Intelligence artificielle : quels espoirs pour la santé ?

Qu’est-ce que l’intelligence artificielle ?

Il n’existe pas une définition de l’intelligence artificielle (IA) qui serait à la fois simple et précise. Issu de la science-fiction des années 1990, ce terme n’était pas, à l’origine, utilisé par les scientifiques. Il est revenu sur le devant de la scène avec l’essor de l’IA générative et des agents conversationnels tels que ChatGPT, Perplexity, Microsoft Copilot ou Gemini.

Contrairement à un algorithme classique dont les règles sont définies à l’avance, un modèle d’IA apprend à partir des données qu’on lui fournit. Si l’on donne par exemple à un algorithme d’IA les mesures de cholestérolémie (1) d’un certain nombre de patients et qu’on lui indique pour chacun d’eux s’il est diabétique ou non, l’algorithme va apprendre tout seul le seuil permettant de distinguer les patients malades des autres.

Avec l’IA générative, une nouvelle étape a été franchie. Après avoir été entraînée sur de grandes quantités de données, l’IA peut désormais produire de nouveaux contenus à partir des régularités statistiques qu’elle a apprises. Elle peut ainsi générer du texte, des images ou du son, en reproduisant certaines caractéristiques des exemples étudiés. Le lancement de ChatGPT en 2022 a largement contribué à populariser cette évolution de l’IA.

(1)    Quantité de cholestérol dans le sang.

Un déploiement de l’IA encore limité dans le traitement et le suivi des patients

Aujourd’hui, nous sommes de plus en plus nombreux à utiliser l’intelligence artificielle. Les chatbots, ces robots de discussion automatiques basés sur l’IA, sont omniprésents sur Internet, dans nos appels téléphoniques, etc. De là à penser que l’IA a envahi tous les domaines de notre vie quotidienne, il n’y a qu’un pas.

Mais en ce qui concerne la santé, la situation est plus complexe, et différente selon les secteurs concernés. Si l’IA a d’ores et déjà d’énormes impacts en recherche médicale, son développement est encore limité dans la pratique clinique, c’est-à-dire dans la prise en charge, le diagnostic, le traitement et le suivi des patients. Et ce, en particulier pour des raisons de responsabilité médicale.

En effet, en cas de contentieux, il est essentiel de pouvoir rattacher une décision médicale (un diagnostic, un traitement…) à un professionnel de santé. Si l’on confiait à l’IA de telles décisions et qu’elle se trompait, la possibilité de la tenir pour juridiquement responsable est à l’heure actuelle encore floue. Pour des raisons à la fois juridiques et éthiques, on peut légitimement supposer que toute décision médicale continuera à être prise par le professionnel de santé, même si ce dernier est de plus en plus amené à s’appuyer sur les conseils de l’IA.

De même, dès lors qu’on envisage d’utiliser un algorithme d’IA dans un cadre médical, il est considéré comme un dispositif médical (au même titre qu’un pacemaker (1) par exemple). À ce titre, il faut démontrer son utilité et son absence de nocivité pour le patient. Outre les motifs juridiques qui viennent d’être évoqués, ces lourds processus expliquent les raisons pour lesquelles les systèmes d’IA n’ont pas encore envahi les hôpitaux, même si ceux-ci utilisent de nombreux outils et dispositifs numériques.

Ce développement encore limité de l’IA dans le domaine clinique est spécifique à la France et à l’Europe. Aux États-Unis et en Chine, des algorithmes sont utilisés depuis longtemps dans les établissements de santé, souvent à l’insu des patients, pour décider par exemple du moment où ces derniers doivent être renvoyés chez eux.

(1) Stimulateur cardiaque implanté dans le corps et qui a pour but de délivrer des impulsions électriques régulières au myocarde.

Une assistance aux diagnostics

Lorsqu’on parle des apports de l’intelligence artificielle en santé, on utilise souvent le terme de « révolution ». Dans la recherche médicale, il est vrai qu’elle est déjà source de nombreux progrès. Pour autant, il est rigoureusement impossible de prédire précisément quels effets elle aura dans 5 ans. Gardons-nous d’annoncer de trop belles promesses !

En matière de diagnostics, la recherche montre que l’IA peut apporter une réelle assistance au professionnel de santé, notamment en décelant des anomalies que celui-ci n’aurait pas forcément vues. C’est déjà le cas dans le domaine de l’imagerie (scanner, IRM, échographie…). Cette assistance de l’IA est déjà partiellement mise en pratique, car les logiciels liés aux machines d’imagerie en intègrent de plus en plus. Les professionnels de santé peuvent donc, s’ils le souhaitent, s’aider de ces informations supplémentaires.

L’assistance au diagnostic devrait aussi fortement se développer en anatomopathologie. Cette spécialité étudie les altérations des tissus et des cellules provoquées par certaines maladies. Son rôle est essentiel, car elle permet d’identifier les pathologies et de poser des diagnostics fins. Dans ce domaine qui repose sur l’analyse d’images, l’IA révèle tout son potentiel : elle peut aller très vite, établir des diagnostics et faire gagner du temps aux médecins qui pourront en consacrer davantage à leurs patients.

Toujours au chapitre des diagnostics, l’IA est également source de grands espoirs en ce qui concerne les maladies rares. Là encore, sur la base de données d’imagerie et de données de vie (les habitudes des patients), l’IA peut aider à établir des diagnostics plus précoces et plus rapides et limiter ainsi l’errance diagnostique qui caractérise les maladies rares (c’est-à-dire le laps de temps séparant les symptômes du bon diagnostic).

L’IA, une aide pour les choix thérapeutiques

Dans le cas de certaines maladies, plusieurs traitements sont possibles. C’est particulièrement vrai en ce qui concerne les cancers. Entre chirurgie, radiothérapie, chimiothérapie ou encore immunothérapie, comment choisir le traitement le plus adapté à chaque patient, et dans quel ordre les proposer ? Cette décision nécessite de prendre en compte de nombreuses informations.

Aujourd’hui, ces choix sont discutés lors de réunions de concertation, qui réunissent des médecins de différentes spécialités. Mais en raison de leur diversité et de leur nombre, toutes les données disponibles ne peuvent pas toujours être prises en compte. Grâce à sa capacité à analyser de grandes quantités d’informations de natures différentes, l’intelligence artificielle pourrait aider à mieux orienter les choix thérapeutiques. Des travaux de recherche montrent déjà des résultats prometteurs.

Mais le passage à la pratique clinique reste complexe. Ces outils doivent être validés comme des dispositifs médicaux, ce qui implique des démarches longues et coûteuses, souvent difficiles à assumer financièrement pour les équipes de recherche. Si ces exigences sont indispensables pour garantir la qualité et l’intérêt médical des solutions proposées, elles peuvent aussi freiner certaines innovations.

En santé publique et en prévention, des données gigantesques à exploiter

La santé publique et la prévention, qui se caractérisent par de grandes masses de données, représentent des champs très prometteurs pour l’intelligence artificielle. En France, le système national des données de santé (le SNDS) récupère toutes les données de consommation de soins. Cette masse d’information gigantesque est accessible aux chercheurs sous certaines conditions légales, éthiques et de cybersécurité. En les croisant avec d’autres données, par exemple, des données de cohortes (1), l’IA peut repérer des signaux faibles, difficiles à détecter pour l’être humain. Elle peut ainsi contribuer à surveiller les effets indésirables de médicaments ou à identifier des risques pour la population.

L’IA présente aussi un intérêt en prévention. Des algorithmes peuvent analyser systématiquement des images médicales pour repérer des anomalies qui n’étaient pas recherchées au départ. Pendant la pandémie de Covid-19, des examens pulmonaires réalisés pour détecter des signes de la maladie ont ainsi révélé des tumeurs, de manière imprévue. Un algorithme pourrait aider à identifier ce type d’anomalie et alerter le médecin. Enfin, en croisant les données de santé avec des informations sur l’environnement, l’IA pourrait contribuer à repérer des patients exposés à certains risques (liés par exemple à la pollution) et à leur proposer un suivi adapté.

(1) Les cohortes de patients rassemblent des personnes atteintes d'une maladie précise afin d'étudier l'évolution naturelle de la pathologie ou l'efficacité d'un traitement.

L’IA, un allié pour trouver de nouveaux médicaments

Lorsqu’on met au point un nouveau médicament, l’une des étapes consiste souvent à identifier une molécule capable de se fixer sur une protéine cible (1) pour bloquer son action. Or, l’intelligence artificielle permet aujourd’hui de mieux prédire la forme en 3D des protéines à partir de leur séquence (2) et d’identifier les molécules les plus susceptibles de s’y « coller » parfaitement.

Au lieu de devoir tester de nombreuses molécules en laboratoire, les chercheurs peuvent ainsi sélectionner les molécules candidates les plus prometteuses. Une fois ces dernières identifiées, les tests expérimentaux restent indispensables, mais ils sont moins nombreux et la recherche gagne du temps. Ce système est d’ores et déjà appliqué au sein des grandes firmes pharmaceutiques.

Par ailleurs, alors que beaucoup d’essais cliniques peinent aujourd’hui à trouver des patients, l’IA pourrait faciliter ces essais, notamment en aidant à identifier les personnes susceptibles de participer à une étude. Une autre piste consiste à créer des « bras témoins synthétiques », c’est-à-dire des données virtuelles de patients, générées par l’IA pour le « groupe témoin » (le groupe traité par le placebo), ce qui permettrait de diminuer le nombre de « véritables » patients inclus dans l’essai.

(1) Protéine cible : l'élément impliqué dans le mécanisme d'une maladie que l'on cherche à modifier.

(2) Séquence : l'ordre exact dans lequel les acides aminés sont attachés les uns à la suite des autres dans une chaîne.

L’intelligence artificielle peut-elle fabriquer des virus ?

Comment réagir face aux nombreuses craintes que suscite l’utilisation de l’intelligence artificielle en santé ? En septembre 2026, l’un des géants de l’IA, l’entreprise Anthropic (le créateur de « Claude »), annonçait avoir bloqué des utilisations malveillantes de son IA qui portaient sur la mise au point d’armes biologiques. À la même période, un chercheur démissionnait d’Open AI, autre mastodonte du secteur, en expliquant que l’IA « pourrait tous nous tuer d’ici une décennie ».

Derrière ce type d’annonces catastrophistes, se cachent en réalité des enjeux financiers colossaux. Ces opérations de communications comportent rarement une description précise de ce qui s’est réellement passé. Elles ne sont en aucune façon scientifiques et visent à enrichir l’entreprise ou la personne qui les a proférées.

Dans un autre registre plus sérieux, des scientifiques américains de l’Université Stanford ont annoncé en octobre 2026 avoir utilisé une intelligence artificielle générative pour concevoir des virus spécialisés capables de traquer et de tuer des bactéries nocives. En premier lieu, il faut noter que cette expérience a été menée dans un but positif (la lutte contre certaines pathologies), scientifique et sécurisé. Deuxièmement, il s’est avéré que les virus ainsi générés étaient très proches du virus initial. L’expérience n’a donc pas été très concluante.

Enfin, il est important de souligner que si l’IA peut certes fournir la séquence du code génétique d’un virus, elle ne peut pas le fabriquer. Une telle fabrication nécessiterait de disposer, entre autres, d’une forte expertise en biologie moléculaire et d’un laboratoire spécialisé dans ces techniques expérimentales.

Les limites de l’IA en santé

Pour entraîner les outils d’intelligence artificielle en santé et faire progresser la recherche, il faut présenter à ces outils énormément de données, et par conséquent faire en sorte qu’un maximum d’entre elles soit partagé. Mais comme il s’agit de données de patients, il est obligatoire de les protéger. En Europe, le Règlement général sur la protection des données (RGPD) est très strict à ce sujet. Comment partager des données tout en restant dans un cadre de cybersécurité très contrôlé ? Ce paradoxe est un défi très compliqué à surmonter. Il s’avère particulièrement problématique dans le secteur de la recherche publique qui manque de moyens financiers pour mettre en place des « data centers » très sécurisés qui permettraient de concilier partage des données et sécurité.

Par ailleurs, on le sait, l’IA consomme énormément de ressources en énergie et en eau. Un data center moderne consomme à lui seul ce que produit un réacteur de centrale nucléaire, soit environ 1 gigawatt, ce qui est gigantesque. Ce phénomène va encore s’accentuer avec les nouveaux data centers qui s’apprêtent à voir le jour dans les prochaines années en France. Au sein du pôle IA & numérique de l’Inserm, nous sommes très conscients de cette problématique et nous sensibilisons nos chercheurs au principe de frugalité, c’est-à-dire à l’utilisation de systèmes d’IA moins gourmands en électricité que ne le sont les énormes modèles les plus connus.