• IDS204 - Intelligences Artificielles déployées dans les établissements de santé

    Avertissement

    Les projets ou stages publiés auxquels vous accédez sont des rapports d'étudiants et doivent être pris comme tels. Il peuvent donc comporter des imperfections ou des imprécisions que tout lecteur doit admettre et donc supporter. Il ont été réalisés pendant les périodes de formation et constituent avant-tout des travaux de compilation bibliographique, d'initiation et d'analyse sur des thématiques associées aux concepts, méthodes, outils et expériences sur les démarches qualité dans les organisations ou sur les technologies en santé.

    Si, malgré nos précautions, vous avez des raisons de contester ce droit de diffusion libre, merci de nous en faire part (master@utc.fr), nous nous efforcerons d'y apporter une réponse rapide. L'objectif de la présentation des travaux sur le web est de permettre l'accès à l'information et d'augmenter ainsi la qualité des échanges professionnels.

    Nous ne faisons aucun usage commercial des travaux de projet ou de stage publiés, par conséquent les citations des informations et l'emploi des outils mis à disposition sont totalement libres. Dans ce cas, nous vous demandons de respecter les règles d'éthique en citant explicitement et complètement vos sources bibliographiques.

    Bonne lecture...

    Auteurs

    Contacts

    Citation

    A rap­pe­ler pour tout usage : N. BOUHAWEL, S. EL IDRISSI, M. MEDJ, D. PICART, M.J. RATIANARIVELO, « Intel­li­gences Arti­fi­cielles déployées en éta­blis­se­ment de san­té », Uni­ver­si­té de Tech­no­lo­gie de Com­piègne (France), Mas­ter Ingé­nie­rie de la San­té, Par­cours Tech­no­lo­gie Bio­mé­di­cale et Ter­ri­toires de San­té (TBTS) et Dis­po­si­tifs Médi­caux et Affaires Régle­men­taires (DMAR), Mémoire de Pro­jet, https://travaux.master.utc.fr/, réf n° IDS204, https://doi.org/10.34746/ids204, décembre 2023, https://travaux.master.utc.fr/formations-master/ingenierie-de-la-sante/ids204

    Résumé

    En quelques années, l'intelligence arti­fi­cielle s'est concrè­te­ment ins­crite dans notre quo­ti­dien, tirant pro­fit de capa­ci­tés de cal­cul gran­dis­santes, de modé­li­sa­tion avan­cée, d'apprentissage et de l'exploitation stra­té­gique des don­nées mas­sives. Cette tech­no­lo­gie a été intro­duite dans divers domaines et est deve­nue  presque rou­ti­nière dans le cadre de cer­taines acti­vi­tés. Le domaine de la san­té n’échappe pas à ces évolutions.

    Aujourd’hui, l’association des thèmes IA et san­té est omni­pré­sente dans les médias, les confé­rences spé­cia­li­sées, et s'étend au grand public. Tou­te­fois, il demeure sou­vent dif­fi­cile de déter­mi­ner si les appli­ca­tions et les outils mis en avant sont réel­le­ment uti­li­sés dans la pra­tique quo­ti­dienne des éta­blis­se­ments de san­té et par les pro­fes­sion­nels en France. Dans le cadre de ce pro­jet, notre objec­tif est d’aller loin des dis­cours pro­mo­tion­nels pour pré­sen­ter une vision claire du déploie­ment de l'IA dans les éta­blis­se­ments de san­té en France, en met­tant l’accent sur les obs­tacles et les moteurs de déploiement.

    Abstract

    In just a few years, arti­fi­cial intel­li­gence has become part of our dai­ly lives, taking advan­tage of accu­mu­la­ted com­pu­ting capa­ci­ty, advan­ced mode­ling, lear­ning and the stra­te­gic exploi­ta­tion of mas­sive data. This tech­no­lo­gy has been intro­du­ced in a varie­ty of fields and has become almost rou­tine in cer­tain acti­vi­ties. Heal­th­care is no exception.


    Today, the asso­cia­tion of AI and heal­th­care is omni­present in the media, at spe­cia­list confe­rences, and extends to the gene­ral public. Howe­ver, it often remains dif­fi­cult to deter­mine whe­ther the appli­ca­tions and tools put for­ward are actual­ly used in dai­ly prac­tice in heal­th­care esta­blish­ments and by pro­fes­sio­nals in France. As part of this pro­ject, our aim is to move away from pro­mo­tio­nal rhe­to­ric to present a clear vision of AI deploy­ment in heal­th­care faci­li­ties in France, focu­sing on the bar­riers and dri­vers to deployment.

    Remerciements

    Pour com­men­cer, nous tenons à remer­cier Madame Isa­belle CLAUDE notre enca­drante durant ce pro­jet, mer­ci pour votre écoute et vos conseils qui nous ont per­mis d'aboutir à ce travail. 

    Nous vou­drions aus­si pré­sen­ter notre gra­ti­tude envers tous les pro­fes­sion­nels des entre­prises que nous avons ren­con­trés lors des Jour­nées Fran­çaises de Radio­lo­gie (JFR), qui ont répon­du à nos ques­tions por­tant sur notre projet :

    • Chief Mar­ke­ting Offi­cer chez Intrasense,
    • Res­pon­sable du seg­ment car­dio­vas­cu­laire chez Incepto,
    • Co-fon­da­teur de Milvue,

    Nous vou­drions éga­le­ment remer­cier les pro­fes­sion­nels hospitaliers :

    • Ingé­nieur bio­mé­di­cal du Centre Hos­pi­ta­lier de Saint-Brieuc,
    • Ingé­nieur déve­lop­pe­ment au Centre Hos­pi­ta­lier de Compiègne,
    • Chef de pro­jet bio­mé­di­cal au Centre Hos­pi­ta­lier de Compiègne,

    grâce à leur réac­ti­vi­té et aux infor­ma­tions qu'ils nous ont four­nies, nous avons pu pro­gres­ser sur le projet.

    Téléchargements

    IDS204-Mémoire d'Intelligence Méthodologique
    IDS204-Mémoire d'Intelligence Méthodologique
    IDS204-Poster
    IDS204-Pos­ter

    Liste des abréviations

    ANAP : Agence Natio­nale de la Per­for­mance sani­taire et médico-sociale

    AVC : Acci­dent Vas­cu­laire Cérébral 

    Bpi­france : Banque Publique d’Investissement France

    CH : Centre Hospitalier

    CHU : Centre Hos­pi­ta­lier Universitaire

    CHRU : Centre Hos­pi­ta­lier Régio­nal et Universitaire

    CNAM : Caisse Natio­nale d’Assurance Maladie

    CNIL : Com­mis­sion Natio­nale de l’Informatique et des Libertés

    DICOM : Digi­tal Ima­ging and Com­mu­ni­ca­tions in Medicine

    DM : Dis­po­si­tifs Médicaux

    DMDIV : Dis­po­si­tifs médi­caux in vitro

    DNS : Délé­ga­tion minis­té­rielle au Numé­rique en Santé 

    HAS : Haute Auto­ri­té de Santé

    HDI Day : Heal­th­care Data Ins­ti­tute Day

    IA : Intel­li­gence Artificielle 

    JFR : Jour­nées Fran­çaises de Radiologie

    MASCF : Mutuelle d’Assurance du Corps de San­té Français

    OMS : Orga­ni­sa­tion Mon­diale de la Santé

    RGPD : Règle­ment Géné­ral de Pro­tec­tion des Données 

    SASN : Stra­té­gie d'Accélération San­té Numérique

    UE : Union Européenne

    UFR : uni­té de For­ma­tions et de Recherches 

    Intelligences Artificielles déployées en établissement de santé

    Introduction

    L’Intelligence Arti­fi­cielle (IA) consti­tue une grande révo­lu­tion scien­ti­fique de ces der­nières décen­nies. His­to­ri­que­ment, la confé­rence de Dart­mouth aux Etats-Unis en 1956 menée par John McCar­thy marque offi­ciel­le­ment la nais­sance de l’Intelligence Arti­fi­cielle (IA), bien que des expé­riences sur le sujet aient déjà été expé­ri­men­tées aupa­ra­vant comme le test de Turing de 1950. Cette confé­rence a réuni les pré­cur­seurs de l’IA (prin­ci­pa­le­ment des mathé­ma­ti­ciens et des théo­ri­ciens) pour expo­ser leur ambi­tion de créer des machines ayant les mêmes capa­ci­tés intel­lec­tuelles que les humains [1]. L’avènement des micro­pro­ces­seurs dans les années 1970 a don­né aux sys­tèmes d’IA la capa­ci­té de pro­cé­der à un nombre plus impor­tant d'opérations en consom­mant moins de res­sources. Cela a mené au pre­mier évé­ne­ment mar­quant de l’apparition de l’IA en 1997 où le sys­tème d’IA Deep Blue gagne pour la pre­mière fois au jeu d'échecs contre un humain, Gar­ry Kas­pa­rov [2].

    A par­tir des années 2010, l’IA s’est déve­lop­pée plus rapi­de­ment avec l’apparition du big data ou “don­nées mas­sives”. Ces méga­don­nées sont l’ensemble des don­nées infor­ma­tiques col­lec­tées pro­ve­nant de diverses sources comme les réseaux sociaux, les dos­siers médi­caux, les don­nées d’applications mobiles ou encore les tran­sac­tions com­mer­ciales. Ces don­nées mas­sives ont per­mis aux tech­niques d’IA de réa­li­ser des ana­lyses et des cal­culs plus per­for­mants afin de pré­ve­nir des évè­ne­ments, de pro­po­ser des amé­lio­ra­tions et de per­fec­tion­ner les acti­vi­tés [3]. Rapi­de­ment, l’IA prend place dans plu­sieurs domaines (notam­ment dans le domaine de la san­té) par­tout dans le monde et éga­le­ment en France.

    L’introduction de l’IA dans le domaine de la san­té répond à la néces­si­té impé­rieuse d'améliorer l'efficacité des soins médi­caux, de réduire les coûts et d'optimiser la prise de déci­sion médi­cale. Les médias, les confé­rences spé­cia­li­sées et le grand public s'intéressent de plus en plus aux pos­si­bi­li­tés que l'IA peut offrir dans ces domaines. Cepen­dant, il sub­siste sou­vent un écart signi­fi­ca­tif entre la per­cep­tion publique des capa­ci­tés de l'IA en méde­cine et la réa­li­té de son uti­li­sa­tion dans les éta­blis­se­ments de san­té. Il convient donc ici de com­prendre quelle est la réa­li­té de l’utilisation de l’IA dans les éta­blis­se­ments de san­té et quels sont les défis ain­si que les accé­lé­ra­teurs liés à son déploiement ?

    Pour répondre à ces ques­tions, le plan sui­vant sera sui­vi : en pre­mier lieu, les géné­ra­li­tés concer­nant l’IA, ensuite, l’état actuel de l’implémentation des solu­tions d’IA dans les éta­blis­se­ments de san­té fran­çais. Et enfin, les freins et les accé­lé­ra­teurs liés à son déploie­ment seront explicités.

    I. Généralités

    A. Définitions : intelligence artificielle, établissement de santé et déploiement

    L’IA étant au centre de ce sujet, il est impor­tant de bien la défi­nir. Mal­gré le fait qu’il n’y ait pas de consen­sus scien­ti­fique autour de la défi­ni­tion de l’IA, elle peut tout de même être décrite comme la capa­ci­té d’un sys­tème infor­ma­tique à imi­ter le cer­veau humain notam­ment la prise de déci­sion rai­son­née grâce à l’utilisation d’algorithmes. Le but de ces algo­rithmes est d’analyser de grandes quan­ti­tés de don­nées pour com­men­cer l’apprentissage, puis d’être capable d’apprendre par eux même et d’apprendre de leurs propres expériences. 

    His­to­ri­que­ment, l'IA a été divi­sée en deux caté­go­ries : le com­pu­ta­tion­na­lisme et le connexion­nisme. Le com­pu­ta­tion­na­lisme était très simi­laire aux ordi­na­teurs exis­tants, dans le sens où des règles étaient éta­blis, et l'algorithme four­nis­sait une don­née de sor­tie en se basant sur ces règles. L’approche connexion­niste quant à elle s’inspire du fonc­tion­ne­ment du cer­veau humain en repro­dui­sant un sys­tème de neu­rones inter­con­nec­tés pour prendre en consi­dé­ra­tion dif­fé­rentes entrées et faire évo­luer les règles qui régissent la sor­tie finale four­nie par l’algorithme [4].

    L’approche com­pu­ta­tion­na­liste a don­né nais­sance aux sys­tèmes experts, qui intègrent une grande quan­ti­té de règles “si-alors” qui per­mettent de don­ner un résul­tat pré­cis dans un domaine spé­ci­fique [5]. Le manque d’adaptabilité de ce genre de sys­tème peut cepen­dant être limi­tant, car si le domaine change, toutes les règles doivent être modi­fiées par une inter­ven­tion humaine, ce qui est très long et fastidieux.

    L’approche connexion­niste s’appuyant sur le fonc­tion­ne­ment du cer­veau et des neu­rones, a natu­rel­le­ment don­né nais­sance aux réseaux de neu­rones qui font par­tie inté­grante d’une caté­go­rie d’algorithme qu’on appelle machine lear­ning. Le machine lear­ning englobe tous les types d’algorithmes qui per­mettent “d’apprendre” par eux même, c'est-à-dire de modi­fier leur fonc­tion­ne­ment au fur et à mesure qu’ils sont uti­li­sés [6].

    Le sché­ma (Figure 1) per­met d’illustrer sim­ple­ment le fonc­tion­ne­ment d’un réseau de neu­rones. Une entrée est envoyée vers une pre­mière couche de neu­rones qui va trai­ter dif­fé­rents aspects de l’entrée. La sor­tie de cette prmière couche de neu­rones sera l’entrée de la pro­chaine couche, et ain­si de suite. Enfin, l’intégration des dif­fé­rentes sor­ties de la der­nière couche de neu­rones per­met de four­nir une sor­tie finale. En fonc­tion de la per­ti­nence de la sor­tie finale, une modi­fi­ca­tion de para­mètres des couches inter­mé­diaires de neu­rones est faite pour affi­ner le modèle et four­nir une sor­tie finale de plus en plus juste à mesure que le réseau de neu­rone est sol­li­ci­té. C’est pour­quoi les réseaux de neu­rones doivent être “entraî­nés” avec un très grand nombre de don­nées pour affi­ner leurs précisions. 

    Ces sys­tèmes de réseaux de neu­rones per­mettent d’analyser dif­fé­rents aspects d’une même don­née d’entrée et d’intégrer des carac­té­ris­tiques mul­tiples et com­plexes. Un réseau de neu­rones avec peu de couches inter­mé­diaires (appe­lées “hid­den layers” ( Figure 1)) est asso­cié à la réso­lu­tion de pro­blèmes “simples” tan­dis qu’un nombre de couches éle­vé per­met de résoudre des pro­blèmes plus “com­plexes” [7]. Les algo­rithmes de Deep lear­ning sont un cer­tain type de réseau de neu­rones qui intègrent un nombre rela­ti­ve­ment impor­tant de couches inter­mé­diaires (d’où le terme “Deep”) per­met­tant de résoudre des pro­blé­ma­tiques “com­plexes”.

    Figure 1 : Schématisation du fonctionnement d'un réseau de neurones [6]

    Ana Bar­ra­gan-Mon­te­ro et al. dans l'article “Arti­fi­cial intel­li­gence and machine lear­ning for medi­cal ima­ging : A tech­no­lo­gy review” pro­posent un sché­ma de clas­si­fi­ca­tion des dif­fé­rents types d’IA évo­qués ci-des­sus (Figure 2).

    Figure 2 : Schéma de classification des différents types d'Intelligence Artificielle [4]

    Comme évo­qué dans le pré­am­bule de la par­tie géné­ra­li­té, ces dif­fé­rents types d’IA peuvent être uti­li­sés dans les éta­blis­se­ments de san­té. Ce der­nier terme étant géné­rique, il est éga­le­ment néces­saire de bien le défi­nir pour expli­ci­ter les dif­fé­rentes struc­tures qu’il désigne. 

    Selon le site “Médi­cal RH”, un éta­blis­se­ment de san­té est “une struc­ture défi­nie par un sta­tut légal, et dont les mis­sions sont fixées par le Code de la san­té publique” [8]. Par­mi les mis­sions fixées par le code de la san­té publique, il y a notam­ment [9]:

    • Per­mettre le diag­nos­tic, le trai­te­ment et la sur­veillance des patients
    • Mettre en oeuvre la poli­tique de san­té défi­nie par le gou­ver­ne­ment Français
    • Coor­don­ner les soins entre les dif­fé­rents acteurs du domaine de la san­té en France

    Le site du gou­ver­ne­ment “Vie Publique” classe les éta­blis­se­ments de san­té en deux caté­go­ries : les éta­blis­se­ments publics et les éta­blis­se­ments pri­vés. Dans les éta­blis­se­ments publics, on retrouve notam­ment les centres hos­pi­ta­liers uni­ver­si­taires ou régio­naux (CHU/ CHR), et les centres hos­pi­ta­liers (CH). Les éta­blis­se­ments pri­vés sont com­po­sés de struc­tures à but lucra­tif comme les cli­niques pri­vées et de struc­tures à but non lucra­tif comme les ESPIC (Eta­blis­se­ments de San­té Pri­vé d’Intérêt Col­lec­tif) [9].

    Les CH(R)U sont loca­li­sés dans les grandes villes et four­nissent, en plus des soins cou­rants, des soins beau­coup plus spé­cia­li­sés. Ils sont très sou­vent asso­ciés à des uni­tés de for­ma­tion et de recherche (UFR) qui sont les vec­teurs d’innovation au sein des éta­blis­se­ments de san­té. Les CH, quant à eux, sont de taille plus modeste et ont pour mis­sions de four­nir une gamme de soins larges aux patients [10].

    Ces dif­fé­rentes struc­tures peuvent donc uti­li­ser dif­fé­rentes solu­tions impli­quant l’utilisation de l’IA. Cer­taines solu­tions sont déjà uti­li­sées en rou­tine, tan­dis que d’autres sont encore à l’étape d’expérimentation. C’est pour­quoi nous nous pro­po­sons de défi­nir éga­le­ment ce qu’est le déploie­ment d’une solu­tion d’IA dans les éta­blis­se­ments de santé.

    Quand on cherche à défi­nir le terme de “déploie­ment” d’une tech­nique dans des éta­blis­se­ments de san­té, on cherche à défi­nir les dif­fé­rents stades d’utilisation de ces tech­niques dans l’ensemble de l'écosystème des éta­blis­se­ments de san­té fran­çais. Ici, la tech­nique étu­diée est l’IA. En effet, un sys­tème pré­sent dans un éta­blis­se­ment de san­té embar­quant de l’IA, n’est pas au même stade de déploie­ment, qu’il soit en phase d’expérimentation ou qu’il soit en phase d’utilisation en rou­tine. On peut esti­mer qu’un sys­tème uni­que­ment uti­li­sé dans un seul éta­blis­se­ment de san­té (pro­ba­ble­ment un CH(R)U où il a été/ est en cours de déve­lop­pe­ment) n’est pas encore “déployé”. En revanche, un sys­tème embar­quant de l’IA et uti­li­sé dans un grand nombre d'établissements de san­té peut être consi­dé­ré comme “déployé”.

    Dans ce tra­vail, on se don­ne­ra le réfé­ren­tiel suivant :

    • Un sys­tème embar­quant de l’IA et pré­sent dans au mini­mum 2 éta­blis­se­ments de san­té est consi­dé­ré comme “déployé”.
    • Un sys­tème embar­quant de l’IA et pré­sent dans aucun ou un seul éta­blis­se­ment de san­té est consi­dé­ré comme “pas encore déployé”.
    • Un sys­tème embar­quant de l’IA et pré­sent dans un éta­blis­se­ment de san­té et en phase d’être implé­men­té dans un ou plu­sieurs autres éta­blis­se­ments de san­té est consi­dé­ré comme “en cours de déploie­ment”.

    B. Les besoins et enjeux de l'IA dans le système de santé français

    Main­te­nant que l’IA a été défi­nie ain­si que les dif­fé­rents types de struc­tures médi­cales où elle peut être déployée, il est inté­res­sant de se deman­der ce qu’elle peut appor­ter au domaine médi­cal en France et quels sont les enjeux de son uti­li­sa­tion au sein des éta­blis­se­ments de san­té français.

    1. Les besoins auxquels l’IA répond dans le domaine de la santé

    Tout d'abord, la mul­ti­pli­ca­tion des exa­mens médi­caux induit une aug­men­ta­tion de la charge de tra­vail du per­son­nel médi­cal [11]. Par exemple, en 2021, le nombre de séjours d'hospitalisation com­plets est de 10,6 mil­lions qui consti­tue une hausse de 3,3% par rap­port à l’année 2020 [12]. Il est à noter que chaque hos­pi­ta­li­sa­tion néces­site une réa­li­sa­tion d’examens en amont mais aus­si en aval. Ain­si, la pos­si­bi­li­té via l’IA d’aider au diag­nos­tic, ou de réa­li­ser un sui­vi à dis­tance de l’état du patient per­met au per­son­nel médi­cal de gagner du temps lors de leurs prises de déci­sions et d’opti­mi­ser le par­cours de soin des patients, ain­si que les res­sources des éta­blis­se­ments de san­té [13]. Ces opti­mi­sa­tions per­mettent éga­le­ment de réduire les coûts enga­gés dans la prise en charge des patients [14].

    La volon­té gran­dis­sante de trai­ter des patho­lo­gies de plus en plus com­plexes implique une néces­si­té de pou­voir inté­grer une grande diver­si­té de don­nées pour chaque patient. Des sys­tèmes d’IA pou­vant ana­ly­ser un grand nombre de don­nées patients (telles que les anté­cé­dents fami­liaux, les symp­tômes, ou encore les anciennes patho­lo­gies ou les patho­lo­gies en cours) pour­raient per­mettre de pro­po­ser un diag­nos­tic pré­cis et de per­son­na­li­ser le trai­te­ment plus rapi­de­ment [14]

    2. Les enjeux du déploiement de l’IA dans les établissements de santé

    Comme évo­qué dans le para­graphe pré­cé­dent, l'IA offre un poten­tiel cer­tain pour éle­ver la qua­li­té des pres­ta­tions de soins au sein des éta­blis­se­ments de san­té. Grâce à sa capa­ci­té d'apprentissage et l’analyse d’un grand nombre de don­nées, elle contri­bue à un diag­nos­tic cli­nique plus rapide et plus pré­cis, une prise de déci­sion plus éclai­rée et une per­son­na­li­sa­tion des trai­te­ments. Dans des domaines tels que la radio­lo­gie, l'IA peut même sur­pas­ser les com­pé­tences du juge­ment humain [15]. Cepen­dant, l’impli­ca­tion du per­son­nel médi­cal dans le déve­lop­pe­ment de ces solu­tions sera pri­mor­dial pour aider au mieux les indus­triels à four­nir des solu­tions propres à des besoins biens défi­nis [16].                                                                 

    Outre l'amélioration de la qua­li­té de soins, comme vu en par­tie I.B.1. de nom­breuses appli­ca­tions d'IA visent éga­le­ment l'automatisation des tâches rou­ti­nières, libé­rant ain­si le temps et les com­pé­tences des pro­fes­sion­nels de la san­té. De même, les éco­no­mies poten­tielles décou­lant de l’optimisation des res­sources sont un enjeu majeur, sur­tout dans les pays déve­lop­pés où les coûts de san­té sont éle­vés. L'utilisation judi­cieuse de l'IA peut contri­buer à la ges­tion des res­sources limi­tées et à la réduc­tion des coûts [15].

    Comme évo­qué plus haut, pour s’assurer de l’efficacité de ces solu­tions d’IA, que ce soit pour l’amélioration des pres­ta­tions de soins ou l’automatisation de tâches rou­ti­nières, un grand nombre de don­nées est néces­saire pour “entraî­ner” les algo­rithmes. Ces don­nées sont des don­nées per­son­nelles des patients, ain­si sou­mises à la régle­men­ta­tion géné­rale sur la pro­tec­tion des don­nées. Il est donc cru­cial d’inté­grer le déve­lop­pe­ment de l’IA dans cette régle­men­ta­tion, pour s’assurer que l'utilisation des don­nées soit éga­le­ment enca­drée dans ce domaine émergent qu’est l’IA [17]. De plus, les sys­tèmes auto­ma­ti­sés grâce à l’IA sont sus­cep­tibles d’être vic­time de cyber-attaques, qui peuvent avoir des consé­quences graves sur la san­té des patients. Il est donc éga­le­ment pri­mor­dial de réflé­chir à un sys­tème de cyber sécu­ri­té robuste, pour pro­té­ger les patients [17].

    En cas d’un inci­dent ne pro­ve­nant pas d’une cyber-attaque mais d’un dys­fonc­tion­ne­ment de la solu­tion d’IA, la ques­tion de la res­pon­sa­bi­li­té peut éga­le­ment être posée [18]. Le méde­cin doit-il por­ter la res­pon­sa­bi­li­té de cette erreur en tant qu’utilisateur de l’IA ? Ou est-ce que le fabricant/ déve­lop­peur de la solu­tion d’IA doit être tenu res­pon­sable du dys­fonc­tion­ne­ment ? L’organisation bio­mé­di­cale pour­rait-elle éga­le­ment être res­pon­sable de ne pas avoir pré­vu d’alternative à l’IA en cas d’erreur majeure ? Toutes ces ques­tions vont devoir être adres­sées pour que ces poten­tiels acci­dents soient enca­drés au mieux. 

    Enfin, une dimen­sion humaine va être à sur­veiller tout au long de l’essor de l’IA dans le domaine de la san­té. L’implication de tous les acteurs, y com­pris les patients, dans l’utilisation de l’IA dans les éta­blis­se­ments de san­té est néces­saire. Si la com­mu­nau­té patiente n’est pas conti­nuel­le­ment infor­mée des avan­cées tech­no­lo­giques et des impli­ca­tions que celles-ci auront sur leur par­cours de soin et la qua­li­té de leur prise en charge, elle pour­rait être un frein à l’utilisation de l’IA dans les éta­blis­se­ments de santé.

    C. Cadre réglementaire actuel de l’IA en santé

    Se confor­mer aux régle­men­ta­tions en vigueur consti­tue éga­le­ment un enjeu majeur du déploie­ment des sys­tèmes d'IA dans les éta­blis­se­ments de san­té. Ces sys­tèmes doivent res­pec­ter des règles strictes pour garan­tir la sécu­ri­té des patients, la confi­den­tia­li­té des don­nées et la qua­li­té des soins. De ce fait, il est néces­saire de mettre en lumière le cadre régle­men­taire exis­tant des tech­no­lo­gies de l'IA en France et en Europe.

    1. Règlements européens 2017/745 et 2017/746 relatif aux dispositifs médicaux et aux dispositifs médicaux in vitro

    En avril 2017, le Par­le­ment euro­péen et le Conseil ont adop­té le règle­ment (UE) 2017/745 et le règle­ment (UE) 2017/746 afin de ren­for­cer le cadre régle­men­taire appli­cable aux dis­po­si­tifs médi­caux (DM) et dis­po­si­tifs médi­caux in vitro (DMDIV) en abro­geant les anciennes direc­tives existantes.

    Dans le cadre de ces règle­ments, tout sys­tème d'intelligence arti­fi­cielle de diag­nos­tic ou de trai­te­ment qui répond à la défi­ni­tion de dis­po­si­tif médi­cal est désor­mais consi­dé­ré comme étant un [19]. En effet, cette défi­ni­tion a été revue pour incor­po­rer dans les fonc­tions du dis­po­si­tif médi­cal les notions de pré­dic­tion et de pro­nos­tic qui doivent répondre à l’évolution des sys­tèmes d’intelligence arti­fi­cielle [20]

    Un dis­po­si­tif médi­cal est ain­si défi­ni comme : “tout ins­tru­ment, appa­reil, équi­pe­ment, logi­ciel, implant, réac­tif, matière ou autre article, des­ti­né par le fabri­cant à être uti­li­sé, seul ou en asso­cia­tion, chez l'homme pour l'une ou plu­sieurs des fins médi­cales pré­cises sui­vantes : “Diag­nos­tic, pré­ven­tion, contrôle, pré­dic­tion, pro­nos­tic, trai­te­ment ou atté­nua­tion d'une mala­die,... [21].

    Si la notion d'intelligence arti­fi­cielle n'apparaît pas spé­ci­fi­que­ment dans les règle­ments, ils peuvent néan­moins s'appliquer aux dis­po­si­tifs médi­caux consti­tués de logi­ciels uti­li­sant des trai­te­ments algo­rith­miques et recou­rant à des don­nées mas­sives pour l'apprentissage [22]. Par consé­quent, les sys­tèmes d'intelligence arti­fi­cielle répon­dant à cette défi­ni­tion sont sou­mis aux règles de clas­si­fi­ca­tion et aux exi­gences des dis­po­si­tifs médi­caux en ver­tu de ces règlements. 

    2. La loi bioéthique

    La France a pris l'initiative de conso­li­der la notion de « garan­tie humaine » dans l'usage de l'intelligence arti­fi­cielle en san­té grâce à la loi de bioé­thique du 2 août 2021. Cette loi a intro­duit un nou­vel article, l'article L .4001-3, dans le Code de la san­té publique, qui repose sur plu­sieurs prin­cipes essen­tiels dont l’information du patient et des pro­fes­sion­nels de san­té uti­li­sa­teurs des outils d’IA, l’explicabilité de ces outils et la garan­tie d’une super­vi­sion humaine [23].

    La Haute Auto­ri­té de San­té (HAS) a éga­le­ment inté­gré le concept de garan­tie d’une super­vi­sion humaine dans son der­nier guide d'évaluation publié en octobre 2020 et des­ti­né aux indus­triels fabri­cants de dis­po­si­tifs médi­caux à base d'IA sou­hai­tant une prise en charge par l'Assurance mala­die [24].

    3. Référentiels légaux et réglementaires relatifs à la protection des données de santé

    L'exploitation des don­nées, en par­ti­cu­lier de l'imagerie, est cru­ciale pour le déve­lop­pe­ment des solu­tions d’IA . Cepen­dant, mal­gré l'abondance de ces don­nées dans les éta­blis­se­ments de san­té, leur exploi­ta­tion n'est pas une démarche simple. Il est impé­ra­tif de res­pec­ter les régle­men­ta­tions en matière de pro­tec­tion des don­nées de san­té. Trois réfé­ren­tiels gou­vernent la pro­tec­tion des don­nées per­son­nelles en France :

    • Le code de la san­té publique,
    • La loi infor­ma­tique et liber­tés qui s'appliquent au niveau national
    • le règle­ment géné­ral de pro­tec­tion des don­nées (RGPD), en vigueur depuis le 25 mai 2018. Ce règle­ment a moder­ni­sé la loi infor­ma­tique et liber­tés pour les adap­ter aux tech­no­lo­gies contem­po­raines. Il a éga­le­ment har­mo­ni­sé les régle­men­ta­tions euro­péennes sur la pro­tec­tion des don­nées per­son­nelles [25].

    Le RGPD défi­nit les don­nées per­son­nelles de san­té comme étant « les don­nées à carac­tère per­son­nel rela­tives à la san­té phy­sique ou men­tale d’une per­sonne phy­sique, y com­pris la pres­ta­tion de ser­vices de soins de san­té, qui révèlent des infor­ma­tions sur l’état de san­té de cette per­sonne » [26] . Le règle­ment consi­dère les don­nées per­son­nelles de san­té comme étant des don­nées sen­sibles et par­ti­cu­lières et impose des condi­tions strictes d'exploitation aux res­pon­sables du trai­te­ment de ces don­nées tel que l’obtention de consen­te­ment du patient, la dési­gna­tion d’un res­pon­sable DPO (délé­gué à la pro­tec­tion des don­nées) pour l’établissement de san­té et l’entreprise par­te­naire, la tenue d’un registre de trai­te­ment des don­nées de san­té [27].

    4. La proposition du règlement européen sur l’IA : “Artificial Intelligence Act”

    Le sec­teur des logi­ciels embar­quant l'intelligence arti­fi­cielle évo­lue très rapi­de­ment dans l’univers de la san­té, pré­sen­tant plu­sieurs défis, notam­ment en termes d'explicabilité (jus­ti­fi­ca­tion des déci­sions prises), de qua­li­té des don­nées, de per­for­mance et d'éthique. La régle­men­ta­tion exis­tante se révèle désor­mais insuf­fi­sante pour faire face à ces défis.

    Ain­si, le 21 avril 2021, la Com­mis­sion euro­péenne a publié la pre­mière pro­po­si­tion euro­péenne spé­ci­fi­que­ment dédiée à l'intelligence arti­fi­cielle. Cette pro­po­si­tion offre un cadre régle­men­taire exhaus­tif  qui devrait entrer en vigueur au plus tard le 1er jan­vier 2024.

    La pro­po­si­tion de loi sur l’IA adopte une approche fon­dée sur le risque. En effet, les obli­ga­tions des fabri­cants et des uti­li­sa­teurs sont adap­tés au niveau de risque asso­cié au sys­tème d’IA (cf. Figure 3) :

    Figure 3 : Obligations pour les systèmes d’IA en fonction du niveau de risque [28]

    Quelles exi­gences pour les sys­tèmes d'IA à haut risque ?

    Les dis­po­si­tifs médi­caux embar­quant des logi­ciels d’IA étant clas­sés à haut risque doivent répondre à une série d'exigences tech­niques et régle­men­taires avant et après sa mise sur le mar­ché. Cer­taines obli­ga­tions étaient moins ren­for­cées dans les règle­ments sur les DM ou qua­si­ment absentes. Cela implique :

    • L'adoption de garan­ties contre divers types de biais dans les jeux de don­nées ali­men­tant l'IA  y com­pris les biais géo­gra­phiques et démo­gra­phiques qui remettent en cause la vali­di­té des algo­rithmes, notam­ment chez des patients situés dans d'autres régions  et au sein de popu­la­tions peu diversifiées.Un exemple concret est celui des algo­rithmes d'apprentissage pro­fond uti­li­sés pour le dépis­tage du can­cer de la peau, où la plu­part sont entraî­nés sur des ensembles de don­nées pro­ve­nant de patients à la peau claire, com­pro­met­tant ain­si leur per­for­mance lors de l'analyse d'images de lésions sur des peaux plus fon­cées [68].
    • L’enregistrement des déci­sions prises par les sys­tèmes d’IA  tout au long du cycle de vie du sys­tème (un registre des « logs ») et la garan­tie d’un niveau adé­quat de trans­pa­rence et de com­pré­hen­sion pour les uti­li­sa­teurs et leurs informations.
    • Des obli­ga­tions tenant à l’existence d’un contrôle humain (l’IA Act va plus loin que la loi bioé­thique en termes de garan­tie humaine) [29].

    II. Etat des lieux du déploiement de l’IA

    A. Cartographie des solutions d’IA utilisées en établissement de santé

    Afin de pré­sen­ter l'état des lieux du déploie­ment de l'IA dans les éta­blis­se­ments de san­té, nous allons com­men­cer par la car­to­gra­phie des solu­tions exis­tantes. Nous uti­li­sons ici les bases de don­nées de l’ANAP et du site de l’entreprise Incep­to (qui regroupent un grand nombre de solu­tions déployées ou en cours de déploie­ment et embar­quant de l’IA) pour pré­ci­ser dans quels sec­teurs géo­gra­phiques, quels types d’établissements et quels domaines d’application ces solu­tions d’IA sont utilisées.

    Selon ces bases de don­nées, le nombre de solu­tions d’IA appli­quées à la san­té en cours d’études, de recherches, d’essais ou encore déployées, s’élève à 60 (cf. Annexe 1). Sur la figure sui­vante (cf. Figure 4), la loca­li­sa­tion des dif­fé­rents sites d’exploitation des solu­tions d’IA en France est affi­chée. Nous comp­tons envi­ron 32 éta­blis­se­ments publics et pri­vés confon­dus. Le rap­port entre les éta­blis­se­ments publics et pri­vés uti­li­sant des solu­tions d’IA est assez dés­équi­li­bré : 21 éta­blis­se­ments publics contre 11 éta­blis­se­ments pri­vés. Ces chiffres ne sont pas exhaus­tifs car les éta­blis­se­ments qui exploitent cer­taines solu­tions ne sont pas détaillés. Par­mi les éta­blis­se­ments publics : 13 sont des CHU-CHRU et 6 des CH. Géo­gra­phi­que­ment, la majo­ri­té des éta­blis­se­ments sont loca­li­sés en région parisienne. 

    Figure 4 : Cartographie de site d’utilisation de l’IA en France (Source : auteurs, Données ANAP) Bleue : établissements publics, Jaune : établissements privés

    En clas­sant les don­nées réper­to­riées en annexe 1, nous pou­vons dis­tin­guer le nombre de solu­tions d’IA en cours de recherche, d’essais, ain­si que celles com­mer­cia­li­sées et déployées dans les éta­blis­se­ments de san­té. Le nombre de solu­tions d’IA déployé atteint les 60% (36 solu­tions) et celles non déployées ou en cours de déploie­ment cor­res­pondent à 40% (24 solu­tions). Les recherches de solu­tions d’IA en san­té avancent donc pro­gres­si­ve­ment et divers pro­blèmes de la san­té peuvent être réso­lus grâce à l’IA.

    La figure sui­vante expose le nombre de solu­tions d'IA en fonc­tion du domaine d'application (cf. Figure 5).

    Figure 5 : Répartition des solutions d’IA dans les établissements de santé français (Source : auteurs , Données ANAP et Incepto)

    Comme vu pré­cé­dem­ment, les solu­tions d’IA sont uti­li­sées dans divers domaines et spé­cia­li­tés dif­fé­rentes en san­té, et notre liste n’est pas exhaus­tive. Cepen­dant, le domaine du diag­nos­tic est le plus exploi­té par l’IA (24 solu­tions). A la suite de cette sous-par­tie, le rap­port se por­te­ra uni­que­ment sur les solu­tions d’IA dans le domaine du diagnostic.

    B. Zoom sur les solutions d’IA dans le domaine du diagnostic

    Les pro­fes­sion­nels de san­té font de plus en plus appel aux tech­no­lo­gies d’IA pour amé­lio­rer la pré­ci­sion et le ren­de­ment de leurs diag­nos­tics, mais aus­si pour orien­ter leurs choix thé­ra­peu­tiques. Pour mieux com­prendre l'impact de l'IA dans le domaine du diag­nos­tic médi­cal en France, il est essen­tiel d'examiner l'état de l'art des solu­tions actuel­le­ment en place.

    Plus spé­ci­fi­que­ment, quand on parle d’IA dans le domaine du diag­nos­tic, on parle presque exclu­si­ve­ment d’IA inté­grée à des sys­tèmes d’imagerie. En regar­dant de plus près les 24 solu­tions de diag­nos­tic évo­quées dans la Figure 5 en par­tie I) A), on se rend compte que 100% d'entre elles concernent l’imagerie médicale.

    Le but ici n’est pas de four­nir un état des lieux exhaus­tifs de toutes les solu­tions d’IA en ima­ge­rie médi­cale en France. On pro­pose cepen­dant d’aborder les dif­fé­rentes fonc­tion­na­li­tés que l’IA peut appor­ter au domaine du diag­nos­tic par ima­ge­rie médi­cale, ain­si que les dif­fé­rents domaines cli­niques dans les­quels ces solu­tions sont utilisées.

    1. Fonctionnalités

    • Classification/priorisation

    Tout d’abord, l’IA peut avoir une fonc­tion de classification/ prio­ri­sa­tion. C'est-à-dire qu’elle peut ana­ly­ser un grand nombre d’images médi­cales et par exemple don­ner en sor­tie de l’information sur la pré­sence ou non d’une patho­lo­gie. Dans ce cas, le pro­fes­sion­nel de san­té peut se foca­li­ser sur les séries d’examens ayant été détec­tées comme patho­lo­giques pour prio­ri­ser leurs actions [30]. Pre­nons l’exemple de la solu­tion Mam­moS­creen (cf. figure 6) déve­lop­pée par The­ra­pixel en 2013, qui accom­pagne les radio­logues lors de l’interprétation des images. Cette solu­tion uti­lise un sys­tème de scores et de codes cou­leurs (cf.figure7) qui indique le niveau de sus­pi­cion de can­cer du sein et peut donc être clas­si­fié et prio­ri­sé faci­le­ment [31].

    Figure 6 : Logiciel MammoScreen de Therapixel [32]
    • Base de don­nées de 2 mil­lions d'images et 50 000 cas de can­cers confir­més par biop­sies et anatomopathologies
    • Eva­lua­tion conti­nue des per­for­mances sur une base de don­nées de vali­da­tion com­po­sée de 250 000 exa­mens de dépistage
    Figure 7 : Grille de diagnostic donné par MammoScreen [31]
    • Seg­men­ta­tion

    Une autre fonc­tion­na­li­té dite de seg­men­ta­tion peut être réa­li­sée par les IA. La seg­men­ta­tion consiste à l’identification de zones patho­lo­giques dans une image glo­bale [33]. Cela per­met au per­son­nel de san­té d’apporter une atten­tion par­ti­cu­lière à cer­taines zones de l’image, ce qui leur fait gagner du temps et de l’énergie.

    Enfin, l’IA peut assu­rer une fonc­tion de détec­tion et de clas­si­fi­ca­tion de patho­lo­gie. Pour les patho­lo­gies dif­fi­ci­le­ment obser­vables comme les petites lésions par exemple, ce tra­vail four­ni par l’IA est cru­cial pour gagner en effi­cience dans le flux de tra­vail du pro­fes­sion­nel de san­té [30].

    • Contou­rage

    La détec­tion et la clas­si­fi­ca­tion peuvent éga­le­ment inclure des fonc­tion­na­li­tés de contou­rage auto­ma­tique de struc­ture, d’analyse de sur­face ou de mesure d’angles, de dis­tances et de volumes [35]. La start-up The­ra­Pa­na­cea a intro­duit ART-Plan, un logi­ciel inno­vant dédié à la radio­thé­ra­pie (cf. figure 8). Spé­cia­le­ment conçu pour faci­li­ter le contou­rage des régions ana­to­miques cibles à par­tir d'images 3D de patients atteints de can­cer néces­si­tant un trai­te­ment par radio­thé­ra­pie, ce logi­ciel auto­ma­ti­sé révo­lu­tionne le pro­ces­sus de pla­ni­fi­ca­tion thé­ra­peu­tique [36].

    Figure 8 : Logiciel Therapanacea [37]
    • Tech­no­lo­gie de Deep Learning
    • Base de don­nées d'image de plus de 10 000 patients
    • 30 éta­blis­se­ments en France à fin 2022 soit entre 600 et 1000 uti­li­sa­teurs [38]

    La seg­men­ta­tion, la détec­tion et la clas­si­fi­ca­tion per­mettent une uni­for­mi­té et une objec­ti­vi­té de l’analyse des don­nées. En effet, “l’interprétation diag­nos­tique” via l'œil humain est limi­tée, rédui­sant ain­si les biais qui lui sont asso­ciés, comme la fatigue, la qua­li­té de la vue ou le niveau d’expérience du pra­ti­cien [35]. Le diag­nos­tic devient donc en quelque sorte plus répé­table.

    • Autres fonc­tion­na­li­tés

    Par l'intermédiaire de l’IA, le pro­fes­sion­nel de san­té peut éga­le­ment jouir de fonc­tion­na­li­tés annexes, comme l'uniformisation et l’homogénéisation des rap­ports d’analyse qui faci­litent la lec­ture pour tous les per­son­nels de san­té. On peut éga­le­ment citer la capa­ci­té de l’IA à adap­ter la dose de rayons X à envoyer vers le patient en fonc­tion de sa mor­pho­lo­gie [39]. Plus un patient a un indice de masse cor­po­rel éle­vé, plus la quan­ti­té de rayons X néces­saires pour voir ces struc­tures internes sera éle­vée. Ain­si, la dose de rayons X peut être per­son­na­li­sée et mini­mi­sée pour chaque patient, rédui­sant ain­si les radia­tions pour le patient et pour le per­son­nel médical.

    2. Domaines cliniques

    D'après nos échanges avec des experts de l'industrie de l'IA dans le domaine de l'imagerie médi­cale, trois appli­ca­tions cli­niques majeures ont été iden­ti­fiées en France pour cette tech­no­lo­gie .On cite la détec­tion de nodule pul­mo­naire pour le can­cer pul­mo­naire, la détec­tion de micro­cal­ci­fi­ca­tions mam­maires pour le can­cer du sein, et la détec­tion de frac­ture dans les ser­vices d’urgence [40].

    Évi­dem­ment, l’IA en ima­ge­rie médi­cale est pré­sente dans de nom­breux autres domaines cli­niques. En témoigne ce tableau réca­pi­tu­la­tif (cf. figure 9 ) d’une étude menée sur plus de 300 papiers trai­tant du Deep lear­ning appli­qué au domaine de l’analyse d’images médicales.

    Figure 9 : Graphique triant par domaine clinique plus de 300 articles scientifiques traitant du Deep learning pour l’analyse d’images médicales. Le terme “pathology” fait référence à la "pathologie numérique", qui correspond à l’analyse d’images provenant de lames de verre microscopiques [30]

    Bien que ces articles scien­ti­fiques ne traitent pas tous de solu­tions com­mer­cia­li­sées et déployées dans des éta­blis­se­ments de san­té, ce gra­phique met en lumière l’étendue des pos­si­bi­li­tés d’utilisation de l’IA pour le trai­te­ment d’images médicales.

    En effet, les images d’IRM du cer­veau peuvent être ana­ly­sées par des solu­tions d’IA pour détec­ter la pré­sence d’une tumeur par exemple. Cela fait gagner beau­coup de temps au pra­ti­cien car il faut seg­men­ter chaque couche d’image pour obte­nir une mor­pho­lo­gie de tumeur com­plète. Un pra­ti­cien pren­dra de longues minutes pour effec­tuer cette tâche, alors qu’un algo­rithme peut le faire en quelques secondes. Le même tra­vail peut être fait au niveau de l’abdomen pour repé­rer un can­cer du foie par exemple, ou pour ana­ly­ser une pros­tate. De plus, comme men­tion­né pré­cé­dem­ment, il est éga­le­ment envi­sa­geable de repé­rer des nodules pul­mo­naires sur des images radio­gra­phiques afin de diag­nos­ti­quer pré­coce un éven­tuel can­cer du pou­mon. Les lésions mus­cu­lo-sque­let­tiques peuvent éga­le­ment être iden­ti­fiées, tout comme les cal­ci­fi­ca­tions des artères coro­naires qui n’est qu’une des nom­breuses appli­ca­tions dans le domaine car­dio-vas­cu­laire. L’analyse par l’IA va même jusqu’à l’imagerie oph­tal­mique, en détec­tant des réti­no­pa­thies dia­bé­tiques. Enfin, l’IA peut éga­le­ment ana­ly­ser des images pro­ve­nant de mam­mo­gra­phies pour détec­ter des micro­cal­ci­fi­ca­tions et déce­ler un poten­tiel can­cer du sein [30], [41].

    Il est évident que l'IA trouve une appli­ca­tion éten­due dans le domaine de l'imagerie médi­cale, car elle peut être exploi­tée sur toutes les moda­li­tés d'imagerie, qu'il s'agisse de l'imagerie en 2D ou en 3D, cou­vrant de mul­tiples zones ana­to­miques, et pou­vant inclure une ou plu­sieurs des fonc­tion­na­li­tés men­tion­nées précédemment

    C. Retours d’expériences du déploiement de l’IA dans les établissements de santé

    Dans le but d'acquérir un retour d’expérience cré­dible en ce qui concerne le déploie­ment de l'intelligence arti­fi­cielle au sein des éta­blis­se­ments de san­té, un contact avec des indus­triels spé­cia­listes de ce domaine a été éta­bli grâce à la par­ti­ci­pa­tion aux JFR (Jour­nées Fran­çaises de Radio­lo­gie). Plu­sieurs échanges avec des ingé­nieurs bio­mé­di­caux hos­pi­ta­liers de dif­fé­rents éta­blis­se­ments ont aus­si per­mis d’obtenir des retours sur le sujet.

    1.  Industriels

    • Déploie­ment des solu­tions d’Intrasense

    Dans un pre­mier temps, un échange a été réa­li­sé avec la Chief Mar­ke­ting Offi­cer chez Intra­sense. L’entreprise a déve­lop­pé la pla­te­forme Myrian qui per­met la visua­li­sa­tion avan­cée de tous types d’images DICOM (Digi­tal Ima­ging and Com­mu­ni­ca­tions in Medi­cine : pro­to­cole de com­mu­ni­ca­tion et un for­mat de fichier stan­dard à l’imagerie médi­cale) (en 2D, en 3D ou en recons­truc­tion mul­ti­pla­naire) en radio­lo­gie ( cf.figure10). La solu­tion est déployée dans plus de 1000 éta­blis­se­ments de san­té dans le monde. 

    La solu­tion est assis­tée par une IA et peut inté­grer des exten­sions pour 20 appli­ca­tions cli­niques dont l’abdomen, les pou­mons, le car­dio­vas­cu­laire, l’imagerie de la femme (séno­lo­gie et gyné­co­lo­gie) et le crâne. Elle four­nit au méde­cin un compte ren­du plus per­ti­nent et plus pré­cis, en aidant le radio­logue et en lui fai­sant gagner du temps [42].

    Figure 10 : Plateforme Myrian d’Intrasense [42]

    La Chief Mar­ke­ting Offi­cer d’Intra­sense témoigne que l’IA est déployée sur­tout au sein des ser­vices d'urgences, où l'imagerie des pou­mons, du sein et des frac­tures repré­sente envi­ron 30% de l'ensemble des exa­mens. Elle sou­ligne aus­si que les 20 appli­ca­tions cli­niques pro­po­sées sont lar­ge­ment uti­li­sées dans ce contexte car elles pro­posent divers outils comme la seg­men­ta­tion, la résec­tion ou encore la quan­ti­fi­ca­tion [42].

    • Déploie­ment des solu­tions d’Incepto

    Une autre inter­ac­tion construc­tive s'est dérou­lée avec le res­pon­sable du seg­ment car­dio­vas­cu­laire chez Incep­to, une pla­te­forme offrant aux radio­logues l’accès à un ensemble d'applications d'aide à la déci­sion en ima­ge­rie médi­cale basées sur l'IA.

    Le res­pon­sable du seg­ment car­dio­vas­cu­laire chez Incep­to a témoi­gné que ses équipes ont déve­lop­pé des outils per­met­tant de regrou­per des don­nées et de les ano­ny­mi­ser. Ils col­la­borent aus­si avec les pro­fes­sion­nels de soins pour la créa­tion de nou­velles applications.

    Selon lui, un radio­logue voit défi­ler en moyenne 50 000 images chaque jour, ce qui repré­sente une fatigue impor­tante pou­vant induire à des erreurs de diag­nos­tic. Incep­to pro­pose alors des solu­tions pour dif­fé­rents ser­vices (onco­lo­gie, trau­ma­to­lo­gie, urgences, recherche) et réa­lise plu­sieurs par­te­na­riats notam­ment avec le CHU de Rennes, le Groupe Hos­pi­ta­lier Paris Saint-Joseph, le groupe AUGURIA, Télé­Diag, etc [43].

    Incep­to pro­pose donc sur leur pla­te­forme 22 appli­ca­tions dont 20 déployées dans les éta­blis­se­ments de san­té et 2 qui sont en phase de recherche cli­nique [44] : Gene­sis qui per­met à l’IA d’annoter les images d’examens et de les enre­gis­trer sur un cloud cer­ti­fié en Union euro­péenne pour pou­voir les exploi­ter dans la recherche et Col­lec­tive Minds, une pla­te­forme de par­tage et d’échange des­ti­nés aux radio­logues dans le but de col­la­bo­rer afin d’établir des diag­nos­tics pour les cas com­plexes ou des études [45] [46].  

    A titre d’exemple de solu­tion d’IA déployée et com­mer­cia­li­sée par Incep­to, Bone­View de Glea­mer est un logi­ciel assis­té par une IA uti­li­sant le deep lear­ning[47]. Ce logi­ciel per­met de détec­ter et de loca­li­ser des frac­tures ou des lésions osseuses à par­tir de radio­gra­phie (cf. figure 11). Le logi­ciel sélec­tionne des zones dou­teuses sur les images, les clas­si­fie et les trie en trois caté­go­ries : “pré­sence, doute ou absence de lésions” [48]. En 2020, cette solu­tion est déployée dans plus de 50 hôpi­taux et cli­niques en France dont l’AP-HP et est uti­li­sée par 800 radio­logues [49]. (cf. Annexe 1 : en jaune les solu­tions pro­po­sées par Incep­to).

    Figure 11 : illustration de la solution BoneView de Gleamer [50]
    • Déploie­ment des solu­tions de Milvue

    Ces solu­tions per­mettent de ras­su­rer les radio­logues et d’augmenter leur pro­duc­ti­vi­té par­ti­cu­liè­re­ment lorsqu’ils sont sou­mis à des contraintes de temps, notam­ment dans les ser­vices d’urgences où la solu­tion Smar­tUr­gences est déployée. Cette solu­tion est pro­po­sée par la scale-up Mil­vue qui per­met d'améliorer le triage et le diag­nos­tic des radio­gra­phies osseuses et pul­mo­naires ain­si que la géné­ra­tion des comptes-ren­dus auto­ma­ti­sés et détaillées des frac­tures grâce à des algo­rithmes de Deep lear­ning (cf. figure 12). D'après leur der­nière étude, l’utilisation de la solu­tion per­met d’éviter les erreurs de diag­nos­tics à 86% [51]. Ses fonc­tion­na­li­tés sont deve­nues essen­tielles et sont for­te­ment appré­ciées par les radio­logues, comme l'a sou­li­gné le co-fon­da­teur de Mil­vue, d’où la pré­sence de la solu­tion dans 70 éta­blis­se­ments de san­té seule­ment quelques années après sa mise sur le marché.

    Figure 12 : Solution SmartUrgences de Milvue [52]

    2. Ingénieurs biomédicaux et ingénieurs développement

    En ce qui concerne le retour d’expériences des ingé­nieurs bio­mé­di­caux, ils sont beau­coup plus opti­mistes quant à l’utilisation de l’IA au sein de leurs services.

    • Cas de créa­tion de solu­tions d’IA en interne

    On prend l’exemple du CH de Com­piègne qui béné­fi­cie depuis plus de 5 ans d’une équipe de déve­lop­pe­ment logi­ciel qui répond effi­ca­ce­ment à diverses exi­gences. Cette équipe se consacre à l'optimisation des pro­ces­sus, à la créa­tion de solu­tions fonc­tion­nelles sur mesure pour amé­lio­rer la sai­sie du per­son­nel médi­cal ou admi­nis­tra­tif en auto­ma­ti­sant la rédac­tion de compte ren­du médi­caux ou encore la sai­sie des infor­ma­tions dans le dos­sier patient.. Selon l'ingénieur déve­lop­pe­ment au CH de Com­piègne, les solu­tions de l’IA uti­li­sées sont déve­lop­pées en interne ou en externe avec des par­te­na­riats pri­vés, pour amé­lio­rer cer­tains flux de tra­vail de sai­sie fas­ti­dieux pour les méde­cins. De plus, son équipe s'engage dans l'exploration des don­nées en éta­blis­sant des entre­pôts de don­nées et en met­tant à dis­po­si­tion des tableaux de bord pour toutes les activités.

    • Cas d’acquisition des solu­tions inté­grant de l’IA

    Dans le même contexte, l'ingénieur bio­mé­di­cal au CH de Saint-Brieuc et le chef de pro­jet bio­mé­di­cal au CH de Com­piègne, témoignent du déploie­ment de l’IA dans les logi­ciels d’interprétation d’imagerie médi­cale, de super­vi­sion et d’analyse des résul­tats. Le rôle prin­ci­pal de l’IA est de réa­li­ser un tri rapide des images et de leurs inter­pré­ta­tions per­met­tant aux pra­ti­ciens de se concen­trer sur les résul­tats signa­lés par l’IA en rai­son de doutes. Cepen­dant, un contrôle humain demeure tou­jours pré­sent pour vali­der ces indications.

    Par ailleurs, l’ingénieur bio­mé­di­cal de Saint-Brieuc a aus­si pré­ci­sé que l’IA s'intègre de plus en plus aux dis­po­si­tifs médi­caux, tels que les res­pi­ra­teurs et les géné­ra­teurs de dia­lyse, offrant ain­si des conseils et des orien­ta­tions aux uti­li­sa­teurs quant aux réglages opti­maux de ces appareils.

    Celui-ci a aus­si pré­ci­sé que l’IA est retrou­vée dans les logi­ciels de ges­tion de crise, uti­li­sés face à des situa­tions telles que des attaques infor­ma­tiques ou des catas­trophes locales avec un afflux mas­sif de patients. De plus, son uti­li­sa­tion s'étend aux logi­ciels de for­ma­tion, déclen­chant des évé­ne­ments en fonc­tion de situa­tions spécifiques.

    En consi­dé­rant l'IA comme une évo­lu­tion des algo­rithmes de cal­cul, sa pré­sence se mani­feste éga­le­ment dans des domaines variés. Elle est pré­sente dans les logi­ciels de conduite des cha­riots de logis­tique, les sys­tèmes de ges­tion des cour­siers et des bran­car­diers, ain­si que dans les logi­ciels de sur­veillance infor­ma­tique. Ces dif­fé­rentes appli­ca­tions témoignent de la diver­si­té des domaines où l'intelligence arti­fi­cielle joue un rôle croissant.

    3. Retour d’expériences des médecins

    D’après le témoi­gnage d'un méde­cin au sein du ser­vice ORL et chi­rur­gie cer­vi­co-faciale de l’Hôpital Foch de Paris sur la pla­te­forme Medi­qua­li­ty, l’usage de solu­tions d’IA l’aide à réa­li­ser une per­son­na­li­sa­tion de trai­te­ments pour chaque patient. Il a men­tion­né que l’IA lui per­met­tait de réa­li­ser une prise en charge plus humaine mais aus­si opti­male pour les patients atteints de patho­lo­gies graves. Aus­si, ses patients sont satis­faits du fait qu’il uti­lise de l‘IA ce qui encou­rage encore plus son épa­nouis­se­ment [53]

    • Retour des pro­fes­sion­nels d’un CHU 

    D’après une étude inti­tu­lée : “L'intelligence arti­fi­cielle à l’épreuve des savoirs tacites. Ana­lyse des pra­tiques d’utilisation d’un outil d’aide à la détec­tion en radio­lo­gie”, menée dans un CHU par Giu­lia Ani­chi­ni et Béné­dicte Gef­froy, parue en 2021, l’IA a été le plus men­tion­née comme des­ti­née aux per­son­nels des urgences pour allé­ger la charge de tra­vail des radio­logues. Le chef du ser­vice de la radio­lo­gie opine que l’usage de l’IA en radio­gra­phie est plus inté­res­sant pour les pro­fes­sion­nels qui sont fati­gués, sub­mer­gés par le tra­vail et pour les jeunes radio­logues pour conso­li­der leurs com­pé­tences [11].

    Contrai­re­ment à cette affir­ma­tion, selon les internes du CHU, l’IA ne couvre pas la tota­li­té des ano­ma­lies retrou­vées dans les radio­gra­phies du tho­rax. Une lésion peut être cau­sée par diverses patho­lo­gies que l’IA n’intègre pas dans ses ana­lyses, alors que le méde­cin peut obte­nir des infor­ma­tions sup­plé­men­taires sur l’état du patient avec ses notes et son his­to­rique. Ain­si, l’IA peut four­nir cer­taines inter­pré­ta­tions don­nant des résul­tats faux posi­tifs. Les internes et les jeunes radio­logues expriment leur crainte sur leur connais­sances et leur com­pé­tences qui sont remises en cause par le logi­ciel. Ain­si, les internes en radio­lo­gie affirment réa­li­ser leur inter­pré­ta­tion avant de consul­ter les comptes ren­dus four­nis par l’IA [11].

    Selon un pro­fes­seur can­cé­ro­logue et cher­cheur spé­cia­li­sé en Intel­li­gence Arti­fi­cielle à l’Université de Paris, dans un pod­cast sur Radio France, les IA sont uti­li­sées dans les ana­lyses d’images médi­cales. Comme exemple, il a détaillé l’IA employée en onco­lo­gie radio­thé­ra­pie qui sert à cibler et de réa­li­ser le contou­rage des tumeurs auto­ma­ti­que­ment en 3 minutes qui d’habitude lui prend plus de temps. Il a pré­ci­sé qu’un contrôle humain doit être fait après le pas­sage de l’IA. La véri­fi­ca­tion de l’IA est facile dans le cas d’interprétation d’images, mais pour les cas de pré­dic­tions du risque de déve­lop­pe­ment de mala­dies ou de gué­ri­sons, il a sti­pu­lé qu’il est plus com­plexe de véri­fier que les résul­tats don­nés par la boîte noire sont véri­diques et pré­cis [54].

    Après avoir vu les retours des pro­fes­sion­nels de san­té concer­nant le déploie­ment de l’IA, nous allons pro­chai­ne­ment déter­mi­ner les freins et accé­lé­ra­teurs du déploie­ment des solu­tions d’IA dans les éta­blis­se­ments de santé.

    III. Freins et accélérateurs au déploiement de l’IA

    A.   Point de vue du grand public

    Le 30 novembre 2023 a eu lieu la 9ème édi­tion du HDI Day (Heal­th­care Data Ins­ti­tute Day). Cet évè­ne­ment est une jour­née qui ras­semble des experts, inno­va­teurs, pro­fes­sion­nels de san­té ou encore indus­triels. Cette année en 2023, cet évè­ne­ment s’est dérou­lé sur le thème de « l’IA en San­té : Miracle ou Mirage ? ». Une étude a été pré­sen­tée à cet évé­ne­ment. Ce « Son­dage Opi­nion­Way pour Heal­th­care Data Ins­ti­tute » a été mené auprès du grand public en novembre 2023. On compte un échan­tillon de 1008 per­sonnes fran­çais âgés de 18 ans et plus. L’objectif de ce son­dage est d’avoir une vision de l’opinion publique.

    Les résul­tats de cette étude révèlent une per­cep­tion ambi­va­lente quant à la contri­bu­tion de l’intelligence arti­fi­cielle dans le domaine de la san­té, ce qui se mani­feste par une cer­taine méfiance à l’égard de son uti­li­sa­tion à des fins personnelles.

    Ini­tia­le­ment, on constate une connais­sance limi­tée de l'utilisation de l'IA dans le domaine de la san­té. En effet, une majo­ri­té de 56% du public ne pos­sède pas une com­pré­hen­sion expli­cite des béné­fices poten­tiels que l'IA peut appor­ter(cf. figure 13) [55].

    Figure 13 : Résultat du sondage sur les bénéfices que l’IA peut apporter dans le secteur de la santé [55]

    En ce qui concerne leur prise en charge médi­cale, 55% des Fran­çais expriment une défiance envers l'IA en san­té. Cepen­dant, mal­gré cette réserve, 44% estiment envi­sa­geable de recou­rir à une assis­tance médi­cale basée sur l'IA (cf. figure 14). Il devient impé­ra­tif de dis­si­per ces appré­hen­sions pour pro­mou­voir le déploie­ment de l’IA dans les éta­blis­se­ments de san­té en France.

    Figure 14 : Résultats des sondages concernant la confiance des français dans l’utilisation de l’IA pour la prise en charge en santé et le pourcentage de patients confirmant être soigné avec l’IA [55].

    Dans cette per­cep­tion de l’IA par le patient, il est pri­mor­dial d’instaurer un cli­mat de confiance, car elle reste aujourd’hui une source de doutes et d’interrogations. Une étudе a été mеnéе par MASCF (Mutuelle d’Assurance du Corps de San­té Fran­çais) avеc l'accompagnement dе IPSOS hеal­th­carе, lеadеr еn étudеs dе san­té mon­dialеmеnt, pour décou­vrir la vision dе l’intеlligеncе arti­fi­ciеllе par lе grand public et leur rela­tion avec lеs profеs­sionnеls dе san­té. L'étudе a été mеnéе еn еnquê­tant auprès dе dеux groupеs dis­tincts : un échan­tillon dе 500 citoyеns fran­çais еt un échan­tillon dе 618 profеs­sionnеls dе la san­té. La collеctе dеs réponsеs s'еst appuyéе sur lе prin­cipе du volon­ta­riat, avеc 1118 répon­dants contac­tés par cour­riеr élеc­tro­ni­quе, еt dеux quеs­tion­nairеs quan­ti­ta­tifs d'unе duréе dе 15 minutеs cha­cun [56]. L’un des résul­tats de cette étude nous a per­mis de rele­ver cer­taines inter­ro­ga­tions du public :

    Lеs pro­fes­sion­nels dе san­té (34%) еt lеs patiеnts (47%) par­tagеnt unе inquié­tudе com­munе quant à la dété­rio­ra­tion pos­si­blе dе la rеla­tion patiеnt/médеcin еn idеn­ti­fiant la déshu­ma­ni­sa­tion еt la dis­tan­cia­tion commе prin­ci­palе rai­son dе cеttе pré­oc­cu­pa­tion(cf.figure15).

    Par aillеurs, lеs patiеnts idеn­ti­fiеnt la dimi­nu­tion du nom­brе dе médе­cins commе unе dеuxièmе pos­si­blе causе dе dégra­da­tion dе la rеla­tion patiеnt/médеcin. En revanche, lеs profеs­sionnеls dе san­té еxprimеnt davan­tagе dе pré­oc­cu­pa­tions liéеs à la commеr­cia­li­sa­tion dеs soins dе san­té (12%) еt à unе évеn­tuеllе pеrtе dе confiancе dе la part des patiеnts.

    Figure 15 : Résultats d’étude concernant la relation médecin-patient due à l’utilisation de l’IA [56]

    Cette consi­dé­ra­tion rela­tive à la déshu­ma­ni­sa­tion et à la dégra­da­tion des inter­ac­tions humaines incite à se pen­cher sur la pers­pec­tive éthique.

    B.   Ethique

    L'évolution rapide de l'IA ouvre des pers­pec­tives pro­met­teuses dans le domaine de la san­té. Tou­te­fois, cette avan­cée sou­lève des ques­tions cru­ciales liées à l'éthique et à la gou­ver­nance. Les uti­li­sa­teurs doivent être assu­rés que leurs droits et inté­rêts ne seront pas négli­gés au pro­fit des inté­rêts com­mer­ciaux puis­sants des entre­prises tech­no­lo­giques, ni sous l'influence des pré­oc­cu­pa­tions des pou­voirs publics en matière de sur­veillance et de contrôle social. Il a éga­le­ment dif­fé­rents points sou­le­vés sur l’éthique de l’IA en san­té qui relatent de l’impact sur la rela­tion soi­gnant-patient, la robo­ti­sa­tion des tâches humaines, ou encore la fia­bi­li­té de ces nou­velles technologies.

    L’Organisation Mon­diale de la San­té a publié un com­mu­ni­qué de presse le 28 juin 2021 annon­çant “le pre­mier rap­port mon­dial sur l’IA appli­quée à la san­té” (inti­tu­lé en anglais : Ethics and gover­nance of arti­fi­cial intel­li­gence for health). Il pro­pose six prin­cipes direc­teurs visant à enca­drer la concep­tion et l’utilisation de cette tech­no­lo­gie. Ces prin­cipes ont pour objec­tif de gui­der les acteurs de la san­té dans le déploie­ment de l’IA en matière d’éthique, sécu­ri­té et béné­fices pour les patients :

    - Pro­té­ger l’autonomie de l’être humain : Lors de la prise en charge des patients, il est pri­mor­dial de conser­ver le contrôle sur les sys­tèmes de soins et les choix médi­caux. De ce fait, la pro­tec­tion de la vie pri­vée des patients et la confi­den­tia­li­té est essen­tielle. Un consen­te­ment éclai­ré per­met ain­si de garan­tir une com­pré­hen­sion totale de l’utilisation de leurs don­nées par le logi­ciel d’IA.

    - Pro­mou­voir le bien-être et la sécu­ri­té des per­sonnes ain­si que l’intérêt public : Les indus­triels et les créa­teurs de tech­no­lo­gies d’IA doivent se confor­mer aux normes et aux obli­ga­tions régle­men­taires en termes de sécu­ri­té, de pré­ci­sion ou encore d’efficacité. Des contrôles de la qua­li­té sont ain­si mis en place pour main­te­nir et garan­tir cette qua­li­té de pra­tique de l’utilisation de l’IA.  

    - Garan­tir la trans­pa­rence, la clar­té et l’intelligibilité : La trans­pa­rence requiert la publi­ca­tion ou la docu­men­ta­tion préa­lable de suf­fi­sam­ment d'informations avant la créa­tion ou le déploie­ment d'une tech­no­lo­gie d'IA. Ces don­nées doivent être aisé­ment acces­sibles et com­pré­hen­sibles pour les pro­fes­sion­nels de santé.

    - Encou­ra­ger la res­pon­sa­bi­li­té et l’obligation de rendre des comptes : Il faut garan­tir la for­ma­tion du per­son­nel et des uti­li­sa­teurs des solu­tions d’IA, car même en accom­plis­sant des tâches spé­ci­fiques, les par­ties pre­nantes doivent veiller à sa bonne uti­li­sa­tion. Des méca­nismes effi­caces doivent être éta­blis pour per­mettre de contes­ter et/ou cor­ri­ger les choix.

    - Garan­tir l’inclusion et l’équité : Les tech­no­lo­gies doivent être conçues de manière à pro­mou­voir un accès équi­table, indé­pen­dam­ment de carac­té­ris­tiques telles que l’âge, le genre, l’origine eth­nique, le sexe … ou d’autres cri­tères pro­té­gés par les droits humains.

    - Pro­mou­voir une IA réac­tive et durable : Cela implique une éva­lua­tion conti­nue des appli­ca­tions en situa­tion réelle pour assu­rer une réponse adé­quate aux attentes. Les sys­tèmes d'IA doivent mini­mi­ser leur impact envi­ron­ne­men­tal, accroître l'efficacité éner­gé­tique et anti­ci­per les chan­ge­ments dans le tra­vail, y com­pris la for­ma­tion des pro­fes­sion­nels de la san­té et les pertes d'emploi liées à l'automatisation.

    Ces prin­cipes vont per­mettre d’orienter les futurs ini­tia­tives de l'OMS afin de maxi­mi­ser le poten­tiel de l’IA en matière de soins, de san­té publique et de béné­fices pour tous [57].

    Afin de garan­tir l’éthique dans le domaine de l’IA, le 31 mai 2023, la Délé­ga­tion minis­té­rielle au Numé­rique en San­té (DNS) a émis des recom­man­da­tions de bonnes pra­tiques visant à inté­grer l'éthique dès le déve­lop­pe­ment des solu­tions d'Intelligence Arti­fi­cielle en San­té. Cette démarche a été concré­ti­sée par un guide métho­do­lo­gique, inti­tu­lé “Ethique by desi­gn”. Il a été orches­tré sur une période de deux ans par Bri­gitte Serous­si, res­pon­sable de la cel­lule éthique du numé­rique en san­té et David Gru­son, fon­da­teur d’ETHIK-IA, cher­cheur et pro­fes­sion­nel dans le domaine de la san­té et de l'intelligence arti­fi­cielle. Ils ont pilo­té un groupe d'experts dans lequel le Health Data Hub* a acti­ve­ment par­ti­ci­pé [58].

    * Health Data Hub [59]:

    “Créé en 2019 par la loi rela­tive à l’organisation et la trans­for­ma­tion du sys­tème de san­té, le Health Data Hub est un grou­pe­ment d’intérêt public qui vise à garan­tir un accès aisé et uni­fié, trans­pa­rent et sécu­ri­sé, aux don­nées de san­té afin d’améliorer la qua­li­té des soins et l’accompagnement des patients.” 

    Le res­pect des valeurs éthiques fon­da­men­tales demeure essen­tiel pour ins­tau­rer la confiance et garan­tir des béné­fices posi­tifs tout en pré­ser­vant les droits individuels.

    En plus de ces recom­man­da­tions éthiques et ces bonnes pra­tiques, les indus­triels doivent faire face à des défis lors du déploie­ment de leurs solu­tions d’IA dans les éta­blis­se­ments de santé.

    C.   Difficultés éprouvées par les industriels pour déployer leurs dispositifs d'IA en imagerie

    Au fil des dis­cus­sions avec les indus­triels aux JFR, quelques dif­fi­cul­tés com­munes éprou­vées par les entre­prises déve­lop­pant des solu­tions, qui intègrent l’IA pour l'analyse d’imagerie médi­cale, ont été identifiées.

    1. Compatibilité de matériels

    L’un des pre­miers freins est la dif­fi­cul­té d’intégrer ces solu­tions d’IA au flux de tra­vail actuel des pro­fes­sion­nels de san­té. En effet, selon le Chief Mar­ke­ting Offi­cer chez INTRASENSE, le logi­ciel pro­po­sé n'est pas com­plè­te­ment inté­gré au flux de tra­vail des radio­logues, ce qui est sou­vent attri­buable à l'inadéquation du maté­riel comme l’incompatibilité du sys­tème d’exploitation des ordi­na­teurs uti­li­sés à l’hôpital. Cela décou­rage ain­si les pro­fes­sion­nels de san­té à l'adopter, car cela pour­rait entraî­ner une perte de temps.

    2. Transparence et sécurité des données

    Comme le relève la par­tie éthique, le pro­fes­sion­nel de MILVUE, a sou­li­gné éga­le­ment une déshu­ma­ni­sa­tion de la rela­tion entre les méde­cins et les patients qui s’inquiètent de la trans­pa­rence et la sécu­ri­té des don­nées médi­cales col­lec­tées et ana­ly­sées. Cette réflexion met en évi­dence les défis aux­quels sont confron­tées les avan­cées tech­no­lo­giques en san­té, notam­ment en ce qui concerne l'équilibre déli­cat entre l'efficacité des solu­tions d'intelligence arti­fi­cielle et le main­tien de l'aspect humain dans les soins médi­caux. Or si une tech­no­lo­gie n’est pas accep­tée par les patients, elle aura beau­coup de mal à être pérenne dans un éta­blis­se­ment de santé.

    3. Réglementation

    Le res­pon­sable du seg­ment car­dio­vas­cu­laire chez Incep­to a sou­li­gné la crois­sance impor­tante des contraintes régle­men­taires, met­tant en lumière un frein majeur qui est la confor­mi­té néces­saire à la régle­men­ta­tion euro­péenne 2017/745 et la future régle­men­ta­tion “IA Act”.

    En effet, avec l’entrée en vigueur de “l’IA Act” au début de l’année pro­chaine, les fabri­cants des logi­ciels dis­po­si­tifs médi­caux inté­grant l’IA seront confron­ter à la néces­si­té de répondre :

    • A la fois à la légis­la­tion sec­to­rielle (règle­ments des DM et DMDIV) et à l’IA Act [29]
    • Aux normes har­mo­ni­sées en déve­lop­pe­ment par le comi­té euro­péen de nor­ma­li­sa­tion notam­ment l’ISO 42001 (IA-sys­tème de mana­ge­ment de la qua­li­té) [60] et l’ISO 23894 (IA-Recom­man­da­tions rela­tives au mana­ge­ment du risque) [61] pour démon­trer la confor­mi­té de leurs solutions.

    Cette démarche impose aux indus­triels de consa­crer davan­tage de temps et de res­sources finan­cières, maté­rielles et  humaines, ce qui entraîne un ralen­tis­se­ment du déve­lop­pe­ment et de la mise sur le mar­ché de solu­tions d’IA. Par consé­quent, cela retarde éga­le­ment le déploie­ment de ces solu­tions au sein des éta­blis­se­ments de santé.

    4. Aspect financier

    Enfin, l’enjeu majeur évo­qué par tous ces acteurs concerne l’aspect finan­cier. En effet, les solu­tions d’IA dans le domaine de l'analyse d’imagerie médi­cale n’étant pas rem­bour­sées par la CNAM (Caisse Natio­nale d’Assurance Mala­die), les éta­blis­se­ments de san­té se ques­tionnent quant au retour sur inves­tis­se­ment de l’achat de telles tech­no­lo­gies. La dif­fi­cul­té d’intégrer des indi­ca­teurs de per­for­mance dans leur flux de tra­vail consti­tue éga­le­ment un frein à l’évaluation de ce retour sur investissement.

    D.   Difficultés des établissements de santé pour déployer des solutions d’IA en imagerie

    Mal­gré le fait que les appli­ca­tions d’IA en ima­ge­rie se déve­loppent et se géné­ra­lisent, ses solu­tions connaissent quelques dif­fi­cul­tés de déploie­ment dans les éta­blis­se­ments de santé.

    1. Coût d’investissement

    Concer­nant le coût d’investissement et d’acquisition des solu­tions, les ingé­nieurs bio­mé­di­caux avec qui nous avons échan­gé ont confir­mé les dires des pro­fes­sion­nels de san­té ren­con­trés aux JFR. 

    D’après l’ingénieur en déve­lop­pe­ment du CH de Com­piègne, le coût d’investissement pour la créa­tion des modèles pré­dic­tifs est éle­vé. Ce coût com­prend le temps d’installation, l’aspect finan­cier, l’infrastructure et le per­son­nel, ce qui n'est pas à la por­tée de tous les éta­blis­se­ments de santé.

    Cela s'applique éga­le­ment à l'acquisition des solu­tions d'IA, qui sont le plus sou­vent inté­grées dans des équi­pe­ments ou des packs logi­ciels dont les prix res­tent assez éle­vés incluant le coût d'acquisition et le coût de for­ma­tion des utilisateurs.

    2. Fracture numérique

    Selon le titu­laire de la Chaire de mana­ge­ment des tech­no­lo­gies de san­té de l'EHESP dans le maga­zine "Archi­tec­ture Hos­pi­ta­lière", un des freins de l’implémentation de l’IA dans cer­tains éta­blis­se­ments de san­té réside dans la frac­ture numé­rique, c’est-à-dire les inéga­li­tés des accès aux tech­no­lo­gies de l’IA. Les grands groupes pri­vés ou publics ont plus d’avantages grâce aux nombres de don­nées impor­tantes dont ils ont en leurs pos­ses­sions [62]. Cette affir­ma­tion est confir­mée par l’ingénieur déve­lop­pe­ment du CH de Com­piègne qui nous a indi­qué que l’acquisition des don­nées de qua­li­té prend beau­coup de temps ce qui freine le déploie­ment des solu­tions d’IA sur­tout pour les éta­blis­se­ments qui col­la­borent avec des start-ups pour pro­duire ses solutions.

    3. Réticence des professionnels de santé

    Le déploie­ment d’une solu­tion d’IA en ima­ge­rie se com­plique aus­si due à la diver­si­té des  acteurs qui entrent en jeu dans son uti­li­sa­tion dans les éta­blis­se­ments de san­té : les radio­logues, les mani­pu­la­teurs en radio­lo­gie, les équipes médi­cales ou encore les admi­nis­tra­teurs des sys­tèmes d’informations [63].

    Selon le chef de pro­jet bio­mé­di­cal et l’ingénieur déve­lop­pe­ment du CH de Com­piègne, le manque de coopé­ra­tion pro­ve­nant des acteurs, peut être des freins dans l’acquisition et l’emploi des solu­tions d’IA. Cer­tains inter­ve­nants ne sont pas fami­liers avec la tech­no­lo­gie ou n’ont pas confiance en elle, ce qui engendre des avis dif­fé­rents qui com­pliquent la prise de déci­sion des ingé­nieurs bio­mé­di­caux et de la direc­tion dans l’acquisition de la solution. 

    Le sen­ti­ment d’infériorité res­sen­ti par les pro­fes­sion­nels de san­té engen­dré par la pré­sence de l’IA et la peur de la “boîte noire” non-maî­tri­sée déve­loppent aus­si la réti­cence de son exploi­ta­tion. L’ingénieur bio­mé­di­cal du CH de Saint-Brieuc a pré­ci­sé que les pro­fes­sion­nels de san­té sont assez scep­tiques pour faire confiance à un pro­gramme sur lequel ils ne réa­lisent aucune action en amont et ensuite don­ner un diag­nos­tic et réa­li­ser une inter­ven­tion en aval avec les résul­tats donnés.

    E.   Implication du gouvernement français dans le déploiement de l’IA dans les établissements de santé

    Mal­gré les défis men­tion­nés pré­cé­dem­ment, des avan­cées encou­ra­geantes se manifestent :

    1. Plans et stratégies nationales

    Le gou­ver­ne­ment fran­çais a clai­re­ment expri­mé son encou­ra­ge­ment en faveur de l'intégration de l'IA dans le sec­teur de la san­té, amor­çant ce pro­ces­sus par le sou­tien finan­cier à la recherche et au déve­lop­pe­ment de solu­tions liées à l'IA. Cette démarche se maté­ria­lise à tra­vers des ini­tia­tives telle que la “Stra­té­gie d'Accélération San­té Numé­rique (SASN)” lan­cée dans le cadre du plan ”inno­va­tion san­té 2030”. Cette der­nière vise à orien­ter la méde­cine d’une méde­cine cura­tive vers une méde­cine 5P : per­son­na­li­sée, pré­ven­tive, pré­dic­tive, par­ti­ci­pa­tive et basée sur des preuves. Dotée d'un bud­get de 650 mil­lions d'euros, la SASN alloue 63 mil­lions d'euros à la créa­tion des tiers lieux d’expérimentation et 20 mil­lions d’euros à des pro­jets éva­luant les avan­tages médi­caux et éco­no­miques des dis­po­si­tifs médi­caux numé­riques ou basés sur l'IA [64].

    D'autres stra­té­gies natio­nales, comme la feuille de route du numé­rique en san­té et le Ségur numé­rique, ont été ini­tiées avec un finan­ce­ment glo­bal de 2 mil­liards d'euros. Par­mi ces fonds, 250 mil­lions d'euros sont spé­ci­fi­que­ment dédiés au déve­lop­pe­ment des pro­jets inno­vants, y com­pris ceux liés à l'intelligence arti­fi­cielle et à la cyber­sé­cu­ri­té [65].

    Ces inves­tis­se­ments ont pour but de boos­ter le domaine indus­triel de l’IA en san­té, et pour­raient donc être un accé­lé­ra­teur de l'implémentation de ces solu­tions dans les éta­blis­se­ments de san­té en France.

    2. Aides, Appels à projets

    Dans le même cadre, divers appels à pro­jets ont été lan­cés comme "L'IA pour une expé­rience amé­lio­rée du sys­tème de san­té", ini­tié en juillet 2020 en par­te­na­riat avec Health Data Hub, Bpi­france et Le Grand Défi. Dix pro­jets, foca­li­sés sur des patho­lo­gies com­plexes de la san­té publique, ont été sélec­tion­nés pour rece­voir un sou­tien finan­cier du Grand Défi géré par Bpi­france, ain­si qu'un accom­pa­gne­ment dédié du Health Data Hub.

    Par­mi ces pro­jets, on cite APRIORICS, visant à amé­lio­rer le diag­nos­tic du can­cer du sein grâce à une ana­lyse d'image auto­ma­ti­sée, et TAMIS, qui cherche à carac­té­ri­ser plus pré­ci­sé­ment les dif­fé­rentes cel­lules san­guines pour amé­lio­rer le diag­nos­tic des patients. Ces pro­jets sont gui­dés par des par­te­na­riats intra-équipes, entre struc­tures hos­pi­ta­lières, uni­ver­si­tés ou start-ups [66].

    À l'échelle régio­nale, des ini­tia­tives directes en sou­tien au déploie­ment ont éga­le­ment été obser­vées. En effet, l'Agence Régio­nale de Santé(ARS) en Île-de-France a ini­tié un appel à pro­jets visant à appuyer l'achat d'outils numé­riques d'aide au diag­nos­tic en ima­ge­rie par les éta­blis­se­ments de san­té publics ou pri­vés dis­po­sant d’un ser­vice d'accueil des urgences et ayant accès sur site 7/7J et 24/24H à un pla­teau d'imagerie [67].

    Conclusion

    L’intelligence arti­fi­cielle occupe aujourd’hui une place de plus en plus impor­tante dans le domaine de la san­té, trans­for­mant ain­si la manière dont les éta­blis­se­ments de san­té aborde les diag­nos­tics, la prise en charge des patients ou encore la ges­tion des don­nées médi­cales. Il est tout de même impor­tant de noter qu’en France, nous sommes encore dans une phase de recherche et d'exploration de tout le poten­tiel que l’IA peut appor­ter à la méde­cine et aux soins. La vision actuelle des solu­tions d’IA en san­té montre une varié­té des acteurs, qu’ils soient issus du sec­teur public, pri­vé ou de jeunes start-up inno­vantes. Cette diver­si­té reflète l’ampleur des enjeux et des oppor­tu­ni­tés qui enve­loppent ce sec­teur. Les solu­tions d’IA sont en crois­sance et leurs déploie­ments au sein des éta­blis­se­ments de san­té s'expliquent par leur per­ti­nence dans la réso­lu­tion de nom­breux pro­blèmes dans le domaine de la santé. 

    Dans le cadre de ce pro­jet IDCB, les défis concer­nant le déploie­ment de l’IA en éta­blis­se­ment de san­té et les solu­tions pos­sibles concer­nant leur uti­li­sa­tion ont été iden­ti­fiés en ren­con­trant des pro­fes­sion­nels du métier. D’après les enquêtes menées, les solu­tions d’IA en ima­ge­rie uti­li­sées en diag­nos­tic sont les plus pré­sentes dans les éta­blis­se­ments de san­té. Ces der­nières pos­sèdent plu­sieurs fonc­tion­na­li­tés per­met­tant aux pro­fes­sion­nels de san­té, notam­ment les radio­logues de clas­si­fier, de réa­li­ser des seg­men­ta­tions ou encore faire des contou­rages des zones importantes.

    Mal­gré les avan­tages que l’utilisation de l’IA offre, plu­sieurs freins sub­sistent concer­nant son déploie­ment dans les éta­blis­se­ments de san­té comme son coût d'investissement, la per­cep­tion de l’IA par le grand public ou encore la frac­ture numé­rique entre les éta­blis­se­ments publics et pri­vés concer­nant l'acquisition des don­nées. Le côté éthique dans l’usage de l’IA et la régle­men­ta­tion avec l’IA Act qui va entrer en vigueur consti­tuent aus­si une réserve du côté du fabricant. 

    Le déploie­ment de l’IA dans les éta­blis­se­ments de san­té reste quand même pro­met­teur avec les stra­té­gies natio­nales et les appels à pro­jet qui sou­tiennent à la fois concep­tion et déve­lop­pe­ment des tech­no­lo­gies d'IA ain­si que l'achat et le déploie­ment direct de ces solu­tions dans les éta­blis­se­ments de santé.

    Les pers­pec­tives pour le déploie­ment de l’IA dans les éta­blis­se­ments de san­té sont d'informer tous les acteurs sur les solu­tions d’IA exis­tantes, d'accompagner les four­nis­seurs pour la mise sur le mar­ché de leur solu­tion et d'accompagner les éta­blis­se­ments pour déve­lop­per ou acqué­rir des solu­tions d’IA dans les éta­blis­se­ments de santé.

    Annexe

    ANNEXE 1 : Base de données IA en santé (ANAP et Incepto)

    Références bibliographiques

    [1] T. Ménissier, « L’IA, un artefact technologique porteur de promesses d’amélioration et riche de ses zones d’ombre », Quaderni. Communication, technologies, pouvoir, no 105, Art. no 105, janv. 2022, doi : 10.4000/quaderni.2208.

    [2] Conseil de l’Europe, « Histoire de l’intelligence artificielle - Intelligence artificielle - www.coe.int », Conseil de l’Europe. Consulté le : 28 octobre 2023. [En ligne]. Disponible sur : https://www.coe.int/fr/web/artificial-intelligence/history-of-ai

    [3] Parlement Européen, « Mégadonnées : définition, avantages et défis (infographie) ». Consulté le : 25 octobre 2023. [En ligne]. Disponible sur : https://www.europarl.europa.eu/news/fr/headlines/society/20210211STO97614/megadonnees-definition-avantages-et-defis-infographie

    [4] A. Barragán-Montero et al., « Artificial intelligence and machine learning for medical imaging : A technology review », Physica Medica, vol. 83, p. 242‑256, mars 2021, doi : 10.1016/j.ejmp.2021.04.016.

    [5] T. Davenport et R. Kalakota, « The potential for artificial intelligence in healthcare », Future Healthc J, vol. 6, no 2, p. 94‑98, juin 2019, doi : 10.7861/futurehosp.6-2-94.

    [6] Y. Mintz et R. Brodie, « Introduction to artificial intelligence in medicine : Minimally Invasive Therapy & Allied Technologies : Vol 28, No 2 », févr. 2019, doi : 10.1080/13645706.2019.1575882.

    [7] M. Uzair et N. Jamil, « Effects of Hidden Layers on the Efficiency of Neural networks », in 2020 IEEE 23rd International Multitopic Conference (INMIC), nov. 2020, p. 1‑6. doi : 10.1109/INMIC50486.2020.9318195.

    [8] Medical RH, « L’établissement de santé : définition et missions », médical-rh.com. Consulté le : 3 octobre 2023. [En ligne]. Disponible sur : https://medical-rh.com/etablissement-de-sante/

    [9] Vie Publique, « Qu’est-ce qu’un établissement de santé ? » Consulté le : 3 octobre 2023. [En ligne]. Disponible sur : http://www.vie-publique.fr/fiches/37864-quest-ce-quun-etablissement-de-sante

    [10] Hopital.fr, « Les établissements publics de santé - hopital.fr - Fédération Hospitalière de France », Hopital.fr. Consulté le : 3 octobre 2023. [En ligne]. Disponible sur : https://www.hopital.fr/Nos-Missions/L-hopital-au-sein-de-l-organisation-generale-de-la-sante/Les-etablissements-publics-de-sante

    [11] G. Anichini et B. Geffroy, « L’intelligence artificielle à l’épreuve des savoirs tacites. Analyse des pratiques d’utilisation d’un outil d’aide à la détection en radiologie », Sciences sociales et santé, vol. 39, no 2, p. 43‑69, 2021, doi : 10.1684/sss.2021.0200.

    [12] Fabien Toutlemonde, Bénédicte Boisguérin, Noémie Courtejoie, Simon Delage, « Les chiffres clés des établissements de santé en 2021 », Santé Mentale. Consulté le : 6 novembre 2023. [En ligne]. Disponible sur : https://www.santementale.fr/2023/08/les-etablissements-de-sante-en-2021/

    [13] P. K. L.-H. Epidémium, « En médecine, les impacts réels de l’intelligence artificielle », Ouest-France.fr. Consulté le : 10 octobre 2023. [En ligne]. Disponible sur : https://www.ouest-france.fr/sante/en-medecine-les-impacts-reels-de-l-intelligence-artificielle-5449707

    [14] Ministère de l’économie des finances et de la souveraineté industrielle et numérique, « L’intelligence artificielle au service de la santé », entreprises.gouv.fr. Consulté le : 8 octobre 2023. [En ligne]. Disponible sur : https://www.entreprises.gouv.fr/fr/numerique/enjeux/l-intelligence-artificielle-au-service-de-la-sante

    [15] D. Callegarin et P. Callier, « Enjeux du déploiement de l’intelligence artificielle en santé », Actualités Pharmaceutiques, vol. 60, no 611, p. 21‑24, déc. 2021, doi : 10.1016/j.actpha.2021.10.006.

    [16] C.-P. Lim, Y.-W. Chen, A. Vaidya, C. Mahorkar, et L. C. Jain, Éd., « Artificial Intelligence in Healthcare : Directions of Standardization », in Handbook of Artificial  Intelligence in Healthcare : Vol 2 : Practicalities and Prospects, in Intelligent Systems Reference Library. , Cham : Springer International Publishing, 2022, p. 27. doi : 10.1007/978-3-030-83620-7_10.

    [17] O. Iliashenko, Z. Bikkulova, et A. Dubgorn, « Opportunities and challenges of artificial intelligence in healthcare », E3S Web Conf., vol. 110, p. 8, 2019, doi : 10.1051/e3sconf/201911002028.

    [18] Y. Z. Elhechmi, « Medicine at the dawn of Artificial Intelligence La médecine à l’aube de l’intelligence artificielle », La Tunisie médicale - 2022 ; Vol 100 (05) : 354-355, p. 2, 2022.

    [19] SNITEM, « Logiciel et intelligence artificielle », snitem.fr. Consulté le : 7 novembre 2023. [En ligne]. Disponible sur : https://www.snitem.fr/publications/fiches-et-syntheses/logiciel-et-ia/

    [20] O. Samyn et G. Issenhuth, « Intelligence artificielle : un cadre règlementaire adapté ? » Consulté le : 29 octobre 2023. [En ligne]. Disponible sur : https://www.lmtavocats.com/intelligence-artificielle-un-cadre-reglementaire-adapte-613

    [21] Parlement Européen, Article 2 du chapitre I du Règlement (UE) 2017/745 du Parlement européen et du Conseil du 5 avril 2017 relatif aux dispositifs médicaux, vol. 117. 2017. Consulté le : 29 octobre 2023. [En ligne]. Disponible sur : http://data.europa.eu/eli/reg/2017/745/oj/fra

    [22] J. Peigné, « Loi bioéthique : information obligatoire en cas de recours à l’intelligence artificielle », editions-legislatives.fr. Consulté le : 29 octobre 2023. [En ligne]. Disponible sur : https://www.editions-legislatives.fr/actualite/loi-bioethique-information-obligatoire-en-cas-de-recours-a-lintelligence-artificielle/

    [23] P. Renard, « Droit et éthique des DM à base d’IA : l’Europe et la France accélèrent ! », DeviceMed.fr. Consulté le : 29 octobre 2023. [En ligne]. Disponible sur : https://www.devicemed.fr/dossiers/reglementation/droit-et-ethique-des-dm-a-base-dia-leurope-et-la-france-accelerent/29063

    [24] Haute Autorité de Santé, « Un nouvel outil pour l’évaluation des dispositifs médicaux embarquant de l’intelligence artificielle », has-sante.fr. Consulté le : 29 octobre 2023. [En ligne]. Disponible sur : https://www.has-sante.fr/jcms/p_3212876/fr/un-nouvel-outil-pour-l-evaluation-des-dispositifs-medicaux-embarquant-de-l-intelligence-artificielle

    [25] P. Massako, « Comment assurer la protection des données patients dans le cadre du développement d’une intelligence artificielle ? » Consulté le : 29 octobre 2023. [En ligne]. Disponible sur : https://www.linkedin.com/pulse/comment-assurer-la-protection-des-donn%25C3%25A9es-patients-dans-massako/?trackingId=zLVxnNAiSLmwm34qmlF%2Ftg%3D%3D

    [26] Parlement Européen, Article 4 du règlement (UE) 2016/679 du Parlement européen et du Conseil du 27 avril 2016 relatif à la protection des personnes physiques à l’égard du traitement des données à caractère personnel et à la libre circulation de ces données, vol. 119. 2016. Consulté le : 29 octobre 2023. [En ligne]. Disponible sur : http://data.europa.eu/eli/reg/2016/679/oj/fra

    [27] J. Norbert, « 6 questions pour mieux comprendre la réglementation l’intelligence artificielle : AI Act », Le Pont. Consulté le : 3 décembre 2023. [En ligne]. Disponible sur : https://www.lepont-learning.com/fr/6-questions-sur-reglementation-intelligence-artificielle/

    [28] Commission européenne, « Proposition de règlement du parlement européen et du conseil établissant des règles harmonisées concernant l’intelligence artificielle (législation sur l’intelligence artificielle) et modifiant certains actes législatifs de l’union », eur-lex.europa.eu. Consulté le : 3 décembre 2023. [En ligne]. Disponible sur : https://eur-lex.europa.eu/legal-content/FR/TXT/HTML/?uri=CELEX:52021PC0206

    [29] Commission européenne, « Proposition de règlement du parlement européen et du conseil établissant des règles harmonisées concernant l’intelligence artificielle (législation sur l’intelligence artificielle) et modifiant certains actes législatifs de l’union », eur-lex.europa.eu. Consulté le : 3 décembre 2023. [En ligne]. Disponible sur : https://eur-lex.europa.eu/legal-content/FR/TXT/HTML/?uri=CELEX:52021PC0206

    [30] G. Litjens et al., « A survey on deep learning in medical image analysis », Medical Image Analysis, vol. 42, p. 60‑88, déc. 2017, doi : 10.1016/j.media.2017.07.005.

    [31] « Produit : MammoScreenTM est un logiciel d’IA », MammoScreenTM. Consulté le : 5 décembre 2023. [En ligne]. Disponible sur : https://www.mammoscreen.fr/comment-cela-fonctionne

    [32] Mammoscreen, « IA pour le dépistage du cancer du sein », mammoscreen.fr. Consulté le : 6 décembre 2023. [En ligne]. Disponible sur : https://www.mammoscreen.fr/

    [33] TS2 SPACE, « L’intersection de l’IA et de la segmentation des lésions : Ce que vous devez savoir », TS2 SPACE. Consulté le : 12 novembre 2023. [En ligne]. Disponible sur : https://ts2.space/fr/lintersection-de-lia-et-de-la-segmentation-des-lesions-ce-que-vous-devez-savoir/

    [34] Mirai Solutions, « Mirai Solutions : Data Science & Analytics », mirai-solutions.ch. Consulté le : 6 décembre 2023. [En ligne]. Disponible sur : https://mirai-solutions.ch/services/data-science/data-analytics/

    [35] F. Brunelle et P. Brunelle, « Intelligence artificielle et imagerie médicale : définition, état des lieux et perspectives », Bulletin de l’Académie Nationale de Médecine, vol. 203, no 8, p. 683‑687, nov. 2019, doi : 10.1016/j.banm.2019.06.016.

    [36] Therapanacea, « ART-PlanTM », therapanacea.eu. Consulté le : 5 décembre 2023. [En ligne]. Disponible sur : https://www.therapanacea.eu/our-products/

    [37] Therapanacea, « Adaptive radiotherapy solution, cancer care AI, contouring software », therapanacea.eu. Consulté le : 6 décembre 2023. [En ligne]. Disponible sur : https://www.therapanacea.eu/

    [38] ANAP, « Automatiser le contourage en Radiothérapie avec Therapanacea », ia.anap.fr. Consulté le : 5 décembre 2023. [En ligne]. Disponible sur : https://ia.anap.fr/aide-au-diagnostic/therapanacea/

    [39] European Society of Radiology, « What the radiologist should know about artificial intelligence – an ESR white paper | Insights into Imaging », p. 8, avr. 2019, doi : https://doi.org/10.1186/s13244-019-0738-2.

    [40] A. Hosny, C. Parmar, J. Quackenbush, L. H. Schwartz, et H. J. W. L. Aerts, « Artificial intelligence in radiology », Nat Rev Cancer, vol. 18, no 8, Art. no 8, août 2018, doi : 10.1038/s41568-018-0016-5.

    [41] H. J. Yoon, Y. J. Jeong, H. Kang, J. E. Jeong, et D.-Y. Kang, « Medical Image Analysis Using Artificial Intelligence », Prog Med Phys, vol. 30, no 2, p. 49‑58, juin 2019, doi : 10.14316/pmp.2019.30.2.49.

    [42] Intrasense, « Plateforme Myrian® | Logiciel d’Imagerie Médicale », intrasense.fr. Consulté le : 6 décembre 2023. [En ligne]. Disponible sur : https://intrasense.fr/fr/plateforme-myrian-logiciel-d-imagerie/

    [43] Incepto, « Partenaires », 2023, incepto-medical.com. Consulté le : 6 décembre 2023. [En ligne]. Disponible sur : https://incepto-medical.com/fr/incepto/partenaires

    [44] Incepto, « Accueil », 2023, incepto-medical.com. Consulté le : 6 décembre 2023. [En ligne]. Disponible sur : https://incepto-medical.com/fr

    [45] Incepto, « Genesis », 2023, incepto-medical.com. Consulté le : 6 décembre 2023. [En ligne]. Disponible sur : https://incepto-medical.com/fr/solutions/genesis

    [46] Incepto, « Collective Minds - Incepto medical », incepto-medical.com. Consulté le : 6 décembre 2023. [En ligne]. Disponible sur : https://incepto-medical.com/fr/solutions/collective-minds

    [47] P. Royan, « Une étude valide la performance d’une IA française pour la détection radiologique des fractures osseuses »,www. thema-ragiologie.fr.

    [48] Incepto, « Boneview », incepto-medical.com. Consulté le : 6 décembre 2023. [En ligne]. Disponible sur : https://incepto-medical.com/fr/solutions/boneview

    [49] C. Houzelle, « Gleamer lève 7,5 millions d’euros pour diffuser son IA qui assiste les radiologues », Les Echos. Consulté le : 6 décembre 2023. [En ligne]. Disponible sur : https://www.lesechos.fr/pme-regions/innovateurs/gleamer-leve-75-millions-deuros-pour-diffuser-son-ia-qui-assiste-les-radiologues-1248390

    [50] S. Brusco, « FDA OKs GLEAMER’s BoneView AI Fracture Detection Software », février 2022, odtmag.com. Consulté le : 8 décembre 2023. [En ligne]. Disponible sur : https://www.odtmag.com/contents/view_breaking-news/2022-03-02/fda-oks-gleamers-boneview-ai-fracture-detection-software/

    [51] Forbes, « MedTech | Alexandre Parpaleix (co-fondateur de Milvue) : “Grâce à notre technologie qui utilise l’IA, nous aidons les urgentistes et simplifions le travail des radiologues” », Forbes.fr. Consulté le : 6 décembre 2023. [En ligne]. Disponible sur : https://www.forbes.fr/business/medtech-alexandre-parpaleix-co-fondateur-de-milvue-grace-a-notre-technologie-qui-utilise-lia-nous-aidons-les-urgentistes-et-simplifions-le-travail-des-radiologues/

    [52] Incepto, « SmartUrgences », incepto-medical.com. Consulté le : 6 décembre 2023. [En ligne]. Disponible sur : https://incepto-medical.com/fr/solutions/smarturgences

    [53] J. Lechien, « J’ai intégré l’intelligence artificielle dans ma pratique (Témoignage) », Mediquality. Consulté le : 3 décembre 2023. [En ligne]. Disponible sur : https://www.mediquality.net/be-fr/topic/article/23928752/jai-integre-lintelligence-artificielle-dans-ma-pratique-temoignage

    [54]      E. Roque, C. Destacamp, A. Rivière, C. Poux-Jalaguier, N. Romero, et S. Ben Younes, « Comment l’intelligence artificielle révolutionne le secteur de la santé ? », radiofrance.fr. Consulté le : 3 décembre 2023. [En ligne]. Disponible sur : https://www.radiofrance.fr/franceinter/podcasts/grand-bien-vous-fasse/grand-bien-vous-fasse-du-lundi-13-fevrier-2023-4203390

    [55] Healthcare Data Institute, « IA en santé : des écarts de perception et d’usage entre Français et médecins révélés par deux études du Healthcare Data Institute », DSIH. Consulté le : 6 décembre 2023. [En ligne]. Disponible sur : https://www.dsih.fr/article/5339/ia-en-sante-des-ecarts-de-perception-et-d-usage-entre-francais-et-medecins-reveles-par-deux-etudes-du-healthcare-data-institute.html

    [56] D. Barnier et L. Depouilly, « Professionnels de santé et patients : une vision décalée sur l’intelligence artificielle et la santé de demain », Ipsos. Consulté le : 6 décembre 2023. [En ligne]. Disponible sur : https://www.ipsos.com/fr-fr/professionnels-de-sante-et-patients-une-vision-decalee-sur-lintelligence-artificielle-et-la-sante

    [57] OMS, « L’OMS publie le premier rapport mondial sur l’intelligence artificielle (IA) appliquée à la santé et six principes directeurs relatifs à sa conception et à son utilisation », who.int/fr. Consulté le : 6 décembre 2023. [En ligne]. Disponible sur : https://www.who.int/fr/news/item/28-06-2021-who-issues-first-global-report-on-ai-in-health-and-six-guiding-principles-for-its-design-and-use

    [58] Health Data Hub, « Recommandations de la DNS pour une éthique by design des solutions d’IA en santé », Health-Data-Hub.fr. Consulté le : 6 décembre 2023. [En ligne]. Disponible sur : https://www.health-data-hub.fr/actualites/ethique-ia-sante

    [59] Health Data Hub, « Le Health Data Hub, au service de la recherche sur les données de santé depuis trois ans », DSIH. Consulté le : 6 décembre 2023. [En ligne]. Disponible sur : https://www.dsih.fr/article/4959/le-health-data-hub-au-service-de-la-recherche-sur-les-donnees-de-sante-depuis-trois-ans.html

    [60] ISO, « ISO/IEC 42001 », iso.org. Consulté le : 8 décembre 2023. [En ligne]. Disponible sur : https://www.iso.org/fr/standard/81230.html

    [61] ISO, « ISO/IEC 23894:2023 », iso.org. Consulté le : 8 décembre 2023. [En ligne]. Disponible sur : https://www.iso.org/fr/standard/77304.html

    [62] Réseau CHU, « Hôpital numérique : quel impact de l’intelligence artificielle sur les établissements de santé ? », reseau-chu.org. Consulté le : 8 décembre 2023. [En ligne]. Disponible sur : https://www.reseau-chu.org/article/hopital-numerique-quel-impact-de-lintelligence-artificielle-sur-les-etablissements-de-sante/

    [63] Incepto, « Intelligence Artificielle en Imagerie Médicale - Enjeux et Adoption », incepto-medical.com. Consulté le : 8 décembre 2023. [En ligne]. Disponible sur : https://incepto-medical.com/fr/actualites/articles/intelligence-artificielle-en-imagerie-medicale-enjeux-et-adoption

    [64] Ministère de l’économie des finances et de la souveraineté industrielle et numérique, « Stratégie d’accélération « Santé numérique » », entreprises.gouv.fr. Consulté le : 8 décembre 2023. [En ligne]. Disponible sur : https://www.entreprises.gouv.fr/fr/strategies-d-acceleration/strategie-d-acceleration-sante-numerique

    [65] Ministère de la Santé et de la Prévention, « Innovation Santé 2030 », sante.gouv.fr. Consulté le : 8 décembre 2023. [En ligne]. Disponible sur : https://sante.gouv.fr/archives/archives-presse/archives-dossiers-de-presse/article/innovation-sante-2030

    [66] Health Data Hub, « Signature de dix nouveaux partenariats avec le Health Data Hub », Health-Data-Hub.fr. Consulté le : 8 décembre 2023. [En ligne]. Disponible sur : https://www.health-data-hub.fr/actualites/signature-de-dix-nouveaux-partenariats-avec-le-health-data-hub

    [67] ARS (Agence Régionale de Santé) Ile-de-France, « Accompagner le déploiement d’outils numériques d’aide au diagnostic en imagerie aux urgences », iledefrance.ars.sante.fr. Consulté le : 8 décembre 2023. [En ligne]. Disponible sur : https://www.iledefrance.ars.sante.fr/accompagner-le-deploiement-doutils-numeriques-daide-au-diagnostic-en-imagerie-aux-urgence

    [68] A. S. Adamson et A. Smith, « Machine Learning and Health Care Disparities in Dermatology », JAMA Dermatol, vol. 154, no 11, p. 1247‑1248, nov. 2018, doi : 10.1001/jamadermatol.2018.2348.
    searchhomearrow-circle-leftchevron-right-circle