L’IA dans la santé : cas d’usage concrets, acteurs français et stratégie en 2026

Au CHU de Nancy, 440 000 connexions mensuelles à des IA génératives ont été comptabilisées, dont 84 000 par les internes — et 60 % via ChatGPT, sans contrôle ni sécurisation des données de santé. Ce chiffre, présenté lors du colloque « IA à l’Hôpital » en novembre 2025, illustre un paradoxe : les usages de l’IA en santé explosent, mais le cadre pour les encadrer n’avance pas au même rythme.

La France a pourtant les moyens de ses ambitions. Le gouvernement a annoncé 119 millions d’euros pour former 500 000 soignants à l’IA dès 2025, une stratégie nationale IA et données de santé 2025-2028, et des appels à manifestation d’intérêt pour déployer l’IA en établissements de santé. L’écosystème français de la HealthTech (Owkin, Therapixel, Incepto, AZmed, Gleamer) est l’un des plus dynamiques d’Europe. Reste à passer de l’expérimentation à l’industrialisation.

Imagerie médicale : le cas d’usage le plus mature

L’imagerie médicale est le domaine où l’IA en santé a le plus progressé. Les algorithmes de computer vision analysent les radiographies, mammographies, scanners et IRM pour détecter des anomalies que l’oeil humain peut manquer — fractures subtiles, nodules pulmonaires, lésions mammaires.

En France, trois acteurs se distinguent dans la détection par IA :

• AZmed (Rayvolve) — suite d’IA pour la détection des fractures osseuses, déployée dans plus de 2 500 établissements. Marquage CE et autorisation FDA obtenus. Le partenariat avec Incepto permet d’intégrer les résultats directement dans les systèmes PACS/RIS et de générer automatiquement les comptes rendus radiologiques.
• Therapixel — spécialisé dans la détection du cancer du sein par IA. L’étude nationale AURELIA, soutenue par Bpifrance, évalue l’apport de l’IA en première lecture de mammographie sur 41 000 femmes. Le cancer du sein peut être guéri dans 90 % des cas s’il est détecté à temps : l’IA vise à réduire les délais et les faux négatifs.
• Gleamer (BoneView) — IA de détection des fractures, validée cliniquement et intégrée dans les workflows des urgences. Évaluée par DRIM France IA aux côtés de Milvue et AZmed.

L’impact est concret : jusqu’à 45 % de temps gagné sur la rédaction des comptes rendus radiologiques (Incepto/TANGO). Les trois priorités de la stratégie nationale pour 2026 incluent d’ailleurs la généralisation des outils d’IA en imagerie médicale, aux côtés de l’aide à la décision médicale et de l’automatisation des comptes rendus.

Aide à la décision et médecine prédictive

Au-delà de l’imagerie, l’IA prédictive s’applique à plusieurs domaines cliniques :

• Détection précoce du sepsis — des algorithmes analysent en continu les constantes des patients hospitalisés pour détecter les signes avant-coureurs d’infection généralisée, plusieurs heures avant l’apparition des symptômes cliniques. C’est l’une des trois priorités de déploiement pour 2026 identifiées par la Délégation au Numérique en Santé (DNS).
• Génomique et oncologie de précision — Owkin, startup française spécialisée en IA pour la recherche biomédicale, développe des modèles capables d’identifier des biomarqueurs non visibles à l’oeil humain dans les lames de pathologie. Ces analyses ouvrent des voies thérapeutiques nouvelles en oncologie, en prédisant la réponse des patients aux traitements.
• Essais cliniques et données synthétiques — l’IA permet de simuler des cohortes de patients pour les maladies rares, où le nombre de cas réels est insuffisant pour des études traditionnelles. La stratégie nationale prévoit un appel à projets dédié à cette approche.
• Pharmacovigilance — des modèles de NLP analysent les effets indésirables rapportés dans les bases de données de santé pour détecter des signaux faibles en temps réel.

Automatisation hospitalière : dégager du temps pour le soin

L’IA en santé ne se résume pas au diagnostic. Une part considérable de la valeur se trouve dans l’automatisation des tâches administratives et logistiques qui pèsent sur les soignants.

Comptes rendus médicaux et documentation

La rédaction des comptes rendus est l’une des tâches les plus chronophages pour les médecins. L’IA générative, couplée à la reconnaissance vocale, permet de générer des comptes rendus structurés en temps réel, pendant la consultation ou l’examen. TANGO (Incepto) automatise la rédaction des comptes rendus de radiologie. Des solutions similaires se développent pour les comptes rendus de consultation, les lettres de sortie et les courriers aux correspondants.

Codage des actes et facturation

Le codage PMSI (Programme de Médicalisation des Systèmes d’Information) est un processus complexe qui conditionne le financement des hôpitaux. Des solutions d’IA analysent les dossiers médicaux pour proposer automatiquement les codes adaptés, réduisant les erreurs de codage et les pertes de recettes.

Planification des ressources et gestion des flux

L’IA prédictive aide à anticiper les pics d’affluence aux urgences, à optimiser la planification des blocs opératoires et à prévoir les besoins en effectifs. C’est l’un des AMI lancés par la DGOS en 2025 : le déploiement de l’IA pour la gestion RH et les urgences hospitalières.

L’écosystème français de la HealthTech IA

La France dispose d’un écosystème HealthTech parmi les plus dynamiques d’Europe. Voici les acteurs de référence :

La stratégie nationale IA et données de santé 2025-2028

Le gouvernement a structuré sa stratégie autour de plusieurs axes concrets :

• 119 millions d’euros pour former 500 000 soignants à l’IA dès 2025, avec un objectif de 50 % de professionnels formés d’ici 2027.
• Hébergement souverain du SNDS — la Plateforme des Données de Santé (Health Data Hub) a lancé un appel d’offres pour l’hébergement souverain de la copie du Système National des Données de Santé. Mise en service attendue pour l’été 2026.
• Trois priorités de déploiement pour 2026 — aide à la décision médicale (détection précoce du sepsis), imagerie médicale (généralisation des outils IA), automatisation des comptes rendus (réduction de la charge administrative).
• AMI IMPACT IA — appel à manifestation d’intérêt pour tester les dispositifs médicaux numériques intégrant de l’IA en conditions réelles, dans les établissements de santé.
• EHDS (Espace Européen des Données de Santé) — le règlement européen entré en vigueur en mars 2025 impose la mise à disposition des données de santé pour des usages secondaires (recherche, innovation), dans un cadre sécurisé et harmonisé.

Les freins à lever pour passer à l’échelle

Formation insuffisante. Seulement 6 % des personnels hospitaliers sont formés à l’IA (baromètre CAIH/Ifop/Uniha 2025). L’objectif de 50 % d’ici 2027 est ambitieux. Sans formation adaptée, les outils restent sous-utilisés ou mal utilisés — avec des risques sur la confidentialité des données de santé.

Hébergement des données de santé (HDS). Les outils d’IA grand public (ChatGPT, Claude) ne respectent pas les exigences d’hébergement des données de santé. Les établissements ont besoin de LLM souverains déployés dans des environnements certifiés HDS. C’est le chantier en cours avec la stratégie nationale et le Health Data Hub.

Validation clinique et marquage CE. Un algorithme performant en laboratoire ne suffit pas. Les dispositifs médicaux numériques intégrant de l’IA doivent obtenir le marquage CE selon le Règlement européen des dispositifs médicaux (MDR) — et bientôt se conformer aussi à l’AI Act pour les systèmes à haut risque (août 2026). Une période de transition est prévue pour les dispositifs déjà déployés mais non certifiés.

Interopérabilité des systèmes. Les hôpitaux utilisent des dizaines de logiciels différents (DPI, PACS, RIS, LAB). Intégrer un outil d’IA dans ce paysage fragmenté reste un défi technique et organisationnel. Le programme Ségur Vague 2 vise à améliorer l’interopérabilité, mais le chemin est long.

L’IA en santé : entre transformation historique et responsabilité maximale

La santé est le secteur où l’IA peut avoir l’impact le plus direct sur la vie humaine — en positif (diagnostic précoce, traitement personnalisé, temps libéré pour le soin) comme en négatif (biais algorithmiques, faux positifs, exposition de données sensibles). Cette dualité impose une rigueur que les autres secteurs n’exigent pas au même niveau.

L’écosystème français a les moyens de jouer un rôle de premier plan : des acteurs technologiques reconnus (Owkin, Therapixel, Incepto, AZmed), une stratégie nationale financée, un cadre réglementaire exigeant mais structurant (RGPD + AI Act + MDR), et des données de santé parmi les plus riches au monde grâce au SNDS.

Pour les entreprises du secteur, le message est clair : l’IA en santé n’est plus expérimentale. Les cas d’usage sont documentés, les résultats sont mesurables, et le cadre réglementaire se stabilise. La fenêtre pour passer de l’expérimentation à l’industrialisation est ouverte — et elle ne le restera pas indéfiniment. Un audit de maturité IA intégrant les spécificités du secteur santé (HDS, MDR, AI Act) est le premier pas vers un déploiement responsable et pérenne.