IA en médecine : outil d'aide ou véritable révolution médicale ?

Cet article est un décryptage croisé des deux études suivantes :

- Nadarzynski et al., "Perspectives of Health Care Professionals on the Use of AI to Support Clinical Decision-Making in the Management of Multiple Long-Term Conditions: Interview Study", JMIR Human Factors / PMC.

- Sharma et al., "The dawn of a new era: can machine learning and large language models reshape QSP modeling?", Journal of Pharmacokinetics and Pharmacodynamics.

L'intelligence artificielle en médecine est souvent présentée comme une révolution imminente. Elle pourrait aider à concevoir des médicaments, analyser des données biologiques complexes, repérer des risques cliniques, personnaliser les traitements et soulager des professionnels déjà soumis à une forte pression.

Mais une question reste centrale : parle-t-on d'un remplacement progressif du jugement médical, ou d'un outil d'aide plus puissant que les précédents ?

Deux études récentes permettent d'aborder cette question sous deux angles très différents. La première s'intéresse à la modélisation pharmacologique, notamment à la QSP, pour "Quantitative Systems Pharmacology". La seconde interroge des professionnels de santé sur l'usage de l'IA comme aide à la décision dans la prise en charge de patients atteints de plusieurs maladies chroniques.

Ces deux domaines n'ont pas le même terrain d'application. L'un se situe plutôt en amont, dans la recherche et le développement de médicaments. L'autre se situe au contact du soin, dans la consultation et la décision clinique. Pourtant, les deux études convergent vers la même idée : l'IA peut transformer certaines pratiques médicales, mais seulement si elle reste encadrée, validée et compréhensible.

Deux usages très différents de l'IA médicale

Le premier article porte sur la QSP, une approche qui cherche à modéliser le fonctionnement biologique d'un traitement dans l'organisme. L'objectif est de mieux comprendre les interactions entre un médicament, une maladie, des voies biologiques et des profils de patients. Dans ce cadre, l'IA et le machine learning peuvent aider à traiter des volumes de données trop complexes pour être exploités manuellement.

Ils peuvent notamment faciliter l'extraction d'informations depuis la littérature scientifique, soutenir la construction de modèles hybrides mêlant mécanismes biologiques et données, ou encore créer des modèles plus rapides à utiliser, parfois appelés modèles de substitution. Les auteurs évoquent aussi les jumeaux numériques, c'est-à-dire des représentations informatiques permettant de simuler certains scénarios thérapeutiques.

Le second article se place dans un contexte beaucoup plus proche du terrain : la médecine de premier recours, face à des patients atteints de multiples maladies chroniques. Cette situation est difficile, parce que les recommandations médicales sont souvent construites maladie par maladie. Or un patient réel peut cumuler plusieurs pathologies, plusieurs traitements, des contraintes sociales, des préférences personnelles et des risques d'interactions médicamenteuses.

Dans ce contexte, les professionnels interrogés voient dans l'IA un possible soutien. Elle pourrait aider à vérifier rapidement des interactions, signaler un risque oublié, rassembler des éléments dispersés dans le dossier médical ou proposer une synthèse au clinicien.

Pourquoi l'IA attire autant en médecine

La promesse de l'IA tient d'abord à une limite très humaine : personne ne peut intégrer parfaitement toutes les données disponibles en temps réel. Un médecin doit tenir compte du dossier du patient, des symptômes, des traitements, des antécédents, des recommandations, du temps disponible, de la relation humaine et parfois de plusieurs pathologies simultanées. Un chercheur qui travaille sur la QSP doit, lui, intégrer des données biologiques, pharmacologiques, cliniques et mécanistiques.

Dans les deux cas, le problème n'est pas seulement la quantité de données. C'est leur combinaison.

L'IA peut aider à repérer des liens, faire émerger des hypothèses, tester virtuellement des scénarios, automatiser certaines étapes de recherche ou alerter sur des incohérences. Elle peut aussi réduire une partie de la charge cognitive, en particulier dans les situations où beaucoup d'informations doivent être croisées rapidement.

C'est l'un des points forts de ces deux études : elles ne présentent pas l'IA comme un gadget. Elles montrent des cas où elle peut réellement apporter quelque chose, surtout lorsque la complexité dépasse ce qu'un humain peut traiter confortablement seul.

Un outil puissant, mais pas un médecin

La limite apparaît tout aussi clairement : les professionnels de santé ne veulent pas d'une IA qui décide à leur place. Ils souhaitent plutôt un système capable de soutenir leur jugement.

Cette distinction est essentielle. En médecine, une bonne décision ne repose pas seulement sur une recommandation théorique. Elle dépend aussi du contexte réel du patient, de ses priorités, de son niveau de compréhension, de sa tolérance au risque, de ses contraintes de vie, et parfois de signaux faibles qui ne se résument pas facilement en données structurées.

L'IA peut signaler une interaction médicamenteuse. Elle peut proposer une hiérarchie de risques. Elle peut aider à synthétiser un dossier. Mais elle ne remplace pas l'échange clinique, l'écoute, la prudence et la responsabilité du professionnel.

C'est encore plus net lorsque l'on parle de patients atteints de plusieurs maladies chroniques. Une recommandation peut être correcte pour une maladie isolée, mais moins adaptée quand plusieurs traitements et plusieurs priorités entrent en conflit. Le rôle du médecin n'est pas seulement d'appliquer une règle. Il est d'arbitrer dans une situation humaine imparfaite.

En clair : l'IA peut améliorer la décision médicale, mais elle ne supprime pas la nécessité d'un jugement médical.

Le cas particulier des modèles QSP

La QSP illustre une autre forme de transformation. Ici, l'IA n'est pas utilisée pour répondre directement à un patient, mais pour améliorer la manière dont on modélise les maladies et les traitements.

Dans un modèle QSP classique, les chercheurs construisent une représentation mécanistique du système étudié : voies biologiques, interactions moléculaires, effets du médicament, évolution possible selon les doses ou les profils. L'IA peut enrichir cette démarche en exploitant plus efficacement de grandes masses de données.

Le machine learning peut aider à identifier des relations dans des données omiques ou cliniques. Les grands modèles de langage peuvent faciliter l'extraction d'informations depuis la littérature scientifique ou rendre certains outils plus accessibles à des chercheurs qui ne sont pas spécialistes du code. Des modèles hybrides peuvent combiner une compréhension mécanistique du vivant avec la puissance statistique de l'apprentissage automatique.

C'est probablement l'un des usages les plus intéressants de l'IA en médecine : non pas remplacer la science, mais accélérer certaines étapes de modélisation, ouvrir de nouvelles hypothèses et rendre des workflows complexes plus accessibles.

Mais là encore, la prudence s'impose. Un modèle plus rapide n'est pas forcément un modèle plus vrai. Un modèle plus sophistiqué n'est pas forcément plus fiable. En pharmacologie, une erreur de modélisation peut orienter de mauvaises décisions de développement ou donner une confiance excessive dans une hypothèse fragile.

Le problème de la boîte noire

Le grand obstacle, dans les deux études, est celui de la confiance. Pour qu'un professionnel utilise une IA, il ne suffit pas que le système donne une réponse. Il faut comprendre pourquoi cette réponse est proposée, dans quelles conditions elle est fiable, et quelles sont ses limites.

C'est le problème classique des "boîtes noires" : des systèmes capables de produire une sortie, mais dont le raisonnement interne reste difficile à interpréter. En médecine, cette opacité est particulièrement problématique. Un clinicien ne peut pas se contenter d'un conseil dont il ne comprend pas la logique, surtout si la décision engage la santé d'un patient.

La même difficulté existe en QSP. Si un modèle suggère une nouvelle hypothèse thérapeutique, il faut pouvoir vérifier ses bases, ses données d'entraînement, ses hypothèses, ses erreurs possibles et sa reproductibilité. Sans cela, l'IA risque de produire une impression de précision sans garantie suffisante.

L'explicabilité n'est donc pas un luxe technique. C'est une condition d'usage.

Validation, réglementation et responsabilité

Les deux articles insistent aussi sur la nécessité de validations rigoureuses. Une IA médicale ne peut pas être évaluée comme un simple outil numérique classique. Elle doit être testée dans des conditions réalistes, sur des populations variées, avec des critères clairs.

La validation doit répondre à plusieurs questions simples :

• le système fonctionne-t-il en dehors des données sur lesquelles il a été développé ?
• produit-il les mêmes performances dans différents groupes de patients ?
• sait-on dans quelles situations il se trompe ?
• ses recommandations sont-elles reproductibles ?
• qui est responsable si une recommandation erronée influence une décision médicale ?

Ces questions sont techniques, mais aussi éthiques et juridiques. Plus l'IA se rapproche de la décision clinique, plus elles deviennent importantes.

Tableau des promesses, limites et conditions d'usage de l'IA médicale

Le risque des biais

Un autre point revient dans les deux études : les biais. Une IA apprend à partir de données existantes. Si ces données représentent mal certains groupes de patients, certaines pathologies ou certaines situations cliniques, le système peut produire des recommandations moins fiables pour les personnes déjà sous-représentées.

En médecine, ce risque est particulièrement sérieux. Un modèle biaisé peut contribuer à des diagnostics moins précis, des interactions moins bien anticipées ou des traitements moins adaptés pour certains sous-groupes. L'IA pourrait alors aggraver des inégalités au lieu de les réduire.

Ce problème ne se règle pas avec un simple affichage de prudence. Il suppose des jeux de données mieux construits, des tests sur des populations diverses, une surveillance continue et une capacité à corriger les modèles quand leurs limites apparaissent.

Une intégration progressive plutôt qu'une rupture brutale

Les professionnels interrogés dans l'étude clinique ne semblent pas rejeter l'IA par principe. Leur position est plus nuancée : ils veulent des outils utiles, intégrés aux pratiques existantes, compatibles avec leur réalité de travail et capables de gagner leur confiance.

C'est un point souvent sous-estimé. Une IA médicale peut être techniquement brillante et échouer en pratique si elle ajoute de la complexité, ralentit la consultation, multiplie les alertes inutiles ou s'intègre mal aux logiciels déjà utilisés.

L'adoption dépend donc autant de l'ergonomie que de la performance. Un bon système doit arriver au bon moment, présenter une information claire, éviter la surcharge et laisser au professionnel la possibilité de comprendre, accepter ou refuser la recommandation.

Révolution ou simple outil ?

La réponse la plus juste est probablement entre les deux.

L'IA est un outil, parce qu'elle ne remplace pas à elle seule la médecine, la recherche, la relation clinique ou la responsabilité humaine. Elle dépend de données, de modèles, de validations et d'usages concrets. Mal intégrée, elle peut devenir une source d'erreurs, de confusion ou de fausse confiance.

Mais c'est aussi un outil potentiellement révolutionnaire, parce qu'il peut changer l'échelle à laquelle certaines tâches sont réalisées. En QSP, il peut accélérer la construction de modèles, l'exploration d'hypothèses et la personnalisation des simulations. En clinique, il peut aider à sécuriser des décisions complexes, surtout lorsque plusieurs maladies et plusieurs traitements se combinent.

La vraie révolution ne serait donc pas une médecine sans médecin. Ce serait plutôt une médecine où certains professionnels disposent d'outils capables de traiter plus d'informations, plus vite, tout en gardant la décision finale dans un cadre humain, explicable et responsable.

Ce qu'on peut raisonnablement retenir

Ces deux études montrent que l'IA médicale n'est ni une solution magique, ni un simple gadget. Elle peut apporter une aide réelle dans deux domaines très différents : la modélisation pharmacologique et la décision clinique complexe.

Son intérêt principal est de gérer une complexité que l'humain seul traite difficilement : données biologiques massives, interactions entre traitements, patients atteints de plusieurs maladies, littérature scientifique abondante, scénarios thérapeutiques multiples.

Mais les conditions d'usage sont strictes. Les modèles doivent être validés, explicables, surveillés, intégrés aux pratiques réelles et évalués sur des populations diverses. La supervision humaine reste centrale, non par conservatisme, mais parce que la médecine ne se réduit pas à une sortie algorithmique.

L'IA peut donc devenir un levier important pour une médecine plus personnalisée et plus sûre. À condition de ne pas oublier ce qu'elle est : un système d'aide à la décision, pas une autorité médicale autonome.

Références

Nadarzynski et al., "Perspectives of Health Care Professionals on the Use of AI to Support Clinical Decision-Making in the Management of Multiple Long-Term Conditions: Interview Study", PMC.

Sharma et al., "The dawn of a new era: can machine learning and large language models reshape QSP modeling?", Journal of Pharmacokinetics and Pharmacodynamics.