L’IA dans la santé : une révolution silencieuse de 50 ans selon John Halamka
Alors que l’intelligence artificielle suscite un engouement sans précédent, le Dr John Halamka, président de la Mayo Clinic Platform, tempère cette perception d’« apparition soudaine ». Pour lui, l’IA est le fruit d’un travail de longue haleine, une « révolution du jour au lendemain » mûrie pendant un demi-siècle. Les avancées actuelles, souligne-t-il, s’appuient sur des décennies de progrès en matière de puissance de calcul, de stockage de données et d’outils, auxquels s’ajoute un changement culturel majeur initié par l’essor des chatbots grand public fin 2022.
Cette transformation spectaculaire, qui semble s’être opérée en un clin d’œil, repose en réalité sur trois piliers fondamentaux : la technologie, la réglementation et la culture. Sur le plan technologique, la disponibilité de ressources informatiques considérables à faible coût et d’un espace de stockage quasi illimité a permis de faire passer des expérimentations autrefois marginales au stade d’une ingénierie maîtrisée. Parallèlement, des initiatives réglementaires et collaboratives, telles que des coalitions industrielles, fournissent désormais un cadre clair quant aux usages appropriés de l’IA, aux méthodes de validation et aux garde-fous nécessaires. Enfin, l’intégration des débats sur l’IA au sein des conseils d’administration et des instances de direction clinique, suite à la fin d’année 2022, a engendré de nouveaux investissements et un sentiment d’urgence accru. L’aboutissement concret est un déploiement rapide des solutions, non par précipitation, mais parce que les fondations technologiques et organisationnelles ont été patiemment construites sur de longues années.
Des dirigeants en quête de solutions, pas de buzz
La demande des dirigeants hospitaliers est claire : ils ne cherchent pas simplement de « l’IA », mais des solutions concrètes pour « résoudre des problèmes commerciaux ». Dans un contexte de marges financières serrées, de pénurie de personnel et d’épuisement professionnel des soignants, les technologies sont évaluées à l’aune de leur capacité à atténuer ces pressions. « Aucun d’entre eux ne me dit explicitement qu’il a besoin d’IA », constate Halamka. Les cadres supérieurs privilégient des approches visant à améliorer l’exactitude de la documentation médicale, optimiser les processus de remboursement, réduire la charge administrative pour permettre aux cliniciens de se concentrer sur leurs tâches à plus haute valeur ajoutée, et étendre l’expertise spécialisée grâce à des outils d’augmentation basés sur des modèles. L’écoute ambiante, par exemple, est devenue un sujet de discussion majeur sur de nombreux marchés. Les systèmes qui ne proposent pas de programme crédible risquent de prendre du retard par rapport à leurs concurrents qui parviennent déjà à réduire la création de notes en dehors des heures de consultation et à améliorer la qualité de ces dernières. Le fil conducteur, selon le Dr Halamka, est d’aligner les initiatives d’IA sur les objectifs stratégiques clairement définis d’un système de santé, plutôt que de laisser les nouvelles technologies dicter l’agenda.
Gouvernance, validation et gestion des risques
La gouvernance de l’IA doit impérativement s’adapter aux réalités des systèmes statistiques déployés au sein de populations hétérogènes. L’approbation réglementaire, comme celle de la FDA pour les logiciels médicaux, est une étape importante, mais elle ne saurait suffire. Une vérification locale – assurant la sécurité, l’équité, la pertinence et l’efficacité pour la population spécifique d’une organisation – est absolument essentielle. « Il doit y avoir une forme de validation ou de qualification pour votre population locale », insiste Halamka. L’adoption clinique requiert également une gestion du changement rigoureuse ; les médecins ne sont que rarement convaincus par la seule nouveauté. Il est primordial de démontrer que les nouveaux outils permettent un gain de temps, une amélioration de la qualité des soins ou une augmentation de la satisfaction des patients.
La discussion sur les risques ne se limite pas à la cybersécurité ; elle englobe également les conséquences opérationnelles et cliniques des décisions basées sur des modèles. Le Dr Halamka encourage les dirigeants à s’engager au sein de communautés de pratique (consortiums industriels et forums de confiance) pour partager les méthodologies d’évaluation, les analyses de biais et les approches de suivi post-déploiement. Il distingue les systèmes prédictifs (identification de modèles sur de grandes cohortes) des systèmes génératifs (production de texte dont la précision peut varier) et de l’orchestration d’agents (systèmes capables d’entreprendre des actions autonomes). Il recommande de calibrer le niveau d’autonomie en fonction du risque : autoriser l’automatisation pour les flux de travail à faible enjeu, exiger une supervision humaine pour les tâches à risque plus élevé, et proscrire un contrôle entièrement autonome dans des contextes critiques comme le dosage de médicaments.
Concevoir pour la flexibilité et dépasser les projets pilotes
Halamka préconise aux organisations d’adopter une architecture modulaire, permettant de remplacer des composants au fur et à mesure de l’évolution des fournisseurs et des technologies. Cela implique d’éviter la dépendance excessive à un fournisseur unique, de privilégier des couches d’API indépendantes et de conserver des stratégies cloud suffisamment portables pour s’adapter aux changements. Le principe d’ingénierie fondamental, explique-t-il, est de considérer les flux de travail comme des étapes interchangeables, de sorte qu’un modèle ou un outil sous-performant puisse être retiré sans nécessiter une refonte complète de l’organisation.
Concernant la mise en œuvre, il met en garde contre la « maladie du pilote », où de nombreuses expériences réussies échouent faute d’avoir été conçues pour une exploitation à grande échelle. Il recommande une approche progressive : démarrer dans un département, puis étendre aux suivants, et progresser de manière délibérée – en conservant la possibilité de faire une pause – afin que l’organisation intègre dès le départ l’objectif de déploiement à long terme. Des critères clairs d’extension ou d’abandon doivent être définis avant même qu’un premier patient ou utilisateur ne soit exposé à l’outil.
L’impact clinique déjà palpable
Pour John Halamka, l’impact clinique mesurable de l’IA n’est ni théorique ni lointain. Il cite des flux de travail gourmands en imagerie, tels que l’endoscopie et la radiologie, où les systèmes d’IA assistent déjà l’examen humain pour détecter des anomalies subtiles qui pourraient échapper à l’œil. En oncologie, il met en avant la planification de la radiothérapie, où l’optimisation basée sur des modèles permet de concevoir des faisceaux qui ciblent précisément les tumeurs tout en épargnant les tissus sains environnants, complétant ainsi le travail des physiciens. Il présente ces avancées comme des outils d’augmentation des capacités humaines, plutôt que comme des substituts au jugement clinique.
Parallèlement, les cas d’usage administratifs (optimisation du cycle de revenus, génération de documents, prévision de la chaîne d’approvisionnement) continuent de bénéficier d’un déploiement précoce, en raison d’un profil de risque plus faible et de bénéfices tangibles en termes de durabilité financière. Les domaines à plus haut risque, notamment l’aide à la décision clinique ou l’autonomie des dispositifs médicaux, évolueront plus lentement, à mesure que les organisations gagneront en expérience et en confiance.
Les recommandations clés :
- Associer chaque proposition d’IA à un objectif stratégique précis (marge, accès, qualité, expérience).
- Mettre en place un comité de gouvernance de l’IA responsable de l’approbation des cas d’usage, de la validation locale, des tests de biais, du suivi et du retrait des solutions.
- Commencer par des gains administratifs à faible risque tout en développant les capacités d’évaluation clinique pour les applications plus critiques.
- Concevoir pour la substituabilité : privilégier les couches d’abstraction, les interfaces ouvertes et la portabilité dans le cloud pour éviter le verrouillage technologique.
- Remplacer l’approche « pilote » par des plans de déploiement progressifs incluant des critères d’extension et de sortie explicites.
- Adapter l’autonomie au risque : automatiser les étapes à faible risque, exiger une intervention humaine pour les risques modérés, et interdire l’automatisation complète lorsque des préjudices sont plausibles.
- Démontrer la valeur ajoutée pour les cliniciens par des mesures quantifiables de gain de temps et d’amélioration de la qualité.
- Participer à des coalitions industrielles de confiance pour partager les méthodes d’évaluation des risques, de la sécurité et de l’équité.
- Suivre attentivement l’orchestration d’agents, en privilégiant les recommandations aux actions automatiques lorsque les enjeux cliniques sont importants.
- Prévoir un budget pour la surveillance post-mise en service et la mise à jour des modèles dans le cadre du coût total de possession.
Le Dr Halamka conclut en soulignant qu’en dépit de certaines dynamiques dites de « boîte noire » en IA, la majorité de ces systèmes sont logiques et compréhensibles, un fait qui devrait rassurer les dirigeants. « Il s’agit de mathématiques, pas de magie », affirme-t-il.