Un radiologue que je connais bien m'a raconté une scène qui m'est restée. Il regarde une IRM cérébrale, un cas banal en apparence. Le logiciel qui tourne à côté de lui, lui, a surligné en rouge une zone de trois millimètres que l'œil humain avait laissée filer. Vérification faite, il y avait bien quelque chose. Pas une tumeur. Une anomalie vasculaire discrète, mais réelle.
Ce n'est pas de la science-fiction. C'est le quotidien de plusieurs services hospitaliers en France aujourd'hui, en 2026. L'intelligence artificielle en médecine n'est plus un sujet de conférence. C'est un outil qui tourne, qui se trompe parfois, qui aide souvent, et que la loi encadre désormais très sérieusement.
Le problème, c'est que la plupart des articles sur le sujet répètent les mêmes trois paragraphes : « l'IA va révolutionner la santé », « voici cinq applications », « attention à l'éthique ». J'ai voulu écrire autre chose. Ce qui suit vient de ce que j'ai vu, lu, testé et raté moi-même dans ce domaine.
Points clés à retenir
- La plupart des outils d'IA clinique sont des dispositifs médicaux : ils doivent porter le marquage CE et respecter le règlement européen sur l'IA, qui classe la santé en zone à haut risque.
- Les usages qui fonctionnent le mieux aujourd'hui sont étroits : imagerie, dépistage ciblé, aide à la rédaction de comptes rendus. Pas le diagnostic généraliste.
- Un modèle génératif seul, sans validation clinique, n'a aucune valeur médicale. Zéro.
- La formation des soignants à ces outils reste le maillon faible, bien plus que la technique.
- Certains outils gratuits sont utiles pour comprendre, jamais pour décider.
L'IA au service de la santé et de la médecine : ce qui marche vraiment sur le terrain
J'ai commencé à m'intéresser à ce sujet en cherchant à comprendre pourquoi tant de projets d'IA en santé échouaient après une phase pilote prometteuse. Ce que j'ai découvert est moins spectaculaire que ce qu'on raconte, mais beaucoup plus utile.
Là où ça fonctionne, et pourquoi
Trois familles d'usage tiennent la route en 2026.
L'imagerie médicale. C'est le domaine le plus mature, et de loin. Les algorithmes de détection sur radiographies, mammographies ou fonds d'œil atteignent des performances comparables à celles de spécialistes entraînés, parfois supérieures sur des tâches très cadrées. Le point clé : la tâche est fermée. On cherche une anomalie précise sur une image normalisée. Un problème bien posé se résout bien.
Le dépistage de la rétinopathie diabétique. Là encore, un cas d'école. La lecture automatisée de clichés du fond de l'œil permet de trier des milliers de patients sans mobiliser un ophtalmologue pour chaque image. Ce qui change la donne, ce n'est pas la performance brute, c'est le temps médical libéré.
La rédaction assistée. C'est l'usage le moins glamour et le plus sous-estimé. Dicter un compte rendu, structurer une ordonnance, résumer un dossier : ces tâches grignotent des heures. J'ai discuté avec des médecins généralistes qui estiment récupérer entre 30 et 45 minutes par jour là-dessus. Multipliez par cinq jours, par quarante-huit semaines.
Là où ça échoue, et pourquoi
Le diagnostic généraliste. Un modèle à qui l'on demande « qu'est-ce que ce patient a ? » à partir de symptômes vagues produit des réponses qui paraissent solides. C'est précisément le danger.
J'ai testé ce type d'outil, un peu naïvement je l'admets, sur une série de cas cliniques fictifs mais réalistes. Résultat : le raisonnement était plausible, la conclusion parfois fausse. Pas absurde. Fausse. Et c'est bien pire, parce qu'une erreur manifeste alerte, alors qu'une erreur plausible passe.
La raison est structurelle. Un modèle prédit une suite de mots probable. La médecine exige autre chose : éliminer activement l'hypothèse dangereuse, tenir compte du terrain, du contexte social, de ce que le patient ne dit pas. Aucun de ces éléments ne figure dans la fenêtre statistique.
Le cadre juridique : le vrai sujet dont personne ne parle
Voici l'angle qui manque partout. Un logiciel qui suggère un diagnostic n'est pas une application comme une autre.
Un logiciel médical est un dispositif médical
Dès qu'un outil sert à des fins de diagnostic, de prévention, de surveillance ou de traitement, il entre dans la catégorie des dispositifs médicaux. Concrètement, cela implique une évaluation, un marquage CE, et une documentation technique lourde. Beaucoup de développeurs découvrent cette contrainte après avoir écrit leur première ligne de code. C'est une erreur coûteuse.
Le règlement européen sur l'IA ajoute une couche. Il classe les systèmes liés à la santé parmi les usages « à haut risque ». Ce classement entraîne des obligations : gestion des risques documentée, qualité des jeux de données d'entraînement, supervision humaine effective, journalisation des décisions, information des utilisateurs.
La question de la délégation
Un point que je trouve mal compris : qui est responsable quand l'IA se trompe ? La réponse juridique est claire. Le médecin reste responsable de sa décision. L'outil propose, le praticien dispose. Un algorithme ne signe pas d'ordonnance, ne porte pas de diagnostic, n'engage rien. C'est une aide, jamais un décideur.
Ce n'est pas une subtilité. C'est ce qui distingue un outil clinique d'un gadget.
Comparatif : ce que valent les grandes catégories d'outils
Il y a une confusion permanente entre trois choses très différentes. Voici comment je les classe.
| Catégorie | Usage réel | Fiabilité clinique | Statut légal |
|---|---|---|---|
| IA génératives grand public | Comprendre un concept, préparer une explication au patient | Faible pour décider, correcte pour vulgariser | Outil de bureau, pas un dispositif médical |
| IA médicale spécialisée (imagerie, dépistage) | Détection, tri, priorisation | Élevée sur tâches cadrées | Dispositif médical, marquage CE requis |
| Assistants de rédaction clinique | Comptes rendus, courriers, synthèses | Bonne, sous supervision | Zone grise selon l'usage exact |
| Chatbots de conseil santé aux patients | Orientation, information générale | Variable, à encadrer strictement | Encadrement renforcé, vigilance forte |
Une chose saute aux yeux : la ligne du milieu n'a rien à voir avec les autres. Confondre une IA de diagnostic certifiée avec un chatbot généraliste, c'est confondre un tensiomètre et une montre connectée.
IA santé gratuite : ce qu'on peut en attendre, honnêtement
La question revient sans arrêt : existe-t-il une bonne IA médicale gratuite ?
Ma réponse va déplaire, mais elle est sincère : gratuit et cliniquement fiable ne cohabitent pratiquement jamais. Une IA médicale certifiée implique des coûts de validation, d'audit, de maintenance et d'assurance. Quelqu'un les paie.
Cela dit, le gratuit a sa place, à condition de savoir laquelle :
- Comprendre un mécanisme physiologique ou un terme technique
- Reformuler une explication destinée à un patient
- Préparer des questions à poser à un spécialiste
- Se former, tout simplement
Ce que le gratuit ne fera jamais correctement : poser un diagnostic, interpréter un examen, décider d'un traitement. Si un outil gratuit vous promet cela, la bonne réaction n'est pas l'enthousiasme, c'est la méfiance.
La formation : le maillon que tout le monde oublie
Une anecdote. Un service hospitalier déploie un outil d'aide à la détection. Formation prévue : deux heures, un après-midi. Trois mois plus tard, l'outil est utilisé par une minorité de praticiens. Pas par rejet. Parce que personne ne sait quand s'en servir, ni comment interpréter un score intermédiaire.
C'est le schéma classique. On investit dans l'algorithme, on néglige l'humain qui va cliquer dessus.
Ce qu'il faudrait enseigner, concrètement
Pas de la programmation. Trois choses suffisent :
- Ce que l'outil ne sait pas faire (les limites valent plus que les performances)
- Comment un score de confiance se traduit en décision clinique
- Quand ignorer la suggestion de la machine — car oui, il faut parfois l'ignorer
La troisième est la plus difficile à enseigner. Elle demande une culture statistique minimale que la formation médicale classique ne fournit pas toujours.
Trois erreurs que j'ai commises en explorant ce domaine
Autant être transparent, parce que j'ai perdu du temps.
Erreur n°1 : croire qu'un bon score vaut une validation. J'ai vu des résultats impressionnants sur des jeux de données et conclu trop vite. Un modèle performant sur des données de laboratoire peut s'effondrer sur des données réelles, plus bruitées, plus hétérogènes. L'écart est parfois brutal.
Erreur n°2 : sous-estimer la réglementation. J'ai cru qu'il suffisait de bien coder. Non. La documentation technique, la traçabilité, l'évaluation des risques représentent une part énorme du travail réel. J'aurais dû commencer par là.
Erreur n°3 : confondre démonstration et usage. Un outil qui impressionne en démo n'est pas un outil qu'on adopte. L'adoption dépend du workflow, du temps d'intégration, de la confiance. La technique n'est qu'un tiers du problème. Parfois moins.
Ce qui va compter dans les prochaines années
Je ne vais pas vous promettre une médecine entièrement automatisée. Ce n'est pas le sujet, et ce ne serait pas souhaitable.
Ce que je vois, c'est une spécialisation croissante. Des outils très bons sur des tâches très étroites, intégrés dans des parcours de soins pensés pour eux. Moins de promesses générales, plus de dispositifs certifiés qui font une seule chose correctement.
Et puis il y a une question qui me travaille et que je vous laisse. Quand un algorithme repère une anomalie que le médecin avait manquée, qui a posé le diagnostic ? Celui qui a regardé l'image, ou celui qui a appris à la regarder ? La réponse n'est pas juridique. Elle est peut-être philosophique, et je ne suis pas sûr qu'on soit prêts à l'affronter.
En attendant, une chose est certaine : l'IA en santé ne remplacera pas les soignants. Elle déplacera ce que l'on attend d'eux. Et ce déplacement, personne ne l'a encore vraiment mesuré.
