L'Intelligence Artificielle (IA) sature l'espace médiatique. Aucun secteur n'y échappe, et la santé ne fait pas exception. En quelques années, ce qui relevait de la recherche fondamentale s'est imposé dans nos outils du quotidien et est en passe de devenir notre allié pour la prise en charge de nos patients. Face aux algorithmes capables de segmenter une rétine au pixel près ou de mener une réfraction de bout en bout, une question légitime peut alors être posée : allons-nous être remplacés par des machines ? La réponse est non. Cependant nos pratiques sont bel et bien en train de basculer dans l'ère du soignant « augmenté » : l'alliance de la puissance de calcul algorithmique et du jugement clinique humain.
Avant d'aller plus loin, une précision s'impose : tout algorithme n'est pas de l'IA. Un algorithme est une suite d'instructions logiques ; il automatise, séquence, calcule. L'IA, elle, apprend à partir de données, s'adapte et produit des résultats que ses concepteurs n'ont pas explicitement programmés. Cette distinction conditionne les exigences réglementaires, les niveaux de validation clinique requis, et la confiance que l'on peut légitimement accorder à un outil.
Les cas d'usage : un panorama déjà concret
Le domaine où les plus grands progrès ont été réalisés est sans conteste celui du dépistage et du triage des images du fond d'oeil. Dès 2010, l'algorithme iGradingM, développé à l'Université d'Aberdeen, était déployé à grande échelle dans le programme national écossais de dépistage de la rétinopathie diabétique, avec une sensibilité de 97,8 % pour la rétinopathie référable.
Si de nombreuses solutions existent sur le marché mondial comme certaines approuvées par la FDA, IDx DR, EyeNuk's EyeArt et AEYE Health, en France, la solution de référence déployable en pratique clinique reste OphtAI. Un dispositif médical marqué CE de classe IIa, dont l'algorithme est issu des travaux du LATIM (Laboratoire de Traitement de l'Information Médicale) de Brest.
Elle analyse les rétinographies en quelques secondes pour isoler les suspicions de pathologies (rétinopathie diabétique, DMLA, glaucome) et concentre le temps médical sur le pathologique.
Son déploiement dans les zones à faible densité médicale, en délégation de tâches, illustre concrètement comment l'IA peut étendre la portée de notre profession sans la remplacer.
La réfraction, elle, voit converger deux dynamiques distinctes. D'un côté, des solutions d'IA à proprement parler : l'Eye Refract de Visionix et SiView, solution française qui s'intègre dans une chaîne de réfraction existante en s'appuyant sur une approche symbolique reproduisant le raisonnement d'un expert, avec des algorithmes qui s'optimisent au fil des examens. Ces systèmes pouvant être utilisés à distance en télémédecine.
De l'autre, des solutions d'automatisation avancées, le Chronos de Topcon ou le Kiosk Glasspop de Nidek, qui fluidifient considérablement l'examen et facilitent la délégation de tâches sans revendiquer l'IA au sens strict. Ces deux dynamiques, robotisation et IA, convergent dans la station EyeLib de Mikajaki, qui les combine pour réaliser une centaine de mesures oculaires en moins de six minutes et automatiser une vingtaine de diagnostics.
D'autres champs de notre pratique, comme la rééducation orthoptique avec les casques de réalité virtuelle, voient émerger des outils algorithmiques prometteurs sans que l'IA y soit encore présente. La prochaine vague viendra probablement de là.
Le cadre réglementaire et ses limites
Tout dispositif intégrant de l'IA à visée diagnostique ou thérapeutique doit répondre à des exigences précises : marquage CE en tant que dispositif médical (DM), attestant de la conformité aux exigences essentielles de sécurité et de performance ; et en France, hébergement des données sur infrastructure certifiée HDS (Hébergeur de Données de Santé).
Ces certifications ne sont pas de simples formalités administratives : elles conditionnent la légitimité clinique et juridique de l'outil. Un algorithme, aussi performant soit-il, ne peut légalement être utilisé dans un cadre de soin s'il ne répond pas à ces standards.
À ces exigences vient s'ajouter l'AI Act européen (Règlement UE 2024/1689), premier texte au monde à réguler l'IA par niveau de risque. Il classe les IA médicales en « Haut Risque » (Art. 6) et exige qu'elles soient conçues de manière à permettre une surveillance humaine effective (Art. 14). Concrètement, l'IA ne dispose d'aucune autonomie décisionnelle consacrée par ce texte : elle opère sous la supervision du professionnel de santé, qui demeure responsable de l'acte clinique. Notre rôle de validation n'est pas une option, c'est une exigence réglementaire, c'est la garantie humaine. Sur le terrain, le déploiement reste cependant freiné par le mur de l'interopérabilité avec les systèmes d'information au sein des structures de santé et par l'absence de valorisation de ces actes dans nos nomenclatures (NGAP/CCAM).
Les risques à ne pas occulter
Les grands modèles de langage (LLM) grand public, ChatGPT, Claude, Gemini, Mistral… ont ouvert de nouvelles perspectives pour les professionnels de santé : rédaction de comptes rendus, synthèse d'information, aide à la formulation. Mais ces outils ne sont pas des dispositifs médicaux certifiés. Leur fonctionnement est opaque et non explicable et au-delà de gêner de potentielles hallucinations, ils n'ont pas été entraînés sur des corpus cliniques validés et ne disposent d'aucune certification HDS. Toute donnée transmise à ces plateformes, même un prénom associé à une date de naissance ou à un motif de consultation, constitue une donnée personnelle de santé au sens du RGPD et engage la responsabilité juridique du professionnel. L'absence de solution spécialisée et conforme dans notre domaine ne justifie pas un usage détourné : elle doit au contraire nous inciter à la vigilance.
L'empreinte environnementale est l'autre angle mort : l'entraînement d'un grand modèle peut générer plusieurs centaines de tonnes de CO₂, et les data centers représentent déjà 1 à 2 % de la consommation électrique mondiale. Chaque requête à un LLM consomme dix fois plus d'énergie qu'une simple recherche web. Les bénéfices cliniques, meilleur dépistage, réduction des erreurs, accès aux soins, doivent être mis en balance en tenant compte de cette réalité.
La sobriété numérique est une posture professionnelle à part entière.
Enfin, le danger le plus sournois reste le biais d'automatisation : face à une machine qui formule une conclusion avec l'aplomb d'un expert, la fatigue aidant, la tentation de lui accorder une confiance excessive est réelle.
Notre valeur ajoutée résidera dans l'esprit critique, le refus de la boîte noire, et l'empathie, ce monopole humain qu'aucun algorithme ne peut simuler.
Ne laissez pas les algorithmes façonner votre profession, emparez-vous d'eux pour la construire.
Bibliographie sélective
(1). Fleming, A. D., et al. (2010). Automated grading for diabetic retinopathy: a large-scale audit using arbitration by clinical experts. Br J Ophthalmol, 94(12), 1606–1610.
(2). Abràmoff, M. D., et al. (2018). Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy. npj Digital Medicine, 1(1), 39.
(3). Parlement européen et Conseil de l'UE. (2024). Règlement (UE) 2024/1689 — AI Act. Journal officiel de l'Union européenne.
(4). Goddard, K., et al. (2012). Automation bias: a systematic review. JAMIA, 19(1), 121–127.
Alexandre VALLON
Orthoptiste au CHU de Nantes, intervenant au département de Nantes
