La révolution numérique de la santé

Le numérique et, plus caricaturalement, l’intelligence artificielle (IA) et le métavers représentent sans conteste la grande révolution de la santé de ce début de xxi^e siècle, marquant un réel bouleversement de l’activité liée à la santé, à l’instar de tant d’autres domaines. Cette technologie, qui exploite des données codées sous forme de chiffres discrets (0 et 1) pour traiter, stocker et transmettre des informations en s’appuyant sur le substrat informatique, est à l’origine de profondes mutations technologiques, scientifiques, organisationnelles, économiques et humaines qui affectent, à un niveau rarement constaté dans l’histoire de la médecine, les pratiques et les conceptions des soignants et des patients, mêlant espoirs et craintes, progressisme et conservatisme, souvent par excès, parfois avec une nuance de raison.

Pour autant, depuis l’avènement de la médecine, les découvertes de nombreux outils ont marqué des évolutions voire des révolutions de la science du vivant, de la santé et de la médecine. Certains, à leurs débuts, ont pu susciter vigilance, réticence voire résistance au regard des menaces, notamment éthiques, qu’elles pouvaient représenter. Ainsi, l’identification du génome et sa manipulation en sont un exemple paradigmatique tant les espoirs de progrès médicaux qu’ils portent sont allés de pair avec la menace d’un eugénisme, alimentée par des exactions commises au cours de l’histoire. L’IA, sommet technologique de l’iceberg du numérique, est aujourd’hui le lieu de la même ambivalence, marquée par des attentes et espérances fortes, parfois excessives, mêlées de peurs et de polémiques, chacune alimentée par des commentateurs plus ou moins experts, dont la recherche de sensationnalisme pervertit parfois des réalités plus mesurées.

D’ores et déjà, les répercussions du numérique sur l’activité de santé sont palpables tant pour les patients que pour les soignants et pour les systèmes de santé. Nombreux en sont les exemples. D’une part, la diffusion de la connaissance scientifique permise par la communication numérique est un des accélérateurs les plus évidents de la recherche scientifique moderne en santé, permettant l’accès des chercheurs, à travers le monde, à des découvertes scientifiques en temps réel. D’autre part, la numérisation du dossier du patient permettant la traçabilité des informations, la production d’indicateurs et la communication entre professionnels sont une illustration supplémentaire de l’omniprésence du numérique dans la pratique des professionnels de santé. Pour les usagers du système de santé, la « télésanté », particulièrement révélée lors de la pandémie de Covid-19, est probablement une des manifestations les plus visibles du numérique en santé.

Plus encore que les cas d’usages actuels du numérique dans le domaine de la santé, c’est bien des potentialités offertes par le développement de l’intelligence artificielle et du métavers que jaillissent autant d’espérances que de craintes, responsables d’un vertigineux tourbillon médiatico-scientifique. Au-delà des effets de mode, ces deux sentiments conjugués sont fondés sur des applications pragmatiques, qui touchent à de nombreux domaines.

L’intelligence artificielle et le métavers

En préambule à la description de ces champs d’applications technologiques, il paraît nécessaire de préciser leur sémantique. En effet, c’est en grande partie sous le couvert d’une ignorance ou, a minima, de fausses idées reçues, répandues par une médiatisation galvaudant la science qui les fonde, que les termes d’intelligence artificielle et de méta-univers (métavers) véhiculent fantasmes et spectacularisation.

L’intelligence artificielle est un domaine de recherche en science des données qui s’appuie sur des stratégies mathématiques reproduisant certains aspects du fonctionnement du cerveau humain par le biais d’une architecture appelée « réseau de neurones ». Toutefois, pour certains, l’IA pourrait se définir comme le domaine de recherche technologique visant à développer des systèmes informatiques capables de réaliser des tâches nécessitant généralement l’intelligence humaine. Ce concept est celui évoqué par Alan Turing, qui développa en 1950 un test du même nom permettant de définir une IA par le biais d’une interrogation en aveugle par un opérateur humain à deux répondeurs, un artificiel et un humain. Si l’opérateur ne s’avère pas en mesure de distinguer le répondeur informatique du répondeur humain, il s’agit d’une IA1.

Paradoxalement, au vu de l’effervescence médiatique, scientifique et populaire actuelle autour de l’IA, les bases mathématiques qui fondent l’IA sont connues depuis plus de quatre-vingts ans : le concept de neurone artificiel a été énoncé pour la première fois par McCulloch et Pitts en 1943 et celui d’IA treize ans plus tard par Marvin Minsky2. Toutefois, ces mathématiques sont restées à l’état de concept jusqu’à l’orée des années 2000 grâce à deux éléments indispensables à l’IA : la disponibilité de données massives, rendue possible dès l’avènement d’Internet puis considérablement renforcée par l’utilisation ubiquitaire de smartphones, et la puissance de calcul informatique obtenue par le développement de CPU (Central Process Unit) puis de GPU (Graphic Process Unit) permettant d’analyser des données en exploitant les mathématiques développées plusieurs décennies auparavant. L’intelligence artificielle regroupe en réalité plusieurs techniques, telles que l’apprentissage automatique (machine learning) et l’apprentissage profond (deep learning), qui s’appuient sur des réseaux de neurones artificiels multicouches capables de traiter, d’apprendre et de modéliser des données complexes.

Le traitement du langage naturel (natural language processing) est une sous-catégorie de l’IA dédiée à la compréhension du langage humain permettant aux machines de communiquer et d’interagir avec les humains de manière plus naturelle. Cette technologie est celle sur laquelle fonctionnent les IA génératives sur le devant de la scène médiatique, telles que ChatGPT. La vision par ordinateur est une deuxième sous-catégorie de l’IA, qui a trait à la compréhension et à l’interprétation des images et des machines. Cette technologie repose en grande partie, au même titre que le deep learning, sur des réseaux de neurones profonds particuliers appelés « convolutifs » (convolutional neural networks). Il s’agit d’une catégorie particulièrement exploitée en santé dans l’analyse des images médicales (scanners, imagerie par résonance magnétique, anatomopathologie, par exemple). Enfin, les systèmes experts tendent à imiter les processus décisionnels humains grâce à l’utilisation de règles logiques et de connaissances préprogrammées ; toutefois, cette troisième sous-catégorie est à la frontière de l’IA, puisqu’elle n’inclut aucune adaptabilité algorithmique.

Par ailleurs, l’intelligence artificielle peut également se diviser en deux grandes catégories : les IA fortes (ou générales) et les IA faibles (ou spécialisées). L’IA forte fait référence à un système possédant une compréhension et des capacités cognitives similaires à celles d’un être humain, incluant la capacité d’apprendre et de s’adapter, voire de ressentir. À l’opposé, les IA faibles se réfèrent à des dispositifs conçus pour accomplir une tâche spécifique, incluant la reconnaissance vocale ou les moteurs de recommandations. À l’heure actuelle, la première catégorie demeure du domaine de la science-fiction, alors que la réalité est occupée par les IA spécialisées, qui font l’objet de la majorité des recherches.

À l’instar de l’intelligence artificielle, le métavers est un autre domaine sur le devant de la scène publique et à l’importance croissante. Ce concept est utilisé pour décrire un univers numérique qui englobe et interconnecte plusieurs mondes numériques, plateformes et expériences. Il est souvent représenté comme un espace immersif et interactif, dans lequel les utilisateurs peuvent se déplacer, communiquer, créer et explorer ces environnements numériques en utilisant des avatars. Bien que le métavers puisse être accessible d’un ordinateur, c’est au travers de casques de réalité virtuelle qu’il est le plus généralement visité, permettant une immersion totale. Le développement et la popularité croissante du métavers sont alimentés par des avancées technologiques, telles que la réalité virtuelle, la réalité augmentée, la blockchain et l’IA.

Le métavers offre également des opportunités dans les domaines de l’éducation et de la formation, qui sont sans doute les applications les plus pertinentes dans le domaine de la santé. Grâce au métavers, les étudiants peuvent participer à des sessions de formations en ligne dans un environnement immersif, quelle que soit leur position géographique. Le métavers permet également la collaboration entre équipes dans des espaces virtuels. Nonobstant l’essor de cette application technologique du numérique, ce concept soulève lui aussi nombre d’interrogations et d’inquiétudes, notamment relatives au respect la vie privée, à la sécurité, au respect des lois et réglementations ainsi qu’à l’éthique. C’est aussi de l’effet social d’un univers virtuel, en déconnexion avec la réalité au risque de la désinvestir massivement, que peut naître un certain nombre de menaces.

Les applications sanitaires

La santé est un domaine d’application privilégié pour ces technologies, touchant de nombreuses thématiques (politique de prévention et environnementale, optimisation des parcours de soins…). Plusieurs grands domaines d’application peuvent être évoqués afin d’illustrer comment le potentiel du numérique peut contribuer à améliorer la santé de la population et l’exercice des professionnels de santé.

Au premier rang de ces révolutions, déjà entrées dans les pratiques, la télésanté est désormais intégrée dans la conscience collective des professionnels et des patients comme un outil de l’arsenal de la santé. Sans doute catalysées par les exigences exceptionnelles liées à la pandémie de Covid-19, pendant laquelle la téléconsultation a connu en France et dans le monde un essor considérable, ces techniques de prise en charge sont désormais légion. Elles se divisent en plusieurs catégories (téléconsultation, télésuivi, télésurveillance, télé-expertise) qui ont toutes pour point commun d’améliorer l’accès à la santé. Ce bénéfice est particulièrement important pour les usagers du système de santé qui, en France, n’ont pas accès à une prise en charge de médecine générale de proximité. Alors le smartphone ou la webcam connectés deviennent des extensions du thérapeute lui permettant d’explorer, à distance et superficiellement, le patient.

Pourtant, si ces technologies permettent de restaurer une partie de l’accès aux soins dont les patients sont privés, du fait d’une démographie médicale particulièrement carencée dans certains territoires, elles ne résolvent pas la totalité des problèmes sous-tendus par la raréfaction des praticiens. En effet, une certaine dégradation de la qualité diagnostique est constatée, telle que l’analyse perturbée du langage corporel et, plus encore, l’absence d’un être humain soignant en face du patient altérant de facto le placebo de toute consultation médicale. Au-delà de ces considérations qualitatives, la télésanté n’apporte pas une solution unique aux difficultés d’accès aux soins, en raison d’une difficulté d’accès au numérique pour un grand nombre de concitoyens. En effet, à ce jour, plus de 12 millions de personnes en France sont en situation de fracture numérique, soit par absence d’accès suffisant à Internet, soit par méconnaissance de l’outil. Au demeurant, la télésanté demeure une avancée majeure, qui doit néanmoins s’accompagner de pédagogie et d’actions de sensibilisation pour pouvoir développer son plein potentiel.

Au-delà de l’amélioration de l’accès à la santé, les dispositifs numériques présentent de nombreuses autres applications. En effet, les outils numériques, au premier rang desquels les algorithmes d’intelligence artificielle, contribuent à l’optimisation du système de santé. Par exemple, l’évaluation d’indicateurs capables d’identifier des événements, discrets ou non, appelant à une réaction de dirigeants, nationaux ou locaux, permet l’orientation raisonnée de moyens et d’efforts ou une meilleure agilité organisationnelle. Ceci peut s’illustrer par la prédiction par un algorithme d’intelligence artificielle, sur la base de données environnementales et historiques, de la fréquentation de services d’accueil des urgences, de manière à dimensionner de manière adaptée ses ressources humaines. Le numérique, notamment sous-tendu par les algorithmes de machine learning et de deep learning, est en mesure d’automatiser des tâches simples ou complexes, telles que la logistique hospitalière, le pré-sourcing de ressources humaines ou encore la proposition automatique de remplacement de personnel. Ces applications, dès lors qu’elles intéressent des tâches habituellement dévolues aux soignants et à leur encadrement, permettent de recentrer les efforts et le temps au cœur de métier pour lequel les professionnels de santé se sont engagés : prendre en charge l’humain et soigner la population.

C’est d’ailleurs aussi dans le domaine de la formation que les évolutions numériques sont en passe de révolutionner méthodes et résultats. Bien que principalement développé à des fins récréatives, le métavers possède un potentiel considérable pour marquer une rupture dans les stratégies éducatives. Sa capacité de réunir dans une même « salle virtuelle » des étudiants originaires de plusieurs zones géographiques, autour de l’avatar d’un professeur se situant lui aussi à distance, représente une levée des barrières géographiques à la formation. Plus encore, le métavers permet de soutenir la pédagogie par la simulation, qu’il s’agisse de simulation circonstancielle ou de simulation manuelle et pratique. L’alliance naturelle de l’IA et du métavers sera en mesure de construire des simulations inédites, voire de produire des situations qui pourront simuler les environnements réels au titre de jumeaux numériques immersifs, notamment afin de tester des innovations organisationnelles, managériales ou techniques.

La production de nouveaux environnements ou de structures inédites en appelle à l’intelligence artificielle dite « générative ». Ce type de technologie connaît une actualité particulièrement riche, puisque ChatGPT et consorts révèlent la capacité de l’IA à produire un résultat qui pourrait s’apparenter à une œuvre humaine, à s’y méprendre (elles réussissent le test de Turing). Ces IA se sont récemment distinguées par leur capacité à réaliser des toiles de peinture remportant des compétitions contre des toiles peintes par l’humain, ou encore des dispositifs écrivant poèmes et symphonies. Nonobstant la richesse des éléments précédents, la fonctionnalité des IA génératives qui aura sans doute le plus de retentissement dans le domaine de la santé est liée à la génération de contenu sémantique et textuel. Ces types d’IA font montre d’une puissance inégalée jusqu’alors, puisant dans la source inépuisable des données d’Internet pour générer des réponses adaptées, mais également en inventer, ce qui constitue une particularité spectaculaire mais qui peut aussi interroger, tant les réponses construites sont riches et apparemment sans limite.

La fiabilité de ces outils est trop aléatoire pour le domaine de la santé : ils nécessitent un encadrement humain et une expertise spécifique.

Dans ce domaine, les applications liées à la santé sont nombreuses et nous n’en sommes qu’au début. Les communautés de prompting dédiées à la santé se développent dans le but de tirer le meilleur parti des fonctionnalités offertes. Ainsi, la rédaction de comptes rendus d’observations médicales, le codage des actes médicaux, voire la proposition d’hypothèses diagnostiques sur la base de la description de symptômes sont autant de champs d’application. Toutefois, il est fondamental pour l’utilisateur et, plus encore, pour le professionnel de santé de conserver à l’esprit non seulement que ces outils s’appuient, dans la plupart des cas, sur des données limitées dans le temps, ne prenant donc pas en compte les données d’actualité, mais aussi que ces dispositifs sont en mesure, pour certains, de produire des réponses inventées. Dans ces conditions, la fiabilité de ces outils est trop aléatoire pour le domaine de la santé : ils nécessitent un encadrement humain et une expertise spécifique afin de sécuriser les réponses. Sous cette réserve, les outils d’IA générative modifieront profondément et positivement les professions de santé.

Plus encore que le versant quantitatif, l’IA pourrait considérablement contribuer à l’amélioration de la qualité des soins. En effet, dans les zones de faible densité médicale, une hétérogénéité de l’origine des formations des professionnels de santé constitue une possible hétérogénéité de la qualité de prise en charge. Aussi, le développement d’outils d’aide au diagnostic ou à la prise en charge peut être une clé d’optimisation de l’homogénéité des pratiques, en respectant une norme de qualité minimum sur laquelle chaque citoyen doit pouvoir compter.

Effets indésirables

La diffusion de ces outils, si tant est qu’ils soient rigoureusement validés par le corpus de professionnels experts, pourrait permettre une uniformisation, par le haut, de la qualité de la pratique médicale. Cependant, l’idée de la diffusion à large spectre et large volume de ces outils ne va pas sans poser un certain nombre de questions qui vont de la responsabilité individuelle du praticien, introduisant un traitement dont l’indication est fondée sur le conseil d’une IA, à la question de la perte d’expertise des professionnels de santé, passant d’artiste à technicien de la santé uniquement en charge de l’application de résultats d’algorithmes raisonnant à leur place. La menace ici est bien un appauvrissement de la culture médicale globale, qui s’appuie sur l’exposition à des situations cliniques diverses et variées qui, associée à la formation théorique, confère à chaque praticien un socle de compétences et de connaissances indispensables. L’existence même d’outils d’aide au diagnostic et à la prise en charge pourrait se traduire par un appauvrissement progressif de ce socle, puisque l’acquisition de ce dernier pourrait ne plus apparaître comme essentiel eu égard à des outils très (plus) performants.

Parmi les outils d’aide au diagnostic, les dispositifs d’IA permettant l’analyse par segmentation et classification d’images sont à ce jour les plus développés. Ces dispositifs d’IA peuvent ainsi permettre de détecter et de caractériser des anomalies sur des clichés de radiographie, des scanners ou des imageries par résonance magnétique, de manière assez rigoureuse. C’est également le cas pour les outils moins diffusés d’aide au diagnostic en anatomopathologie. Ces dispositifs d’analyse des images médicales, dont le nombre, les champs thématiques et la précision ne cessent de s’améliorer, apportent à l’évidence une plus-value dans la qualité de diagnostic et donc de prise en charge du patient, ainsi qu’un meilleur maillage du territoire. Cependant, la diffusion large de ces outils ne va pas sans poser un certain nombre d’interrogations, parmi lesquelles le possible effet indésirable de perte de compétence. Celle-ci pourrait survenir en quelques générations de praticiens, à force de s’appuyer de manière croissante sur les outils algorithmiques leur proposant un diagnostic, jusqu’à fonder leur raisonnement sur ces propositions prises comme des décisions. Devant cette économie, la capacité même de raisonnement viendrait à s’atténuer pour enfin toucher les experts seniors, en charge de la formation des jeunes professionnels de santé, qui n’auront plus la maîtrise des sujets pour lesquels l’IA les aura aliénés.

Le second écueil des outils d’aide au diagnostic et à la prise en charge est d’ordre économique. En effet, ces outils tendent à se multiplier pour répondre à autant de cas d’usage qu’il existe de pathologies, d’examens radiologiques ou de lésions pathologiques. Ceci correspond donc, en cibles, à plusieurs milliers, voire plus encore, d’algorithmes, chacun délivré sous une licence ou abonnement de plusieurs dizaines de milliers d’euros annuels. Cette charge financière supplémentaire, pour des établissements de santé dont l’équilibre financier est régulièrement menacé, paraît, dans les conditions actuelles, insoutenable. Ceci semble d’autant moins acceptable que ces outils d’IA d’aide au diagnostic et à la prise en charge ont été constamment développés en s’appuyant sur des données issues de patients, agrégées et surtout annotées par des professionnels qui ont également apporté leur expertise à la validation de ces outils. Ce schéma économique semble donc éphémère et devra, sous peine de faillite encore plus manifeste du système de santé, être remplacé par un modèle économique acceptable. Cet argument, associé à l’impériosité de restaurer une souveraineté numérique, notamment dans le domaine de l’IA, exige des professionnels de santé et académiques de se réapproprier l’initiative de la recherche en intelligence artificielle en santé, santé numérique et intelligence en données de santé. En effet, ce sont les professionnels de santé, au sens large (soignants, médico-techniques, paramédicaux, administratifs) qui possèdent à la fois l’expertise des données et de leurs significations, mais aussi l’expertise des problématiques et la capacité de validation de ces outils sur lesquels ils fonderont ensuite leur pratique.

Outre cette nécessaire souveraineté économique, d’autres arguments de l’implication au premier plan des professionnels de santé sont encore plus marquants. C’est le cas de l’implication active des acteurs de la santé dans la validation opérationnelle des outils numériques et des algorithmes d’IA. Il est en outre essentiel que les acteurs de la santé puissent être détenteurs de la compréhension des mécanismes qui sous-tendent cette matière numérique, sinon dans le fond et l’exactitude scientifique des data scientists, du moins de manière suffisamment intelligible pour être capables d’identifier les éventuels biais qui peuvent les concerner et les limites de leur périmètre de validation. Pour ce faire, bien évidemment, les acteurs de santé doivent être formés, au cours de leurs études ou dans le cadre de la formation tout au long de la vie, au numérique en santé, posant les bases de la cybersécurité, des données de santé, de la télésanté et de l’IA en santé. Plusieurs universités françaises, en lien avec les centres hospitaliers universitaires, se sont engagées dans cette voie, bénéficiant du soutien de la puissance publique devant l’urgence de cette formation.

Ces menaces pragmatiques, relatives à la pression économique et à la souveraineté numérique et des données de santé, que font peser le numérique et l’IA en santé, ne constituent néanmoins pas la principale crainte exprimée par les professionnels de santé. En effet, l’une des peurs viscérales des professionnels de santé, à l’instar d’autres corps de métier, est celle de voir leur expertise débordée, leur utilité annihilée, leur remplacement inéluctable. Si cette crainte est rationalisée par l’efficacité et l’homogénéité des dispositifs s’appuyant sur le numérique et particulièrement l’IA, d’autres révolutions en santé, tenant de l’imagerie, de la génétique ou de la vaccination, ont, par le passé, constitué une crainte tout aussi présente mais finalement non avérée. Par ailleurs, le fantasme du remplacement des soignants par des dispositifs numériques limite de facto le périmètre du métier de soignant à l’aspect scientifique et technique. Pourtant, pour ces métiers en lien avec des patients, le rapport humain comporte un effet propre, en partie responsable d’une action thérapeutique. Alors que le raisonnement pourra peut-être un jour être égalé voire supplanté, dans certains domaines, par le raisonnement in silico, l’interaction humaine, quant à elle, demeurera pendant de longues décennies encore l’apanage des humains.

La puissance et l’éclectisme des applications du numérique et, plus spécialement, de l’IA font donc entrer notre civilisation, notamment le domaine de la santé, dans une phase de mutation profonde et sans doute irréversible. Cette révolution technologique est porteuse de beaucoup d’espoirs, mais doit être accompagnée de pédagogie et de formation, tant du côté des professionnels que des usagers, afin d’en éviter les écueils, ainsi que d’un encadrement rigoureux permettant d’en assurer la validation. Les enjeux économiques et de souveraineté numérique imposent que les acteurs de la santé, notamment hospitaliers, associés à la recherche académique, se positionnent à l’avant-garde de la recherche ayant trait au numérique en santé, avec le soutien de la puissance publique.

• 1. Alan M. Turing, La Machine de Turing [1950], trad. par Julien Basch et Patrice Blanchard, présentation de Jean-Yves Girard, Paris, Seuil, coll. « Points. Sciences », 1999.
• 2. Warren S. McCulloch et Walter Pitts, “A logical calculus of the ideas immanent in nervous activity”, The Bulletin of Mathematical Biophysics, vol. 5, 1943, p. 115-133 ; John McCarthy, Marvin L. Minsky, Nathaniel Rochester et Claude E. Shannon, “A proposal for the Dartmouth Summer research project on artificial intelligence, August 31, 1955”, AI Magazine, vol. 27, n^o 4, 2006, p. 12-14.