’acheter une canette de Coca, notre travail ne sera pas terminé. Conclusion Quelle réussite vous rendrait la plus fière : la croissance de votre entreprise, son impact sur les patients ou l’évolution du système de santé ? L’impact sur les patients et il y a quatre ans, avant d’arriver aux États-Unis, j’aurais répondu exactement la même chose. Cela n’a pas changé. Ce qui a changé, c’est le comment. À l’époque, j’aurais parlé de bien commun, d’un idéal plus abstrait. Aux États-Unis, j’ai appris et je le vois chaque jour que l’hypercroissance n’est pas l’ennemie de cet idéal : elle en est le moteur. La croissance de notre revenu annuel récurrent (ce que les startups appellent l’ARR) enclenche un cercle vertueux : elle nous permet d’attirer des talents exceptionnels, qui nous poussent à toujours mieux servir nos clients, ce qui en attire de nouveaux. Et grâce à cela, nous touchons aujourd’hui plus de 2 millions de vies dont des milliers, chaque semaine, obtiennent leur réponse en moins de cinq minutes. Cet impact-là ne serait probablement pas possible sans cette émulation intellectuelle et financière. Mais à la fin, la mesure qui compte reste la même : le nombre de patients qui accèdent plus vite à leur soin. Enfin, les grandes innovations naissent souvent de rencontres, mais aussi de lectures. Existe-t-il un livre, un auteur ou une idée qui a profondément influencé votre manière de penser l’innovation et l’entrepreneuriat ? Pourquoi ? Sans hésiter, je dirais Outliers, de Malcolm Gladwell. Parce qu’il démonte le mythe du génie solitaire : la réussite naît de la rencontre entre un travail acharné et des circonstances qu’il faut savoir saisir. Cela m’a appris à chercher les opportunités là où personne ne regarde et à travailler assez pour être prête quand elles se présentent. Merci Hermine pour cet échange passionnant. Votre expérience américaine montre que l’innovation en santé ne consiste pas seulement à inventer de nouvelles technologies, mais aussi à repenser des organisations et des parcours que nous avons parfois fini par considérer comme immuables. Beaucoup des idées et des méthodes que vous développez sont transposables à la France : partir du terrain, identifier les véritables points de friction et utiliser l’IA pour rendre le système plus simple, plus rapide et finalement plus humain. Une belle source d’inspiration pour transformer notre système de santé. Rendez-vous mardi 18 août pour le prochain épisode « Les mardis de l’innovation en santé » David Smadja est professeur d’hématologie à l’AP-HP et à l’Université Paris Cité, responsable de la Commission Santé du Laboratoire de la République. Léa Behr est CEO de RespublicIA et membre de la commission Santé du Laboratoire de la République. Pour nos lecteurs internationaux, la version anglaise de cet entretien est disponible ci-dessous. For our international readers, the English version of this interview is available below. Interview with Hermine Tranié - English versionTélécharger

En démocratie, il ne suffit pas d’avoir raison pour gouverner ou convaincre. Lorsque le vécu des citoyens contredit le récit politique, la confiance se délite et les récits de peur prospèrent, avec leurs coupables et leurs fausses solutions. Pour comprendre ce phénomène terriblement actuel, il ne suffit pas d’incriminer les réseaux sociaux et la désinformation. Nous devons interroger le rapport qu’entretient la démocratie avec le réel. Nous n’accédons jamais directement au monde. Nous l’interprétons à travers des représentations communes qui nous racontent le monde et créent un récit partagé. Nous passons un pacte de vraisemblance avec elles. Par exemple, nous faisons confiance à l’école pour instruire nos enfants, à l’hôpital pour nous soigner, à l’économie pour créer de la prospérité, à l’État pour nous protéger. Et, ce pacte tient tant qu’il correspond suffisamment à notre expérience. Mais que se passe-t-il quand ce n’est plus le cas ? Certains pactes acceptent de se réviser, d’autres non. Ils préfèrent s’affranchir des faits et s’auto-légitimer, quitte à virer au totalitarisme pour imposer leur vérité de fiction. Ainsi, la démocratie a quelque chose à voir avec l’acceptation du réel. Ici réside sa précieuse singularité : elle institue le citoyen comme garant de l’adéquation entre le récit collectif et le réel. Le vote n’est pas seulement un acte de désignation des représentants. C’est la procédure par laquelle une société peut dire : ce récit ne correspond plus à ce que nous vivons, il faut l’actualiser. Comment cette confrontation des récits politiques au réel s’effectue-t-elle ? La démocratie repose sur deux mécanismes principaux : l’esprit critique et le vécu des citoyens. Et elle a besoin des deux. Négliger l’une de ces dimensions serait une erreur. À ne valoriser que l’expertise, on prend le risque de considérer le vécu comme un simple biais à corriger. À l’inverse, à ne reconnaître que les ressentis, la société devient vulnérable aux récits qui s’affranchissent des faits. Or à quoi avons-nous assisté ces dernières années ? Le citoyen a-t-il été traité comme le garant du réel ? En tournant le dos à des conventions citoyennes, en enterrant les propositions des cahiers de doléances, le pacte démocratique s’est fissuré. En autorisant à nouveau les néonicotinoïdes malgré une pétition massive, en balayant sans débat une taxe Zucman plébiscitée par 86 % des Français, la fissure est devenue une brèche. En bafouant, élection après élection, la promesse d’un « front républicain », la brèche est devenue une faille. Ni l’État, ni les élites économiques et politiques ne peuvent se substituer à cette fonction de garant confiée aux citoyens. Une démocratie ne peut durablement fonctionner sur la base du « Faites-nous confiance, vous comprendrez plus tard ». La défiance ne naît pas d’un simple désaccord mais du sentiment que les récits officiels s’éloignent de plus en plus du vécu et que, malgré tout, ils persistent et nous sont imposés. Le défi n’est donc plus de défendre le récit existant, ni même d’en produire un nouveau, mais plutôt d’organiser sa révision collective. Comment faire ? Nous ne voyons pas d’autre moyen que d’enclencher ce travail à partir du terrain, là où la confiance n’a pas encore disparu : dans les communes, avec les maires, les associations, les artisans, tous ceux qui tissent le futur au plus près du réel, par l’écoute, l’innovation et la construction collective. François Germinet est co-responsable de la commission Éducation du Laboratoire de la République, professeur à CY Cergy Paris Université et président du collectif Le 106. Carole Lipsyc est épistémologue, essayiste, cofondatrice de l’Initiative contributive. Retrouvez la tribune de François Germinet et Carole Lipsyc sur le site de Ouest-France.

Programme de l'Université d'été Le programme ci-dessous a été mis à jour le 27 août 2026. Il est communiqué à titre indicatif et demeure susceptible d’évoluer d’ici à l’Université d’été. Programme Sens 27 aoûtTélécharger Informations pratiques Pour préparer votre venue dans les meilleures conditions, retrouvez l’ensemble des informations pratiques de l’Université d’été (transports, hébergement, localisation des salles, etc.) en consultant la page dédiée : En savoir plus