Technologies

Davos 2026 : la santé doit moderniser sa data avant de bénéficier de l'IA

La capacité de l’IA à améliorer les systèmes de santé est limitée par les systèmes de données existants. (Photo : Pixabay)

Le secteur de la santé pourrait être révolutionné par l'IA. Mais, pour ce faire, son architecture de données doit se moderniser.

PublicitéA l'occasion de Davos 2026, qui réunit environ 3000 personnalités au coeur des Alpes Suisse entre le 20 et le 24 janvier sur le thème « Collaboration for the Intelligent Age », le Forum économique mondial (WEF) souligne que le potentiel de l'IA dans la santé reste entravé par l'organisation des données dans le secteur.

Une architecture de données à entièrement repenser

Selon une étude du Forum économique mondial parue avant la réunion annuelle de Davos, l'Intelligence Artificielle a la capacité de transformer le système de santé à l'échelle mondiale. Mais, en France et ailleurs, cette mutation attendue fait face à un obstacle majeur : une structure de données obsolète qui empêche l'automatisation par IA.

L'enjeu est là, permettre une exploitation sûre et simplifiée d'informations cliniques pertinentes via leur extraction automatique, par exemple depuis les comptes-rendus rédigés par les personnels hospitaliers. Mais, depuis des années, les systèmes de données des différents acteurs sont incompatibles entre eux. Alors pour permettre à ceux-ci d'évoluer, une nouvelle architecture de données multimodale est nécessaire, selon le WEF. L'adoption de celle-ci permettrait d'offrir de meilleurs soins de santé aux populations. Car elle permettrait, ensuite, d'exploiter l'IA pour réduire la charge administrative et les temps de saisie manuelle du personnel de santé, véritable bête noire de la profession, et de fournir une aide au diagnostic des patients.

La mise en place d'une architecture de données de santé pensée pour l'IA nécessite toutefois la reconnaissance de la santé en tant que bien national, selon le rapport du WEF. Car, à l'heure actuelle, même les organisations et les pays les plus avancés sur le plan numérique ne possèdent pas l'architecture appropriée, indispensable aux futurs systèmes d'IA autonomes et raisonnants. En France, le constat du WEF renvoie aux errements du DMP, dossier médical partagé puis personnel, dont les origines remontent à 2004. Censé faciliter l'échange des données sur les patients entre professionnels de santé, le projet aurait coûté 500 M€ à l'Etat rien que sur ses 10 premières années, selon des informations du Parisien en 2014.

Le stade théorique déjà dépassé

A plus petite échelle, l'utilisation de l'IA dans le domaine de la santé est déjà bien ancrée, en particulier lorsqu'elle n'est pas freinée par des structures de données complexes. Ainsi, à Singapour, le système de documentation à base de GenAI, Note Buddy, transcrit et résume les consultations des patients en notes cliniques dans quatre langues simultanément. Aux Etats-Unis, à la Mayo Clinic, l'outil IA StateViewer aide les cliniciens à identifier plus rapidement 9 types de démence à partir d'un seul examen d'imagerie cérébrale, par comparaison des résultats à une vaste base de données d'images de patients atteints de démence.

PublicitéUn instrument de prévision, le CHARTWatch, au UHN (University Health Network) de Toronto (Canada), a réussi à diminuer de 26% la mortalité imprévue dans le département de médecine interne, grâce à la numérisation. « Les systèmes d'alerte précoce basés sur l'apprentissage automatique sont des technologies prometteuses pour améliorer les résultats cliniques », constate le CMAJ (Canadian Medical Association Journal).

Des données non exploitables

Le Forum économique mondial a également identifié la recherche médicale comme un autre enjeu de cette numérisation. Un grand nombre d'informations importantes y demeurent enfouies dans des notes ou des images complexes et restent difficiles à extraire par les méthodes de recherche traditionnelles.

C'est là que la vectorisation entre en jeu. Elle ouvre une voie pour extraire et fusionner des données multimodales, allant des textes et séquences du génome aux données brutes. Ce qui donne à l'IA la possibilité d'identifier des liens complexes, tels que la mise en parallèle de symptômes avec des cas antérieurs ou la récupération de résultats de recherche précis, favorisant de nouvelles découvertes.

Pour assurer la conformité de ces analyses aux directives cliniques et opérationnelles, l'IA en santé a toutefois besoin d'un environnement et d'un contexte clairement définis. Pour le WEF, les graphes de connaissances offrent une approche pour éclairer et justifier les décisions et résultats de l'IA en s'appuyant sur des données cliniques contextualisées et validées. Objectifs : s'assurer que les conseils de l'IA sont fiables et peuvent être vérifiés par les équipes médicales.