Chapitre 2 — Intelligence artificielle en santé · Topic 3 : Applications et enjeux · Leçon 3.1
Le cours de Sorbonne Université pose que « l’IA moderne est déjà en pratique » : imagerie, ECG, comptes rendus. Cette leçon détaille les usages cliniques réels de l’intelligence artificielle en 2025-2026, ceux qu’un professionnel de santé rencontre déjà — de la mammographie à la chirurgie robotique, en passant par les applications de Mon espace santé.
🎯 Objectifs pédagogiques
- Citer les principaux domaines d’imagerie médicale où l’IA est utilisée ;
- Décrire un exemple d’aide au diagnostic et d’aide à la prescription ;
- Distinguer chirurgie robotique et chirurgie autonome ;
- Définir la pathologie numérique et le jumeau numérique ;
- Illustrer un parcours patient intégrant l’IA (exemple grossesse).
🧭 Plan de la leçon
- Imagerie médicale — le domaine phare
- Aide au diagnostic et à la décision clinique
- Aide à la prescription et pharmacovigilance
- Chirurgie assistée et robotique
- Applications émergentes — jumeau numérique, dépistage automatisé
- Un parcours patient orchestré (exemple grossesse)
1. Imagerie médicale — le domaine phare
L’imagerie est le premier terrain de succès de l’IA médicale. Le deep learning, et plus précisément les réseaux de neurones convolutifs (CNN), excelle dans la reconnaissance de motifs visuels. Les images médicales (radiographies, IRM, scanners, coupes histologiques, fonds d’œil) constituent des jeux de données volumineux et bien annotés — deux conditions idéales pour l’apprentissage automatique.
- Radiologie — détection de nodules pulmonaires sur scanner thoracique, mammographies (lésion suspecte : oui / non), aide à la lecture d’IRM cérébrales, quantification de fractures.
- Dermatologie — classification des lésions cutanées (nævus vs mélanome) à partir de photographies dermatoscopiques.
- Ophtalmologie — dépistage de la rétinopathie diabétique sur photographies du fond d’œil (une des toutes premières applications autorisées comme dispositif médical logiciel autonome).
- Anatomopathologie — analyse d’immenses lames numérisées (« whole-slide imaging »), aide à la détection de métastases ganglionnaires ou au comptage de mitoses.
La rétinopathie diabétique est une complication oculaire du diabète et une cause majeure de cécité évitable. En 2018, la Food and Drug Administration américaine a autorisé IDx-DR, premier système de dépistage automatisé n’exigeant pas de relecture par un ophtalmologiste. En France, la Haute Autorité de Santé (HAS) a évalué en 2020 la télésurveillance et le dépistage automatisé de la rétinopathie diabétique par imagerie du fond d’œil, dans le cadre du dispositif OPHDIAT déployé en Île-de-France. Le principe : photographier le fond d’œil dans un cabinet non spécialisé, laisser l’algorithme trier les cas normaux des cas suspects, adresser au spécialiste uniquement les seconds.
Source : HAS, avis de la Commission Nationale d’Évaluation des Dispositifs Médicaux (2020).
- Données standardisées (format DICOM, résolutions homogènes) ;
- Grands volumes disponibles dans les PACS hospitaliers ;
- Vérité-terrain souvent consensuelle (biopsie, suivi long) ;
- Problème formulé comme une classification binaire ou multiclasse — pain quotidien du deep learning.
À l’inverse, l’anamnèse ou l’examen clinique, non structurés, restent bien plus difficiles à modéliser.
2. Aide au diagnostic et à la décision clinique
Au-delà des images, l’IA aide au raisonnement médical. Deux approches historiquement distinctes coexistent :
- Scores et arbres décisionnels — descendance directe des systèmes experts et de l’Evidence-based Medicine : score de Wells (embolie pulmonaire), CHA₂DS₂-VASc (risque thrombo-embolique dans la fibrillation atriale), Glasgow (coma). Ils sont explicables par construction.
- Modèles prédictifs statistiques — probabilité de septicémie à l’entrée aux urgences, risque de ré-hospitalisation, prédiction de mortalité en réanimation. Ils exploitent les données du DPI (dossier patient informatisé) et fournissent des prédictions quantifiées, mais leur logique interne est moins lisible.
En 2011, Watson (IBM) remporte le jeu Jeopardy! et suscite un vent d’espoir en cancérologie. Ses performances en oncologie clinique se sont révélées décevantes, et IBM a interrompu ses travaux médicaux vers 2020. Depuis 2022, les grands modèles de langage (LLM) prennent le relais : Med-PaLM (Google), BioGPT (Microsoft), GPT-4 spécialisés atteignent des scores voisins des candidats humains à l’examen américain de licence médicale (USMLE) — à condition qu’on encadre strictement leur usage clinique.
Source : Singhal K. et al., Nature (2023) sur Med-PaLM 2.
3. Aide à la prescription et pharmacovigilance
- Aide à la prescription — détection automatique d’interactions médicamenteuses (ex : base Thériaque, moteurs intégrés aux logiciels de prescription), alertes de contre-indications, adaptation de posologie à la fonction rénale.
- Analyse du dossier pharmaceutique (DP) — repérage d’associations à risque, alertes sur retrait de lot.
- Pharmacovigilance — fouille automatique des comptes rendus hospitaliers et des réseaux sociaux pour détecter des signaux d’effet indésirable inattendu.
- Prescription assistée par LLM — génération de brouillons de courrier, résumé automatique du dossier avant consultation. Usage supervisé, jamais autonome.
4. Chirurgie assistée et robotique
Les robots chirurgicaux les plus répandus (par exemple Da Vinci, dont la première homologation date de 2000) sont des télémanipulateurs : chaque mouvement du bras robotique reproduit un geste réalisé par le chirurgien sur une console. L’IA intervient pour :
- Filtrer les tremblements du chirurgien ;
- Fusionner l’image endoscopique avec une reconstruction 3D pré-opératoire ;
- Reconnaître automatiquement les étapes chirurgicales (« phase recognition ») ;
- Suggérer des trajectoires optimales.
Aucun robot chirurgical n’opère de manière autonome sur un patient en 2026 : la responsabilité reste entièrement humaine. Les études précliniques sur des sutures autonomes de tissus mous (projet STAR) restent expérimentales.
5. Applications émergentes — jumeau numérique, dépistage automatisé
- Dépistage automatisé — mammographie (double-lecture assistée), coloscopie assistée (détection de polypes en temps réel), analyse d’ECG à la recherche de fibrillation atriale asymptomatique (montres connectées).
- Jumeau numérique (digital twin) — modèle informatique personnalisé d’un patient, alimenté en continu par ses données (imagerie, biologie, objets connectés), utilisé pour simuler une intervention ou tester une posologie avant de l’appliquer. Utilisation actuelle : essentiellement cardiologique (modèle électro-mécanique du cœur) et oncologique (croissance tumorale).
- IA générative en radiologie — première rédaction de comptes rendus, relue et validée par le radiologue. Gain de temps réel, mais risque d’hallucination (traité en Leçon 3.2).
Le prix Nobel de physique 2024 a été attribué à John Hopfield et Geoffrey Hinton pour leurs travaux fondateurs sur les réseaux de neurones artificiels — les Hopfield networks et la rétropropagation du gradient. Cette distinction illustre à quel point les applications médicales de l’IA d’aujourd’hui reposent sur des mathématiques posées il y a quarante ans, dont l’exploitation n’est devenue possible qu’avec la puissance de calcul des GPU et les grandes bases de données annotées.
Source : NobelPrize.org, communiqué officiel du 8 octobre 2024.
6. Un parcours patient orchestré — exemple de la grossesse
Ces briques ne prennent leur sens que lorsqu’elles s’intègrent à un parcours de soins. Le PDF de Sorbonne cite l’exemple d’un parcours grossesse orchestré via Mon Espace Santé — un service national déjà en place, où IA et numérique de santé se rejoignent en pratique.
Chaque acteur alimente le carnet de santé numérique de la patiente :
- Le médecin traitant adresse recommandations et ordonnances via la messagerie sécurisée (MSS-c) ;
- Le laboratoire dépose automatiquement les résultats de biologie dans le dossier médical ;
- Les rendez-vous d’échographie s’inscrivent dans l’agenda et déclenchent des rappels intelligents ;
- Le pharmacien pousse un flyer « Médicaments et maternité » ;
- La sage-femme transmet les séances de préparation à l’accouchement ;
- La maternité synchronise le séjour via une application mobile référencée au catalogue de services ;
- Le compte rendu d’accouchement est enregistré et disponible à vie.
L’IA opère en second plan : personnalisation des rappels selon le profil, tri des messages, aide à la décision côté praticiens.
- Moovcare® — application de télésurveillance des patients atteints de cancer du poumon, remboursée en France depuis 2020 après essai clinique randomisé positif. Un algorithme analyse les symptômes hebdomadaires et alerte l’oncologue en cas de récidive suspecte.
- Diabeloop (« pancréas artificiel ») — dispositif médical numérique qui pilote automatiquement une pompe à insuline à partir d’une mesure continue de glycémie, grâce à un algorithme adaptatif. Marqué CE, remboursé en France.
Ces deux DMN sont exemplaires : essais cliniques publiés, marquage CE, remboursement, appartenance au catalogue des services de Mon Espace Santé pour Diabeloop. Ils prouvent qu’une brique d’IA peut arriver jusqu’au patient, à condition d’accepter un long parcours réglementaire.
- Examen clinique — pas d’IA qui palpe ou ausculte de façon fiable ;
- Relation soignant-soigné — l’empathie, l’annonce, la négociation d’un projet de soins restent humaines ;
- Généralisation hors du contexte d’entraînement — une IA entraînée sur une population donnée peut chuter drastiquement sur une autre (voir Leçon 3.2) ;
- Décision médicale finale — juridiquement et déontologiquement, elle appartient au professionnel de santé.
🧠 À retenir absolument
- Imagerie médicale = domaine phare de l’IA : radiologie, dermatologie, ophtalmologie (rétinopathie diabétique), anatomopathologie.
- Aide au diagnostic = deux approches — scores explicables (EBM) et modèles prédictifs (moins lisibles).
- Watson (IBM, 2011) → LLM médicaux (Med-PaLM, BioGPT, 2023-2025).
- Chirurgie robotique ≠ chirurgie autonome : le geste reste humain, l’IA aide (fusion d’images, reconnaissance de phase).
- Jumeau numérique = simulation personnalisée du patient (cardio, oncologie).
- Mon Espace Santé orchestre l’intégration des briques numériques et IA dans un vrai parcours de soins.
- Nobel de physique 2024 : Hopfield & Hinton, pour les fondations du deep learning.
❓ Questions fréquentes
L’IA va-t-elle remplacer les radiologues ?
Non — cette prédiction, popularisée par Geoffrey Hinton en 2016, ne s’est pas vérifiée. Dix ans plus tard, les radiologues sont plus demandés que jamais et l’IA fonctionne en assistance : pré-tri des examens, mesures automatiques, aide à la détection. Le geste diagnostique, la corrélation clinique et la responsabilité restent au professionnel. La HAS insiste sur ce modèle « human-in-the-loop ».
Une application d’IA médicale est-elle un dispositif médical ?
Oui, dès qu’elle a une finalité médicale (diagnostic, aide à la décision, thérapeutique). On parle alors de Dispositif Médical Numérique (DMN) ou Software as a Medical Device. Il doit porter un marquage CE, avec une classification proportionnée au risque (classe I à IIb la plupart du temps, IIa pour les algorithmes d’aide au diagnostic). Ce cadre est détaillé en Leçon 3.2.
Pourquoi les LLM sont-ils si prometteurs en médecine ?
Parce que la médecine repose massivement sur du texte : dossiers, courriers, comptes rendus, littérature scientifique. Un LLM peut résumer un dossier avant consultation, rédiger un brouillon de compte rendu, traduire un courrier, aider à la recherche bibliographique. Les études cliniques (Nature Medicine, Lancet Digital Health) montrent des gains de temps réels, mais aussi des hallucinations et des erreurs cliniques : aucun usage sans validation humaine.
Le dépistage par IA est-il déjà remboursé en France ?
Partiellement. La télésurveillance médicale, dont Moovcare® est un exemple, est entrée dans le droit commun du remboursement en 2023 (décret d’application de la loi de financement de la Sécurité sociale). Le dépistage automatisé de la rétinopathie diabétique par imagerie est référencé par la HAS et évalué localement (ex : OPHDIAT). Le cadre est en évolution rapide : chaque nouveau DMN passe par la Commission Nationale d’Évaluation des Dispositifs Médicaux et Technologies de Santé.
Un « jumeau numérique » est-il utilisable aujourd’hui en consultation ?
Pas encore en routine. Les jumeaux numériques cardiaques (modèles électro-mécaniques du cœur, projet MesoLab-Inria) et oncologiques (simulation de croissance tumorale) sont validés dans certains centres experts et essais cliniques. On les utilise avant tout pour planifier des interventions complexes (ablation d’arythmie, radiothérapie personnalisée). Leur généralisation dépendra de la disponibilité de données patient de qualité et de puissance de calcul.
🚀 Pour aller plus loin
Contenu pédagogique original — Réussir SVT. L’équipe Réussir SVT.