On lit beaucoup de promesses sur l’intelligence artificielle en médecine, et beaucoup moins de résultats mesurés. Ce guide fait l’inverse : il part d’usages documentés par des essais cliniques, des autorisations de mise sur le marché ou des études publiées, avec leurs chiffres et leurs limites. Il détaille ensuite les règles qui s’appliquent en France en 2026 (AI Act, règlement sur les dispositifs médicaux, recommandations de la HAS, données de santé) et la manière dont un professionnel de santé peut se former.
Où l’IA est-elle déjà utilisée en médecine ?
Les exemples ci-dessous ont été choisis parce qu’ils sont vérifiables : chacun renvoie à une publication ou à une décision d’autorité sanitaire. Ils ne couvrent pas tout le champ, mais ils montrent où l’IA apporte un gain mesuré, et à quelles conditions.
| Usage | Exemple documenté | Résultat publié | Source |
|---|---|---|---|
| Dépistage du cancer du sein | Essai MASAI (Suède), lecture des mammographies assistée par IA | 44 % de charge de lecture en moins, 29 % de cancers détectés en plus, 12 % de cancers d’intervalle en moins | The Lancet, 2026, selon l’université de Lund |
| Rétinopathie diabétique | Logiciel IDx-DR, autorisé par la FDA en avril 2018 | 87,4 % des rétinopathies plus que légères repérées, 89,5 % des cas sains correctement écartés (900 patients) | FDA, dossier De Novo DEN180001 |
| Accident vasculaire cérébral | Application Viz.ai Contact, autorisée par la FDA le 13 février 2018 | Alerte envoyée au spécialiste en cas de suspicion d’occlusion d’un gros vaisseau sur le scanner | FDA, communiqué du 13 février 2018 |
| Sepsis à l’hôpital | Système d’alerte TREWS (cinq hôpitaux américains) | Mortalité ajustée inférieure de 3,3 points quand l’alerte est confirmée en moins de 3 heures | Nature Medicine, 2022 |
| Documentation clinique | Assistant de prise de notes en consultation (The Permanente Medical Group) | Près de 16 000 heures de documentation économisées sur 2,5 millions de consultations | NEJM Catalyst, 2025 |
| Recherche biomédicale | AlphaFold, prédiction de la structure des protéines | Prix Nobel de chimie 2024 (Demis Hassabis et John Jumper, avec David Baker) | Fondation Nobel |
Diagnostic et imagerie : ce que montrent les études
Mammographie : le premier grand essai randomisé
L’essai MASAI, mené en Suède auprès d’environ 106 000 femmes, a comparé la double lecture classique par deux radiologues à un dépistage où l’IA trie les examens et signale les zones suspectes. Les analyses intermédiaires avaient déjà montré une charge de lecture réduite de 44 % pour les radiologues et 29 % de cancers détectés en plus. Les résultats finaux, publiés dans The Lancet le 30 janvier 2026 selon l’université de Lund, indiquent 12 % de cancers d’intervalle en moins (82 contre 93), c’est-à-dire de cancers apparus entre deux dépistages, sans hausse des faux positifs.
Deux précautions de lecture. L’essai compare l’IA à un programme suédois qui pratique déjà la double lecture : le gain peut différer ailleurs. Et il porte sur un logiciel précis, pas sur « l’IA » en général. Un établissement qui s’équipe doit regarder les données propres à l’outil qu’il achète.
Rétine et scanner cérébral : l’IA qui alerte ou qui trie
En avril 2018, la FDA a autorisé IDx-DR, premier dispositif capable de rendre un résultat de dépistage de la rétinopathie diabétique sans qu’un clinicien interprète l’image. L’étude présentée portait sur 900 patients diabétiques suivis dans 10 cabinets de soins primaires. Deux mois plus tôt, le 13 février 2018, l’agence avait autorisé l’application Viz.ai Contact, qui analyse les scanners cérébraux et envoie une alerte au neurologue vasculaire en cas de suspicion d’occlusion d’un gros vaisseau ; le spécialiste doit toujours relire les images. Ces deux cas illustrent les deux rôles les plus fréquents de l’IA en imagerie : trier les examens et accélérer l’alerte, plus que remplacer la lecture.
La FDA tient à jour une liste publique des dispositifs médicaux intégrant de l’IA autorisés aux États-Unis ; la radiologie y est très majoritaire. Il n’existe pas d’équivalent public aussi détaillé en Europe, où ces logiciels obtiennent un marquage CE au titre du règlement sur les dispositifs médicaux.
Détection précoce : ce que l’exemple du sepsis apprend
Le sepsis, une réaction grave de l’organisme à une infection, est un terrain d’essai des systèmes d’alerte, et il montre les deux faces du sujet.
- Un modèle très diffusé, décevant en validation externe. En 2021, une équipe de l’université du Michigan a évalué le modèle de prédiction du sepsis intégré au logiciel de dossier patient Epic sur 38 455 hospitalisations. Résultat publié dans JAMA Internal Medicine : une aire sous la courbe de 0,63, une sensibilité de 33 %, des alertes déclenchées pour 18 % des patients et 67 % des sepsis non détectés.
- Un système associé à une baisse de mortalité. En 2022, l’étude prospective du système TREWS dans cinq hôpitaux, publiée dans Nature Medicine, a analysé 6 877 patients en sepsis : quand l’alerte était confirmée par un soignant dans les 3 heures, la mortalité ajustée était inférieure de 3,3 points, soit 18,7 % en relatif. Les auteurs parlent d’une association, pas d’une preuve de causalité.
La leçon dépasse le sepsis : un outil qui fonctionne dans l’hôpital où il a été conçu peut perdre une grande partie de sa performance ailleurs. La validation sur les données de l’établissement, puis le suivi dans le temps, font partie du projet, pas d’une option.
Gagner du temps sur la documentation et l’administratif
C’est l’usage qui progresse le plus vite, parce qu’il touche tous les soignants : rédiger un compte rendu, un courrier de sortie, une synthèse de dossier ou une réponse à un patient. Les assistants dits « ambiants » écoutent la consultation, en principe avec l’accord du patient, et proposent une note que le médecin relit et corrige.
L’exemple le mieux documenté vient de Californie. Selon la division de recherche de Kaiser Permanente (étude publiée dans NEJM Catalyst, présentée le 1er avril 2025), 7 260 médecins du Permanente Medical Group ont utilisé un tel assistant pour 2 576 627 consultations entre octobre 2023 et décembre 2024, avec près de 16 000 heures de documentation économisées. Rapporté au nombre de médecins, cela représente en moyenne un peu plus de deux heures par médecin sur la période (calcul AI2), avec des écarts importants selon l’usage de chacun.
Pour les outils d’IA générative du quotidien, la Haute Autorité de santé a publié le 30 octobre 2025 un guide, « Premières clefs d’usage de l’IA générative en santé », mis à jour le 15 avril 2026. Il tient en quatre lignes directrices réunies sous l’acronyme A.V.E.C. :
| Ligne directrice HAS | Ce que cela veut dire en pratique |
|---|---|
| Apprendre | Comprendre le fonctionnement de l’outil et les règles de confidentialité des données personnelles et de santé, le tester en conditions réelles |
| Vérifier | Ne pas partager d’informations confidentielles ; traiter chaque contenu généré comme une proposition qui peut contenir des erreurs, par exemple sur des valeurs chiffrées ou des noms de médicaments |
| Estimer | Évaluer dans le temps la qualité de l’outil : nombre de corrections, facilité d’usage, intégration dans le travail |
| Communiquer | Expliquer l’usage de l’outil au patient, partager les retours d’expérience, rester transparent sur les données transmises |
Médecine personnalisée et recherche
En recherche, l’IA aide à exploiter des volumes de données qu’aucune équipe ne pourrait parcourir à la main : séquences génétiques, images de pathologie, dossiers de cohortes. Le cas le plus connu est AlphaFold, qui prédit la structure tridimensionnelle des protéines ; ses concepteurs Demis Hassabis et John Jumper ont reçu le prix Nobel de chimie 2024, partagé avec David Baker pour la conception de protéines. En oncologie et dans les maladies chroniques, les modèles qui prédisent la réponse à un traitement restent pour la plupart au stade de la recherche ou de l’évaluation clinique.
En France, développer un système d’IA à partir de données de santé est en principe assimilé à une recherche, une étude ou une évaluation dans le domaine de la santé. La CNIL l’a précisé dans une fiche publiée le 5 mars 2026 : le projet passe en général par une formalité préalable, le plus souvent une déclaration de conformité à une méthodologie de référence (MR-001, MR-003 ou MR-004), et la constitution d’un entrepôt de données de santé obéit à ses propres règles.
Quelles règles encadrent l’IA médicale en France et en Europe ?
Le règlement sur les dispositifs médicaux (MDR)
Un logiciel destiné à fournir des informations utilisées pour prendre des décisions à visée diagnostique ou thérapeutique est un dispositif médical. Le règlement (UE) 2017/745, applicable depuis le 26 mai 2021, le classe au minimum en classe IIa (règle 11 de son annexe VIII), ce qui impose l’intervention d’un organisme notifié avant le marquage CE. En France, l’ANSM surveille le marché. Un agent conversationnel grand public n’est en général pas marqué CE comme dispositif médical : il ne doit pas être utilisé comme tel.
L’AI Act et son report de 2026
Le règlement européen sur l’IA (règlement (UE) 2024/1689, en vigueur depuis le 1er août 2024) classe à haut risque les systèmes d’IA qui sont des dispositifs médicaux, ou des composants de sécurité de dispositifs médicaux, soumis à l’évaluation d’un organisme notifié. Le règlement (UE) 2026/1744, dit « omnibus numérique », publié au Journal officiel le 24 juillet 2026, a décalé l’application de ces obligations.
| Obligation de l’AI Act | Qui est concerné en santé | Date d’application |
|---|---|---|
| Maîtrise de l’IA (article 4), reformulée par l’omnibus | Fournisseurs et utilisateurs professionnels, dont les établissements de santé, pour leur personnel | Depuis le 2 février 2025 |
| Transparence (article 50), par exemple signaler qu’on échange avec une IA | Agents conversationnels proposés aux patients | 2 août 2026 |
| Haut risque, annexe III | Notamment les systèmes de tri des patients dans les soins d’urgence | 2 décembre 2027 (au lieu du 2 août 2026) |
| Haut risque, annexe I | IA intégrée à des dispositifs médicaux relevant du MDR ou du règlement sur les diagnostics in vitro | 2 août 2028 (au lieu du 2 août 2027) |
Pour une lecture plus complète du texte côté entreprise, voir notre guide de l’AI Act pour les entreprises.
Données de santé : RGPD, CNIL et hébergement HDS
Les données de santé sont des données sensibles au sens de l’article 9 du RGPD : leur traitement est interdit sauf exceptions prévues par le texte. Deux conséquences pratiques. D’abord, un professionnel ne saisit pas de données identifiantes d’un patient dans un outil d’IA générative grand public, ce que rappelle la HAS en demandant de ne pas partager d’informations confidentielles. Ensuite, un établissement qui confie des données de santé à un prestataire doit choisir un hébergeur certifié HDS : l’article L. 1111-8 du Code de la santé publique impose cette certification, gérée par l’Agence du numérique en santé. Selon l’ANS, un nouveau référentiel HDS a été publié au Journal officiel le 16 mai 2024, avec une période de transition de 24 mois pour les hébergeurs déjà certifiés.
Limites, risques et questions éthiques
- Les biais des données d’entraînement. Une étude publiée dans Science Advances en 2022 a montré que des modèles de dermatologie obtenaient de moins bons résultats sur les peaux foncées et les maladies rares, faute d’images représentatives dans leurs données d’origine.
- La perte de performance hors du lieu de conception, illustrée par le modèle de sepsis évalué au Michigan.
- Le biais d’automatisation : la tendance à suivre la machine, y compris quand elle se trompe, surtout en fin de garde ou en période de forte activité.
- Les erreurs de l’IA générative : posologie inventée, référence bibliographique inexistante, chiffre déformé. La HAS demande de traiter chaque contenu généré comme une proposition à vérifier.
- La responsabilité : un outil d’aide à la décision ne transfère pas la décision. Le professionnel qui suit une recommandation erronée sans la contrôler reste responsable de ses actes.
- Le coût environnemental et la dépendance, deux points que la HAS mentionne aussi : conserver une part de pratique sans IA générative évite de perdre la main.
Comment se former à l’IA quand on est professionnel de santé ?
Pour un médecin, un cadre de santé ou un directeur d’établissement, l’objectif n’est pas de programmer des modèles mais de savoir choisir un outil, l’utiliser sans exposer de données et lire ses résultats avec recul. Une progression réaliste :
- Comprendre le fonctionnement d’un modèle de langage et d’un algorithme de classification, et pourquoi ils se trompent.
- Pratiquer sur des documents sans données réelles : courriers types, procédures, supports de formation, synthèses de littérature.
- Apprendre les règles : secret médical, RGPD, outils autorisés par l’établissement, marquage CE des logiciels.
- Évaluer un outil avant de l’adopter : sur quelles données a-t-il été validé, dans quel contexte, avec quel taux d’erreur ?
Plusieurs universités proposent des diplômes universitaires (DU) consacrés à l’IA en santé, par exemple à Lille, Lyon 1, Paris Cité, Paris-Saclay ou Côte d’Azur, sur plusieurs mois. Pour une formation courte et pratique, AI2 propose Cadre de santé augmenté : IA générative et productivité, destinée aux cadres de santé, cadres supérieurs de santé, responsables et directeurs d’établissement.
| Formation AI2 | Durée | Format | Contenu |
|---|---|---|---|
| Cadre de santé augmenté : IA générative et productivité | 1 jour (découverte), 2 jours (pratique sur documents types) ou 4 jours (revue des processus) | Campus d’Écouen ou à distance ; sessions 2027 en février, avril, juillet, septembre et décembre ; tarif sur devis | Fonctionnement et limites de l’IA générative, rédaction et synthèse, formation et documentation, organisation des tâches, cas pratiques (hôpital, Ehpad, clinique) sans données réelles de patients, confidentialité, RGPD et secret professionnel |
| Créer ses agents et assistants IA | 1 jour (7 h) ou 2 jours (14 h) | Intra ou à distance ; 1 490 € HT par personne en inter pour 2 jours | Concevoir un assistant métier sans coder, le tester, sécurité et gouvernance |
La formation cadre de santé ne demande aucun prérequis en informatique. Elle peut être financée par le plan de développement des compétences de l’employeur, avec l’appui éventuel de son OPCO ; AI2 est certifiée Qualiopi (QUA008116). D’autres formats sont présentés sur la page des formations courtes et en e-learning. Pour les étudiants qui veulent concevoir ces outils plutôt que les utiliser, les Mastères en data science et IA préparent des titres enregistrés au RNCP de niveau 7.
FAQ : l’intelligence artificielle en médecine
Comment l’intelligence artificielle est-elle utilisée en médecine ?
Surtout pour l’imagerie (mammographie, rétine, scanner cérébral), les alertes cliniques comme la détection du sepsis, la rédaction de la documentation et la recherche, par exemple la prédiction de la structure des protéines avec AlphaFold. Dans tous les cas, l’outil aide le professionnel, qui reste responsable de la décision.
L’IA est-elle plus fiable qu’un médecin pour poser un diagnostic ?
Pas de façon générale. Sur des tâches précises, certains outils améliorent les résultats : dans l’essai suédois MASAI, la lecture des mammographies assistée par IA a réduit de 12 % les cancers d’intervalle (The Lancet, 2026). Mais un modèle peut perdre en performance hors de l’hôpital où il a été conçu, comme l’a montré la validation externe d’un modèle de sepsis en 2021.
Combien de temps l’IA fait-elle gagner aux médecins ?
Cela dépend de l’usage. L’exemple le mieux documenté concerne la prise de notes en consultation : 7 260 médecins du Permanente Medical Group ont économisé près de 16 000 heures de documentation sur 2,5 millions de consultations entre octobre 2023 et décembre 2024 (NEJM Catalyst, 2025).
Quelles règles s’appliquent à l’IA médicale ?
Un logiciel d’aide au diagnostic ou au traitement est un dispositif médical soumis au règlement (UE) 2017/745 et au marquage CE. L’AI Act le classera à haut risque à partir du 2 août 2028, date fixée par le règlement omnibus de 2026. Les données de santé relèvent du RGPD, des règles de la CNIL et, pour leur hébergement, de la certification HDS.
Un médecin peut-il utiliser ChatGPT avec les données de ses patients ?
Non, pas avec des données identifiantes dans un outil grand public. La HAS demande de ne pas partager d’informations confidentielles et de vérifier chaque contenu généré. Pour traiter des données de patients, il faut un outil choisi par l’établissement, conforme au RGPD et hébergé chez un prestataire certifié HDS.
Comment un professionnel de santé peut-il se former à l’IA ?
Plusieurs universités proposent des diplômes universitaires sur l’IA en santé, sur plusieurs mois. Pour une formation courte, AI2 propose « Cadre de santé augmenté : IA générative et productivité », en 1, 2 ou 4 jours, à Écouen ou à distance, sans prérequis en informatique.
Sources consultées le 25 octobre 2026 : université de Lund, résultats finaux de l’essai MASAI (30 janvier 2026) ; FDA, dossier De Novo IDx-DR ; FDA, Viz.ai Contact (13 février 2018) ; JAMA Internal Medicine, validation externe du modèle Epic (21 juin 2021) ; Nature Medicine, étude TREWS (2022) ; Kaiser Permanente Division of Research (1er avril 2025) ; Fondation Nobel, prix de chimie 2024 ; Science Advances, biais en dermatologie (2022) ; HAS, Premières clefs d’usage de l’IA générative en santé (mise à jour du 15 avril 2026) ; CNIL, IA et santé (5 mars 2026) ; ANS, hébergement des données de santé ; règlement (UE) 2017/745, règlement (UE) 2024/1689 et règlement (UE) 2026/1744.
Une formation courte de 1 à 4 jours pour les cadres et responsables de santé, à Écouen ou à distance, avec des cas pratiques sans données réelles de patients.