Soigner à l’ère des algorithmes : ce que l’Asie nous apprend sur l’adaptation des systèmes de soins à l’intelligence artificielle.

Par Jean-Emmanuel Bibault

Introduction : le choc des temporalités

Il y a quelque chose de vertigineux à observer, depuis un service d’oncologie radiothérapique parisien, la vitesse à laquelle certains systèmes de santé asiatiques ont intégré l’intelligence artificielle dans leurs pratiques quotidiennes. Non pas comme un projet pilote confiné à un laboratoire de recherche, ni comme une promesse agitée lors d’un congrès, mais comme une infrastructure réelle, ancrée dans les workflows cliniques, les dossiers patients, les protocoles de triage. À Séoul, à Shenzhen, à Singapour, l’IA diagnostique n’est plus un sujet de prospective : c’est un outil que le radiologue consulte avant de signer son compte-rendu, que l’infirmière voit s’activer lorsqu’un patient signale une douleur inhabituelle depuis son domicile.

Ce constat ne vise pas à alimenter un discours sur le « retard » européen, dont la mécanique rhétorique est aussi paresseuse qu’inefficace. Il s’agit plutôt d’interroger une asymétrie plus fondamentale : celle des vitesses d’adaptation systémique. Car la question qui se pose aujourd’hui n’est pas tant de savoir si l’IA est techniquement capable de transformer la médecine (les preuves s’accumulent) que de comprendre pourquoi certains systèmes de soin parviennent à absorber cette transformation quand d’autres semblent la subir ou la différer.

L’Asie offre à cet égard un terrain d’observation exceptionnel, précisément parce qu’elle n’est pas monolithique. Entre le volontarisme industriel chinois, la gouvernance singapourienne fondée sur la confiance algorithmique, la réponse japonaise à la contrainte démographique et le pragmatisme coréen en matière d’approbation réglementaire, le continent présente une diversité de modèles qui invalide toute lecture simpliste. Ce que ces expériences partagent, en revanche, c’est une disposition à penser l’IA non comme un outil que l’on greffe sur un système existant, mais comme une occasion de le réorganiser en profondeur.

Cet article ne prétend pas à l’exhaustivité. Il cherche, à partir d’une lecture croisée des transformations asiatiques et d’une expérience clinique de terrain en oncologie, à dégager les conditions de cette adaptation (organisationnelles, réglementaires, culturelles) et à identifier ce que la France et l’Europe auraient intérêt à regarder avec davantage d’attention, sans angélisme mais sans condescendance.

1. L’Asie comme laboratoire mondial de l’IA en santé

1.1. La Chine : la puissance des données élevée au rang de stratégie d’État

La Chine n’a pas attendu que l’IA soit mature pour décider qu’elle en serait l’un des leaders mondiaux. Dès 2017, le Conseil des affaires d’État publiait son Plan de développement de l’IA de nouvelle génération, fixant l’horizon 2030 comme échéance pour atteindre la première place mondiale. Ce qui frappe, avec le recul, c’est moins l’ambition affichée (la rhétorique des plans quinquennaux chinois est coutumière des objectifs spectaculaires) que la continuité et l’accélération de leur exécution. Le 15ème Plan quinquennal, adopté en mars 2026 par l’Assemblée nationale populaire, marque une nouvelle étape : c’est le premier à placer explicitement l’intelligence artificielle au cœur de la stratégie économique nationale, la mentionnant plus de cinquante fois contre onze dans le précédent, avec pour objectif une industrie IA valorisée à 10 000 milliards de yuans et un taux d’adoption de 90 % dans l’économie d’ici 2030. La santé y figure en bonne place, aux côtés de l’énergie, de la biotechnologie et de l’informatique quantique.

Dans le secteur médical, cette ambition se traduit par des déploiements d’une échelle sans équivalent en Occident. Des entreprises comme Infervision, DeepWise ou Shukun Technology ont développé des solutions d’analyse d’imagerie médicale (détection de nodules pulmonaires, triage des scanners thoraciques en période épidémique, analyse de lames histologiques) désormais déployées dans des centaines d’hôpitaux. À mi-2024, 92 dispositifs médicaux de classe III alimentés par l’IA avaient été approuvés par l’Administration nationale des produits médicaux (NMPA), témoignant d’un soutien réglementaire clair au déploiement clinique. Le marché de l’IA en santé, valorisé à 1,59 milliard de dollars en 2023, est projeté à près de 19 milliards d’ici 2030, reflétant un taux de croissance annuel de l’ordre de 42 %.

Ce dynamisme repose sur un actif que la Chine a su transformer en avantage compétitif décisif : le volume et la centralisation de ses données de santé. Avec 1,4 milliard d’habitants, un système de dossiers médicaux progressivement unifiés sous l’initiative « Healthy China 2030 », et une culture du numérique intégrée dans les usages quotidiens (WeChat est simultanément messagerie, système de paiement et interface de santé), le pays dispose d’une masse de données longitudinales dont aucun système européen ne peut approcher l’ampleur. Pour entraîner des modèles d’apprentissage profond en oncologie ou en cardiologie, cette abondance est une condition structurelle, pas un détail technique.

1.2. Singapour : la gouvernance comme avantage compétitif

À l’opposé du gigantisme chinois, Singapour illustre ce qu’un État de cinq millions d’habitants, doté d’institutions solides et d’une vision stratégique cohérente, peut accomplir lorsqu’il décide de faire de la confiance algorithmique un avantage national. La National AI Strategy, publiée en 2019 puis révisée en 2023, positionne explicitement Singapour comme un hub mondial de l’IA de confiance (trustworthy AI dans la terminologie officielle) en articulant innovation technologique et cadres éthiques dès la conception des systèmes.

Dans le domaine de la santé, le Ministry of Health a engagé une intégration progressive des outils d’aide à la décision clinique dans les polycliniques publiques, ces structures de soins primaires qui constituent le premier niveau de contact avec le système de santé. Des algorithmes de stratification du risque pour les maladies chroniques (diabète, insuffisance rénale, risque cardiovasculaire) y sont aujourd’hui opérationnels, avec une traçabilité des décisions et des mécanismes de supervision humaine explicitement intégrés dans les protocoles. Ce qui est remarquable dans le modèle singapourien n’est pas tant la sophistication technique des outils que la rigueur du cadre de déploiement : validation clinique préalable, formation obligatoire des praticiens, dispositifs d’audit algorithmique réguliers.

Ce modèle bénéficie d’un contexte facilitateur exceptionnel : un système de santé homogène, une population éduquée au numérique, un identifiant national unique (MyInfo) qui permet une interopérabilité native des données à travers l’ensemble des acteurs de santé. Ces conditions ne sont pas reproductibles à l’identique en France ou en Europe, mais elles désignent des cibles vers lesquelles tendre.

1.3. Japon et Corée du Sud : deux réponses à la contrainte démographique

Le Japon et la Corée du Sud partagent un défi démographique commun (vieillissement accéléré, pénurie prévisible de soignants) mais y ont répondu par des stratégies distinctes, également instructives.

Le Japon a engagé depuis plusieurs années un programme ambitieux de robotique et d’IA au service du maintien à domicile et des soins aux personnes âgées. Des robots d’assistance physique aux systèmes de détection précoce des chutes, en passant par des interfaces conversationnelles pour le suivi des patients isolés, l’innovation japonaise en e-santé est profondément marquée par cette urgence gériatrique. Sur le plan diagnostique, la Japan Radiological Society a intégré l’IA dans ses recommandations de pratique pour l’analyse d’imagerie thoracique, et la PMDA (Pharmaceuticals and Medical Devices Agency) a mis en place une voie d’approbation accélérée pour les dispositifs médicaux à base d’IA, reconnaissant la nécessité d’adapter le tempo réglementaire au rythme de l’innovation.

La Corée du Sud a opté pour une stratégie différente, davantage portée par un écosystème startup dynamique et une appétence culturelle forte pour la technologie médicale. Le MFDS (Ministry of Food and Drug Safety) a développé des procédures d’approbation spécifiques aux logiciels médicaux à intelligence artificielle, permettant des mises sur le marché plus rapides que dans la plupart des pays européens. Des entreprises comme Lunit ou Vuno ont développé des solutions d’analyse d’imagerie oncologique et cardiologique reconnues à l’international, parfois homologuées aux États-Unis via la FDA avant même d’avoir achevé leur déploiement domestique. La Corée a également compris très tôt la dimension de soft power de la e-santé : le K-health, à l’image de la K-pop ou du K-drama, est devenu un vecteur d’influence et d’exportation technologique à part entière.

1.4. L’Inde : l’IA comme levier d’équité sanitaire

L’Inde occupe une place singulière dans ce panorama, non pour la sophistication de ses systèmes hospitaliers urbains (comparables à ceux de pays à revenu élevé) mais pour la manière dont elle utilise l’IA comme outil de réduction des inégalités d’accès aux soins. Dans un pays où le ratio médecin-patient demeure dramatiquement insuffisant dans les zones rurales, l’IA n’est pas un instrument d’optimisation à la marge : c’est une condition de possibilité de la couverture sanitaire universelle.

Des programmes de dépistage du cancer du col de l’utérus assistés par IA, déployés avec des agents de santé communautaires équipés de smartphones, ont montré des résultats comparables à ceux d’un gynécologue expert dans des contextes où ce dernier est tout simplement absent. Plus largement, la Chine et l’Inde partagent cette caractéristique de faire face à une transition épidémiologique massive (maladies chroniques, cancers, pathologies cardiovasculaires) pour laquelle les modèles de santé publique traditionnels sont manifestement insuffisants, et où l’IA représente une réponse scalable à une urgence de santé publique. C’est une leçon de pragmatisme que les systèmes de santé à revenu élevé, enclins à penser l’IA comme un luxe technologique, auraient tort de négliger.

2. Les conditions structurelles de l’adaptation

2.1. L’interopérabilité des données : condition sine qua non

Il existe une tentation récurrente dans les débats sur l’IA en santé : celle de placer la performance des algorithmes au centre de la conversation, comme si la qualité d’un modèle suffisait à garantir son utilité clinique. C’est une erreur de perspective. L’algorithme le plus sophistiqué du monde ne produit aucune valeur médicale s’il ne peut accéder, en temps réel et de manière structurée, aux données dont il a besoin pour fonctionner. Avant d’être une question d’intelligence artificielle, l’adaptation des systèmes de soins est une question d’infrastructure de données.

C’est précisément sur ce terrain que l’écart entre les systèmes asiatiques les plus avancés et la plupart des systèmes européens est le plus significatif. En Chine, l’initiative « Healthy China 2030 » a imposé une standardisation progressive des dossiers médicaux électroniques à l’échelle nationale, adossée à un identifiant patient unique permettant la continuité du suivi à travers les niveaux de soins. À Singapour, le système MyInfo constitue une colonne vertébrale numérique à partir de laquelle les données de santé peuvent circuler entre les acteurs autorisés sans rupture de chaîne. En Corée du Sud, l’interopérabilité entre les hôpitaux universitaires, les cliniques de ville et les systèmes d’assurance maladie nationale est assurée par des standards d’échange imposés réglementairement depuis la fin des années 2010.

La situation française n’est ni désespérée ni satisfaisante. Mon Espace Santé, le Dossier Médical Partagé dans sa version rénovée, l’Espace Numérique de Santé constituent des avancées réelles, portées par une volonté politique et des investissements substantiels. Mais leur adoption reste partielle, leur alimentation inégale selon les établissements et les spécialités, et leur interopérabilité effective avec les systèmes d’information hospitaliers (souvent vieillissants et hétérogènes) demeure un chantier ouvert. La stratégie nationale IA et données de santé, dont le volet intelligence artificielle a été présenté en novembre 2025, reconnaît explicitement cette priorité, articulant quatre axes structurants : clarifier la réglementation, renforcer l’évaluation des solutions d’IA, accompagner les professionnels, et bâtir un cadre économique durable pour l’innovation. L’intention est juste. La vitesse d’exécution sera déterminante.

Ce point n’est pas technique : il est politique. Construire une infrastructure de données de santé interopérable suppose de résoudre des conflits d’intérêts entre acteurs qui ne se règlent pas par la seule vertu des standards techniques. Les pays asiatiques qui y sont parvenus l’ont fait par une combinaison de volonté étatique forte, d’incitations financières et, souvent, d’une tolérance culturelle à l’égard de la centralisation des données que les sociétés européennes n’ont pas et n’ont pas vocation à adopter. La voie européenne devra être différente (plus négociée, plus distribuée, plus protectrice des droits individuels) mais elle ne peut pas se permettre d’être indéfiniment plus lente.

2.2. La formation et l’acculturation des professionnels

La deuxième condition de l’adaptation est humaine, et elle est souvent sous-estimée dans les stratégies nationales qui privilégient les infrastructures et les réglementations. Déployer un outil d’aide à la décision dans un service hospitalier sans avoir préparé les soignants à l’utiliser de manière critique revient à installer un équipement de haute précision dans une salle sans en former les opérateurs. Le résultat n’est pas neutre : il peut être activement néfaste.

Deux risques symétriques guettent le praticien confronté à un système d’IA. Le premier est la méfiance excessive, qui conduit à ignorer des alertes pertinentes au nom d’une intuition clinique que l’outil, statistiquement, surpasse sur certaines tâches. Le second (et il est plus insidieux) est ce que la littérature en psychologie cognitive appelle l’automation bias : la tendance à déléguer son jugement à la machine, à valider sans questionner, à substituer la confiance en l’algorithme à la pensée clinique. Les deux pathologies ont été documentées dans des études portant sur des systèmes d’IA déployés en radiologie, en réanimation et en oncologie. Elles ne sont pas une fatalité, mais elles ne se préviennent pas spontanément.

Ce que les expériences les plus réussies en Asie montrent, c’est que la formation aux outils d’IA ne peut pas se réduire à une session de prise en main d’interface. Elle suppose une compréhension minimale du fonctionnement des modèles (leurs forces, leurs angles morts, les biais potentiels liés aux données d’entraînement) et une réflexion explicite sur les protocoles de supervision humaine. À Singapour, les programmes de formation continue des médecins intègrent désormais des modules obligatoires sur la littératie en IA clinique. En Corée du Sud, plusieurs facultés de médecine ont restructuré une partie de leur curriculum autour de la compréhension des données de santé et de l’interprétation des sorties algorithmiques.

En France, la question commence à être posée (timidement dans les facultés de médecine, plus directement dans quelques DESC et formations spécialisées) mais reste largement traitée comme une option plutôt que comme une priorité. Former les soignants à travailler avec l’IA, c’est aussi les former à résister à ses erreurs, à identifier ses limites, à maintenir la primauté du jugement clinique dans la boucle de décision. C’est, en d’autres termes, une condition de la sécurité des patients, pas seulement un enjeu de compétitivité professionnelle.

2.3. Les architectures organisationnelles : qui pilote, qui valide ?

La troisième condition de l’adaptation est organisationnelle. L’intégration de l’IA dans un système de soin ne se réduit pas à l’acquisition d’un logiciel ou au déploiement d’un modèle dans un serveur hospitalier. Elle suppose une reconfiguration des responsabilités, des circuits de validation et des chaînes de décision, une transformation que les organigrammes hospitaliers traditionnels, pensés pour des flux de soins stables et hiérarchisés, ne sont pas naturellement équipés pour absorber.

La question centrale est celle de la gouvernance : qui, dans un établissement, est responsable de la sélection des outils d’IA, de leur validation clinique, de leur surveillance post-déploiement et de la gestion de leurs défaillances ? Dans la plupart des hôpitaux français, cette responsabilité est diffuse, partagée entre directions informatiques, commissions médicales d’établissement et services utilisateurs, sans attribution claire ni processus formalisé. C’est une configuration qui expose à deux risques : le sous-déploiement par excès de prudence bureaucratique, ou à l’inverse le déploiement précipité d’outils insuffisamment validés.

Les systèmes de santé asiatiques les plus avancés ont commencé à répondre à cette question par l’émergence de nouveaux rôles et de nouvelles structures. Des postes de Clinical AI Lead ou de Chief Medical AI Officer apparaissent dans les grands hôpitaux de Séoul, de Tokyo et de Singapour, incarnant une fonction de traduction entre la culture médicale et la culture des données, et portant la responsabilité de la gouvernance algorithmique au niveau de la direction. Des comités d’éthique algorithmique, distincts des comités d’éthique de la recherche traditionnels, sont mis en place pour évaluer les implications des déploiements à l’échelle des populations de patients.

Ce mouvement dessine en creux ce que pourrait être l’hôpital de demain : non plus un lieu où l’IA est un outil parmi d’autres, géré à la marge par les équipes informatiques, mais une organisation où l’intelligence artificielle est traitée comme une infrastructure critique, soumise aux mêmes exigences de fiabilité, de traçabilité et de responsabilité que n’importe quel autre équipement biomédical. Ce changement de statut (de l’outil à l’infrastructure) est peut-être la transformation conceptuelle la plus importante que les systèmes de soins européens aient encore à accomplir.

3. Le champ de bataille réglementaire : entre EU AI Act et pragmatisme asiatique

3.1. Le cadre européen : ambitieux, mais dont la complexité est un risque en soi

L’Union européenne a fait le choix d’être la première région au monde à se doter d’un cadre législatif complet sur l’intelligence artificielle. L’EU AI Act est entré en vigueur en août 2024 et s’applique progressivement, établissant une classification par niveau de risque et interdisant les systèmes présentant un risque inacceptable, tout en imposant des obligations spécifiques aux systèmes à haut risque pour garantir leur sécurité, leur performance, leur transparence et leur redevabilité.

Pour les dispositifs médicaux, les implications sont considérables. Tout système d’IA utilisé pour le diagnostic, la planification thérapeutique ou la surveillance des patients est automatiquement classifié comme haut risque, ce qui inclut les logiciels médicaux à base d’apprentissage automatique, les modèles de deep learning et les outils d’aide à la décision influençant les résultats cliniques. Les fabricants de dispositifs médicaux intégrant de l’IA doivent désormais se conformer à la fois au règlement MDR/IVDR et à l’EU AI Act, ce dernier ajoutant des exigences spécifiques en matière de qualité des données, de gouvernance algorithmique, de traçabilité, de transparence et de supervision humaine.

L’EU AI Act est en vigueur depuis le 1er août 2024, mais ses obligations les plus contraignantes pour les systèmes d’IA à haut risque ne s’appliqueront pas avant le 2 août 2027. Dans le cadre du Digital Omnibus Package présenté par la Commission européenne en novembre 2025, cette échéance pourrait être repoussée à 2028, afin de laisser aux fabricants davantage de temps pour se préparer.

Ce délai révèle en creux la difficulté réelle de l’exercice. En octobre 2025, aucun organisme notifié n’avait encore été désigné au titre de l’AI Act, ce qui signifie concrètement qu’il n’existe toujours aucun organisme accrédité pour évaluer la conformité des systèmes d’IA à haut risque en Europe. Le cadre est posé ; l’infrastructure de sa mise en œuvre accuse un retard préoccupant. Pour les entreprises qui développent des outils d’IA médicale destinés au marché européen, cette incertitude n’est pas neutre : elle ralentit les investissements, complique les roadmaps réglementaires et peut, dans certains cas, orienter les priorités de mise sur le marché vers des zones géographiques à la gouvernance plus lisible.

Il serait cependant réducteur de n’y voir qu’un obstacle à l’innovation. Les exigences de supervision humaine, de traçabilité algorithmique et de gouvernance des données qu’impose l’EU AI Act correspondent à des nécessités cliniques et éthiques réelles. Ce que soulignent les expériences asiatiques, c’est que ces exigences sont mieux absorbées lorsqu’elles sont intégrées dès la conception des systèmes, dans une logique de « compliance by design », plutôt que plaquées en bout de chaîne sur des outils développés sans elles.

3.2. Les modèles asiatiques : agilité réglementaire et maturité variable

Face à ce paysage européen complexe, les approches réglementaires asiatiques offrent un contraste saisissant, non pas parce qu’elles seraient moins exigeantes sur le fond, mais parce qu’elles ont fait des choix différents sur la séquence entre innovation et encadrement.

La Chine a opté pour une approbation réglementaire volontariste, permettant aux entreprises de déployer leurs solutions dans des hôpitaux partenaires pour validation en conditions réelles, dans le cadre d’un processus d’approbation de la NMPA qui a permis d’atteindre 92 dispositifs de classe III approuvés à mi-2024. Cette rapidité a une contrepartie : les exigences de surveillance post-commercialisation restent moins structurées qu’en Europe, et les mécanismes de pharmacovigilance algorithmique (l’équivalent, pour les logiciels médicaux, du suivi des effets indésirables médicamenteux) sont encore insuffisamment développés.

La Corée du Sud et le Japon ont trouvé un équilibre plus subtil. La PMDA japonaise et le MFDS coréen ont tous deux développé des voies d’approbation spécifiques aux logiciels médicaux à intelligence artificielle, reconnaissant que le logiciel apprenant a des propriétés (notamment sa capacité à évoluer après déploiement) qui rendent les procédures traditionnelles inadaptées. Cette spécificité réglementaire est une avancée conceptuelle importante que l’Europe commence à intégrer, mais avec un retard qui s’est mesuré en années de déploiement.

Singapour a opté pour une approche de type sandbox réglementaire : des environnements d’expérimentation contrôlée dans lesquels les outils d’IA peuvent être testés en conditions cliniques réelles, avant que le cadre réglementaire définitif ne soit arrêté. L’AI Proposal européen de novembre 2025 prévoit d’ailleurs d’élargir le recours aux bacs à sable réglementaires et aux tests en conditions réelles, signalant une convergence méthodologique bienvenue, même si tardive.

3.3. Vers une convergence nécessaire, sans naïveté

La tentation, face à ce tableau, est de conclure que l’Europe réglemente trop et que l’Asie innove mieux. C’est une lecture aussi séduisante qu’inexacte. Les systèmes qui ont déployé le plus rapidement n’ont pas nécessairement déployé le mieux : la vitesse sans rigueur évaluative produit des outils dont la performance réelle en population reste mal caractérisée, dont les biais potentiels restent non documentés, et dont la responsabilité en cas de défaillance reste juridiquement indéterminée.

Ce que l’Europe a à apporter dans cette conversation internationale n’est donc pas négligeable. Son cadre de protection des droits des patients, ses exigences de transparence algorithmique, sa culture de l’évaluation médico-économique indépendante constituent un corpus de valeurs exportables, que plusieurs pays asiatiques commencent à regarder avec intérêt, précisément parce que les limites du déploiement non régulé deviennent visibles.

La perspective d’une convergence réglementaire internationale (dans le cadre de l’IMDRF, des discussions G7 santé, ou des enceintes multilatérales où la France est active) est à la fois nécessaire et réaliste. Elle ne signifie pas l’uniformisation, mais la définition de standards minimaux partagés (sur la qualité des données d’entraînement, sur les exigences de validation clinique, sur les mécanismes de surveillance post-déploiement) sans lesquels le risque d’un arbitrage réglementaire permanent demeurera structurel.

4. L’oncologie comme terrain d’expérimentation paradigmatique

4.1. Pourquoi le cancer ?

Si l’oncologie est devenue le laboratoire le plus actif de l’IA médicale, ce n’est pas par hasard ni par effet de mode. C’est parce que la prise en charge du cancer concentre, dans une densité exceptionnelle, l’ensemble des conditions qui rendent l’intelligence artificielle à la fois utile et nécessaire : des volumes massifs d’imagerie à analyser, des données biologiques et génomiques d’une complexité croissante, des décisions thérapeutiques dont la fenêtre d’opportunité est étroite, et un suivi longitudinal qui s’étend sur des années.

La radiothérapie illustre particulièrement bien ce potentiel. La segmentation des volumes cibles et des organes à risque (étape indispensable à la planification de tout traitement) est une tâche longue, répétitive, dont la variabilité inter-opérateur est documentée et cliniquement significative. Des systèmes d’IA de segmentation automatique, entraînés sur des dizaines de milliers de scanners annotés par des experts, atteignent aujourd’hui des performances comparables à celles d’un radiologue expérimenté sur de nombreuses localisations tumorales. Leur déploiement ne supprime pas l’expertise du praticien (qui valide, corrige et assume la décision finale) mais libère du temps pour les tâches à plus haute valeur ajoutée. C’est précisément dans cette logique d’augmentation de la compétence humaine, plutôt que de substitution, que réside l’apport le plus durable de l’IA en oncologie.

En Asie, cette logique a été saisie avec une acuité particulière. Les grands centres oncologiques de Séoul, de Tokyo et de Shanghai ont investi massivement dans des plateformes intégrées combinant analyse d’imagerie, traitement du langage naturel pour l’extraction d’informations des comptes-rendus cliniques, et modèles prédictifs de réponse au traitement. Leur avantage comparatif n’est pas seulement technique : il tient à la capacité de ces institutions à construire des cohortes de données annotées à une échelle que la plupart des établissements européens ne peuvent atteindre individuellement.

4.2. Le suivi actif des patients : quand l’IA entre dans la vie quotidienne

L’innovation la plus profonde en oncologie n’est peut-être pas là où on l’attend. Si l’IA diagnostique capte l’essentiel de l’attention médiatique (l’algorithme qui détecte un nodule pulmonaire mieux qu’un radiologue), la transformation la plus structurellement significative pour les patients se joue dans le suivi ambulatoire, entre les consultations, dans les silences cliniques où les complications se développent sans être détectées.

Le cancer, en effet, ne se traite plus exclusivement à l’hôpital. La chimiothérapie orale, les thérapies ciblées, l’immunothérapie, la radiothérapie hypofractionnée ont profondément modifié la géographie des soins oncologiques : le patient passe désormais l’essentiel de son parcours thérapeutique à domicile, exposé à des effets indésirables que les équipes soignantes ne voient pas en temps réel. La toxicité hématologique silencieuse, la déshydratation progressive, la neutropénie fébrile qui s’installe la nuit : ces situations qui conduisent aux hospitalisations non programmées (coûteuses pour le système, éprouvantes pour le patient) sont précisément celles pour lesquelles un monitoring continu, assisté par l’IA, offre le plus de valeur ajoutée.

C’est dans ce contexte que s’inscrit le développement des plateformes de Patient-Reported Outcomes (PRO) couplées à des moteurs d’alerte intelligents. Le principe est simple dans sa formulation, complexe dans son exécution : collecter quotidiennement les symptômes rapportés par le patient depuis son domicile, les analyser en temps réel par un modèle entraîné à distinguer les signaux bénins des signaux d’alerte, et déclencher une escalade vers les soignants lorsque le profil clinique atteint un seuil critique. La littérature internationale a démontré, dans plusieurs études randomisées contrôlées, que ce type de suivi améliore non seulement la qualité de vie des patients mais réduit la mortalité, un résultat d’une force suffisamment rare en oncologie pour mériter d’être souligné.

En Corée du Sud, des plateformes intégrées de suivi oncologique ambulatoire sont déployées dans plusieurs centres universitaires majeurs, avec des systèmes d’alerte automatisés permettant aux infirmières de coordination d’identifier en temps réel les patients nécessitant une intervention.

4.3. Ce que les systèmes asiatiques ont compris en premier

Il existe une tentation, dans l’évaluation des systèmes d’IA en santé, de réduire la question de leur valeur à leur performance technique : taux de sensibilité, spécificité, aire sous la courbe ROC. Ces indicateurs sont nécessaires mais insuffisants. Un algorithme qui atteint 95 % de sensibilité sur un jeu de données de test et qui n’est jamais utilisé par les soignants dans leur pratique réelle n’a aucun impact clinique. Un outil moins performant techniquement mais parfaitement intégré dans les routines de travail, compris et adopté par les équipes, peut transformer significativement la prise en charge de milliers de patients.

Les systèmes de santé asiatiques qui ont obtenu les résultats les plus probants ont compris cette distinction plus tôt que la plupart. Ils ont investi autant dans l’ingénierie de l’implémentation que dans l’ingénierie algorithmique : formation des utilisateurs, redesign des flux de travail, mécanismes de feedback permettant aux cliniciens de signaler les erreurs du système et d’alimenter sa correction continue.

Cette maturité s’accompagne d’une exigence croissante d’évaluation médico-économique rigoureuse. La démonstration de la valeur clinique d’un outil d’IA ne suffit plus à justifier son financement pérenne : il faut également démontrer que son coût de déploiement est justifié par une réduction des hospitalisations évitables, une amélioration de la survie ou une optimisation de l’allocation des ressources soignantes. Cette exigence, que les systèmes d’assurance maladie européens commencent à formuler (en France à travers les travaux de la HAS sur les dispositifs médicaux numériques), est structurante pour l’avenir du secteur.

L’oncologie, en ce sens, est plus qu’un domaine d’application parmi d’autres. Elle est le miroir dans lequel se reflète, avec une clarté particulière, ce que l’adaptation des systèmes de soins à l’IA requiert vraiment : non pas la sophistication des algorithmes, mais la maturité des organisations qui les déploient.

5. Pour un dialogue France-Asie sur la gouvernance de l’IA en santé

5.1. Ce que la France et l’Europe ont à apprendre

Il y a dans la relation que l’Europe entretient avec l’innovation technologique asiatique une ambivalence persistante, oscillant entre fascination et condescendance, entre crainte compétitive et sentiment de supériorité éthique. Cette ambivalence est un obstacle à la lucidité. Elle empêche de regarder en face ce que les expériences asiatiques enseignent réellement, dans leur complexité, sans les réduire ni à des modèles à imiter ni à des contre-exemples commodes.

La leçon la plus immédiatement utile est peut-être la plus simple : la vitesse d’adaptation systémique est elle-même une compétence qui s’organise, se finance et se gouverne. Les systèmes de santé asiatiques qui ont le mieux intégré l’IA l’ont fait parce que des décisions politiques explicites ont alloué des ressources à la construction des infrastructures de données, à la formation des professionnels et à la mise en place des architectures de gouvernance nécessaires. Cette délibération stratégique (sa clarté, sa continuité, son portage au plus haut niveau de l’État) est ce qui manque le plus à la France, non pas faute d’intelligence ni de volonté, mais faute de cohérence temporelle dans ses engagements.

La deuxième leçon est organisationnelle. Les systèmes les plus avancés ont compris que l’hôpital de l’ère algorithmique n’est pas l’hôpital traditionnel augmenté de quelques logiciels : c’est une organisation profondément différente dans ses circuits de décision, ses profils de compétences et sa relation à la donnée. Préparer cette transformation suppose d’agir simultanément sur plusieurs leviers (formation initiale et continue, recrutement de nouveaux profils hybrides, révision des protocoles cliniques, refonte des systèmes d’information) avec une cohérence que les réformes fragmentées peinent à produire.

La troisième leçon est peut-être la plus contre-intuitive pour des systèmes habitués à valoriser la prudence réglementaire comme vertu cardinale : l’absence de déploiement n’est pas une position neutre. Un outil d’IA qui n’est pas déployé ne génère pas de risques algorithmiques, mais il génère des risques d’une autre nature, moins visibles mais tout aussi réels : des diagnostics portés plus tard, des complications détectées moins tôt, des ressources soignantes mobilisées sur des tâches pour lesquelles elles ont moins de valeur ajoutée. L’évaluation du risque de l’IA en santé ne peut pas s’arrêter aux risques de commission ; elle doit intégrer les risques d’omission.

5.2. Ce que l’Europe a à apporter

La réciprocité de ce dialogue n’est pas une politesse diplomatique : elle reflète une réalité substantielle. L’Europe, et la France en particulier, dispose d’un corpus de réflexion éthique, juridique et épistémologique sur l’IA en santé qui n’a pas d’équivalent dans la plupart des pays asiatiques, et dont la valeur pratique commence à être reconnue par des interlocuteurs qui ont mesuré, à leurs dépens, les limites du déploiement non régulé.

La question de la supervision humaine dans la boucle de décision médicale (que le CCNE, les sociétés savantes européennes et les recommandations ESTRO-AAPM sur l’IA en radiothérapie ont contribué à théoriser et à opérationnaliser) est précisément l’une de celles sur lesquelles plusieurs systèmes asiatiques cherchent aujourd’hui à consolider leur cadre. La définition de ce que signifie concrètement « maintenir un médecin responsable de la décision » dans un environnement où l’IA a produit le diagnostic, structuré les options thérapeutiques et calculé le plan de traitement n’est pas une question triviale. La réponse européenne constitue un apport intellectuel exportable.

De même, l’exigence européenne de validation clinique rigoureuse (études prospectives, comparaisons à l’état de l’art, mesure d’impact en population réelle) est une norme dont la diffusion internationale est dans l’intérêt de tous les patients. Un outil d’IA diagnostique validé sur une cohorte rétrospective homogène d’un seul pays asiatique n’est pas nécessairement performant sur des populations européennes ou africaines aux profils génétiques, épidémiologiques et socio-économiques différents.

Enfin, la France dispose d’un atout institutionnel spécifique : sa capacité à articuler, dans un même espace de réflexion, des voix médicales, scientifiques, éthiques, industrielles et citoyennes. Le Health Data Hub, le CCNE, les agences d’évaluation, les sociétés savantes et les associations de patients constituent, lorsqu’ils fonctionnent en synergie, un écosystème de gouvernance de la santé numérique dont la sophistication est rare à l’échelle mondiale. Le mobiliser explicitement dans le cadre d’une diplomatie sanitaire numérique active (en direction des partenaires asiatiques, dans les enceintes de l’OMS, dans les discussions Union européenne-ASEAN) serait à la fois cohérent avec les valeurs que la France défend et stratégiquement pertinent pour son influence internationale.

5.3. Le rôle irremplaçable des espaces de dialogue

Les transformations décrites dans cet article ne se produiront pas par la seule vertu des politiques publiques ni par la seule dynamique des marchés. Elles supposent des espaces de rencontre entre des acteurs qui, laissés à leurs seules logiques institutionnelles, n’auraient guère d’occasions de se parler : un clinicien oncologue de Tokyo et une chercheuse en éthique de l’IA de Lyon, un directeur d’hôpital de Singapour et un responsable de la politique numérique du ministère français de la Santé, un entrepreneur de la healthtech coréenne et un représentant des associations de patients français.

C’est précisément la fonction que remplissent les fondations et les réseaux de Young Leaders qui irriguent ce dialogue franco-asiatique depuis des années : créer les conditions de rencontres qui, sans elles, n’auraient pas lieu, et dans lesquelles se forgent les compréhensions mutuelles à partir desquelles les coopérations concrètes deviennent possibles. À l’heure où l’IA recompose les équilibres de puissance sanitaire mondiale (où la capacité d’un pays à soigner efficacement sa population devient aussi une question de souveraineté numérique et de compétitivité industrielle), ces espaces de dialogue ne sont pas un luxe culturel. Ils sont une infrastructure stratégique.

Conclusion : l’adaptation comme compétence collective

L’intelligence artificielle ne transformera pas les systèmes de soins par la seule force de ses algorithmes. Elle les transformera (ou ne les transformera pas) en fonction de la capacité des organisations qui les composent à apprendre, à s’ajuster, à maintenir la confiance de ceux qui soignent comme de ceux qui sont soignés.

Ce que l’observation des expériences asiatiques révèle, au fond, c’est que l’adaptation n’est pas un état que l’on atteint : c’est une compétence que l’on cultive. Une compétence qui se construit dans les infrastructures de données que l’on choisit de financer, dans les formations que l’on décide de rendre obligatoires, dans les architectures de gouvernance que l’on se donne la peine de concevoir, dans les dialogues internationaux que l’on prend au sérieux plutôt que de les traiter comme des exercices de communication.

L’Asie n’offre pas un modèle à copier. Elle offre un ensemble d’expériences à lire avec soin, dans leur diversité et dans leurs contradictions, pour en extraire ce qui est transposable, critiquer ce qui ne l’est pas, et identifier ce que l’Europe (forte de ses propres valeurs et de ses propres acquis) peut apporter à une conversation dont l’enjeu, in fine, est universel : utiliser l’intelligence artificielle pour soigner mieux, soigner plus équitablement, et soigner en préservant ce qui fait le cœur de la médecine, c’est-à-dire la relation entre un être humain qui souffre et un autre qui s’engage à l’aider.

*****

Jean-Emmanuel Bibault est Professeur des Universités-Praticien Hospitalier en oncologie radiothérapique à l’Hôpital Européen Georges-Pompidou (Université Paris Cité) et chercheur affilié à l’INSERM UMR 1138. Il est également membre du Comité Consultatif National d’Éthique (CCNE) depuis 2025. Alumnus du Stanford AI for Medicine Lab, il est co-auteur des recommandations ESTRO-AAPM sur l’intelligence artificielle en radiothérapie et auteur de 2041, L’Odyssée de la Médecine. Ses travaux portent sur l’intégration clinique de l’IA, les agents décisionnels en oncologie et la gouvernance des systèmes d’IA en santé.

La présente publication exprime les points de vue et opinions des auteurs individuels. En notre qualité de plateforme dédiée au partage d'informations et d'idées, notre objectif est de mettre en avant une pluralité de perspectives. Ainsi, il convient de ne pas interpréter les opinions exprimées ici comme étant celles de la Fondation France-Asie ou de ses affiliés.