Quand on dit « IA en santé », de quoi parle-t-on exactement en IA ?

Toutes les IA, en santé comme ailleurs, ne jouent pas le même rôle. Certaines ont une finalité médicale directe : aide au dépistage, au diagnostic ou à la décision thérapeutique. D'autres sont des outils de support : rédaction de synthèses, structuration de comptes rendus, aide à l'organisation ou automatisation de tâches administratives.

Cette distinction est importante, car les exigences réglementaires, les niveaux de preuve attendus et les risques ne sont pas les mêmes. La HAS distingue précisément les dispositifs médicaux numériques à usage professionnel, par exemple pour l'aide au diagnostic, et les technologies sans finalité médicale directe utilisées pour réduire la charge administrative. (Haute Autorité de Santé)

Derrière le mot « IA », plusieurs familles techniques coexistent.

L'IA symbolique repose sur des règles, des arbres décisionnels, des scores cliniques, des ontologies ou des graphes de connaissances. Cette approche présente des avantages majeurs : la transparence et sa traçabilité. Il est possible de comprendre pourquoi une conclusion est produite par l’IA, de suivre son raisonnement et d’en identifier les limites. L’humain peut comprendre quelles règles ont été appliquées et pourquoi une conclusion a été proposée.

Le Machine Learning et le Deep Learning apprennent à partir de données. Ils sont particulièrement utilisés pour reconnaître des régularités dans des images, des signaux ou des dossiers structurés. Ils peuvent être très performants sur une tâche précise, à condition de disposer de données représentatives, bien annotées - c'est-à-dire accompagnées d'une réponse fiable - et adaptées au contexte d'usage.

Les grands modèles de langage, ou LLM, manipulent le langage naturel. Ils peuvent résumer un dossier, reformuler une explication, extraire des informations d'un texte, préparer une synthèse ou aider à rédiger un compte rendu. Leur force est leur flexibilité ; leur limite est qu'ils peuvent produire une réponse convaincante sans être exacte.

Le RAG, pour Retrieval-Augmented Generation, consiste à connecter un modèle de langage à des sources sélectionnées — recommandations, protocoles, référentiels, dossiers patients ou littérature scientifique — avant de produire une réponse. Cela ne rend pas la réponse automatiquement vraie, mais réduit le risque d'erreur et améliore son ancrage factuel et sa vérifiabilité.

Les agents orchestrent plusieurs étapes : interroger une base documentaire, appliquer une règle, extraire une donnée, vérifier une information puis produire une synthèse. En santé, leur intérêt n'est pas de « raisonner seuls », mais d'enchaîner des étapes utiles, contrôlables et intégrées à la pratique.