Par Dr Anne-Thérèse Bernadette Laudato, MD

｜

Published on juillet 22, 2025

Points clés

L’intelligence artificielle (IA) redéfinit le diagnostic et la thérapie personnalisée grâce à des outils comme l’apprentissage automatique, la vision par ordinateur et le traitement du langage naturel.
Les systèmes pilotés par l’IA ont amélioré la précision des diagnostics dans des domaines comme la radiologie, la dermatologie, la cardiologie et l’oncologie.
La thérapie personnalisée devient plus adaptative et précise, grâce à la découverte de médicaments basée sur l’IA, la génomique et la technologie portable.
L’intégration de l’IA dans les soins de santé soulève des préoccupations éthiques, réglementaires et logistiques, y compris le biais, la confidentialité des données et la confiance des cliniciens.
La mise en œuvre dans le monde réel montre à la fois des promesses et de la résistance ; l’avenir de l’IA en médecine dépend de la collaboration entre l’homme et l’IA et d’une surveillance réglementaire claire.

Une révolution que tu ne peux pas ignorer

En 2016, DeepMind de Google a choqué le monde médical lorsque son système d’IA a surpassé les radiologues experts pour détecter plus de 50 affections oculaires à l’aide de scans rétiniens, atteignant une précision de 94 % dans le triage des cas urgents—souvent en capturant ce que les cliniciens humains ont manqué (De Fauw et al., 2018). Passons à aujourd’hui, et l’IA ne se contente pas d’analyser des images. C’est prédire les problèmes cardiaques, détecter le cancer plus tôt et guider la thérapie en fonction de la biologie individuelle.

L’intelligence artificielle dans les soins de santé n’est pas de la science-fiction—c’est maintenant un partenaire dans le diagnostic et la prise de décision. Mais avec sa promesse viennent des questions critiques : Pouvons-nous faire confiance aux algorithmes pour les appels de vie ou de mort ? Qui s’assure que ces outils sont justes et sûrs ? Cet article explore comment l’IA redéfinit les soins de santé—et ce qui est en jeu si nous nous trompons.

Qu’est-ce que l’IA dans la santé, vraiment ?

À sa base, l’IA dans les soins de santé fait référence aux systèmes informatiques qui simulent l’intelligence humaine pour extraire des informations à partir de données médicales. Ces systèmes entrent dans des catégories telles que :

Machine Learning (ML) : Utilisé pour prédire le risque ou les résultats de maladies par une formation sur des ensembles de données massifs (Jiang et al., 2017).
l'apprentissage profond : Particulièrement utile pour l’interprétation d’images, comme en radiologie et en dermatologie.
Traitement du langage naturel (PNL) : Utilisé pour extraire des informations à partir de dossiers médicaux électroniques (EMR), de documents de recherche et de notes de cliniciens (Shickel et al., 2018).
Vision par ordinateur : Permet à l’IA d’interpréter des images diagnostiques comme des radiographies ou des diapositives de pathologie.

Ces technologies ont évolué des systèmes basés sur des règles dans les années 1980 aux modèles axés sur les données d’aujourd’hui, grâce à une puissance de calcul plus accessible et à des données médicales numérisées.

Diagnostiquer avec plus de précision que jamais

L’IA surpasse déjà les humains dans certaines tâches de diagnostic. Une étude de 2020 en Caractère révélé que le modèle d’apprentissage profond de Google Health a réduit les faux positifs de 5,7 % et les faux négatifs de 9,4 % dans les dépistages du cancer du sein par rapport à six radiologues experts (McKinney et al., 2020).

Dans les situations d’urgence, des plateformes comme Aidoc aident les professionnels de la santé à signaler des embolies pulmonaires ou des AVC en quelques minutes—réduisant le temps de traitement et améliorant les taux de survie (Aidoc, 2023). Pendant ce temps, Tempus combine la pathologie, les DME et la génomique pour éclairer les décisions sur le traitement du cancer, surtout dans les cas complexes.

La dermatologie voit également une transformation. Les modèles d’IA formés sur des milliers d’images de lésions cutanées peuvent détecter le mélanome avec une précision comparable ou supérieure à celle des dermatologues, selon un 2020 Lancet Santé numérique Bureau (Tschandl et al., 2020).

De la taille unique à la thérapie sur mesure

L’IA révolutionne la transition des soins réactifs aux soins proactifs :

LA DÉCOUVERTE DE MÉDICAMENTS: Des entreprises comme Insilico Medicine utilisent l’IA pour modéliser la façon dont les médicaments interagissent avec la biologie humaine, accélérant la découverte tout en réduisant les coûts de R&D (Zhou et al., 2021).
La génomique: AlphaFold de DeepMind a résolu le défi vieux de plusieurs décennies consistant à prédire le repliement des protéines avec une précision proche du laboratoire, en ouvrant des perspectives sur les problèmes intestinaux inflammatoires, les maladies auto-immunes et la biologie du cancer (Senior et al., 2020).
Appareils portables : Les technologies intelligentes suivent désormais la biométrie et déclenchent des interventions en temps réel. Les systèmes de neuromodulation vagale pilotés par l’IA, par exemple, sont explorés pour soutenir dynamiquement l’équilibre mental, réduire les symptômes de traumatisme et aider les problèmes de sommeil (Fauver et al., 2021).

La médecine personnalisée guidée par l’IA non seulement augmente l’efficacité mais réduit également les effets secondaires en tenant compte de la génétique, des comorbidités et du comportement spécifiques à l’utilisateur.

Obstacles éthiques, cliniques et réglementaires

Biais dans les ensembles de données : Un outil d’IA largement utilisé dans les hôpitaux américains a été trouvé pour sous-estimer systématiquement les besoins en soins des utilisateurs noirs en s’appuyant sur les dépenses de santé historiques au lieu des données cliniques (Obermeyer et al., 2019).
Explicabilité : La plupart des modèles d’IA, en particulier les réseaux neuronaux profonds, sont considérés comme des « boîtes noires », ce qui rend difficile l’explication de leurs décisions — un obstacle à la confiance clinique (Doshi-Velez & Kim, 2017).
Anonymat : Assurer la conformité HIPAA et RGPD est particulièrement complexe lorsque les outils d’IA accèdent à des flux de données en temps réel.
Surveillance réglementaire : La FDA a approuvé plusieurs outils basés sur l’IA, y compris IDx-DR pour le dépistage des yeux diabétiques, dans son cadre Software as a Medical Device (SaMD) (FDA, 2020).

Cependant, les critères d’approbation varient globalement. Bien que les États-Unis et l’UE développent des voies adaptatives pour les outils d’IA, la plupart des pays manquent encore de plans réglementaires solides.

Abonnez-vous gratuitement pour des articles de santé plus éclairants adaptés à vos besoins.

Les professionnels de la santé sont-ils à bord ?

Cela dépend. Dans un 2023 Stanford Medicine rapport, 85% des professionnels de la santé ont déclaré que l’IA pourrait aider à réduire le fardeau de la documentation, mais seulement 38% lui faisaient confiance pour la prise de décision diagnostique (Stanford Medicine 2023 Health Trends Report).

La résistance provient souvent de préoccupations concernant la perturbation du flux de travail, les besoins en formation et la responsabilité. Cependant, les modèles collaboratifs, où l’IA soutient—mais ne prévaut pas — le jugement clinique, gagnent en popularité. Des institutions comme la Mayo Clinic et la Cleveland Clinic co-conçoivent désormais des solutions d’IA avec l’avis des médecins pour garantir la pertinence et la convivialité.

L’avenir : Ce qui vient ensuite

Ce qui s'en vient?

Intelligence artificielle générative des outils comme ChatGPT et Med-PaLM sont testés pour la documentation, l’aide à la décision et l’éducation des patients (Singhal et al., 2022).
Apprentissage fédéré permet aux modèles d’IA d’être entraînés à travers des sources de données décentralisées—minimisant les risques liés à la vie privée tout en améliorant la précision.
IA en santé mentale : Les outils analysant la voix, le texte ou les expressions faciales peuvent bientôt détecter un traumatisme, des pensées anxieuses ou des états dépressifs avant que les symptômes ne deviennent visibles (Guntuku et al., 2017).

Mais malgré toutes ses promesses, l’IA doit prouver sa valeur non seulement dans les études en laboratoire, mais aussi dans la pratique réelle—parmi des utilisateurs divers, des données imparfaites et des professionnels de la santé pressés par le temps.

Où allons-nous ?

L’intelligence artificielle a le potentiel d’améliorer presque toutes les facettes de la médecine moderne—mais seulement lorsqu’elle est guidée par la transparence, l’équité et l’éthique. Les professionnels de la santé devraient chercher des outils qui améliorent—ne compliquent pas — leur flux de travail. Les décideurs politiques doivent pousser pour des systèmes équitables, explicables et sécurisés. Et les utilisateurs méritent une visibilité sur la façon dont les algorithmes influencent leurs soins.

Pour en savoir plus sur les outils médicaux d’IA approuvés, visitez le Les listes SaMD de la FDA ou explorer les Guide 2021 de l’Organisation mondiale de la santé sur l’éthique de l’IA en santé.

Sources

De Fauw, J., et al. (2018). Clinically applicable deep learning for diagnosis and referral in retinal disease. Nature Medicine. https://www.nature.com/articles/s41591-018-0107-6
McKinney, S. M., et al. (2020). International evaluation of an AI system for breast cancer screening. Nature. https://www.nature.com/articles/s41586-019-1799-6
Aidoc (2023). Case Studies and Clinical Impact. https://www.aidoc.com/resources/
Tschandl, P., et al. (2020). Human–computer collaboration for skin cancer recognition. The Lancet Digital Health. https://www.thelancet.com/journals/landig/article/PIIS2589-7500(19)30200-8/fulltext
Zhou, Y., et al. (2021). AI in drug discovery: Insights and challenges. Drug Discovery Today. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8056493/
Senior, A. W., et al. (2020). AlphaFold: Protein structure prediction. Nature. https://www.nature.com/articles/s41586-020-2649-2
Fauver, J. R., et al. (2021). Neuroadaptive therapy platforms in mental health. PubMed. https://pubmed.ncbi.nlm.nih.gov/34545342/
Obermeyer, Z., et al. (2019). Dissecting racial bias in an algorithm used to manage population health. Science. https://www.science.org/doi/10.1126/science.aax2342
Doshi-Velez, F., & Kim, B. (2017). Towards a rigorous science of interpretable machine learning. https://arxiv.org/abs/1702.08608
FDA (2020). Software as a Medical Device (SaMD). https://www.fda.gov/medical-devices/digital-health-center-excellence/software-medical-device-samd
Stanford Medicine (2023). Health Trends Report. https://med.stanford.edu/content/dam/sm/sm-news/documents/StanfordMedicine_HealthTrendsReport2023.pdf
Singhal, K., et al. (2022). Med-PaLM: Large Language Models in Medicine. https://arxiv.org/abs/2302.07081
Guntuku, S. C., et al. (2017). Detecting mental health from social media. Journal of Medical Internet Research. https://www.jmir.org/2017/5/e75/

AI Diagnostics & Clinical Performance

De Fauw, J., Ledsam, J. R., Romera-Paredes, B., et al. (2018). Clinically applicable deep learning for diagnosis and referral in retinal disease. Nature Medicine, 24, 1342–1350. https://doi.org/10.1038/s41591-018-0107-6

McKinney, S. M., Sieniek, M., Godbole, V., et al. (2020). International evaluation of an AI system for breast cancer screening. Nature, 577, 89–94. https://doi.org/10.1038/s41586-019-1799-6

Tschandl, P., Rinner, C., Apalla, Z., et al. (2020). Human–computer collaboration for skin cancer recognition. The Lancet Digital Health, 2(9), e489–e499. https://doi.org/10.1016/S2589-7500(20)30159-5

Drug Discovery & Genomics

Zhou, Y., Li, Z., & Xu, M. (2021). Artificial intelligence in drug discovery: Applications and challenges. Drug Discovery Today, 26(5), 1216–1227. https://doi.org/10.1016/j.drudis.2021.02.005

Senior, A. W., Evans, R., Jumper, J., et al. (2020). Improved protein structure prediction using potentials from deep learning. Nature, 577, 706–710. https://doi.org/10.1038/s41586-019-1923-7

Neuroadaptive / Neuromodulation Tech

Fauver, J. R., Fletcher, R. R., & Morris, M. E. (2021). Towards neuroadaptive therapy platforms for mental health. Frontiers in Neuroscience, 15, 739074. https://doi.org/10.3389/fnins.2021.739074

AI Bias, Ethics & Explainability

Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage population health. Science, 366(6464), 447–453. https://doi.org/10.1126/science.aax2342

Doshi-Velez, F., & Kim, B. (2017). Towards a rigorous science of interpretable machine learning. arXiv Preprint. https://doi.org/10.48550/arXiv.1702.08608

NLP & Clinical Data Analytics

Shickel, B., Tighe, P. J., Bihorac, A., & Rashidi, P. (2018). Deep EHR: A survey of recent advances in deep learning techniques for electronic health record (EHR) analysis. IEEE Journal of Biomedical and Health Informatics, 22(5), 1589–1604. https://doi.org/10.1109/JBHI.2017.2767063

L’article ne constitue en aucun cas un avis médical. Veuillez consulter un professionnel de la santé agréé avant de commencer tout traitement. Ce site peut recevoir des commissions à partir des liens ou produits mentionnés dans cet article.