Tout le monde vante l'IA médicale. Personne ne montre ce qui bloque vraiment.

Un algorithme peut-il vraiment soigner mieux qu'un médecin ?

Les laboratoires publient des scores de précision à 97 %. Les start-ups lèvent des centaines de millions. Et pourtant, dans la majorité des services hospitaliers français, l'IA médicale reste cantonnée à des projets pilotes discrets, loin du patient réel. Ce fossé entre la promesse et la pratique n'est pas un accident — c'est le vrai sujet dont personne ne parle franchement.

Ce que vous allez lire ici n'est pas un manifeste anti-technologie. C'est une tentative honnête de comprendre pourquoi l'une des technologies les plus prometteuses du siècle bute encore, en 2025, sur des obstacles que ni les ingénieurs ni les investisseurs n'avaient anticipés.

Ce que l'IA médicale sait faire (et très bien)

Commençons par les faits, sans exagération dans un sens ni dans l'autre. Les outils d'intelligence artificielle appliqués à la médecine ont démontré des performances objectives sur des tâches précises :

• Détection de cancers : des systèmes comme Paige.AI ou Seer identifient certains cancers du sein et de la prostate sur des images histologiques avec une précision comparable — voire supérieure — à celle des anatomopathologistes experts.
• Lecture d'imagerie médicale : en radiologie, des outils comme Aidoc ou Gleamer analysent des scanners en quelques secondes et signalent des anomalies urgentes, réduisant les délais de diagnostic.
• Prédiction des risques : certains modèles anticipent les risques de sepsis ou de décompensation cardiaque avec plusieurs heures d'avance, en analysant les constantes en temps réel.
• Aide à la prescription : des assistants cliniques analysent les interactions médicamenteuses et les contre-indications dans des dossiers complexes où l'œil humain peut manquer une information.

Ces performances ne sont pas des effets de communication. Elles sont publiées dans des revues comme Nature Medicine ou The Lancet. Alors pourquoi l'adoption reste-t-elle si lente ?

Le gouffre entre le labo et la salle de garde

Le problème central est ce que les chercheurs appellent le « distribution shift » : un modèle entraîné sur les données d'un CHU de Boston peut échouer sur les données d'un hôpital de Lyon, parce que les protocoles, les machines, les populations et les pratiques de saisie diffèrent. L'algorithme n'a pas appris à soigner — il a appris à reconnaître des patterns dans un contexte très spécifique.

Mais il y a plus profond que le technique. Trois blocages structurels freinent l'adoption réelle :

1. La question de la responsabilité juridique

Si un algorithme suggère un diagnostic erroné et que le médecin le suit, qui est responsable ? Le praticien ? L'éditeur du logiciel ? L'hôpital qui a validé son déploiement ? En France, le droit médical n'a pas encore tranché clairement. Cette zone grise dissuade de nombreux soignants de vraiment s'appuyer sur ces outils — même lorsqu'ils y font confiance.

2. La méfiance légitime des cliniciens

Un médecin qui a passé dix ans à développer son intuition clinique n'abandonne pas sa pratique sur la foi d'un score de confiance à 89 %. Ce n'est pas de l'archaïsme : c'est de la prudence professionnelle. Les soignants réclament de l'explicabilité — comprendre pourquoi l'IA propose tel diagnostic, pas seulement quoi. Or, la majorité des modèles performants sont encore des boîtes noires.

3. L'infrastructure des données de santé

L'IA apprend à partir de données. Mais les données de santé en France sont fragmentées entre des systèmes d'information hospitaliers vieillissants, des formats non standardisés et des règles RGPD strictes — nécessaires, mais complexes à articuler avec les besoins des équipes de recherche. Le Health Data Hub existe pour y remédier, mais sa montée en puissance prend du temps.

Des expériences qui montrent que ça peut marcher

Certains services ont trouvé la bonne formule, non pas en imposant l'IA comme un oracle, mais en l'intégrant comme un deuxième avis silencieux. À l'AP-HP, des projets d'aide à la détection de l'AVC ou de la rétinopathie diabétique ont été déployés en intégrant les soignants dès la conception — et non en leur livrant un produit fini à adopter.

La leçon est claire : l'IA médicale fonctionne quand elle augmente le clinicien, pas quand elle cherche à le remplacer. Les outils qui s'inscrivent dans le flux de travail existant, qui expliquent leur raisonnement et qui laissent la décision finale à l'humain, rencontrent une adoption bien plus naturelle.

Ce que cela change pour les patients

Pour un patient, l'enjeu est concret : des diagnostics plus rapides, des erreurs réduites, un accès à une expertise spécialisée même dans des zones sous-dotées. Mais aussi un risque : celui d'un système opaque qui influence sa prise en charge sans qu'il puisse le comprendre ni le contester.

C'est pourquoi la transparence n'est pas une option éthique parmi d'autres — c'est une condition de survie pour ces technologies. Un patient a le droit de savoir si une IA a participé à son diagnostic. Ce droit commence à être reconnu dans les textes européens, notamment dans l'AI Act, mais son application pratique reste à construire.

Conclusion : le vrai test n'est pas technique

L'IA médicale a largement prouvé ce qu'elle pouvait faire dans un environnement contrôlé. Le vrai test — celui qui déterminera si cette technologie tient ses promesses — est humain, organisationnel et éthique. Il se joue dans les couloirs des hôpitaux, dans les formations des soignants, dans les salles de réunion des juristes et dans les textes législatifs en cours d'écriture.

Les algorithmes sont prêts. Ce sont les systèmes qui les entourent qui doivent encore grandir.

— Reservoir Live