IA en santé : 8 applications concrètes et ce qu'elles impliquent techniquement

L'IA en santé produit beaucoup d'articles et peu de logiciels. La raison est simple : entre l'idée et le produit, il y a une question que les tribunes évitent, celle du statut réglementaire, et elle change le coût d'un facteur trois.

Ce guide prend le problème dans l'autre sens. Huit applications réellement construites en France, et pour chacune : le problème résolu, l'approche technique, la stack, le statut réglementaire probable, et un budget.

Un mot sur ce statut, justement. Nous indiquons pour chaque cas s'il est susceptible de relever du dispositif médical et donc du régime des systèmes d'IA à haut risque. Ce n'est jamais automatique : la qualification dépend de la destination que vous revendiquez, et elle se documente. Notre arbre de décision en 5 questions permet de la trancher sur votre produit.

---

1. Le scribe de consultation

Le problème

Un médecin passe une part considérable de sa consultation à écrire plutôt qu'à écouter, puis termine ses journées en rattrapant ses comptes rendus. C'est la première cause de saturation administrative citée par les praticiens, et c'est le cas d'usage qui a le mieux décollé en France.

La solution IA

Une transcription de la consultation en temps réel, puis une structuration automatique en compte rendu, que le praticien relit et valide avant intégration dans le dossier.

Comment ça marche concrètement

Captation. Micro du poste ou du mobile, avec un consentement explicite du patient recueilli et tracé en début de consultation. Ce point n'est pas une formalité : c'est l'élément qui rend l'usage défendable.

Transcription. Un modèle de reconnaissance vocale spécialisé, parce qu'un modèle généraliste bute sur le vocabulaire médical, les noms de molécules et les acronymes. La qualité de la transcription détermine tout le reste.

Structuration. Un modèle de langage transforme le verbatim en sections attendues : motif, antécédents, examen clinique, conclusion, conduite à tenir. Le format cible dépend de la spécialité et du logiciel destinataire.

Validation. L'écran de relecture est le cœur du produit, pas un détail. Il doit montrer ce qui a été généré, permettre de corriger vite, et idéalement tracer ce que le praticien a modifié, ce qui alimente l'amélioration du produit.

Stack technique

• Transcription : modèle de reconnaissance vocale spécialisé santé, déployé sur infrastructure certifiée
• Structuration : modèle de langage avec un prompt versionné par spécialité
• Intégration : export vers le logiciel métier, via API si elle existe, sinon par des formats pivots
• Infrastructure : hébergement HDS, aucun prompt ni transcription dans les journaux applicatifs

Statut réglementaire probable

Hors dispositif médical, si le produit se limite à transcrire et mettre en forme ce que le praticien a dit, pour qu'il le relise et le valide. Le glissement se produit si le système commence à proposer un diagnostic, à suggérer une conduite à tenir ou à coder un acte à portée clinique.

En revanche, l'obligation de transparence de l'article 50 de l'AI Act s'applique : un contenu généré doit être signalé comme tel.

Budget

Un produit utilisable en pilote : 8 à 14 semaines, 40 000 à 90 000 €. L'essentiel du travail n'est pas le modèle, c'est l'intégration au logiciel métier du praticien et l'ergonomie de l'écran de validation.

Acteurs français

Nabla, qui s'est imposé sur ce segment et s'intègre notamment dans des logiciels médicaux du marché.

---

2. L'aide à la décision médicamenteuse

Le problème

Un praticien ne peut pas tenir à jour de tête les interactions, les contre-indications et les adaptations posologiques de milliers de molécules, croisées avec le profil du patient : insuffisance rénale, grossesse, allergies, traitements en cours.

La solution IA

Un moteur qui croise la base médicamenteuse avec le profil du patient et signale les problèmes, en langage naturel plutôt qu'en codes.

Comment ça marche concrètement

Données de référence. Les bases médicamenteuses officielles et les référentiels de bon usage. Ce n'est pas un modèle qui invente une réponse, c'est un système qui retrouve et met en forme une information existante. Cette distinction est fondamentale pour la fiabilité.

Recherche sémantique. Un praticien pose sa question en langage naturel. Le système traduit en interrogation structurée, retrouve les éléments pertinents et les restitue avec leur source.

Citation obligatoire. Chaque réponse pointe la source exacte. Un système de ce type sans traçabilité des sources n'est pas utilisable en pratique clinique.

Stack technique

• Socle documentaire : bases médicamenteuses et référentiels, indexés et versionnés
• Recherche : recherche vectorielle combinée à une recherche par mots-clés, la seconde rattrapant ce que la première rate sur les noms de molécules
• Génération : modèle de langage contraint à répondre uniquement à partir des documents retrouvés
• Garde-fou : refus explicite quand aucune source pertinente n'est trouvée, plutôt qu'une réponse plausible

Statut réglementaire probable

Dispositif médical, probablement de classe IIa ou plus. Le système fournit une information utilisée pour prendre une décision thérapeutique, ce qui est le cœur de la règle 11 du MDR. Le module d'IA est ici un composant de sécurité au sens de l'article 6 de l'AI Act, donc un système à haut risque, avec les exigences applicables au 2 août 2028.

Budget

Au-delà de 90 000 € pour la partie logicielle d'un produit destiné à la certification, auxquels s'ajoutent la validation clinique et le poste réglementaire. Voir notre article sur le coût d'un logiciel médical sur mesure.

Acteurs français

Posos, moteur de recherche d'aide à la décision thérapeutique utilisé quotidiennement par des milliers de médecins.

---

3. La détection sur imagerie médicale

Le problème

Le volume d'examens d'imagerie croît plus vite que le nombre de radiologues. La détection d'anomalies fines est chronophage, et la fatigue dégrade la sensibilité en fin de vacation.

La solution IA

Un modèle de vision qui pré-analyse l'examen, signale les zones suspectes et priorise les examens à lire.

Comment ça marche concrètement

Entrée. Les images au format DICOM, récupérées depuis le PACS. L'intégration au flux existant est la moitié du projet : un outil qui oblige à exporter manuellement des images ne sera pas utilisé.

Modèle. Réseaux de neurones convolutifs ou architectures plus récentes, entraînés sur des corpus annotés par des praticiens. La difficulté n'est pas l'architecture, elle est publique : c'est le jeu de données annoté et sa représentativité.

Restitution. Surcouche visuelle sur l'examen, avec un niveau de confiance et la possibilité de masquer les suggestions. Le radiologue doit pouvoir travailler sans, s'il le souhaite.

Priorisation. Souvent la vraie valeur : remonter en haut de la liste de travail les examens qui présentent un signe critique.

Stack technique

• Intégration : DICOM, connecteur PACS, respect des flux de travail existants
• Modèle : vision, servi sur GPU en environnement certifié
• Annotation : plateforme d'annotation avec plusieurs lecteurs et résolution des désaccords
• Suivi : mesure continue de la sensibilité et de la spécificité en production

Statut réglementaire probable

Dispositif médical, classe IIa à III selon la gravité des conséquences d'une erreur. C'est le cas d'usage le plus clairement à haut risque de cette liste, et celui où la validation clinique pèse le plus lourd dans le budget.

Budget

Le logiciel est rarement le poste principal. La constitution et l'annotation du jeu de données, la validation et le dossier réglementaire dominent. Un projet de ce type se compte en centaines de milliers d'euros et en années, pas en mois.

Acteurs français

Incepto Medical sur l'imagerie, Primaa sur l'analyse de biopsies, Byond sur la biologie médicale.

---

4. Le pré-triage et l'orientation

Le problème

Les demandes de soins non programmés arrivent par tous les canaux, et l'orientation consomme du temps de professionnel : est-ce une urgence, une téléconsultation, un rendez-vous en ville ?

La solution IA

Un questionnaire adaptatif qui affine l'orientation au fil des réponses, plutôt qu'un formulaire figé.

Comment ça marche concrètement

Arbre de décision plutôt que modèle libre. C'est le point technique important. Sur un cas d'usage à conséquence clinique, un modèle génératif libre est le mauvais outil : il est difficile à valider et imprévisible. Un arbre de décision explicite, éventuellement enrichi d'un modèle pour comprendre la formulation libre du patient, se valide et s'audite.

Le modèle sert de traducteur, pas de décideur. Il convertit « j'ai mal là depuis hier soir et ça remonte dans le bras » en éléments structurés qui alimentent l'arbre. La décision reste dans des règles lisibles.

Sortie prudente. En cas de doute, l'orientation par défaut doit être la plus sûre, pas la plus efficiente.

Stack technique

• Moteur de règles : arbre de décision versionné, testable, relu par des cliniciens
• Compréhension : modèle de langage pour la seule extraction d'éléments structurés
• Traçabilité : chaque orientation conserve les réponses et la règle appliquée
• Sécurité : détection de signaux d'alerte court-circuitant l'arbre

Statut réglementaire probable

Dispositif médical si l'orientation repose sur un critère clinique. La classe dépend des conséquences d'une erreur d'orientation, et sur des symptômes potentiellement graves, ces conséquences sont lourdes. À qualifier tôt.

Budget

60 000 à 150 000 € pour la partie logicielle selon la profondeur de l'arbre et le nombre de motifs couverts, hors validation clinique.

---

5. L'extraction de données structurées depuis des documents

Le problème

Une part énorme de l'information médicale est enfermée dans du texte libre : courriers, comptes rendus d'hospitalisation, résultats scannés. Elle est illisible par les machines, donc inexploitable pour la coordination, la recherche ou le pilotage.

La solution IA

Un traitement qui lit ces documents et en extrait des données structurées : diagnostics, traitements, dates, valeurs biologiques, avec un lien vers le passage d'origine.

Comment ça marche concrètement

Océrisation d'abord. Sur des documents scannés, la qualité de l'OCR plafonne tout le reste. C'est souvent là qu'il faut investir en premier.

Extraction ciblée. Plutôt que de demander au modèle de « tout extraire », on définit un schéma de sortie précis, champ par champ, avec des types et des valeurs autorisées.

Ancrage dans la source. Chaque valeur extraite pointe l'endroit du document dont elle vient. Sans ça, aucune correction humaine n'est possible à l'échelle.

Seuil de confiance et file de relecture. Les extractions sous le seuil partent en relecture humaine. Ce circuit fait partie du produit, il n'est pas un aveu d'échec.

Stack technique

• OCR : moteur adapté aux documents dégradés, avec conservation des coordonnées
• Extraction : modèle de langage contraint à un schéma de sortie strict
• Terminologies : alignement sur les référentiels (CIM-10, LOINC, SNOMED CT) plutôt que du texte libre en sortie
• Interopérabilité : restitution en FHIR, voir notre guide HL7 FHIR

Statut réglementaire probable

Hors dispositif médical dans la plupart des configurations, tant que le système structure de l'information existante sans l'interpréter à visée diagnostique ou thérapeutique. La frontière est franchie si l'extraction devient une suggestion clinique.

Budget

35 000 à 80 000 € pour un périmètre documentaire défini. Le coût est proportionnel au nombre de types de documents, pas au volume traité.

---

6. Le codage PMSI et la facturation

Le problème

Le codage des séjours conditionne le financement des établissements. Il est fait à partir des comptes rendus, il est chronophage, et l'écart entre ce qui a été fait et ce qui est codé représente des recettes perdues.

La solution IA

Une proposition de codage à partir des documents du séjour, que le technicien d'information médicale valide ou corrige.

Comment ça marche concrètement

Proposition, jamais décision. Le système suggère les codes diagnostics et actes, avec pour chacun le passage du dossier qui le justifie. Le professionnel valide. Cette architecture est à la fois la plus défendable et la plus efficace, parce que la justification accélère la validation.

Détection des oublis. La valeur principale n'est pas de coder plus vite, c'est de repérer ce qui a été fait et n'a pas été codé, en croisant les documents du séjour.

Contrôle de cohérence. Signaler les associations improbables ou non conformes aux règles de codage avant l'envoi.

Stack technique

• Socle : classifications CIM-10 et CCAM, règles de groupage
• Extraction : le même pipeline documentaire qu'au cas d'usage 5
• Interface : écran de validation avec justification par citation
• Mesure : suivi du taux d'acceptation des propositions, par service

Statut réglementaire probable

Hors dispositif médical. La finalité est administrative et financière, pas diagnostique ou thérapeutique. C'est un des rares cas d'usage de cette liste où l'IA touche au dossier médical sans entrer dans le champ du MDR, ce qui en fait un excellent premier projet.

Attention toutefois : les données traitées restent des données de santé, avec l'hébergement et le cadre RGPD qui vont avec.

Budget

50 000 à 120 000 € selon le périmètre de spécialités couvertes et la profondeur d'intégration au système d'information hospitalier.

---

7. La recherche sémantique dans le référentiel

Le problème

Les recommandations de bonne pratique, les protocoles internes et les procédures existent, mais personne ne les retrouve au moment où la question se pose. Le savoir est disponible et inaccessible.

La solution IA

Une recherche en langage naturel dans le corpus documentaire, qui répond en citant le passage exact.

Comment ça marche concrètement

Le corpus est le produit. La qualité du résultat dépend entièrement de ce qu'on indexe, de la fraîcheur des documents et du retrait des versions obsolètes. Un corpus mal tenu produit des réponses fausses avec assurance.

Découpage soigné. Un document long se découpe en passages qui gardent leur contexte. Un découpage naïf produit des passages inutilisables.

Réponse avec source, toujours. Et un refus explicite quand le corpus ne contient pas la réponse.

Pas de données de patients. C'est le point remarquable de ce cas d'usage : il ne traite aucune donnée de patient. Il sort donc du cadre de l'hébergement de données de santé, ce qui simplifie radicalement l'architecture.

Stack technique

• Indexation : recherche vectorielle plus recherche par mots-clés, avec réordonnancement
• Génération : modèle contraint aux passages retrouvés
• Gouvernance : cycle de vie documentaire, retrait des versions périmées
• Infrastructure : pas de contrainte HDS si aucune donnée de patient ne transite, à valider au cas par cas

Statut réglementaire probable

Hors dispositif médical, dès lors que le système restitue une recommandation existante sans la personnaliser au cas d'un patient. Personnaliser la réponse à un patient donné change la qualification.

Budget

20 000 à 45 000 €. C'est le cas d'usage le moins cher et le moins risqué de cette liste, et le meilleur candidat pour un premier projet d'IA dans une structure.

---

8. La détection de dégradation en télésurveillance

Le problème

Un patient suivi à domicile envoie des mesures régulières. Les professionnels qui les reçoivent croulent sous les données et sous les alertes de seuil, dont la plupart ne sont pas cliniquement pertinentes.

La solution IA

Un modèle qui apprend la variabilité propre à chaque patient et alerte sur les évolutions inhabituelles, plutôt que sur le franchissement d'un seuil absolu.

Comment ça marche concrètement

Modèle par patient plutôt que seuil global. Ce qui est anormal pour un patient est normal pour un autre. L'alerte se déclenche sur l'écart à la trajectoire habituelle de la personne.

Fenêtres temporelles. Une valeur isolée dit peu de chose, une tendance sur plusieurs jours dit beaucoup. Le modèle travaille sur des séries, pas sur des points.

Lutte contre la fatigue d'alerte. Le vrai indicateur de succès n'est pas le nombre d'alertes générées, c'est le taux d'alertes jugées pertinentes par les professionnels. Cette boucle de retour doit exister dans le produit dès le départ.

Stack technique

• Données : séries temporelles, base adaptée à ce type de stockage
• Modèle : détection d'anomalies sur séries, modèle par patient enrichi d'un modèle de population pour le démarrage à froid
• Alerting : niveaux de gravité, escalade, traçabilité de la prise en charge de chaque alerte
• Boucle : retour du professionnel sur la pertinence, réinjecté dans le réglage

Statut réglementaire probable

Dispositif médical, classe IIa ou IIb. Un logiciel destiné à surveiller des processus physiologiques relève de la règle 11, et la classe monte si les paramètres surveillés sont vitaux et qu'une variation peut entraîner un danger immédiat.

Budget

80 000 à 200 000 € pour la partie logicielle, hors validation clinique et hors dossier réglementaire.

---

Le tableau de bord de décision

Application	Dispositif médical probable	Données de patients	Premier projet réaliste
Scribe de consultation	Non	Oui	Oui
Aide à la décision médicamenteuse	Oui, IIa et plus	Oui	Non
Imagerie médicale	Oui, IIa à III	Oui	Non
Pré-triage	Oui si critère clinique	Oui	Non
Extraction documentaire	Généralement non	Oui	Oui
Codage PMSI	Non	Oui	Oui
Recherche sémantique	Non	Non	Oui, le plus simple
Télésurveillance prédictive	Oui, IIa ou IIb	Oui	Non

Ce tableau donne la lecture stratégique de la liste. Les cas d'usage qui ne sont pas des dispositifs médicaux se livrent en quelques mois. Ceux qui en sont se comptent en années, parce que le logiciel n'est qu'une partie du travail.

Pour un fondateur qui démarre, la question n'est donc pas « quel est le cas d'usage le plus impressionnant », mais « quel est celui qui met un produit entre les mains d'utilisateurs avant que la trésorerie ne s'épuise ». Les trois derniers de la colonne de droite sont les réponses habituelles.

Ce qui est commun aux huit

Quel que soit le cas d'usage, quatre chantiers reviennent, et ils pèsent plus lourd que le choix du modèle.

Le jeu de données. Provenance, base légale, formalité CNIL, versionnement, reproductibilité. C'est le sujet le plus long et le seul qui ne se rattrape pas. Détail dans notre article sur l'entraînement d'une IA sur des données de santé.

L'hébergement. Le modèle et les données doivent vivre dans un périmètre certifié, et tous les services d'IA ne sont pas dans le périmètre HDS de leur fournisseur. Détail dans IA générative et données de santé.

L'intégration au logiciel existant. Aucun de ces produits ne s'utilise seul. Le praticien travaille dans son dossier patient, son PACS ou son logiciel de cabinet. Un outil qui impose un aller-retour ne sera pas adopté, quelle que soit la qualité du modèle. C'est systématiquement la moitié du travail.

La supervision humaine dans l'interface. Niveau de confiance affiché, justification visible, rejet aussi simple que l'acceptation, décision finale tracée. C'est une exigence réglementaire pour les systèmes à haut risque, et une condition d'adoption pour tous les autres.

FAQ

Quel cas d'usage choisir pour un premier projet d'IA en santé ?

La recherche sémantique dans un corpus documentaire, le codage PMSI ou l'extraction documentaire. Ce sont les trois qui ne relèvent probablement pas du dispositif médical, donc qui permettent de livrer un produit en quelques mois et d'apprendre sur des données réelles avant d'attaquer un cas d'usage clinique.

Un scribe médical est-il un dispositif médical ?

Probablement pas, s'il se limite à transcrire et mettre en forme les propos du praticien, qui relit et valide. La qualification change si le système propose un diagnostic, suggère une conduite à tenir ou code un acte à portée clinique. La frontière se documente dans la notice et l'analyse de risques.

Combien coûte un projet d'IA en santé ?

Le facteur déterminant n'est pas le modèle, c'est le statut réglementaire. Un cas d'usage hors dispositif médical se situe entre 20 000 et 120 000 € selon le périmètre. Un dispositif médical se compte en centaines de milliers d'euros, parce que la constitution du jeu de données, la validation et le dossier réglementaire dominent le coût du logiciel.

Peut-on utiliser un modèle du marché ou faut-il entraîner le sien ?

Les deux existent dans cette liste. L'extraction documentaire, la recherche sémantique et la structuration de comptes rendus s'appuient très bien sur des modèles existants correctement encadrés. L'imagerie et la détection d'anomalies sur séries temporelles demandent un modèle entraîné sur vos données. Utiliser un modèle du marché ne vous dispense pas des obligations de fournisseur si vous mettez le système sur le marché sous votre nom.

Faut-il un médecin dans l'équipe ?

Pour les cas d'usage cliniques, oui, et pas seulement en conseil ponctuel. L'annotation, la définition des critères d'inclusion, le protocole d'évaluation et la relecture des règles demandent une présence continue. C'est aussi ce qui explique que beaucoup de healthtechs françaises soient fondées par des praticiens.

Ce que nous faisons chez Bob le développeur

Nous développons des logiciels de santé sous contraintes HDS et RGPD depuis 2017, pour des éditeurs et des établissements dont l'AP-HP, avec des projets comme un dashboard de pilotage chirurgical ou une plateforme de médecine prédictive.

Sur un projet d'IA, nous commençons par la qualification, parce qu'elle décide du budget et du calendrier, puis nous traitons les quatre chantiers communs ci-dessus. Le modèle vient après, et c'est rarement lui qui pose problème.

Notre page développement d'IA en santé détaille notre approche, et vous pouvez nous décrire votre projet pour un premier ordre de grandeur.