25 Cas d'utilisation de l'IA dans les soins de santé avec exemples
Les systèmes de santé sont soumis à une pression croissante en raison de l’augmentation du volume de données des patients et d’une demande accrue de soins personnalisés.
Les applications de l’IA dans les soins de santé sont apparues comme une solution puissante à ces problèmes en optimisant les processus, en améliorant la précision des diagnostics et en améliorant les résultats pour les patients.
Une étude récente montre que les équipes hybrides composées de cliniciens humains et de systèmes d’IA posent des diagnostics médicaux plus précis, en grande partie parce qu’ils ont tendance à commettre des erreurs différentes et complémentaires qui aident à se corriger mutuellement. Ces résultats indiquent un fort potentiel de l’IA pour améliorer la sécurité des patients et promouvoir des soins de santé plus équitables.1
Soins aux patients
1. Services virtuels
Un service virtuel est un modèle de soins où les patients reçoivent un traitement de niveau hospitalier à domicile tout en étant surveillés à distance par le personnel médical.
Exemple concret : services virtuels du NHS
Des milliers d’enfants gravement malades en Angleterre sont désormais traités à domicile via les « services virtuels » du NHS, évitant ainsi de longs séjours à l’hôpital. Grâce à des dispositifs portables tels que des moniteurs de fréquence cardiaque et d’oxygène, les médecins peuvent suivre les signes vitaux des patients et réagir rapidement en cas de changement.
Les enfants souffrant de maladies telles que l’asthme, des problèmes cardiaques, des infections ou des maladies de longue durée reçoivent des soins de niveau hospitalier à distance, des infirmiers se rendant à domicile lorsque des tests ou des médicaments sont nécessaires. Les données sont surveillées 24 heures sur 24 par des équipes cliniques via des plateformes comme Feebris, qui utilise l’IA pour signaler les signes avant-coureurs (voir Figure 1).
Figure 1 : Exemple de surveillance du pouls de Feebris.
Pour les familles, l’impact émotionnel est significatif. Être soigné à domicile réduit le stress et aide les enfants à se sentir plus en sécurité et plus à l’aise. Les responsables du NHS affirment que les services virtuels libèrent des lits d’hôpital tout en rendant les soins plus adaptés aux enfants et s’attendent à ce que les soins à distance deviennent la norme pour de nombreuses pathologies dans les années à venir.2
2. Aide au diagnostic et à la prescription
Les chatbots alimentés par l’IA peuvent aider les patients à s’auto-diagnostiquer pour des affections bénignes ou aider les médecins à poser des diagnostics en fonction des symptômes, des antécédents médicaux et des données diagnostiques.
Une étude conçue pour évaluer dans quelle mesure ChatGPT peut diagnostiquer des pathologies et à quelle fréquence il recommande de consulter un médecin a donné des résultats mitigés quant à sa fiabilité diagnostique.
Sur cinq jours, les chercheurs ont posé à ChatGPT les mêmes questions portant sur cinq pathologies orthopédiques courantes. Les réponses ont été classées comme correctes, partiellement correctes, incorrectes ou comme une liste de diagnostics possibles. La précision et la cohérence des réponses ont été mesurées, et la capacité de ChatGPT à diagnostiquer avec précision les affections orthopédiques s’est avérée inconstante.
De plus, ses recommandations de consulter un médecin n’étaient pas toujours fermes. ChatGPT pourrait être utile comme première étape, mais il y a un risque à s’y fier pour l’auto-diagnostic sans avis médical approprié.3
Exemple concret : Ochsner Health avec DeepScribe
Les médecins passaient auparavant beaucoup de temps à documenter les visites des patients (souvent en dehors des heures de travail), ce qui nuisait à la fois à la précision et à l’équilibre entre vie professionnelle et vie privée. Ochsner Health s’est associé à DeepScribe pour réduire la charge administrative de la documentation clinique dans l’ensemble de son réseau multi-spécialités.
L’IA ambiante de DeepScribe capture les conversations en temps réel et génère des notes hautement personnalisables et spécifiques à chaque spécialité, permettant aux cliniciens de se concentrer davantage sur les interactions avec les patients.
Résultat : le système a atteint un taux d’adoption par les cliniciens de 78% et un taux de satisfaction des patients de 96%, tout en réduisant considérablement le temps de documentation et en améliorant la qualité des notes.4
Exemple concret : DxGPT
DxGPT est un outil d’intelligence augmentée conçu pour soutenir le diagnostic clinique en fournissant un diagnostic différentiel structuré plutôt qu’un texte ouvert.
Il génère cinq hypothèses diagnostiques avec des symptômes pour et contre chacune, utilisant des modèles de langage avancés dans un cadre contrôlé visant à garantir la pertinence et la sécurité.
Les premières études de validation, y compris des travaux avec l’Hôpital Sant Joan de Déu, suggèrent des niveaux de précision comparables à ceux des experts cliniques. Cependant, le système n’est pas destiné à fournir des diagnostics autonomes et doit être interprété par des professionnels qualifiés.
DxGPT met l’accent sur des pratiques strictes de protection des données, notamment l’anonymisation automatique, le traitement en mémoire, la non-conservation des informations personnelles et la conformité au RGPD, à la loi HIPAA et au futur règlement européen sur l’IA.5
Exemple concret : OpenAI pour la santé
OpenAI pour la santé est une suite d’outils d’IA conformes à la loi HIPAA qui prennent en charge les flux de travail cliniques, opérationnels et administratifs au sein des hôpitaux, des systèmes de santé et d’autres établissements de soins.
L’une des capacités clés d’OpenAI dans le domaine de la santé est le soutien clinique fondé sur des preuves pour le diagnostic. L’outil fournit des réponses ancrées dans la littérature médicale pertinente, y compris des études évaluées par des pairs, des recommandations de santé publique et des directives cliniques.
Il inclut également des citations transparentes qui énumèrent les titres, les revues et les dates de publication, permettant ainsi une vérification rapide des sources, soutenant le raisonnement clinique et facilitant des soins rapides aux patients.6
3. Outils d’IA pour la santé mentale
L’IA est de plus en plus utilisée dans les soins de santé mentale pour faciliter la détection précoce, le traitement et le soutien continu. Ces outils d’IA pour la santé mentale analysent le texte, la voix, les expressions faciales, les wearables et les dossiers médicaux pour repérer les premiers signes de troubles tels que l’anxiété et la dépression, prédire les risques et personnaliser le traitement.
De plus, les chatbots et les plateformes numériques fournissent un soutien émotionnel, des conseils thérapeutiques, une mise en relation avec des thérapeutes et un suivi continu, tout en réduisant la charge de travail des cliniciens grâce à l’automatisation. Bien que ces outils élargissent l’accès et améliorent l’efficacité, des défis subsistent en matière de confidentialité, de biais, de réglementation et de la nécessité de garantir que l’IA soutienne plutôt qu’elle ne remplace les soins humains.
Exemple concret : Verint (Cogito)
Cogito7 tire parti de l’intelligence artificielle avancée pour améliorer les soins de santé mentale en fournissant des outils d’intelligence émotionnelle et d’analyse conversationnelle en temps réel :
- Coaching en intelligence émotionnelle en temps réel : La plateforme Cogito analyse les signaux vocaux lors des interactions avec les patients, fournissant des conseils en temps réel aux gestionnaires de soins. Cela les aide à faire preuve d’empathie, à instaurer la confiance et à améliorer l’engagement des patients, ce qui est crucial pour la réussite des interventions en santé mentale.
- Surveillance de la santé comportementale : La plateforme collecte passivement et en toute sécurité des données comportementales via des applications mobiles et les analyse en fonction des critères d’évaluation clinique de la santé mentale. Cette surveillance continue facilite la détection précoce des problèmes de santé comportementale, permettant des interventions rapides.
Exemple concret : Headspace
Headspace, anciennement Ginger et Headspace Health, utilise l’analyse prédictive pour identifier les personnes à risque de problèmes de santé mentale en surveillant des comportements tels qu’une augmentation du stress, des troubles du sommeil et un retrait social.
Lorsque les schémas suggèrent un problème potentiel, la plateforme intervient de manière proactive, offrant un soutien supplémentaire, comme la mise en relation des utilisateurs avec des coachs en santé mentale.8
Exemple concret : ThroughLine
ThroughLine est une plateforme d’infrastructure numérique qui permet aux sites web, applications et communautés en ligne de fournir un accès à un soutien en cas de crise et de santé mentale assuré par des humains et de confiance.
Elle intègre l’informatique affective et les principes de l’IA en santé mentale pour mettre en relation intelligemment les utilisateurs avec les lignes d’assistance les plus pertinentes à partir d’un réseau mondial vérifié de plus de 1 300 services répartis dans 150 pays.
Couvrant des domaines critiques tels que le suicide, les abus, l’automutilation et le soutien aux LGBTQ+, ThroughLine propose une intégration via une application web, un widget intégrable ou une API développeur.
La plateforme met l’accent sur la protection par des normes de vérification strictes, des politiques de soins inclusives et des analyses respectueuses de la vie privée, tout en aidant les partenaires à se conformer aux exigences réglementaires telles que le RGPD et le règlement européen sur les services numériques.9
4. Chatbots de service client dans les soins de santé
Les chatbots de service client peuvent répondre aux questions des patients sur les rendez-vous, la facturation ou le renouvellement des ordonnances.
Cela peut améliorer la rapidité et la précision des diagnostics, réduire la charge de travail des prestataires de soins de santé et permettre une meilleure allocation des ressources. Les médecins peuvent se concentrer sur les cas plus complexes, tandis que les outils d’IA fournissent des évaluations initiales ou des seconds avis pour les cas courants.
Exemple concret : Chatbot d’oncologie alimenté par l’IA à l’hôpital SSG
En 2025, l’hôpital SSG a lancé un chatbot IA spécialement conçu pour les patients atteints de cancer et leurs soignants. Il fournit des conseils instantanés sur les options de traitement (telles que la chirurgie, la chimiothérapie et la radiothérapie), les instructions de soins post-traitement, la gestion des symptômes et des effets secondaires, et les détails des services de consultation externe en plusieurs langues. Le chatbot vise à réduire l’anxiété et à fournir un support client plus accessible et facile à naviguer.10
5. Agents IA dans les soins de santé
Les agents IA aident dans les soins de santé en automatisant les tâches, en améliorant la prise de décision et en optimisant les soins aux patients. Ils analysent les données médicales pour le diagnostic, suggèrent des traitements personnalisés, prédisent les résultats et gèrent les tâches administratives.
Les outils d’IA agentique permettent également une surveillance en temps réel et des consultations virtuelles, augmentant l’efficacité et réduisant les erreurs.
Exemple concret : Agent vocal IA Prosper pour Northeast OB/GYN
Northeast OB/GYN a eu du mal à suivre une croissance rapide en raison de pénuries de personnel, d’un fort turnover et d’une augmentation des volumes d’appels, ce qui a entraîné de longs temps d’attente, des prestations non vérifiées des patients et un épuisement du personnel.
Pour y remédier, le cabinet a mis en place Prosper, une solution de réception alimentée par l’IA qui automatise la planification, les annulations, la vérification des prestations et la gestion des listes d’attente, tout en orientant les cas complexes vers le personnel.
Après un déploiement progressif, le système s’est rapidement intégré aux opérations quotidiennes, prenant en charge tous les appels entrants et résolvant environ 50% d’entre eux sans intervention humaine. Cela a entraîné une réduction de 40% des coûts opérationnels, une augmentation de 12% des rendez-vous programmés et une couverture 24/7 constante.11
Exemple concret : Claude pour la santé
Claude pour la santé12 est le produit conforme HIPAA d’Anthropic qui permet aux prestataires de soins de santé, aux startups et aux patients d’utiliser Claude en toute sécurité pour des tâches médicales et administratives.
Il étend les fonctionnalités existantes de Claude avec des connecteurs spécifiques aux soins de santé, des compétences d’agent et des contrôles de conformité pour permettre aux organisations de travailler directement avec les données cliniques, de couverture et de facturation.
Les principales fonctionnalités comprennent :
- Connecteurs de données de santé : Offrent un accès direct aux sources standard de l’industrie, notamment la base de données de couverture CMS, la CIM-10, le registre national des identifiants des prestataires et PubMed.
- Support de développement FHIR : Pour simplifier l’intégration entre les systèmes de santé utilisant la norme FHIR, réduisant le temps de développement et les erreurs d’intégration.
- Flux de travail d’autorisation préalable : Un modèle configurable de révision des autorisations préalables qui permet de vérifier les politiques de couverture, les directives cliniques, les dossiers des patients et la documentation des appels.
- Coordination des soins et triage : Aide au tri et à la priorisation des messages des patients, des références et des transferts pour garantir que les problèmes urgents reçoivent une attention rapide.
- Plateforme pour les startups de la santé : API et outils de développement qui permettent aux startups de créer des solutions basées sur l’IA telles que l’aide à la documentation clinique, les outils de révision des dossiers et l’automatisation administrative.
- Intégrations de données de santé personnelles (États-Unis) : Accès facultatif et contrôlé par l’utilisateur aux résultats de laboratoire et aux dossiers de santé via HealthEx, Function, Apple Health et Android Health Connect, permettant à Claude de résumer les antécédents, d’expliquer les résultats et d’aider à préparer les visites cliniques.
- Contrôles de confidentialité et de sécurité : Consentement explicite de l’utilisateur, contrôle fin des autorisations, absence d’entraînement sur les données de santé personnelles, avertissements contextuels et conseils pour consulter des professionnels de santé le cas échéant.
Exemple concret : Sully.ai
Parikh Health, dirigé par le Dr Neesheet Parikh, a considérablement amélioré ses opérations et ses soins aux patients en intégrant Sully.ai à ses dossiers médicaux électroniques (DME).
Le système d’enregistrement piloté par l’IA personnalise les interactions avec les patients, tandis que l’automatisation des tâches de réception permet au personnel de se concentrer davantage sur les soins.
Cette collaboration avec Sully.ai a réduit les opérations par patient d’un facteur 10x et a ramené le temps consacré aux tâches administratives, comme la gestion des dossiers des patients, de 15 minutes à 1-5 minutes. Cela a entraîné une multiplication par 3x de l’efficacité et de la rapidité.
De plus, la plateforme a réduit l’épuisement des médecins de 90%, permettant des interactions plus ciblées et significatives avec les patients.13
Exemple concret : Plateforme de soins de santé à IA agentique
Agentic-IA Healthcare est un prototype de recherche qui combine plusieurs agents IA avec des garanties intégrées de confidentialité, d’explicabilité et de conformité réglementaire.
Le système utilise le chiffrement, un accès basé sur les rôles et des journaux d’audit pour soutenir des flux de travail de soins de santé plus sûrs, tout en offrant un support multilingue en anglais, français et arabe pour améliorer l’inclusivité.14
6. Audit des prescriptions
La technologie de l’IA aide les prestataires de soins de santé à réduire les erreurs de prescription en analysant les ordonnances pour détecter les interactions médicamenteuses potentielles, les dosages incorrects et les allergies des patients.
Cela réduit le risque d’événements indésirables liés aux médicaments, une source importante de complications et de coûts dans les soins de santé.
7. Gestion de la grossesse
Les systèmes d’IA peuvent être utilisés pour surveiller la santé de la mère et du fœtus au moyen de dispositifs portables et de systèmes de surveillance à distance.
Ces outils exploitent les données des signes vitaux et d’autres indicateurs pour prédire et diagnostiquer précocement les complications potentielles. Cela améliore les issues de la grossesse et réduit les taux de mortalité maternelle et infantile.
8. Triage et priorisation en temps réel
L’analyse prescriptive basée sur l’IA peut analyser les données des patients telles que les symptômes, les antécédents médicaux et les signes vitaux pour aider les professionnels de santé à prioriser les cas en temps réel.
Exemple concret : Lightbeam Health
Lightbeam Health utilise l’analyse prédictive pour anticiper les risques de santé chez les patients.
Il analyse plus de 4 500 facteurs, y compris les déterminants cliniques, sociaux et environnementaux, pour identifier les risques cachés. Le système fournit également des recommandations prescriptives pour des interventions ciblées qui améliorent les résultats pour les patients, telles que la réduction des réadmissions et des visites aux urgences.15
Exemple concret : Wellframe
Wellframe permet aux professionnels de santé de proposer des programmes de soins interactifs et personnalisés directement aux patients via une application mobile. Les modules cliniques de la plateforme sont construits sur la base de soins fondés sur des preuves pour garantir que les patients reçoivent des conseils issus de pratiques médicales éprouvées.
L’application prend également en charge la communication en temps réel entre les équipes de soins et les patients pour une surveillance continue et une intervention immédiate si nécessaire.
Les professionnels de santé peuvent personnaliser l’expérience pour chaque patient tout en répondant à des problèmes de santé individuels, tels que la gestion des maladies chroniques ou le suivi post-hospitalisation.
La technologie d’IA de Wellframe fournit aux patients des plans de soins sur mesure et dote également les cliniciens d’informations via un tableau de bord. Ces informations en temps réel aident à prioriser les patients à haut risque et facilitent une prestation de soins de santé plus efficace.
Wellframe permet d’obtenir de meilleurs résultats pour les patients grâce à ces capacités, soutient les soins préventifs et offre des relations plus personnalisées entre les patients et leurs équipes de soins.16
9. Triage en temps réel
L’intégration de l’IA pour la priorisation garantit que les cas les plus critiques sont traités en premier, améliorant ainsi l’efficacité des services d’urgence et les résultats pour les patients.
Exemple concret : Enlitic
Les solutions de triage des patients d’Enlitic exploitent les technologies d’IA pour améliorer l’efficacité des systèmes de santé en analysant les dossiers médicaux entrants et en les évaluant pour de multiples résultats cliniques.
Ces résultats sont ensuite priorisés, garantissant que les cas les plus urgents sont orientés vers les professionnels de santé appropriés du réseau. Ce processus permet aux professionnels de santé de traiter plus rapidement les cas hautement prioritaires, améliorant ainsi les soins globaux aux patients et réduisant les retards de diagnostic et de traitement.
En automatisant le triage avec l’IA, les solutions d’Enlitic contribuent à réduire la charge manuelle des cliniciens et à rationaliser les flux de travail, en particulier en radiologie. La plateforme améliore également la qualité des données de santé en standardisant les données d’imagerie médicale, ce qui garantit que les images sont correctement étiquetées et acheminées.17
10. Médicaments et soins personnalisés
L’IA permet le développement de plans de traitement personnalisés en analysant les données individuelles des patients, y compris les informations génétiques, le mode de vie et les antécédents médicaux. La médecine personnalisée contribue à améliorer l’efficacité des traitements, à réduire les effets secondaires et à diminuer les coûts des soins de santé en évitant les traitements inutiles et en se concentrant sur les meilleurs résultats pour chaque patient.
Les outils d’IA dans les soins de santé peuvent aider les utilisateurs à trouver les meilleurs plans de traitement en fonction de leurs données de patient, réduisant ainsi les coûts et augmentant l’efficacité des soins.
Exemple concret : Aitia
L’entreprise utilise l’apprentissage automatique pour mettre en relation les patients avec les traitements les plus efficaces pour eux.18
Exemple concret : Oncora Medicals
Oncora peut analyser et apprendre à partir des données des systèmes de santé pour permettre un traitement personnalisé, en particulier pour les patients atteints de cancer.19
11. Analyse des données des patients
Les solutions d’analyse des soins de santé peuvent tirer des informations des données cliniques pour fournir aux professionnels de santé des recommandations visant à améliorer les soins aux patients, à identifier les populations à risque et à optimiser l’allocation des ressources. Cette approche contribue à réduire les coûts des soins tout en améliorant les résultats pour les patients grâce à une prise de décision plus éclairée.
Exemple concret : Delphi-2M
Delphi-2M est un modèle de transformateur génératif conçu pour prédire la progression des maladies sur la durée de vie d’un individu. Contrairement aux modèles traditionnels axés sur une seule maladie, il capture la multimorbidité en analysant plus de 1 000 affections à la fois. Construit sur une architecture GPT-2 modifiée, il encode l’âge, prédit à la fois la prochaine maladie et son moment d’apparition, et tient compte des diagnostics concomitants.
Au-delà de la prévision, Delphi-2M peut générer des trajectoires de maladie à long terme et créer des ensembles de données synthétiques qui préservent les schémas cliniques tout en protégeant la confidentialité.
Malgré ces limites, Delphi-2M montre un potentiel pour la médecine de précision, le dépistage précoce et la planification au niveau du système. Anticiper les risques individuels et projeter les charges de morbidité peut éclairer à la fois les soins aux patients et les politiques de santé. Les extensions futures pourraient intégrer des données génomiques, d’imagerie et de wearables pour renforcer davantage les applications cliniques et de santé publique.20
Exemple concret : Zakipoint Health
Zakipoint Health fournit un tableau de bord complet conçu pour donner une vue transparente des risques et des coûts de santé de chaque membre. Cette approche permet des interventions sur mesure pour améliorer les résultats de santé.
La plateforme utilise l’analyse prédictive pour identifier les facteurs de coûts et les facteurs de risque, aidant les systèmes de santé à réduire les risques de santé et à réaliser des économies.21
12. Robots chirurgicaux
Les chirurgies assistées par robot combinent l’IA et les robots collaboratifs. Ces outils aident dans les procédures qui exigent précision et répétition, comme la chirurgie laparoscopique.
Ces robots peuvent effectuer des mouvements prédéfinis sans fatigue et atteindre une grande précision. Cela contribue à réduire le risque d’erreur humaine, à accélérer les temps de récupération et à permettre aux chirurgiens d’effectuer des procédures plus complexes avec une grande précision.
Figure 1 : Exemple de chirurgie robotique.22
13. Robotique d’assistance
La robotique d’assistance dans les soins de santé améliore les soins aux patients et soutient les professionnels de santé en effectuant des tâches à l’aide de capteurs, d’actionneurs et de systèmes de contrôle intelligents.
Les applications de la robotique d’assistance comprennent les exosquelettes qui aident à la rééducation des patients victimes d’un AVC ou d’une lésion de la moelle épinière, et les distributeurs de médicaments robotisés qui garantissent un dosage précis. Les robots de téléprésence permettent des consultations à distance, et les assistants infirmiers robotiques comme Robear aident à soulever ou à déplacer les patients en toute sécurité.
Ces technologies améliorent l’efficacité, la précision et les résultats pour les patients dans divers contextes cliniques.
Exemple concret : Le LUCAS 3
Le LUCAS 3 est un système de compression thoracique mécanique développé par Stryker. Il délivre des compressions constantes et de haute qualité pendant la réanimation cardiopulmonaire (RCP), aidant à maintenir la circulation sanguine chez les patients en arrêt cardiaque (voir l’image ci-dessous).
L’appareil est portable, alimenté par batterie et conçu pour être utilisé dans les ambulances, les hôpitaux ou sur les lieux d’urgence.
Il réduit la charge physique des intervenants et améliore les résultats de la RCP en assurant des compressions ininterrompues, même pendant le transport ou la défibrillation.
Figure 2 : Système de compression thoracique LUCAS 3.23
Imagerie médicale et diagnostic
14. Diagnostic précoce
L’IA peut analyser les dossiers médicaux, les données de laboratoire et les résultats d’imagerie pour détecter les signes précoces de maladies chroniques telles que le cancer, le diabète ou les maladies cardiovasculaires. Un diagnostic précoce conduit à des interventions rapides, ce qui peut améliorer les résultats pour les patients et réduire les coûts de traitement à long terme.
Exemple concret : iCAD
iCAD, qui utilise des algorithmes d’apprentissage automatique pour analyser les mammographies, détectant les signes précoces de cancer du sein et aidant les radiologues à poser des diagnostics plus précis. Cette avancée a contribué à de meilleurs résultats pour les patients et à une réduction des diagnostics faussement positifs.
Les solutions de santé mammaire d’iCAD fournissent des logiciels avancés pour la tomosynthèse mammaire numérique (DBT), l’évaluation de la densité mammaire, la mammographie 2D et l’évaluation personnalisée des risques.24
Exemple concret : Recherche pour le dépistage assisté par l’IA
Un vaste essai randomisé de dépistage en Suède a évalué si l’ajout de l’IA à la mammographie de dépistage affectait le taux de cancers du sein d’intervalle par rapport à la double lecture standard par les radiologues.
Plus de 105 000 femmes ont été assignées soit au dépistage assisté par l’IA, soit au dépistage conventionnel sans IA. L’étude a révélé que le dépistage assisté par l’IA atteignait un taux de cancer d’intervalle non inférieur à celui de la pratique standard, répondant aux critères de non-infériorité de l’essai. Bien que les taux globaux de cancers d’intervalle aient été similaires, le groupe IA présentait moins de cancers d’intervalle invasifs et à haut risque.
La sensibilité du dépistage était significativement plus élevée avec l’IA, sans perte de spécificité, et ces améliorations étaient cohérentes dans tous les groupes d’âge et les catégories de densité mammaire.
Dans l’ensemble, les résultats suggèrent que la mammographie assistée par l’IA peut améliorer la détection du cancer et l’efficacité du dépistage, soutenant son adoption potentielle dans la pratique clinique courante.25
Exemple concret : Google Health
La recherche sur le dépistage du cancer du sein de Google Health indique que son modèle d’IA peut détecter des signes de cancer du sein avec une précision similaire à celle des radiologues.
Le système est entraîné sur un grand nombre de mammographies anonymisées pour apprendre les schémas associés au cancer et est en cours d’évaluation dans des contextes cliniques réels. Les efforts de collaboration impliquent des patients, des cliniciens et des professionnels de santé, ainsi que des partenariats avec des institutions telles que Northwestern Medicine, Imperial College London, plusieurs trusts du NHS et la Fondation japonaise pour la recherche sur le cancer.
Ces études examinent comment le modèle pourrait aider à prioriser les cas à risque plus élevé, servir de deuxième lecteur dans les flux de travail de dépistage et soutenir une détection plus cohérente et inclusive dans diverses populations.26
Exemple concret : Ezra
Ezra utilise l’IA pour analyser les IRM corps entier afin d’aider les cliniciens à détecter précocement le cancer.27
15. Informations issues de l’imagerie médicale
Les outils basés sur l’IA peuvent améliorer l’analyse des images médicales (par exemple, radiographies, IRM, scanners) en identifiant des schémas que les radiologues humains pourraient manquer. Ces informations aident à diagnostiquer les maladies plus tôt et avec plus de précision.
L’IA est également utilisée pour diagnostiquer la COVID-19 à partir de données d’imagerie, permettant une identification plus rapide des cas critiques nécessitant une assistance respiratoire.
L’imagerie médicale alimentée par l’IA est également largement utilisée pour diagnostiquer les cas de COVID-19 et identifier les patients nécessitant une assistance respiratoire.
Exemple concret : Median Technologies
Median Technologies a présenté eyonis LCS, un logiciel alimenté par l’IA qui améliore la détection précoce du cancer du poumon en analysant les scanners à faible dose. Conçu pour aider les radiologues à identifier et à caractériser les nodules pulmonaires suspects, l’outil vise à améliorer la précision du diagnostic et à réduire les faux positifs.
Testé dans deux essais cliniques majeurs (REALITY et RELIVE), eyonis™ LCS a montré des améliorations statistiquement significatives dans la détection du cancer du poumon à un stade précoce. Le logiciel attend maintenant les approbations de la FDA 510(k) et du marquage CE, prévues pour la mi-2025, avant son lancement commercial prévu.
Au-delà de la détection, eyonis™ LCS prend en compte la variabilité entre radiologues et s’intègre dans les flux de travail cliniques, offrant une solution évolutive pour les programmes de dépistage du cancer du poumon aux États-Unis et en Europe.28
Exemple concret : Radiobotics RBfracture
L’outil RBfracture de Radiobotics, alimenté par l’IA, a été approuvé pour une utilisation au sein du NHS par le NICE (National Institute for Health and Care Excellence) comme l’une des quatre technologies d’IA soutenant la détection des fractures sur les radiographies en soins d’urgence.
RBfracture a démontré une amélioration de la sensibilité diagnostique, passant de 74% à 83%, sans sacrifier la spécificité, répondant ainsi à des défis tels que les fractures manquées, les pénuries de personnel et la fatigue des cliniciens, en particulier dans les petits centres ou les zones rurales.29
Exemple concret : Huiying Medical
Huiying Medical, une entreprise de dispositifs médicaux située en Chine, a créé une solution d’imagerie IA capable de détecter la COVID-19 à l’aide de scanners thoraciques. Selon l’entreprise, cette solution pourrait bénéficier aux zones n’ayant pas accès à la RT-PCR, la méthode de test standard de la COVID-19.
Huiying a développé les algorithmes d’IA en utilisant les données de scanner de plus de 4 000 cas de coronavirus. Le système examine l’opacité en verre dépoli (GGO) dans les poumons, un signe de remplissage partiel des espaces aériens, ainsi que d’autres indicateurs, pour évaluer la probabilité d’une infection à la COVID-19.
Exemple concret : SkinVision
L’application SkinVision permet aux patients de détecter les signes précoces de cancer de la peau à l’aide de leur smartphone. En permettant aux utilisateurs de prendre des photos de haute qualité de leur peau, en se concentrant sur les grains de beauté ou les lésions suspects, les applications peuvent les analyser avec des algorithmes d’IA.
Cette analyse fournit une évaluation instantanée du risque, ce qui peut aider à identifier des problèmes potentiels tels que le mélanome, le carcinome épidermoïde ou le carcinome basocellulaire.
Les algorithmes de SkinVision ont été entraînés sur une vaste base de données d’images dermatologiques pour aider à distinguer les affections cutanées à haut risque de celles à faible risque. En cas d’évaluation à haut risque, l’application recommande une consultation médicale professionnelle.30
Recherche et développement
16. Découverte de médicaments
L’IA accélère la découverte de médicaments en analysant de grands ensembles de données issus de la recherche médicale, des données historiques de traitement et des voies biologiques. Cela conduit à une identification plus rapide de candidats médicaments prometteurs et réduit le coût et le temps nécessaires à la mise sur le marché de nouveaux médicaments.
La technologie de l’IA peut également prédire l’efficacité des médicaments, ce qui conduirait à de meilleurs résultats dans les essais cliniques.
Exemple concret : Boltz-ABFE
Boltz-ABFE31 est une méthode d’IA qui combine des prédictions d’apprentissage profond avec des simulations d’énergie free. Tout comme AlphaFold prédit les structures des protéines, les modèles Boltz prédisent les complexes protéine-ligand.
En intégrant ces prédictions basées sur l’IA à des calculs fondés sur la physique, Boltz-ABFE étend la portée de la FEP aux premières étapes de la découverte de médicaments, permettant aux chercheurs d’évaluer plus efficacement les molécules candidates tout en maintenant la précision.
Fonctionnement de Boltz-ABFE
- Utilise Boltz-1 et Boltz-2, des modèles d’IA entraînés à prédire les complexes protéine-ligand directement à partir des séquences protéiques et des informations sur le ligand.
- Applique un raffinement de structure pour corriger des problèmes tels que les erreurs d’ordre de liaison, les erreurs de stéréochimie et les collisions stériques.
- Utilise un processus de ré-ancrage où les ligands sont ajustés avec un logiciel d’ancrage pour améliorer la géométrie et la précision.
- Améliore la fiabilité en supprimant les régions à faible confiance et en incluant les partenaires de liaison si nécessaire.
Résultats des benchmarks
- Testé sur quatre protéines (TYK2, CDK2, JNK1, P38) de l’ensemble de benchmarks FEP+.
- A produit des estimations d’énergie de liaison souvent dans une fourchette de 1 kcal/mol par rapport aux résultats expérimentaux.
- Dans certains cas, a égalé ou surpassé les simulations qui partaient de structures cristallines.
- A montré une sensibilité aux détails structuraux, rendant importantes les étapes de correction comme le ré-ancrage.
Exemple concret : NuMedii
La société biopharmaceutique NuMedii a développé la technologie AIDD (Intelligence Artificielle pour la Découverte de Médicaments) qui exploite le Big Data et l’IA pour découvrir rapidement des liens entre les médicaments et les maladies à un niveau systématique.32
Exemple concret : Insilico Medicine
Insilico Medicine, une entreprise de biotechnologie dont le siège social est à Boston et à Hong Kong, a annoncé une étape importante dans le développement de médicaments piloté par l’IA.
Leur composé principal, le rentosertib, entièrement conçu à l’aide de l’intelligence artificielle, a démontré des résultats prometteurs dans un essai clinique de phase intermédiaire pour la fibrose pulmonaire idiopathique (FPI), une maladie pulmonaire progressive et actuellement incurable.
Dans l’étude, les patients recevant la dose la plus élevée de rentosertib ont montré des améliorations notables de la fonction pulmonaire. Les analyses de biomarqueurs ont confirmé que le médicament ciblait efficacement une protéine spécifique associée à la FPI, comme prédit par les algorithmes d’IA d’Insilico.33
17. Analyse et édition génétiques
L’IA aide à analyser les données génétiques pour comprendre les variations génétiques et prédire les effets de l’édition génétique.
Cette technologie aide également les chercheurs à prédire comment des modifications génétiques spécifiques pourraient influencer le risque de maladie ou les résultats thérapeutiques, permettant des thérapies génétiques plus précises et plus efficaces.
Exemple concret : crossNN
Des chercheurs de la Charité, Universitätsmedizin Berlin, ont développé un modèle d’IA appelé crossNN qui peut détecter et classer avec précision plus de 170 types de cancer en utilisant l’empreinte épigénétique des tumeurs.
Cette approche non invasive analyse le matériel génétique, tel que le liquide céphalorachidien, ce qui la rend particulièrement utile pour les cas où les biopsies sont trop risquées, comme les tumeurs cérébrales.
L’IA compare les données tumorales inconnues à des milliers de profils de référence à l’aide d’un réseau neuronal entraîné sur plus de 8 000 échantillons, atteignant jusqu’à 99% de précision pour les tumeurs cérébrales et 978% pour tous les cancers.
Contrairement aux diagnostics traditionnels qui reposent sur l’examen des tissus, crossNN utilise les profils de méthylation de l’ADN, propres à chaque type de tumeur. La technologie est conçue pour être à la fois très fiable et explicable, ce qui est essentiel pour une utilisation clinique.34
Exemple concret : SOPHiA GENETICS
SOPHiA GENETICS propose aux généticiens la plateforme SOPHiA DDM™, qui utilise l’IA pour améliorer l’analyse génomique. La plateforme automatise la détection, l’annotation et la priorisation des variants complexes dans les données de séquençage de nouvelle génération (NGS), conduisant à des informations plus rapides et plus précises.
Elle s’intègre dans les environnements de laboratoire existants, facilite la collaboration grâce à un réseau mondial d’experts et comprend des outils comme Alamut™ Visual Plus pour une analyse détaillée des variants.
Le programme MaxCare offre également un soutien avec des consultations sur site, des formations et des évaluations de performance pour garantir une mise en œuvre réussie.35
18. Efficacité comparative des dispositifs et des médicaments
L’IA peut évaluer et comparer l’efficacité de différents dispositifs médicaux ou médicaments en analysant les résultats cliniques et les données des patients.
Cela aide les prestataires de soins de santé à faire des choix plus éclairés sur les traitements les plus efficaces tout en réduisant les essais et erreurs dans les interventions médicales.
Exemple concret : 4Quant
4Quant exploite l’analyse de données massives et la technologie d’apprentissage profond pour extraire des informations significatives à partir d’images et de vidéos, soutenant la conception et l’optimisation d’expériences. Leur plateforme applique des algorithmes d’apprentissage automatique pour traiter de grandes quantités de données visuelles afin que les chercheurs et les professionnels de santé puissent analyser efficacement des informations complexes.
En automatisant l’extraction d’informations exploitables à partir des données d’imagerie, 4Quant permet aux utilisateurs d’identifier les composants et les motifs clés les plus pertinents pour leurs besoins expérimentaux spécifiques. Cela peut être particulièrement utile dans des domaines tels que la recherche scientifique, la médecine et les applications industrielles, où l’analyse des données visuelles est essentielle à la prise de décision.
Les solutions de 4Quant offrent également une personnalisation en fonction des exigences spécifiques des utilisateurs pour des analyses plus ciblées. Cette approche réduit le temps et les efforts nécessaires pour analyser de grands ensembles de données et améliore la précision et la qualité des informations.36
Gestion des soins de santé
19. Gestion de la marque et marketing
Les plateformes d’IA peuvent analyser la perception du marché des soins de santé et les données démographiques des patients pour aider les professionnels de santé à optimiser leurs stratégies marketing. Les hôpitaux et les organisations de soins de santé peuvent améliorer la réputation de leur marque en adaptant les messages et en ciblant les bons segments.
20. Tarification et risque
Les modèles d’IA peuvent prédire la tarification optimale des traitements et des services en analysant la concurrence, la demande du marché et les résultats pour les patients.
Cela aide les prestataires de soins de santé à fixer des prix compétitifs mais rentables tout en réduisant la charge financière des patients et en optimisant les marges opérationnelles.
21. Études de marché
L’IA peut être utilisée pour recueillir des renseignements concurrentiels sur d’autres hôpitaux ou prestataires de soins de santé. Ces données permettent aux hôpitaux de comparer leurs services, d’identifier les domaines d’amélioration et de s’adapter aux changements du paysage du marché des soins de santé.
Exemple concret : MD Analytics
MD Analytics est une solution d’études de marché pour la santé et l’industrie pharmaceutique. L’outil propose une large gamme de solutions de recherche quantitatives et qualitatives adaptées à chaque phase du cycle de vie d’un produit.
Leurs services couvrent les essais cliniques, les évaluations de marché, l’analyse du parcours patient et l’évaluation des processus d’achat. Les solutions de pré-lancement comprennent la prévision de la demande, les tests de concepts, la recherche sur les prix et l’évaluation des programmes de soutien aux patients. Les phases de post-lancement et de croissance se concentrent sur l’engagement client, les évaluations de la force de vente, l’optimisation multicanal et le suivi des KPI.37
22. Opérations
Les technologies d’automatisation des processus telles que l’automatisation intelligente et la RPA peuvent gérer les opérations de soins de santé comme la planification, la facturation et les rapports. En automatisant les tâches courantes, les prestataires de soins de santé peuvent free up staff to focus on patient care while reducing administrative costs.
Exemple concret : Comet
Comet est le système d’intelligence médicale d’Epic, conçu pour aider les cliniciens, les patients et les systèmes de santé à prendre de meilleures décisions, fondées sur les données, en prédisant les résultats probables du parcours de soins d’un patient.
Entraîné sur plus de 100 milliards d’événements médicaux anonymisés dans Epic Cosmos, il modélise des séquences chronologiques de diagnostics, de résultats de laboratoire, de médicaments et de rencontres pour simuler des scénarios futurs, y compris la progression de la maladie, le risque de réadmission et la durée d’hospitalisation.
Construit de manière similaire aux grands modèles de langage, Comet génère des trajectoires de santé plausibles et les résume en informations exploitables intégrées aux flux de travail cliniques. Contrairement aux outils traditionnels, il fait passer la planification des soins d’une approche réactive à une approche anticipative en présentant une gamme de résultats possibles, aidant les équipes à allouer les ressources, à planifier les sorties et à gérer les risques avec une plus grande confiance.
Fonctionnant selon des normes strictes de confidentialité et de sécurité, Comet a démontré des performances réussies dans un large éventail de cas évalués. À partir de 2026, les chercheurs des organisations participantes pourront explorer Comet dans un laboratoire virtuel pour affiner ses cas d’utilisation, marquant une étape vers une prise de décision en matière de soins de santé plus personnalisée, proactive et sécurisée.38
23. Détection des fraudes
Les outils d’IA peuvent analyser les schémas des demandes de remboursement de soins de santé pour détecter les activités frauduleuses telles que les fausses déclarations ou la surfacturation. Cela aide les organisations de soins de santé à minimiser les pertes dues à la fraude et garantit que les ressources sont utilisées plus efficacement pour les soins aux patients.
Exemple concret : Markovate
Un assureur maladie national a été confronté à une augmentation des demandes frauduleuses et des violations de données, entraînant des pertes financières et une compromission de la vie privée des patients.
Markovate39 a mis en œuvre un système de détection des fraudes basé sur l’IA qui analysait les données des demandes, signalait les comportements suspects et s’intégrait de manière transparente à l’infrastructure du fournisseur, garantissant la conformité HIPAA et protégeant les données sensibles des patients.
Les résultats sont les suivants :
- Réduction de 30% des demandes frauduleuses en six mois.
- Amélioration de 25% de la sécurité des données.
- Traitement des demandes 40% plus rapide, améliorant l’efficacité.
Ajouter comme source préféréeHyperautomatisation dans les soins de santé
L’hyperautomatisation est une approche émergente de la transformation numérique qui consiste à automatiser autant de processus métier que possible tout en augmentant numériquement ceux qui ne peuvent pas être entièrement automatisés.
L’hyperautomatisation combine l’IA, la RPA et la vision par ordinateur pour une automatisation des processus de bout en bout dans les soins de santé.
Voici des cas d’utilisation de l’hyperautomatisation dans les soins de santé :
24. Traitement de l’assurance maladie
En tirant parti des méthodes de NLP et des modèles d’IA/apprentissage profond, une approche d’hyperautomatisation peut aider les entreprises d’assurance maladie à :
- Minimiser le travail manuel lors de la préautorisation et du traitement des demandes,
- Réduire les erreurs humaines,
- Détecter et prévenir plus précisément les fraudes dans les soins de santé,
- Assurer la satisfaction des clients grâce à des cycles de demande plus courts.
25. Conformité réglementaire
Les prestataires de soins de santé, les compagnies d’assurance maladie, les pharmacies et autres entités du secteur de la santé doivent se conformer à des réglementations telles que HIPAA aux États-Unis et le RGPD dans l’UE.
L’hyperautomatisation peut aider les organisations de soins de santé à garantir la conformité réglementaire :
- Des robots intelligents peuvent enregistrer chaque action dans les systèmes de santé et documenter le journal d’activité en cas de demande.
- Des modèles d’IA/ML peuvent être utilisés pour prédire les fraudes potentielles dans les soins de santé,
- L’automatisation des processus d’audit interne peut aider à évaluer les risques et les contrôles internes de manière plus efficace et plus fréquente.
Avenir des cas d’utilisation de l’IA dans les soins de santé
Pour l’avenir de l’IA dans les soins de santé, une solution basée sur l’apprentissage automatique peut être construite dans les domaines où des données d’entraînement significatives sont disponibles et où l’énoncé du problème est clairement formulé.
Dans ces domaines, l’IA peut bénéficier aux prestataires de soins de santé en permettant une prise de décision fondée sur les données et en économisant du temps et des coûts.
Citer cette recherche
Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Ermut, Sıla},
title = {{25 Cas d'utilisation de l'IA dans les soins de santé avec exemples}},
year = {2026},
month = jul,
howpublished = {\url{https://aimultiple.com/healthcare-ai-use-cases}},
note = {AIMultiple. Consulté le 1 Juillet 2026}
}Liens de référence
Soyez le premier à commenter
Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.