L’IA dans le diagnostic médical : quels changements dans les pratiques pour les systèmes de santé

Le discours selon lequel l’intelligence artificielle transformera la médecine à l’avenir ignore ce qui se passe déjà aujourd’hui. Dans les spécialités les plus gourmandes en images – radiologie, pathologie, ophtalmologie – les outils approuvés par la FDA nord-américaine détectent déjà les nodules pulmonaires, la rétinopathie diabétique, les accidents vasculaires cérébraux et les lésions suspectes à la mammographie avec des performances cliniques comparables à celles du spécialiste. IDx-DR, approuvé en 2018, diagnostique la rétinopathie diabétique sans avoir besoin d'une interprétation médicale en personne. Viz.ai détecte les grandes occlusions artérielles dans les tomodensitogrammes de la tête et contacte directement l'équipe de neurologie interventionnelle. Le goulot d’étranglement actuel n’est pas la capacité des outils, mais la capacité des systèmes de santé à les intégrer de manière opérationnellement cohérente.

Ce que les preuves cliniques ont déjà confirmé

La courbe des approbations réglementaires dans le domaine de l’imagerie médicale s’est considérablement accélérée entre 2020 et 2025. La FDA a autorisé plus de 700 dispositifs d’IA et d’apprentissage automatique à des fins cliniques au milieu de cette décennie, la radiologie représentant la majorité absolue de ces autorisations. Des études publiées dans The Lancet, NEJM et Radiology démontrent que les algorithmes de détection du cancer du sein par mammographie réduisent les faux négatifs et allègent le fardeau de la double lecture – une pratique obligatoire dans plusieurs systèmes européens. En pathologie numérique, les modèles formés pour identifier les sous-types de tumeurs dans les lames histologiques ont déjà dépassé l'accord interobservateur parmi les pathologistes expérimentés dans certaines catégories spécifiques de cancer.

Cela ne veut pas dire que l’IA remplace le radiologue ou le pathologiste. Ce que les preuves montrent systématiquement, c'est que la combinaison homme-algorithme fonctionne mieux que l'une ou l'autre seule, en particulier dans les tâches de dépistage à grand volume, où la fatigue et la capacité d'attention introduisent des erreurs systématiques. Le cas d’utilisation le plus solide n’est pas le remplacement : c’est l’amplification de la capacité de diagnostic sans augmenter proportionnellement le nombre de spécialistes.

Que se passe-t-il au Brésil avec la réglementation et l'adoption

Ces dernières années, l'ANVISA a créé un cadre réglementaire spécifique pour les logiciels en tant que dispositifs médicaux, appelés SaMD (Software as a Medical Device), suivant la classification internationale ISO 13485 et aligné sur les directives de l'IMDRF. Les outils d’IA de diagnostic entrent dans cette catégorie et nécessitent un enregistrement ou une notification en fonction du risque associé. Le défi au Brésil n'est pas l'absence de réglementation : c'est la rapidité de traitement et la capacité technique des fabricants nationaux à préparer des dossiers cliniques solides.

Certaines startups brésiliennes de technologie de la santé ont déjà des produits approuvés ou en phase de notification avancée auprès de l'ANVISA, notamment dans les domaines des radiographies pulmonaires pour le dépistage de la tuberculose et de la pneumonie, et des examens du fond d'œil. Les réseaux hospitaliers et les opérateurs de plans de santé ont commencé à les piloter de manière ponctuelle, mais le passage du pilote à la mise en œuvre systémique se heurte encore à des problèmes qui ne sont ni réglementaires ni techniques : ce sont des problèmes d'infrastructure et de processus.

Intégration avec le PACS, les dossiers médicaux et le vrai problème de mise en œuvre

Tout algorithme d’IA en imagerie médicale doit se connecter au PACS – le système de stockage et de communication d’images – et, idéalement, au dossier médical électronique du patient pour accéder au contexte clinique. Ce point d’intégration est l’endroit où la plupart des projets trébuchent. Les PACS installés dans les hôpitaux brésiliens varient considérablement en termes de version, de protocole DICOM pris en charge et d'ouverture aux API externes. De nombreux systèmes existants ne disposent pas d’interfaces standardisées pour recevoir ou exporter des données d’une manière que les outils d’IA modernes peuvent utiliser avec peu de friction.

Le résultat pratique est que le déploiement, qui devrait prendre des semaines, prend souvent des mois – et non pas à cause de l'IA elle-même, mais à cause de l'architecture des données de l'hôpital. Les équipes informatiques des hôpitaux sont rarement familiarisées avec les normes d'intégration requises, et les fournisseurs d'IA sous-estiment souvent les efforts d'adaptation à l'environnement réel du client. Les projets qui ne cartographient pas ce coût d’intégration caché avant l’embauche ont tendance à consommer du budget et de l’énergie politique sans générer de résultats cliniques mesurables.

Responsabilité civile et conception des workflows

La question de la responsabilité juridique dans le diagnostic assisté par IA est encore loin d’être apaisée au Brésil. Le CFM (Conseil fédéral de médecine) a déjà déclaré que la responsabilité finale de l'acte diagnostique incombe au médecin, ce qui est cliniquement judicieux, mais crée une tension opérationnelle lorsque l'algorithme détecte quelque chose que le radiologue n'a pas priorisé ou exclu. Ce scénario n’est pas hypothétique : il apparaît naturellement lorsque l’IA est utilisée comme outil de dépistage, présélectionnant les cas critiques dans les files d’attente de reporting.

La conception des workflows doit répondre à cette tension avant qu’elle ne devienne controversée. Comment apparaît l’alerte IA dans l’interface du radiologue ? Le rapport final indique-t-il qu’il y a eu une assistance algorithmique ? Existe-t-il une piste d'audit qui documente ce que le système a signalé par rapport à ce que le médecin a conclu ? Ces questions n’ont pas de réponse unique, mais il faut y répondre avant le déploiement et non après le premier incident.

Ce que les dirigeants du système de santé doivent comprendre avant de procéder à un projet pilote

Choisir un outil de diagnostic d’IA basé sur le critère de précision publié dans le journal équivaut à embaucher un employé uniquement sur la base de son CV sans vérifier ses références. Les performances rapportées sur les ensembles de données de validation se reproduisent rarement sans dégradation dans un environnement de production hospitalier avec des équipements plus anciens, des protocoles d'acquisition variables et une population différente de celle utilisée dans la formation. Le processus de sélection doit inclure une phase de validation locale – de préférence avec des données rétrospectives provenant de l'hôpital lui-même – avant tout engagement à grande échelle.

De plus, le sponsor interne du projet compte autant que la technologie. Les déploiements d'IA en radiologie qui ne disposent pas d'un radiologue senior comme défenseur actif au sein de l'équipe clinique meurent souvent de désuétude : l'outil existe, mais personne ne l'utilise systématiquement car il n'a pas été conçu pour le flux de travail réel. L'adhésion clinique ne peut pas être obtenue par une démonstration lors d'une conférence ; elle est obtenue par la participation active des médecins dans la phase de configuration et par des preuves générées à partir des propres données de l'hôpital.