Intelligence artificielle

Projet collaboratif et formulaire pour poster vos questions et/ou vos commentaires

Ce wiki est un projet collaboratif, auquel chacun peut apporter sa pierre, soit par les questions issues de sa pratique pour lesquelles les réponses sont incertaines ou absentes, soit par les réponses qu'il souhaite lui-même apporter.

Vous devez pour cela entrer votre question ou votre commentaire en utilisant notre formulaire en ligne ici...

Qu’est-ce que l’intelligence artificielle en santé ?

Il n’existe pas de définition unique et universelle de l’intelligence artificielle parce que ce terme recoupe de nombreuses technologies [1].

L’intelligence artificielle (IA) est un domaine de recherche en pleine expansion, une révolution technologique incontournable qui affecte tous les domaines d’activité : économie, emploi, services publics, environnement, information, secteur culturel … [1, 2].

L’IA désigne l’ensemble des techniques et des technologies qui, à partir du stockage et de l’analyse d’un vaste ensemble de données, visent à reproduire ou à simuler certaines capacités humaines, comme le raisonnement, l’apprentissage, la perception ou la décision.

Ces nombreuses applications sont amplifiées par les systèmes d’IA dite « générative » qui permettent à un humain, très rapidement, en quelques secondes, par écrit ou oralement, de générer du contenu, là où il faudrait à l’homme plusieurs jours ou semaines [1].

Mais il reste de nombreuses incertitudes, notamment quant à la maîtrise des systèmes, au déploiement, à la responsabilité, la vérité et la pertinence de l’information.

En médecine l’IA offre des perspectives prometteuses pour améliorer la qualité des soins, le diagnostic, la prévention, la recherche, la mise au point de médicaments ou la formation à condition de placer l’éthique et les droits humains au cœur de sa conception, de son déploiement et de son utilisation [3,4].

Références :

[1].Commission de l’Intelligence artificielle. IA : notre ambition pour la France.Mars 2024.

[2]. Intelligence artificielle et santé· Inserm, La science pour la santé. Inserm. 06/07/2018. Modifié le 25/01/2024.

[3]. Jeremie. IA et santé : l’OMS publie un premier rapport. Devinci Executive Education. 20 sept 2021.

[4]. L’OMS publie le premier rapport mondial sur l’intelligence artificielle (IA) appliquée à la santé et six principes directeurs relatifs à sa conception et à son utilisation.

Mots clés : intelligence artificielle [artificial intelligence].

Qualité de la preuve : Grade 4.

Comment fonctionnent les intelligences artificielles ?

Les systèmes d’intelligence artificielle s’appuient sur des techniques d’apprentissage automatique, entraînés sur d’importants volumes de données : textes, images, vidéos, sons, tableaux [1].

La conception de ChatGPT, agent conversationnel développé par OpenAI, suit 5 étapes [2] :

• Un pré-entraînement sur un vaste ensemble de données provenant d’Internet qui lui permet d’acquérir une compréhension générale de la syntaxe, la grammaire et le contexte ;

• Une mise au point sur des taches spécifiques sous supervision humaine ;

• La génération de texte : réponse du modèle à une requête en se basant sur son apprentissage préalable ;

• L’attention contextuelle : attribution d’une importance spécifique lors de la génération de la réponse compte tenu des différents éléments du contexte ;

• Des itérations : ajustements permettant au système d’affiner sa réponse en fonction du contexte au fur et à mesure de la conversation.

Une fois entraîné le modèle sollicité par le biais de requêtes répond en produisant de nouvelles données, s’enrichissant au fur et à mesure [1, 2].

Il existe des modèles développés spécifiquement pour fournir des informations médicales pertinentes et personnalisées grâce au recoupement de données : les big data [3]. Cependant ces modèles ne sont pas parfaits et ne peuvent remplacer le jugement et l’expertise de professionnels humains [2].

Références :

[1]. Commission de l’Intelligence artificielle. IA : notre ambition pour la France. Mars 2024.

[2]. Drahi É, Le Noc Y, Bergua G, Dumoulin M, Hagiu DP, Scali C, Steyer É. Intelligence artificielle en santé : principes, performances et éthique. Médecine. 2024 ;20(5) :208-12.

[3]. Intelligence artificielle et santé· Inserm, La science pour la santé. Inserm. 06/07/2018. Modifié le 25/01/2024.

Mots clés : intelligence artificielle [artificial intelligence].

Qualité de la preuve : Grade 4.

Quelles sont les premières applications de l’IA en santé?

Pratiquement aucun domaine de la médecine et des soins n’échappe à l’influence de l’IA [1,2].

Les tâches administratives et de secrétariat ont été les premières concernées. L’IA joue un rôle croissant dans :

• L’accueil en automatisant la gestion des rendez-vous, avec rappels pour limiter l’absentéisme, permettant aux secrétaires de récupérer du temps pour d’autres tâches ;

• La gestion de la couverture maladie, les rapports entre les soignants et les organismes payeurs ;

• La synthèse des données du patient, de résultats d’analyse et d’examens complémentaires;

• L’analyse d’images de radiographies, d’histologie, de fonds d’œil, d’ECG, la synthèse et la rédaction de comptes rendus plus complets, rapides et précis ;

Dans une enquête auprès de 57 médecins généralistes, internistes, cardiologues et orthopédistes américains [3], sur 430 heures de travail, 27,0% du temps étaient consacrés à la consultation directe des patients et 49,2 % à la saisie des données dans le dossier at autres tâches administratives. En présence même du patient 52,9% du temps étaient consacrés directement à l’examen et 37,0% à la saisie dans le dossier électronique et autres tâches administratives, source d’épuisement professionnel.

Pour chaque heure de soins directs au patient les médecins consacrent près de 2 heures supplémentaires à la documentation et aux tâches administratives, en grande partie en dehors des heures de travail, pendant les heures de repos accroissant les risques de burn-out [4].

Les assistants de rédaction utilisant l’IA peuvent alléger la charge de travail liée à la gestion administrative.

Références :

1. Beam AL, Drazen JM, Kohane IS, Leong TY, Manrai AK, Rubin EJ. Artificial Intelligence in Medicine. New England Journal of Medicine. 29 mars 2023;388(13):1220 1. doi:10.1056/NEJMe2206291.

[2]. Casassus P. Intelligence artificielle (IA) en médecine : espoirs et précautions. Médecine 2025 ; 21(8) :363-6.

[3]. C, Colligan L, Li L, Prgomet M, Reynolds S, Goeders L, et al. Allocation of Physician Time in Ambulatory Practice: A Time and Motion Study in 4 Specialties. Ann Intern Med. 6 déc 2016;165(11):753 60.doi:10.7326/M16-0961 PubMed PMID: 27595430

[4]. Reddy A, Gunnink E, Wheat CL, Pawlikowski S, Payne CM, Wiltz S, Hubert TL, Kirsh S, Carey E, Hill D, Nelson KM. Rapid Evaluation of Artificial Intelligence Technology Used for Ambient Dictation in Primary Care: Comparing the Quality of Documentation of Artificial Intelligence-Generated and Human-Produced Clinical Notes. Ann Intern Med. 2026 Apr 17. doi: 10.7326/ANNALS-25-02772. Epub ahead of print. PMID: 41996184.

Mots clés : intelligence artificielle [artificial intelligence].

Qualité de la preuve : Grade 3.

Quelles sont les performances des systèmes d’IA en santé ?

Les systèmes d’IA sont en pleine expansion dans l’usage des dispositifs médicaux, le dépistage et le suivi de maladies chroniques.

Performances diagnostiques

Dans une étude portant sur 100 patients [1] (âge médian 72 ans) admis dans un service d’urgences de médecine interne principalement pour des pathologies cardiovasculaires, endocriniennes, gastro-intestinales ou infectieuses, ChatGPT-4 a surpassé les médecins internes des urgences en matière de précision diagnostique (p= 0,01), principalement pour les pathologies cardio-vasculaires (p=0,03), endocriniennes et gastro-intestinales (p=0,01).

Dans une autre étude sur 70 cas complexes [2] ChatGPT-4 a fourni un diagnostic différentiel exact dans 64 % des cas difficiles et un diagnostic principal exact dans 39 % des cas.

Une autre étude [3] utilisant deux générateurs de diagnostics différentiels (IsabelHealth et Memem7) à propos de 105 cas réels issus d’un forum de télémédecine ces deux systèmes identifiaient le diagnostic cible correct avec une efficacité équivalente, tous cas confondus, de 58% et 68 % (différence non significative entre les deux systèmes), apportant une aide pour établir une liste pertinente de diagnostics différentiels et identifier le diagnostic cible.

Suivi de patients diabétiques

Des algorithmes d'IA ont été développés pour automatiser le dépistage et faciliter la prise en charge du diabète et d'autres troubles métaboliques. Ils permettent de diagnostiquer et classer le diabète de type 1, le diabète de type 2, le diabète gestationnel avec une précision équivalente à celle d’un médecin.

Les pompes à insuline intégrant l’IA sont utilisées dans nombre d’études pour automatiser les débits de perfusion d’insuline en fonction du contrôle continu de la glycémie.

Divers systèmes permettent également de diagnostiquer les complications graves du diabète : rétinopathie, pied diabétique, risque d’hospitalisation [4].

Pathologies cardiovasculaires

Dans une étude de 100 dossiers de patients présentant des pathologies cardiovasculaires [5] en posant des questions visant à évaluer des hypothèses diagnostiques, les examens complémentaires et analyses recommandés, ChatGPT a pu donner 43 % de réponse exactes, 42 % d’erreurs et 15 % de concordances partielles.

Mais ChatGPT était plus performant pour diagnostiquer les cas les plus graves (p<0,001) ainsi que l’urgence (p<0,011).

Patients insuffisants rénaux

Une revue systématique [6] et une étude de cohorte rétrospective [7] ont évalué les performances de modèles d’IA chez des patients souffrant d’insuffisance rénale chronique pour :

• La recherche et la compatibilité de greffons, donc définir une stratégie cohérente d’attribution, et prédire la survie du greffon;

• Prédire la mortalité à 1, 4 et 7 ans rétrospectivement dans une cohorte de 559 patients hémodialysés, comparativement à une cohorte témoin de 87 patients d’un autre centre. Les valeurs de précision pour ces échéances étaient de respectivement de 0,891, 0, 857 et 0,891.

Les IA conversationnelles ont des performances aujourd’hui inférieures à celles de médecins mais elles peuvent être utiles pour établir des listes de diagnostics différentiels et pour aider au suivi des pathologies chroniques.

Références :

[1]. JM, Auer MK, Strüven A, Massberg S, Stremmel C. ChatGPT With GPT-4 Outperforms Emergency Department Physicians in Diagnostic Accuracy: Retrospective Analysis. J Med Internet Res. 8 juill 2024;26:e56110. doi:10.2196/56110 PubMed PMID: 38976865; PubMed Central PMCID: PMC11263899.

[2].Kanjee Z, Crowe B, Rodman A. Accuracy of a Generative Artificial Intelligence Model in a Complex Diagnostic Challenge. JAMA. 3 juill 2023;330(1):78 80. doi:10.1001/jama.2023.8288.

[3[. Fritz P, Kleinhans A, Raoufi R, Sediqi A, Schmid N, Schricker S, et al. Evaluation of medical decision support systems (DDX generators) using real medical cases of varying complexity and origin. BMC Med Inform Decis Mak. 24 sept 2022;22(1):254. doi:10.1186/s12911-022-01988-2 PubMed PMID: 36153527; PubMed Central PMCID: PMC9509605.

[4]. Iftikhar M, Saqib M, Qayyum SN, Asmat R, Mumtaz H, Rehan M, et al. Artificial intelligence-driven transformations in diabetes care: a comprehensive literature review. Ann Med Surg (Lond). 23 juill 2024;86(9):5334 42. doi:10.1097/MS9.0000000000002369 PubMed PMID: 39238969; PubMed Central PMCID: PMC11374247.

[5]. Mialarett LB, Bezerra TL, Lopes MC, Filho JMR, V. Joviano‐Santos J. ChatGPT in Public Cardiovascular Healthcare: Accuracy, Limitations, and Implications. J Eval Clin Pract. juin 2026;32:e70465. doi:10.1111/jep.70465 PubMed PMID: 42070276; PubMed Central PMCID: PMC13135820.

[6]. Firuzpour F, Pasha AA, Oliaei F, Nasirimehr K, Khosravi M, Rostami G, et al. Artificial intelligence–driven kidney organ allocation: systematic review of clinical outcome prediction, ethical frameworks, and decision-making algorithms. BMC Nephrol. 14 nov 2025;26:639. doi:10.1186/s12882-025-04576-4 PubMed PMID: 41239278; PubMed Central PMCID: PMC12619412.

[7]. Peng Z, Zhong S, Li X, Yu F, Tang Z, Ma C, et al. An artificial intelligence model to predict mortality among hemodialysis patients: A retrospective validated cohort study. Sci Rep. 2025 Jul 29;15(1):27699. doi: 10.1038/s41598-025-06576-8. PMID: 40730809; PMCID: PMC12307615.

Mots clés : intelligence artificielle ; diagnostic ; diabète ; maladies cardiovasculaires ; défaillance rénale chronique [artificial intelligence ; diagnosis ; diabetes mellitus ; cardiovascular diseases ; kidney failure, chronic].

Qualité de la preuve : Grade 3.