Dans le secteur de la santé, les solutions de diagnostic basées sur l’intelligence artificielle (IA) gagnent en popularité, touchant divers domaines comme la cardiologie, l’imagerie, l’oncologie et les soins primaires. Les cliniciens sont désormais invités à examiner des algorithmes promettant une détection plus précoce, une meilleure précision et des soins plus efficaces. Bien qu’un certain nombre aient reçu l’approbation de la FDA et affichent des résultats cliniques initiaux prometteurs, peu de ces outils ont réussi à faire leur chemin dans la pratique clinique de routine.
Cet écart ne résulte pas d’une méfiance envers l’IA, mais plutôt d’une prise de conscience croissante des cliniciens et des dirigeants du système de santé sur le fait que la seule performance technique ne garantit pas un impact clinique. La question clé n’est plus de savoir si l’IA peut être intégrée au diagnostic, mais de déterminer comment identifier les outils reposant sur des preuves cliniques solides, une validation adéquate et une préparation opérationnelle suffisante pour être utilisés en toute confiance dans le cadre des soins aux patients.
Dans le cadre de mes échanges réguliers avec des cliniciens, des responsables de santé et des régulateurs, il devient clair que, bien que les exemples varient selon les pathologies, les défis rencontrés restent remarquablement similaires. La cardiologie, en particulier, illustre les difficultés auxquelles font face de nombreuses solutions d’IA lorsqu’il s’agit d’être adoptées en pratique.
Dépasser l’obsession des faux positifs
Une des préoccupations majeures concernant les diagnostics par IA est le risque d’engendrer une surcharge de tests de suivi inutiles, sous prétexte qu’une détection précoce pourrait entraîner davantage de faux positifs.
Cependant, cette appréhension n’est pas toujours fondée sur des preuves concrètes. Une étude récemment publiée dans Médecine naturelle a démontré que l’utilisation d’un ECG-IA pouvait augmenter de 30 % la détection de l’insuffisance cardiaque chez des patients asymptomatiques, sans générer d’augmentation significative des échographies demandées. Grâce à cette technologie, un plus grand nombre de patients ont été identifiés à un stade où le traitement est plus efficace et moins coûteux, sans surcharger les systèmes de soin.
Le rôle de l’IA ne s’arrête pas à la détection précoce de maladies connues; elle peut également fournir des informations pour identifier des risques avant qu’ils ne deviennent cliniquement apparents. Une autre étude examinant plus de 100 000 patients a révélé que même lorsque des résultats d’échocardiogramme semblaient normaux, certains patients avec un ECG suggérant une faible fraction d’éjection avaient une mortalité toutes causes confondues 65 % plus élevée cinq ans plus tard si leur ECG était positif. Ce que l’on pourrait considérer comme un faux positif au départ pourrait en fait signaler un problème précoce. Non seulement l’IA peut identifier le risque plus tôt, mais elle peut également révéler les lacunes dans les parcours cliniques existants, permettant ainsi aux cliniciens d’intervenir plus tôt de manière éclairée.
Pourquoi tant d’outils d’IA ne dépassent jamais les pilotes
Avant même le début de la validation, la qualité des données sous-jacentes est cruciale. Les modèles d’IA entraînés sur des ensembles de données vastes et diversifiés obtiennent généralement de meilleures performances prédictives. En revanche, sans cette base de données solide, même des algorithmes bien conçus peuvent échouer hors de contextes contrôlés.
Paradoxalement, malgré l’innovation constante, de nombreux diagnostics basés sur l’IA peinent à dépasser les projets pilotes, mettant en lumière l’importance de la validation clinique, de l’intégration dans les flux de travail et d’une mise en œuvre efficace. Ces défis se manifestent souvent par des préoccupations sur la validation clinique, la facilité d’utilisation et la valeur organisationnelle.
La validation clinique doit primer, car bien que l’approbation réglementaire soit essentielle, elle ne répond pas à la préoccupation majeure des cliniciens : le système améliore-t-il réellement les soins aux patients? La confiance se construit lorsque les données probantes dépassent les exigences minimales et reposent sur des essais cliniques randomisés menés dans des contextes de soins réels. Bien que d’autres formes de preuves puissent s’accumuler au fil du temps, les essais randomisés sont le signal le plus fort d’une amélioration des résultats pour les patients.
Par ailleurs, la facilité d’utilisation n’est pas seulement une question de conception d’interface; elle touche directement aux besoins des cliniciens. Les outils d’IA conçus sans consulter les médecins se heurtent souvent à la résistance, car ils peuvent introduire des frictions dans les soins quotidiens. Les solutions qui réussissent sont celles qui s’intègrent de manière fluide dans les flux de travail existants.
Les systèmes de santé s’intéressent également au retour sur investissement. De nombreux diagnostics IA, surtout en amont du parcours de soins, affichent une valeur immédiate, avec des bénéfices qui s’accumulent à mesure que les patients sont identifiés et traités plus tôt. De nombreux assureurs commencent à reconnaître ces outils et proposent le remboursement pour ceux qui contribuent à une détection précoce et ainsi évitent des interventions coûteuses.
Transformer la confiance clinique en adoption
Lorsque les cliniciens se familiarisent avec un dispositif logiciel validé, l’attention se déplace vers la capacité des organisations à soutenir son adoption dans la pratique quotidienne. L’IA, encore relativement nouvelle, nécessite que les systèmes de santé établissent des méthodes claires pour gérer les décisions concernant ces technologies en temps réel.
Souvent, les outils d’IA suivent des processus d’approvisionnement similaires à ceux des logiciels généraux, même s’ils devraient être traités comme des dispositifs médicaux et répondre aux normes nécessaires pour une utilisation clinique. Ce décalage dans le temps d’adoption est d’autant plus notable avec la rapidité d’évolution de l’IA, les itérations de produit devenant beaucoup plus rapides. Néanmoins, l’adoption dépend toujours de la gestion du changement clinique et de l’évolution des processus de gouvernance.
Cette situation explique pourquoi l’adoption des dispositifs médicaux logiciels approuvés par la FDA varie tant. L’approbation garantit la sécurité et la performance, mais l’utilisation effective d’un outil dépend de l’intégration dans les flux de travail et des priorités de l’organisation. Lorsque cet équilibre est atteint, l’adoption suit généralement.
Confiance, responsabilité et ce qu’il faut pour durer
Plus un dispositif de diagnostic basé sur l’IA génère de friction dans les flux de travail cliniques et administratifs, moins il a de chances de devenir un outil de routine. L’adoption nécessite des preuves cliniques solides, des processus opérationnels clairs et une mise en œuvre efficace au sein des équipes de soins.
Les organismes de santé doivent examiner l’IA sous l’angle de l’éthique, de la gouvernance des données et de la cybersécurité, des enjeux fondamentaux. Toutefois, il est tout aussi essentiel de s’assurer que ces outils sont utilisés de manière délibérée pour améliorer les soins, et non simplement pour mitiger des risques. Les outils qui acquièrent la confiance démontrent une valeur clinique tangible, s’intègrent aisément dans les pratiques actuelles et favorisent de meilleures décisions.
Le scepticisme envers l’IA est compréhensible, surtout dans un domaine en constante évolution qui doit distinguer les outils répondant à des tests cliniques rigoureux de ceux qui se basent uniquement sur des considérations novatrices. Pour que l’IA conserve un rôle durable dans le diagnostic, elle devra se soumettre aux mêmes normes rigoureuses que toute avancée médicale, en prouvant ses performances cliniques à grande échelle, idéalement soutenues par des essais randomisés et des données longitudinales impliquant des résultats cliniques significatifs.
Comment l’IA va remodeler le diagnostic
Au cours des prochaines années, l’IA est appelée à transformer le paysage des soins diagnostics de manière progressive. Ce changement visera à soutenir les cliniciens, en valorisant leur expertise plutôt qu’en la remplaçant.
Dans le domaine de la cardiologie, les algorithmes basés sur l’IA rendent déjà certaines parties du diagnostic plus objectives, en s’appuyant sur de grands ensembles de données du monde réel plutôt qu’exclusivement sur la reconnaissance individuelle de schémas. Cette objectivité peut réduire la charge cognitive des cliniciens, leur permettant ainsi de se concentrer davantage sur l’interprétation, la communication et le processus de prise de décision partagée.
Du battage médiatique à la pratique
L’IA en cardiologie nécessite moins d’enthousiasme et davantage d’une mise en œuvre systématique. L’utilisation d’un ECG-AI devrait devenir une pratique clinique courante, ajoutant un contexte précieux au début d’une consultation sans entraver le flux de travail ni remplacer le jugement clinique. L’outil doit éclairer la prise de décision sans la diriger.
Les logiciels d’IA qui seront couronnés de succès reposeront sur une validation clinique solide, s’intégrant dans des flux de travail déjà éprouvés, et démontrant finalement qu’ils améliorent les résultats pour les patients. Lorsque ces conditions sont respectées, l’adoption s’effectue non pas parce que l’IA est tendance, mais parce qu’elle fonctionne.
Photo : BrianAJackson, Getty Images
