Les modèles d’intelligence artificielle en médecine suscitent un intérêt considérable. En théorie, ils peuvent traiter de grandes quantités d’informations, détecter des motifs subtils dans les données et offrir des réponses sans jamais être fatigués ou surchargés. Pourtant, malgré des milliers de modèles développés chaque année dans les universités et les entreprises, très peu ont réussi à s’implanter concrètement dans les hôpitaux ou les cabinets médicaux. Ce fossé entre l’innovation et l’application clinique s’explique par plusieurs défis majeurs. Premièrement, la plupart des modèles sont entraînés sur des données de recherche, souvent partielles, non représentatives ou provenant de contextes très spécifiques. Ces données ne reflètent pas toujours la diversité des patients, les variations des protocoles de soins ou les contraintes réelles des établissements de santé. Un modèle performant dans un laboratoire peut échouer en milieu clinique, où les données sont bruitées, incomplètes ou mal structurées. Deuxièmement, les modèles sont souvent conçus comme des « boîtes noires » : ils produisent des prédictions, mais sans expliquer comment. Cette absence de transparence nuit à la confiance des médecins, qui ont besoin de comprendre les raisons derrière une recommandation pour l’intégrer dans leur pratique. En outre, sans interprétabilité, il devient difficile d’identifier les biais ou les erreurs, ce qui pose des risques éthiques et médicaux. Troisièmement, l’intégration dans les systèmes informatiques hospitaliers reste un obstacle majeur. Les modèles doivent s’adapter à des logiciels hétérogènes, des formats de données variés et des procédures cliniques bien établies. Sans une intégration fluide, même les meilleures solutions technologiques restent inaccessibles aux praticiens. Pour surmonter ces obstacles, plusieurs pistes s’imposent. Il est essentiel de développer des modèles entraînés sur des données réelles, diversifiées et représentatives, issues de plusieurs centres de santé. Cela nécessite des collaborations étroites entre chercheurs, cliniciens et institutions. Par ailleurs, l’accent doit être mis sur l’interprétabilité : les modèles doivent non seulement prédire, mais aussi justifier leurs décisions de manière claire et compréhensible. Enfin, l’innovation doit s’accompagner d’un travail de co-conception avec les professionnels de santé. Impliquer les médecins dès la phase de conception permet de s’assurer que les outils répondent à des besoins réels, s’intègrent dans les flux de travail existants et améliorent, plutôt que de compliquer, la prise de décision clinique. En somme, pour que l’intelligence artificielle devienne un allié crédible en médecine, il ne suffit pas de créer des algorithmes performants. Il faut aussi penser à leur contexte d’usage, à leur transparence, à leur intégration et à leur acceptabilité par les soignants. Seule une approche centrée sur le clinicien et le patient permettra de transformer les promesses de l’IA en réalité bénéfique pour la santé publique.