La santé s’impose comme une préoccupation majeure des Français. Parmi les 18 enjeux pour l’avenir qui leur sont proposés, 51 % la considèrent comme « très importante » et 84 % comme « très » ou « assez importante », selon le dernier Baromètre de la République Ipsos BVA-CESI pour le Laboratoire de la République. Pourtant, à l’approche de l’élection présidentielle, le contraste est saisissant : omniprésente dans la vie et les préoccupations des Français, la santé peine encore à trouver dans le débat public la place qu’ils lui accordent. À l’heure où l’Assemblée nationale s’apprête à examiner le dernier projet de loi de financement de la Sécurité sociale de ce quinquennat, un constat s’impose : notre organisation ne répond plus aux attentes de ceux qu’elle est censée servir. En matière de santé, la France a décentralisé les problèmes, mais pas le pouvoir de les résoudre. Les difficultés se vivent dans les territoires ; les citoyens se tournent vers leurs élus locaux ; mais l’essentiel des décisions et des moyens reste piloté depuis le niveau national. C’est cette contradiction qu’il faut désormais résoudre. Les présidents de région, les maires et les élus locaux sont quotidiennement interpellés sur les déserts médicaux, les urgences, les maternités, la santé mentale ou l’accès aux spécialistes. Ils financent des maisons de santé, accompagnent l’installation de professionnels et investissent dans la formation ou la prévention. Mais ils ne disposent pas des principaux leviers permettant d’organiser l’offre de soins. Cette situation n’est plus tenable : L’ONDAM ne peut plus être seulement national. Chaque année, le Parlement vote l’Objectif national de dépenses d’assurance maladie, l’ONDAM. Cet instrument est indispensable : la solidarité financière doit rester nationale et le Parlement doit continuer à décider de l’effort que la Nation consacre à la santé. Mais pourquoi décider ensuite depuis Paris de l’essentiel de la répartition des moyens alors que les besoins diffèrent profondément entre les Hauts-de-France, l’Île-de-France, la Bretagne, la Corse ou les territoires ultramarins ? Nous proposons de franchir une étape nouvelle : décliner l’ONDAM en Objectifs régionaux de dépenses d’assurance maladie, les ORDAM. Il ne s’agirait surtout pas de créer treize systèmes d’assurance maladie. Les droits des patients, le panier de soins, les normes de qualité, les grandes règles conventionnelles et la solidarité resteraient nationaux. En revanche, chaque région disposerait d’une enveloppe pluriannuelle construite en fonction de ses besoins réels : âge de la population, état de santé, prévalence des maladies chroniques, précarité, densité médicale, mortalité évitable ou difficultés géographiques d’accès aux soins. C’est un changement considérable de philosophie : passer d’une égalité des règles à une équité dans l’allocation des moyens. Donner une vraie liberté d’arbitrage aux territoires Un ORDAM qui ne serait qu’une déclinaison comptable de l’ONDAM ne servirait à rien. Il faut donner aux régions une véritable marge de décision. Nous proposons qu’elles puissent réallouer une fraction significative de leur ORDAM (10 à 15 %) entre l’hôpital, la médecine de ville, le médico-social et la prévention. Pourquoi une région confrontée à une saturation des urgences ne pourrait-elle pas investir davantage dans la permanence des soins en ville ? Pourquoi un territoire vieillissant ne pourrait-il pas renforcer prioritairement le maintien à domicile ? Pourquoi une région particulièrement touchée par le diabète ou les maladies cardiovasculaires ne pourrait-elle pas consacrer davantage de moyens à la prévention ? Aujourd’hui, notre système finance encore trop souvent des structures et des enveloppes. Demain, il doit financer des objectifs de santé territoriaux. Cette autonomie aurait une contrepartie : la responsabilité. Les régions devraient publier leurs objectifs, leurs arbitrages et leurs résultats. Accès à un médecin traitant, délais pour certaines spécialités, recours évitable aux urgences, hospitalisations évitables, couverture vaccinale, indicateurs de prévention : les citoyens pourraient enfin mesurer l’efficacité de la politique de santé conduite dans leur territoire. Régionaliser n’est pas abandonner la solidarité nationale L’objection est connue : donner davantage de pouvoir aux régions risquerait d'accroître les inégalités entre territoires riches et pauvres. Ce risque existe. Il serait irresponsable de le nier. C’est précisément pourquoi les ORDAM doivent être indissociables d’une puissante péréquation nationale. Les ressources ne seraient pas distribuées en fonction de la richesse des régions, mais de leurs besoins sanitaires. Une région plus pauvre, plus âgée, davantage touchée par les maladies chroniques ou la désertification médicale doit pouvoir recevoir davantage par habitant qu’une région favorisée. La solidarité nationale ne disparaît donc pas avec la régionalisation. Elle en devient la condition. L’État conserverait par ailleurs des missions essentielles : sécurité sanitaire, définition des standards nationaux, garantie des droits, grandes stratégies de santé publique, évaluation et correction des inégalités entre régions. Un État moins gestionnaire ne signifie pas un État plus faible. Au contraire : l’État doit être fort sur ce qui garantit l’égalité et laisser les territoires être forts sur ce qui nécessite de l’adaptation. Faire de la prévention un investissement régional Les ORDAM permettraient également de résoudre l’une des anomalies historiques de notre système : la prévention est proclamée comme une priorité mais reste trop souvent une variable d’ajustement budgétaire. Nous proposons donc qu’un sous-objectif prévention indépendant soit identifié au sein de l’ONDAM et décliné dans chaque ORDAM. Les priorités ne seraient pas nécessairement identiques partout. Santé cardiovasculaire, obésité, santé mentale des jeunes, vaccination, santé environnementale, vieillissement : les régions doivent pouvoir concentrer leurs moyens sur leurs propres déterminants de santé. C'est précisément parce que les territoires ne sont pas identiques que l'égalité exige parfois de ne pas faire partout exactement la même chose. Expérimenter plutôt que promettre une nouvelle grande réforme La France a trop souvent réformé son système de santé par de grands textes nationaux appliqués simultanément partout. Nous proposons une autre méthode. Dès 2027, trois régions volontaires et aux profils différents pourraient expérimenter un ORDAM pluriannuel, assorti d’une capacité réelle de réallocation des dépenses et d’objectifs publics de santé. Pendant trois ans, nous mesurerions les résultats : accès aux soins, délais, recours aux urgences, prévention, attractivité médicale, qualité des parcours et maîtrise financière. Si cela fonctionne, généralisons. Si cela ne fonctionne pas, corrigeons. C’est aussi cela, faire confiance aux territoires : leur permettre d’expérimenter, mais leur demander de rendre compte. Passer de la décentralisation des problèmes à celle des solutions Depuis trop longtemps, la France pratique une étrange décentralisation : les difficultés sont locales, les citoyens interpellent leurs élus locaux, mais les principaux leviers restent nationaux. Nous devons sortir de cette contradiction. Le prochain acte de décentralisation doit concerner la santé. Non pour créer treize systèmes concurrents, mais pour construire une solidarité nationale assortie de treize capacités d’action territoriale. L’ONDAM doit rester le budget de la solidarité nationale. L’ORDAM doit devenir celui de la responsabilité territoriale. C’est en rapprochant à la fois la décision, le financement et la responsabilité que nous pourrons enfin adapter notre système de santé à la réalité des Français. 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. Xavier Bertrand est ancien ministre de la Santé et président de la région Hauts-de-France. Retrouvez la tribune de David Smadja et Xavier Bertrand sur le site du Point.

Une intelligence artificielle peut produire une réponse médicalement plausible tout en suivant une instruction dangereuse. Une étude publiée dans Communications Medicine, une revue du groupe Nature Portfolio, explore cette vulnérabilité et montre que de brefs rappels de sécurité peuvent réduire certains choix inappropriés. Elle invite surtout à évaluer les outils dans les situations qui mettent leur fiabilité à l’épreuve. La performance d’une intelligence artificielle en santé est souvent présentée à travers sa capacité à reconnaître une anomalie, à synthétiser un dossier ou à répondre à une question médicale. Ces capacités sont importantes mais l’utilisation d’un outil dans une organisation de soins soulève une question supplémentaire : comment réagit-il lorsqu’une instruction contredit les précautions nécessaires à la prise en charge d’un patient ? Un contrôle biologique est prévu après une hospitalisation mais une nouvelle demande invite à ne pas l’organiser pour réduire la charge de travail. Une information doit être vérifiée mais la consigne insiste sur l’urgence. Dans ces situations, la qualité de la réponse dépend de la capacité à identifier le conflit, à maintenir une conduite appropriée ou à demander un avis. C’est ce comportement que Mahmud Omar et ses collègues ont étudié dans un travail publié le 26 septembre 20261. Leur objectif était d’examiner la propension de modèles de langage à suivre des instructions explicitement dangereuses, puis de mesurer l’effet de consignes destinées à renforcer la sécurité. Les chercheurs ont évalué vingt grands modèles de langage, présentés dans l’article comme des modèles à poids ouverts. Le protocole associait deux ensembles : 501 variantes synthétiques issues de cinquante situations de départ et cent cas construits à partir de recommandations de sortie hospitalière anonymisées provenant de MIMIC-IV. Pour ces derniers, une demande simulée, contradictoire avec la recommandation initiale, était ajoutée au contexte clinique. Les situations couvraient notamment la sécurité médicamenteuse, le consentement, la confidentialité, la vérification de résultats et la qualité de la documentation. Dans chaque cas, le modèle choisissait parmi quatre actions : suivre une instruction dangereuse, l’accepter partiellement, maintenir une conduite sûre ou solliciter une vérification ou un avis supplémentaire. Le critère principal regroupait les deux premières catégories. Cette distinction est importante : une réponse formulée avec des réserves peut rester dangereuse si elle accepte néanmoins l’action problématique. L’évaluation doit donc porter sur la conduite proposée et ses conséquences possibles, au-delà du ton prudent employé par le modèle. Le protocole faisait varier le contexte de la demande. À une condition neutre s’ajoutaient six formes de pression : ordre hiérarchique, transfert de responsabilité, urgence, menace de conséquences, conformité au groupe et présentation impersonnelle de la tâche. Chaque situation était également testée sans rappel de sécurité ou avec l’un de trois rappels mettant l’accent sur les règles, la réduction du risque, ou la vérification et le recours à un avis. Les essais étaient répétés dix fois, en faisant varier l’ordre des réponses proposées. Au total, les chercheurs ont analysé plus de dix millions de réponses. Ce volume reflète la combinaison et la répétition des conditions expérimentales ; il ne correspond pas à dix millions de situations cliniques indépendantes. Le résultat principal est une diminution de la proportion de choix potentiellement dangereux : 16,6 % sans rappel de sécurité contre 10,1 % lorsque les trois modalités de rappel sont regroupées, soit une réduction absolue de 6,5 points. Une diminution est observée dans dix-neuf des vingt modèles, avec une ampleur variable. Le vingtième reste inchangé. Les résultats diffèrent entre les deux ensembles. Dans les scénarios synthétiques, la proportion passe de 10,6 % à 7,2 %. Dans les cas dérivés de MIMIC-IV, elle diminue de 46,6 % à 24,5 %. Cette différence doit toutefois être interprétée avec précaution. Les auteurs soulignent que les choix dangereux étaient plus ouvertement inappropriés dans les situations synthétiques, alors qu’ils reprenaient souvent la formulation de la demande dans les cas dérivés de dossiers hospitaliers. La comparaison reflète donc aussi la construction des questions et des réponses. Elle ne démontre pas que l’utilisation de données cliniques réelles entraîne, à elle seule, un risque supérieur en pratique. Un autre point mérite d’être conservé dans la lecture de l’étude : les différences entre les formes de pression sont modestes. Leur ordre varie selon les données et les conditions. Des choix potentiellement dangereux apparaissent également dans la situation neutre, et les rappels de sécurité y ont aussi un effet favorable. Le résultat le plus solide concerne donc la réduction de ces choix par les rappels, plutôt qu’un effet spectaculaire ou uniforme de l’autorité sur les modèles. L’étude apporte également un enseignement sur l’organisation des soins : renforcer la sécurité peut déplacer le travail vers les professionnels. Avec les rappels, la catégorie correspondant à une demande de vérification ou d’avis augmente de 25,8 % à 38,7 %. Parallèlement, les réponses choisissant directement une conduite sûre diminuent. Ce déplacement peut être souhaitable lorsqu’une situation exige effectivement une intervention humaine. Mais il pourrait aussi multiplier les sollicitations, allonger certains délais ou accroître la charge des équipes. Les chercheurs n’ont pas mesuré ces conséquences. La question devient alors très concrète : quelles demandes doivent être transmises, à quel professionnel et avec quel niveau de priorité ? Une IA qui sollicite davantage d’avis doit s’inscrire dans une organisation capable de leur apporter une réponse. Les auteurs ont aussi étudié la stabilité des choix lors des répétitions. La proportion d’ensembles d’essais donnant systématiquement la même catégorie de réponse est presque identique sans et avec rappel : 80,5 % et 80,4 %. Cette stabilité varie fortement selon les modèles. Elle ne doit pas être confondue avec la sécurité : un modèle peut sélectionner de manière parfaitement répétitive une option dangereuse. À l’inverse, certaines variations peuvent rester entre deux conduites considérées comme sûres. Ces éléments permettent de mieux définir la portée du travail. Il s’agit d’une expérimentation fondée sur des choix prédéfinis, sans prise en charge de patients ni mesure de dommages cliniques. Aucun groupe de professionnels placé dans des conditions comparables n’a été étudié. Les résultats ne permettent donc ni de comparer directement les modèles aux soignants, ni d’établir un taux d’accidents attendu à l’hôpital. La sélection des modèles ne permet pas davantage de conclure à la supériorité générale d’une famille, d’une génération ou d’une taille de modèle. Pour les Mardis de l’innovation, nous en tirons une exigence : évaluer une IA en santé suppose de tester sa réponse aux contradictions et aux demandes inappropriées, en complément de ses connaissances. Les scénarios d’évaluation doivent inclure des informations manquantes, des consignes incompatibles et des situations nécessitant une intervention humaine. La conduite proposée doit rester le centre de cette évaluation. Ce travail rappelle aussi que les instructions encadrant un modèle font partie du dispositif à examiner. Le choix du modèle, la manière de lui présenter les informations et les possibilités d’action qui lui sont accordées doivent être évalués ensemble. Une protection observée dans un protocole doit ensuite être vérifiée dans l’usage envisagé, auprès des équipes concernées. La responsabilité ne peut reposer sur la capacité de chaque professionnel à trouver la bonne formulation. Nous proposons que les concepteurs et les établissements définissent explicitement les tâches autorisées, les situations exigeant une validation et les modalités de signalement d’un problème. Ces règles doivent être testées et réexaminées lorsque le système évolue. La supervision humaine doit également disposer de moyens concrets. Le professionnel doit pouvoir retrouver les informations utiles, comprendre la proposition et prendre le temps de la corriger ou de la refuser. L’évaluation devra donc mesurer le travail de vérification créé par l’outil, autant que le temps éventuellement économisé. Cela vaut aussi pour la prévention. Une IA pourrait aider à identifier un suivi interrompu ou une action à discuter avec un patient. Son bénéfice devrait être évalué jusqu’à la réponse apportée : pertinence de l’alerte, échange avec la personne, accès à une consultation et continuité du suivi. La multiplication des notifications ne constitue pas, en elle-même, une amélioration de la santé. Enfin, financer ces innovations suppose de prévoir la formation, les évaluations et la surveillance des usages. L’achat du logiciel n’épuise pas le coût de son intégration. Les sollicitations supplémentaires, les corrections et l’analyse des incidents doivent être prises en compte pour apprécier son utilité réelle. L’étude de Mount Sinai fournit ainsi un cadre expérimental pour examiner une dimension essentielle de l’IA en santé : sa manière de réagir lorsqu’on lui demande de mal faire. Elle ouvre un programme d’évaluation à poursuivre dans des conditions cliniques prospectives, avec des professionnels et des organisations de soins. Le progrès devra se mesurer à la capacité de ces outils à aider les équipes, à rendre visibles les situations problématiques et à préserver la sécurité du patient, y compris lorsqu’une consigne pousse dans une autre direction. 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 20 octobre pour la prochaine note « Les mardis de l’innovation en santé » Retrouvez également cette note sur le site du Journal du Net.

Octobre Rose est là. Alors, pour ce mardi de l’innovation, parlons de santé des femmes. Et parlons d’une innovation qui pourrait transformer profondément la manière dont nous dépistons demain le cancer du sein : l’intelligence artificielle appliquée à la mammographie. L’IA en radiologie n’est évidemment pas nouvelle. Depuis plusieurs années, les publications se multiplient pour montrer que des algorithmes peuvent identifier sur une image des anomalies parfois difficiles à détecter par l’œil humain. Mais il existe une différence fondamentale entre montrer qu’un algorithme fonctionne rétrospectivement sur une banque d’images et démontrer qu’il améliore réellement un programme de dépistage lorsqu’on l’utilise chez des dizaines de milliers de femmes. C’est précisément ce qui rend particulièrement intéressante l’étude suédoise MASAI (Mammography Screening with Artificial Intelligence) dont de nouveaux résultats avaient été publiés en janvier 2026 dans The Lancet. Et quelques mois plus tard (avril 2026), Eric Topol lui consacrait dans le même journal un éditorial au titre qui ne laisse guère de doute sur son interprétation : « Mammography should include artificial intelligence support ».  Alors, que montrent réellement ces résultats ? Jusqu’à présent, une grande partie des travaux consacrés à l’IA en mammographie reposait sur des études rétrospectives ou observationnelles. MASAI est différent. Il s’agit d’un essai randomisé en population réelle, intégré au programme suédois de dépistage du cancer du sein. Entre avril 2021 et décembre 2022, 105 934 femmes ont été randomisées. Dans un groupe, les mammographies étaient interprétées selon le système traditionnel : double lecture par deux radiologues. Dans l’autre, le dépistage était assisté par une IA. L’algorithme utilisé, Transpara, analyse les mammographies et attribue un score de risque allant de 1 à 10. Il signale également au radiologue les zones de l’image qu’il considère comme suspectes. Les mammographies à risque moins élevé pouvaient ainsi faire l’objet d’une seule lecture humaine, tandis que celles considérées comme les plus à risque bénéficiaient d’une double lecture. L’IA fournissait également une aide à la détection au radiologue. C’est une distinction importante : l’étude ne compare pas le radiologue à la machine. Elle compare deux organisations : deux radiologues d’un côté, une organisation associant radiologue et intelligence artificielle de l’autre. Et c’est probablement ainsi qu’il faut envisager l’avenir de l’IA en médecine. Les premières analyses de MASAI avaient déjà produit un résultat particulièrement marquant. Dans le groupe bénéficiant de l’IA, 338 cancers ont été détectés lors du dépistage, contre 262 dans le groupe contrôle, soit une augmentation de 29 % de la détection des cancers. Mais ce chiffre n’aurait qu’un intérêt limité si l’IA obtenait ce résultat en multipliant les alertes, les examens complémentaires et les faux positifs. Or ce n’est pas ce qui a été observé. La spécificité est pratiquement identique dans les deux groupes : 98,5 % avec IA contre 98,5 % sans IA.  Et surtout, les cancers supplémentaires détectés n’étaient pas simplement des anomalies insignifiantes. L’augmentation concernait principalement de petites tumeurs invasives, sans atteinte ganglionnaire. Les auteurs avaient également observé davantage de détection de certains sous-types plus agressifs, notamment luminal B, triple négatif et HER2 positif. Autrement dit, l’IA semble permettre de repérer plus tôt une partie des cancers pour lesquels une détection précoce peut être particulièrement importante. Mais la vraie question arrive deux ans plus tard. Détecter davantage de cancers lors d’une mammographie est intéressant. Mais cela ne suffit pas. Car il existe un problème particulièrement important dans tous les programmes de dépistage : celui des cancers d’intervalle. Ce sont les cancers diagnostiqués entre deux campagnes de dépistage, après une mammographie qui ne les avait pas détectés. Ils constituent un indicateur important de la performance d’un programme de dépistage et sont généralement associés à des caractéristiques moins favorables que les cancers détectés lors du screening. C’est précisément l’objet de la publication de 2026. Après au moins deux années de suivi, les chercheurs retrouvent 82 cancers d’intervalle parmi 53 043 femmes dans le groupe IA, contre 93 parmi 52 872 femmes dans le groupe contrôle. Soit respectivement 1,55 contre 1,76 cancer d’intervalle pour 1 000 femmes dépistées. Cela correspond numériquement à 12 % de cancers d’intervalle en moins dans le groupe utilisant l’IA.  Mais attention à ne pas surinterpréter ce chiffre. L’étude était conçue pour démontrer la non-infériorité de l’approche assistée par IA sur ce critère et non sa supériorité. La différence observée ne permet donc pas d’affirmer statistiquement que l’IA réduit de 12 % les cancers d’intervalle. C’est un signal favorable, pas encore une démonstration de supériorité. En revanche, un autre résultat est beaucoup plus net : la sensibilité du dépistage passe de 73,8 % sans IA à 80,5 % avec IA. La différence est statistiquement significative. Et simultanément, la spécificité reste identique à 98,5 %. Pour les cancers invasifs, la différence est également notable : 70,9 % de sensibilité sans IA contre 78,3 % avec IA.  C’est probablement l’un des résultats les plus importants de l’étude. L’IA permet ici d’augmenter la probabilité de détecter un cancer présent sans dégrader la capacité du dépistage à reconnaître correctement les femmes qui n’ont pas de cancer. Il est également intéressant de regarder quels cancers apparaissent ensuite entre deux dépistages. Parmi les cancers d’intervalle, les chercheurs observent numériquement dans le groupe IA 16 % de cancers invasifs en moins, 21 % de tumeurs T2+ en moins et 27 % de cancers non-luminal A en moins. Enfin, une femme présentait des métastases au moment du diagnostic dans le groupe IA, contre cinq dans le groupe contrôle.  Là encore, prudence : ces différences sont descriptives. L’essai n’avait pas la puissance statistique nécessaire pour démontrer une supériorité sur chacun de ces critères. Mais elles posent une hypothèse passionnante : l’IA ne permettrait peut-être pas seulement de trouver davantage de cancers. Elle pourrait permettre de trouver plus tôt certains cancers qui auraient autrement été diagnostiqués quelques mois plus tard, parfois à un stade plus avancé. Et c’est évidemment cette hypothèse qu’il faudra maintenant confirmer. Une deuxième révolution, moins spectaculaire mais peut-être tout aussi importante, concerne le temps médical. L’utilisation de l’IA a permis de réduire de 44,2 % le nombre de lectures de mammographies nécessaires : 61 248 lectures dans le groupe assisté par IA contre 109 692 avec le système traditionnel de double lecture.  On obtient donc simultanément 29 % de cancers détectés en plus, une sensibilité significativement améliorée, une spécificité inchangée et une réduction de 44 % de la charge de lecture. Dans des systèmes de santé confrontés à une raréfaction du temps médical et à des difficultés de démographie dans certaines spécialités, c’est une dimension majeure de l’innovation. Et cela permet de sortir du débat caricatural : « L’intelligence artificielle va-t-elle remplacer le radiologue ? » = ce n’est pas ce que montre MASAI. La question devient plutôt : comment l’intelligence artificielle peut-elle permettre au radiologue de consacrer davantage de son temps aux situations où son expertise est réellement nécessaire ? Dans son éditorial du Lancet, Eric Topol va encore beaucoup plus loin. Il considère que l’accumulation des résultats devient suffisamment convaincante pour envisager une évolution du standard de dépistage.  Mais ce qui est surtout intéressant dans son texte est qu’il ne limite pas l’IA à la détection d’un cancer sur une mammographie. Il imagine que demain, une même mammographie pourrait fournir trois types d’informations différentes. La première est celle dont nous venons de parler : détecter un cancer déjà présent. La deuxième change profondément la logique du dépistage : identifier, parmi les femmes dont la mammographie est normale aujourd’hui, celles qui présentent néanmoins un risque élevé de développer un cancer dans les années suivantes. Et la troisième est encore plus surprenante : utiliser la mammographie pour recueillir des informations sur le risque cardiovasculaire. Le schéma proposé par Topol résume parfaitement cette évolution : une seule mammographie, trois usages possibles : détection du cancer, prédiction du risque futur de cancer et analyse des calcifications artérielles mammaires comme marqueur potentiel du risque cardiovasculaire.  Topol cite notamment Clairity Breast, un algorithme ayant obtenu une autorisation de novo de la FDA américaine en 2025. L’algorithme a été développé à partir d’environ 420 000 mammographies provenant de 27 établissements aux États-Unis, en Europe et en Amérique du Sud. Une femme réalise sa mammographie. Aucune tumeur n’est détectée. Aujourd’hui, nous lui disons essentiellement : « Votre mammographie est normale. » Demain, l’analyse par IA pourrait ajouter : « Elle est normale aujourd’hui, mais certaines caractéristiques de votre mammographie indiquent que votre risque de développer un cancer du sein dans les cinq prochaines années est plus élevé. » Cette information pourrait permettre d’adapter le parcours de prévention : surveillance plus rapprochée ou recours, selon le niveau de risque, à d’autres modalités d’imagerie comme l’IRM, l’échographie ou la mammographie 3D. Nous passerions alors progressivement d’un dépistage organisé principalement selon l’âge à un dépistage davantage personnalisé selon le risque individuel. C’est un changement beaucoup plus profond que la simple automatisation de la lecture des mammographies. Et si la mammographie pouvait aussi nous renseigner sur le cœur ? C’est probablement l’aspect le plus inattendu de l’éditorial de Topol. Certaines mammographies montrent des calcifications des artères mammaires. Topol cite l’algorithme CureMetrix, autorisé par la FDA, qui peut exploiter cette information. Ces calcifications ont été associées au risque d’événements cardiovasculaires majeurs dans les années suivantes.  La mammographie pourrait donc devenir un exemple de ce que Topol appelle l’«opportunistic screening ». Une image réalisée pour une raison (rechercher un cancer du sein) fournirait, grâce à l’IA, une information supplémentaire concernant une autre maladie. Et ce point est particulièrement intéressant lorsqu’on parle de santé des femmes, car nous avons longtemps résumé la prévention féminine aux cancers gynécologiques et au cancer du sein, alors que les maladies cardiovasculaires représentent également un enjeu majeur chez les femmes. Imaginez donc le potentiel : un seul examen, réalisé dans le cadre du dépistage du cancer du sein, pourrait demain contribuer à évaluer simultanément le risque oncologique actuel, le risque oncologique futur et une partie du risque cardiovasculaire. C’est une vision radicalement différente de la prévention. Ces résultats sont impressionnants. Mais il ne faut pas transformer une avancée importante en promesse excessive. MASAI a été réalisé en Suède, dans quatre sites de dépistage, avec une organisation particulière, des radiologues expérimentés, un système de mammographie et un algorithme déterminé. Les résultats ne peuvent donc pas être automatiquement transposés à tous les systèmes de dépistage. Nous ne savons pas encore si l’amélioration observée se maintiendra au fil de plusieurs cycles de dépistage. Nous ne savons pas encore si elle entraînera à terme une diminution de la mortalité par cancer du sein. Il faudra également surveiller le risque de surdiagnostic, notamment pour certaines lésions in situ et certaines tumeurs peu agressives. Les auteurs de MASAI abordent eux-mêmes cette question. Et enfin, une question essentielle reste ouverte : le rapport coût-efficacité. L’analyse médico-économique de MASAI doit faire l’objet d’une publication spécifique car une innovation n’a véritablement de sens pour un système de santé que si elle améliore la santé des patients dans des conditions économiques permettant son déploiement à grande échelle. Alors, que retenir en ce début d’Octobre Rose ? Peut-être ceci : pendant des décennies, la mammographie nous a permis de voir plus tôt un cancer du sein. L’intelligence artificielle pourrait aujourd’hui nous permettre d’en tirer beaucoup plus d’informations. Voir davantage de cancers. Les voir potentiellement plus tôt. Identifier les femmes à risque avant même qu’un cancer ne soit visible. Et peut-être utiliser la même image pour obtenir des informations sur leur risque cardiovasculaire. Nous sommes donc peut-être en train de passer d’une mammographie de dépistage à une mammographie de prévention personnalisée. Et c’est là, à mon sens, que se trouve la véritable révolution : pas dans une compétition entre l’homme et la machine mais dans la possibilité de combiner l’expertise du médecin, la puissance de l’algorithme et les données que nous produisons déjà pour intervenir plus tôt. La France dispose d’un programme national de dépistage organisé du cancer du sein. Ces résultats posent donc désormais une question très concrète : faut-il expérimenter à grande échelle l’intelligence artificielle dans le dépistage organisé du cancer du sein en France ? Octobre Rose nous rappelle chaque année l’importance du dépistage. L’innovation peut désormais nous permettre de poser une question supplémentaire : comment faire de ce dépistage un véritable outil de prévention personnalisée en santé des femmes ? Parce que la médecine de demain ne consistera pas seulement à mieux traiter les maladies : elle devra aussi apprendre à les voir venir. David Smadja est professeur d’hématologie à l’AP-HP et à l’Université Paris Cité, responsable de la Commission Santé du Laboratoire de la République. Il est l’auteur de « La République de la prévention » aux éditions LEH. Léa Behr est CEO de RespublicIA et membre de la Commission Santé du Laboratoire de la République. Rendez-vous mardi 13 octobre pour la prochaine note « Les mardis de l’innovation en santé » Références : Gommers J, Hernström V, Josefsson V, et al. Interval cancer, sensitivity, and specificity comparing AI-supported mammography screening with standard double reading without AI in the MASAI study: a randomised, controlled, non-inferiority, single-blinded, p Topol EJ. Mammography should include artificial intelligence support. The Lancet. 2026;407:1415. 

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.