IA dans la santé : sur la voie de l'application clinique

L'IA médicale en 2026 a dépassé les simples démonstrations comme la segmentation d'images ou l'extraction de diagnostics. Le déploiement clinique réel nécessite de gérer divers types de données—données tabulaires, dossiers de santé électroniques, images médicales et décisions séquentielles—chacun présentant des défis uniques. Le nettoyage des données est essentiel : les valeurs manquantes, les encodages incohérents et les artefacts doivent être traités avec une perspicacité clinique plutôt que des statistiques automatisées. Les grands modèles de langage (LLM) sont surtout utilisés comme assistants numériques qui génèrent des brouillons et structurent le texte, mais ils peuvent halluciner ou fabriquer des faits. La génération augmentée par récupération (RAG) ancre les LLM dans des bases de connaissances locales, réduisant mais n'éliminant pas les erreurs. Les organismes de réglementation comme la Food and Drug Administration (FDA) et l'Organisation mondiale de la santé (OMS) supervisent les dispositifs médicaux basés sur l'IA, et la loi européenne sur l'IA classe de nombreux systèmes d'IA médicale comme à haut risque. La décision finale appartient toujours à l'équipe clinique, ce qui en fait une approche « équipe clinique dans la boucle » plutôt que simplement « médecin dans la boucle ».