IA et SOINS CLINIQUES

"L'intelligence artificielle ne remplacera pas les médecins, mais ceux qui l'utilisent remplaceront ceux qui ne l'utilisent pas."

Cette citation, souvent attribuée à Andrew Ng, professeur à Stanford et sommité en matière d'IA, ou à d'autres experts du domaine, est l'une des plus emblématiques concernant l'impact de l'intelligence artificielle sur la médecine. Elle souligne que l'IA doit être perçue comme un outil puissant au service des professionnels de santé, plutôt que comme une menace à leur profession. L'enjeu pour les médecins de demain sera donc d'intégrer ces nouvelles technologies dans leur pratique pour en décupler l'efficacité.

Gross CP , Richman IB , Stall NM, et al  Intelligence artificielle et soins cliniques ;Appel à contributions du JAMA Internal Medicine JAMA Intern Med. Publié en ligne le 13 octobre 2025. doi:10.1001/jamainternmed.2025.4911
https://jamanetwork.com/journals/jamainternalmedicine/fullarticle/2840199
Article en libre accès





La médecine est entrée dans l'ère de l'intelligence artificielle (IA ; Tableau ci dessous ).

L'augmentation de la puissance de calcul, de l'échelle et de la disponibilité des données, ainsi que le développement de nouvelles méthodes d'apprentissage automatique, ont permis la création d'outils susceptibles de transformer les soins médicaux et d'améliorer la santé. Chaque consultation médicale, chaque résultat d'examen de laboratoire ou d'imagerie, ainsi que les données complémentaires collectées depuis l'appareil mobile du patient, peuvent être agrégés et analysés grâce à des approches analytiques de plus en plus complexes.

(ouvre dans un nouvel onglet)

Terme	Définition/exemple
IA	Une technique de science informatique permettant de créer des systèmes capables d'accomplir des tâches qui nécessiteraient normalement une intelligence humaine (diagnostic, décisions de traitement)
Apprentissage automatique	Un sous-ensemble de l'IA dans lequel les systèmes peuvent apprendre automatiquement à partir des données et reconnaître des modèles sans programmation explicite (par exemple, un algorithme de prédiction de septicémie qui s'améliore avec des analyses de données supplémentaires)
IA générative	IA qui utilise des données existantes (texte, images, vidéos) pour créer du nouveau contenu
Master en droit (LLM)	Un sous-ensemble d'IA générative qui se concentre uniquement sur les sorties textuelles (telles que les résumés de sortie, les réponses aux questions cliniques)

L'évolution rapide des capacités des outils liés à l'IA a ouvert la voie à une recherche transformatrice.

De fait, l'IA a été pleinement adoptée par la recherche médicale. Il y a dix ans,

PubMed publiait environ 5 000 publications annuelles sur l'IA, chiffre qui est passé à 10 000 en 2018. Cette année, nous sommes en excellente voie pour dépasser les 50 000 publications dans le monde.

Pourtant, la possibilité de traduire ces informations en connaissances cliniquement pertinentes et en améliorations significatives et équitables des soins reste encore largement théorique

Le JAMA Internal Medicine lance un appel à projets d'études sur l'IA, portant sur des domaines prioritaires.

Seront examinés  des articles couvrant de nombreux domaines de l'IA, mais nous nous intéressons particulièrement aux études apportant de nouvelles preuves contribuant à améliorer les résultats cliniques, ainsi qu'aux études portant sur la stratification des risques, le diagnostic et la refonte des systèmes de santé. Enfin, nous recherchons des travaux abordant les questions réglementaires, éthiques, économiques et d'équité clés liées à l'évaluation et à la mise en œuvre des technologies d'IA dans les soins cliniques.

Il existe plusieurs exemples notables de la capacité de l'IA à améliorer les résultats des patients.

Parmi ceux-ci, on peut citer une intervention de thérapie cognitivo-comportementale pour la douleur chronique dans laquelle les plans de traitement ont été ajustés grâce à un retour d'information établi sur l'IA ; un modèle prédictif automatisé qui a réduit la mortalité et les admissions en unité de soins intensifs en identifiant les patients hospitalisés présentant un risque élevé de détérioration clinique ; et une aide à la décision établie sur l'IA qui a significativement amélioré les résultats fonctionnels chez les patients souffrant d'arthrose du genou. 

 Cependant, d'importantes lacunes en matière de données probantes subsistent. 

* Tout d'abord, les essais cliniques randomisés évaluant les interventions basées sur l'IA sont rares. Malgré la croissance rapide des études axées sur l'IA dans PubMed, moins de 1 % sont des essais cliniques.

* De plus, de nombreux essais liés à l'IA rapportés à ce jour portent sur des échantillons de taille modeste et se concentrent sur la précision diagnostique, plutôt que sur l'évaluation de l'efficacité d'une intervention d'IA en termes de résultats centrés sur le patient.  Les essais existants ne présentent également que des rapports limités sur la démographie des patients et l'efficacité opérationnelle, et la plupart n'ont pas été reproduits, ce qui soulève des inquiétudes quant à la généralisabilité et à l'applicabilité des résultats.

Pour combler ce manque de connaissances, la revue JAMA Internal Medicine s'intéresse particulièrement aux essais cliniques randomisés de haute qualité qui définissent clairement l'intervention basée sur l'IA, décrivent en détail la manière dont elle a été évaluée et abordent directement les résultats pour les patients.

Comme indiqué dans notre récent appel à propositions d'essais randomisés, d'autres approches de randomisation, telles que les plans en grappes, en gradins et sur liste d'attente, sont également intéressantes, tout comme les études utilisant l'IA de manière créative pour faciliter la conduite des essais (par exemple, en facilitant la sélection et la fidélisation des participants) ^.

Les approches liées à l'IA sont également très prometteuses pour améliorer la stratification des risques et le diagnostic, deux tâches fondamentales pour la pratique médicale. En tant qu'outil de diagnostic, l'IA peut reconnaître des schémas de données et de nouvelles variables difficilement identifiables par les observateurs humains, et les synthétiser pour effectuer des tâches de raisonnement diagnostique.

Le JAMA Internal Medicine s'intéresse aux études qui développent et valident des algorithmes de diagnostic et de prédiction des risques pour les pathologies fréquemment rencontrées en médecine interne. Pour ces études, il est essentiel de valider les modèles auprès de populations et de contextes divers grâce à des jeux de données externes (indépendants de ceux utilisés pour le développement des modèles). Pour les études portant sur les tests diagnostiques, la validation peut consister à évaluer la pertinence clinique des diagnostics posés par l'IA et à comprendre si l'identification précoce des pathologies améliore la santé. Pour toutes les études, la « boîte noire » du modèle d'IA doit être aussi transparente que possible, afin que les lecteurs puissent comprendre les facteurs inclus et la manière dont ils ont été déterminés. Nous accueillons également les études qui évaluent rigoureusement l'impact des modèles prédictifs ou diagnostiques sur les résultats pour les patients, l'équité et la pratique clinique une fois mis en œuvre.

Les outils établis sur l'IA ont le potentiel de transformer la prestation des soins cliniques. Ils peuvent améliorer l'efficacité clinique en allégeant les charges administratives et documentaires, et en facilitant l'éducation et la communication avec les patients. 

 Une étude portant sur 100 consultations hospitalières a révélé que les résumés de sortie générés par un modèle de langage large (MLL) étaient de qualité comparable à ceux générés par les médecins.

 Les outils d'IA peuvent également contribuer aux efforts d'amélioration de la qualité. Ils peuvent automatiser le processus fastidieux d'examen des dossiers médicaux et des rapports d'incidents, et intégrer des outils visant à améliorer les résultats pour les patients et la sécurité.  Cependant, malgré l'enthousiasme suscité par la prise de notes ambiante, toutes les études ne confirment pas son intérêt, ce qui renforce l'importance des recherches empiriques. Nous nous intéressons particulièrement aux études qui évaluent l'impact de l'IA sur la refonte des soins de santé en pratique clinique réelle.

Le JAMA Internal Medicine s'intéresse aux contributions qui abordent les implications éthiques, juridiques et sociales fondamentales de l'IA.

Par exemple, l'application des LLM dans le domaine de la santé soulève des questions éthiques concernant la confidentialité des patients, la responsabilité, la transparence et la provenance des données (par exemple, qui les utilise et sous quelles restrictions).

L'évolution de l'IA en médecine met en évidence l'incapacité des cadres réglementaires existants à suivre le rythme rapide des découvertes et de leur mise en œuvre. La Food and Drug Administration (FDA) américaine a déjà approuvé plus de 1 000 dispositifs médicaux intégrant l'IA.

 ^{Contrairement} aux dispositifs médicaux traditionnels, nombre de ces dispositifs d'IA s'affinent et s'adaptent en permanence, en fonction des nouvelles données. Cette capacité d'apprentissage et d'évolution est l'un des atouts de l'IA, mais elle complique également considérablement la surveillance réglementaire. Un deuxième défi, en particulier pour les LLM, réside dans le manque de clarté quant à la manière dont les modèles parviennent à leurs conclusions, compte tenu de leur nature dynamique et itérative. À l'avenir, de nouvelles approches réglementaires seront nécessaires pour garantir l'efficacité et la sécurité tout en conciliant les intérêts et les droits des patients. Il est crucial d'identifier et de prévenir les biais algorithmiques, notamment pour garantir que l'adoption de l'IA dans les soins cliniques n'exacerbe pas les disparités de santé existantes. Ce concept d'équité est crucial pour garantir que les outils d'IA fournissent des diagnostics et des recommandations thérapeutiques précis pour tous les patients. De plus, l'impact économique des outils liés à l'IA pourrait avoir un impact profond sur l'accès et l'équité. D'une part, l'IA pourrait potentiellement améliorer l'accès aux soins pour les populations mal desservies, en éclairant les décisions diagnostiques et thérapeutiques, notamment lorsque les algorithmes basés sur les données sont équivalents ou supérieurs au jugement clinique. À l'inverse, les outils liés à l'IA qui engendrent des coûts supplémentaires pourraient potentiellement exacerber les disparités.

Les rédacteurs du JAMA Internal Medicine sont heureux d'inviter la communauté scientifique à contribuer à des études qui contribueront à façonner l'avenir de l'IA dans la recherche, les politiques et les pratiques médicales et de santé. Nous sommes particulièrement intéressés par les études susceptibles d'éclairer directement les efforts visant à améliorer les résultats pour les patients et les soins cliniques. Nous encourageons les auteurs à consulter les instructions récentes concernant la présentation des études liées à l'IA dans le JAMA et à intégrer des conseils spécifiques pour la communication des méthodes et des résultats des études, tels que TRIPOD-AI pour l'explication des règles de prédiction clinique intégrant des méthodes d'IA ou CONSORT-AI pour les essais cliniques d'interventions.  Le JAMA Internal Medicine propose des conseils supplémentaires aux auteurs sur son site web. Une nouvelle ressource importante du JAMA Network est disponible pour aider nos auteurs à atteindre un public encore plus large au sein du JAMA Network : la chaîne JAMA+ AI, récemment lancée. Cette ressource présente des études issues de l'ensemble des revues du JAMA Network, et complète ce contenu par de nouveaux supports multimédias, des entretiens avec les auteurs et du matériel pédagogique.

Le JAMA Internal Medicine aspire à publier des recherches innovantes dans le domaine en plein essor de l'IA, et nous invitons nos auteurs et lecteurs à nous rejoindre dans cette aventure.

Concevoir, mener et évaluer des recherches en IA nécessitera une expertise en informatique, en conception d'essais cliniques, en médecine appliquée, en équité en matière de santé, en recherche sur la qualité et les résultats, en éthique médicale, en économie de la santé et en politiques de santé. Nous avons besoin de tous pour exploiter l'IA et faire progresser la santé et les soins.

A LIRE

Bernard Nordlinger, Claude Kirchner, Olivier de Fresnoye,
Rapport 24-03. Systèmes d’IA générative en santé : enjeux et perspectives,
Bulletin de l'Académie nationale de médecine,
Volume 208, Issue 5, 2024,
https://www.sciencedirect.com/science/article/pii/S0001407924000943
Article en libre d'accès

SYNTHÈSE de cet article
Ce document est le Rapport 24-03 de l'Académie nationale de médecine française, intitulé « Systèmes d’IA générative en santé : enjeux et perspectives » (Generative AI systems in healthcare : challenges and prospects). Ce rapport, adopté en mars 2024, fournit une analyse détaillée de l'intégration et de l'impact des systèmes d'intelligence artificielle générative (SIAgen), tels que les modèles de langage imposants (LLM), dans divers domaines de la santé. Il aborde les applications prometteuses (diagnostic, recherche, développement de médicaments et organisation hospitalière) tout en soulignant les défis éthiques et pratiques associés à leur utilisation, notamment le risque d'erreurs, le besoin de supervision humaine et les questions de souveraineté numérique. Enfin, il émet des recommandations formelles pour encadrer la formation des professionnels et la régulation de ces technologies à haut risque. NoteBookKLM

Un  point important de cet article : l'éthique/IA GÉNÉRATIVE

Copyright : Dr Jean-Pierre Laroche / 2025