L’intelligence artificielle peut assister des tâches médicales définies, comme le repérage d’un élément dans une image ou la recherche d’informations dans des dossiers. Il faut distinguer la performance sur une tâche, la validité d’un diagnostic et le bénéfice pour le patient. Ces résultats dépendent du système, des données et du contexte ; ils ne peuvent pas être généralisés à toute l’IA.
Un score de risque, une image signalée et une décision de prise en charge ont des fonctions différentes. L’utilisation d’un modèle doit être replacée dans son indication et dans l’organisation des soins. L’objectif ne peut pas être présenté comme le remplacement acquis de tous les médecins.
Qu’est-ce que l’intelligence artificielle ?
L’apprentissage automatique consiste notamment à construire un modèle à partir de données pour produire un résultat sur de nouvelles entrées. Il faut savoir quelles données, quelle population et quelle tâche ont servi à l’évaluer. Le lien Verde Casino présent dans cet article concerne un service de jeux d’argent ; il ne constitue pas une source de validation médicale.
Un système destiné à aider au diagnostic doit être évalué pour l’usage prévu. Pour distinguer les systèmes spécialisés des notions d’IA générale et de superintelligence, consultez notre guide des trois types d’intelligence artificielle. Une capacité technique à produire une réponse ne démontre pas une autonomie clinique. Les responsabilités, le rôle du professionnel et les situations d’échec doivent être définis pour le produit considéré.
Amélioration des diagnostics par analyse d’imageries
Une image médicale contient des informations que des outils peuvent aider à repérer, segmenter ou classer. Les performances annoncées doivent préciser le type d’examen et la population concernée. Le dossier de l’Inserm sur l’IA et la santé présente plusieurs familles de travaux et leurs enjeux.
Diagnostics par analyse de scanner
Pour examiner une aide à l’analyse de scanner, il faut préciser l’anomalie recherchée et la façon dont le résultat sera utilisé. Un outil peut manquer une anomalie ou produire une alerte injustifiée. Les conséquences de ces erreurs doivent être évaluées dans le parcours de soins prévu.
Les données d’entraînement et les données de test doivent être décrites. Un résultat obtenu sur un ensemble d’images ne démontre pas automatiquement la même qualité sur une autre machine, dans un autre établissement ou auprès d’une autre population. La sécurité des modèles d’apprentissage automatique est un autre enjeu à examiner : elle ne remplace pas l’évaluation clinique.
La validation doit donc porter sur la cible réelle et le contexte d’utilisation. Elle distingue notamment la capacité de repérage, les faux positifs, les anomalies non détectées et l’effet sur les décisions. Une rapidité de calcul ne suffit pas à démontrer une amélioration des soins.
Diagnostic en gynécologie-obstétrique
En gynécologie-obstétrique, les fonctions envisagées peuvent concerner l’acquisition d’une image, une mesure ou une aide à son interprétation. Chacune demande une évaluation propre : un outil facilitant une tâche technique n’est pas automatiquement validé pour poser un diagnostic.
Pour un dispositif précis, il faut retrouver sa destination, ses limites et ses études, puis vérifier la correspondance avec l’usage envisagé. L’illustration d’un projet de recherche ne suffit pas à affirmer une prise en charge plus rapide ou un soin plus précis pour tous les patients.
Détection de cancer
Unicancer présente ConSoRe comme un outil de recherche et de structuration des données issues des dossiers. Il peut contribuer à retrouver des informations et à constituer des cohortes selon des critères. Cette fonction de recherche ne constitue pas, à elle seule, un diagnostic automatique de cancer ou la démonstration de l’efficacité d’un traitement.
Prédiction dans le domaine cardiovasculaire
Un modèle de risque cardiovasculaire produit une estimation dans un cadre défini. Pour interpréter une étude, il faut connaître la population, la durée étudiée, les données d’entrée et la méthode de validation. Un bon résultat statistique ne démontre pas à lui seul une prévention effective d’un accident chez un patient donné.
La même distinction s’applique aux modèles utilisés en transplantation ou pour le suivi : une prédiction et une amélioration des résultats cliniques sont des objets d’évaluation différents. Les recommandations de prise en charge ne peuvent pas être déduites du seul score d’un algorithme.
L’analyse génétique assistée par l’IA
En génomique, des outils peuvent aider à organiser et à prioriser des informations pour leur interprétation. Une hypothèse suggérée par un modèle doit être examinée dans son contexte clinique et biologique. Un objectif annoncé dans un plan de recherche ne doit pas être présenté comme un volume effectivement réalisé.
La quantité de données traitées ne constitue pas une mesure suffisante de qualité. Il faut documenter les erreurs possibles, les incertitudes et les limites de l’interprétation. La protection des données génétiques et les conditions d’accès demandent aussi un examen adapté.
Pour comprendre où le calcul est effectué, notre guide sur l’intelligence artificielle embarquée distingue traitement local et distant ; le lieu du calcul ne suffit pas à démontrer la confidentialité ou la validité clinique.
L’IA : une révolution dans la médecine moderne
La HAS présente ses travaux sur le numérique et l’IA, dont l’évaluation des technologies dans les cadres qui relèvent de ses missions. Pour apprécier un outil, retenez sa destination, ses preuves cliniques et son suivi après déploiement. L’étiquette « IA » ne certifie ni une réduction générale des erreurs ni une qualité diagnostique identique dans toutes les situations.
