vignette|Rayon X d'une main, avec calcul automatique de l'âge osseux par un logiciel informatique.

L'intelligence artificielle (IA) dans la santé, parfois confondue avec la notion connexe et plus large de santé numérique ou e-santé) est l'utilisation d'algorithmes et de logiciels, ainsi que de robots pilotés par l'IA, pour l'analyse et l'utilisation de données médicales complexes, ainsi que des savoirs et savoir-faire (en chirurgie notamment).

Dans les systèmes de santé (dont hôpitaux, cliniques, universités et autres institutions), l'IA sert à aider au diagnostic différentiel et précoce, la médecine préventive et prédictive (prédiction des épidémies y compris), le suivi individualisé du patient, l'appui au choix d'une thérapie, l'automatisation des analyses (faites sans intervention humaine directe), l'aide à l'interprétation de résultats d'examens complémentaires, la gestion des données médicales et la recherche médicale ; et elle a bien d'autres usages possibles. (soins intensifs., médecine prédictive, thérapies connectées, télémédecine avancée, chirurgie robotique autonome, dispositifs médicaux intelligents ajustant les traitements en temps réel, optimisation des soins via des assistants vocaux, prothèses intelligentes...), au profit d'une médecine plus personnalisée, d'une détection plus précoce des maladies, de soins améliorés (en ambulatoire notamment)..

L'efficacité de l'IA dépend cependant de la qualité de ses données d'apprentissage, et elle peut être une technologie à double tranchant.. Elle a évolué rapidement ces dernières décennies, passant des premiers systèmes experts aux réseaux de neurones dédiés à l'apprentissage profond. qui ont dans les années 2020 des applications encore émergentes, mais rapidement croissantes, dans la santé humaine et vétérinaire et dans la pharmacologie, dans la santé mentale, l'édition génomique médiée par l'IA, les outils d'IA pour l'épidémiologie et le suivi des données de santé, les neurotechnologies médiées par l'IA, l'inclusion de la neurodiversité médiée par l'IA...

L'intégration de l'IA dans les services de santé pose des défis éthiques, organisationnels, réglementaires et systémiques sans précédent. Les agents conversationnels intelligents (ChatGPT...) transforment la relation médecin-patient. . La collecte, la normalisation/anonymisation et la confidentialité de ces données sont des enjeux du domaine tels qu'on cherche parfois à les remplacer par des données synthétiques. L'opacité des modèles profonds est un défi, ils doivent devenir compréhensibles pour les professionnels de santé ; un autre défi est d'allier ces avancées technologiques à une meilleure prise en compte de leurs impacts énergétiques, sociotechniques, climatiques et environnementaux, dans une approche systémique de la santé humaine, animale et environnementale.

Objectifs Parmi les objectifs de l'IA dans le domaine de la santé figurent : des économies pour les budgets de santé publique : par exemple, une étude (2024) estime que les plateformes d'IA existantes pourraient générer jusqu'à 360 milliards de dollars d'économies annuelles aux Etats-Unis en optimisant les diagnostics et les tâches administratives, en détectant mieux les fraudes. Mais des hôpitaux, médecins et assureurs (ou patients ou hackers) pourraient aussi utiliser l'IA (scribes numériques notamment), pour justifier des prestations supplémentaires et maximiser leur facturation et leurs revenus (ou frauder), alors que les incitations du marché encouragent à gonfler le volume des services avec les prix élevés plutôt que de contrôler les coûts.. l'amélioration de l'imagerie médicale et du diagnostic ( synthèse d'images médicales dynamiques 4D, par apprentissage génératif)Cao Y.H (2024). Thèse doctorale : Apprentissage génératif pour la synthèse d'images médicales dynamiques 4D ; Université de Bretagne occidentale-Brest | url= https://theses.hal.science/tel-04632074/document ; par exemple, en 2025, les systèmes multimodaux d'IA atteignent désormais 96 % de précision dans la détection précoce du cancer du sein, et elle peut réduire de 40 % le temps d'analyse des IRM. l'intelligence artificielle (IA) progresse rapidement dans le secteur de la santé, avec des projections indiquant qu'elle pourrait atteindre une valeur de 148,4 milliards de dollars d'ici 2029.. l'aide à la décision, en temps réel ou différée, aux professionnels du soin, pour la prévention, le diagnostic (des maladies rares notamment, afin de diminuer l'errance diagnostique)., le traitement (dont choix du type et dosage de médicament), le suivi du patient (), des réponses rapides aux questions médicales ; l'aide à la formation des soignants, des tiers-aidants ; l'aide aux patients (conseils de prévention, prises de rendez vous, réponse à certaines questions, formation, et soutien émotionnel disponible 24 heures sur 24 ; l'automatisation de tâches administratives (prise et gestion de rendez-vous, aide à la codification, rédaction automatique de brouillons de rapports médicaux), aide à la prise de décisions cliniques et à la conduite d'essais cliniques, au profit d'un gain de temps pour les soignants. Une étude (MIT Technology Review Insights et GE Healthcarehttps://mittrinsights.s3.amazonaws.com/ai-effect.pdf. faite auprès de 900 professionnels de santé aux États-Unis et au Royaume-Uni, sur les effets de l'IA sur leur quotidien a montré que pour 61 % d'entre eux, l'IA a diminué le temps passé à remplir des dossiers et à écrire des rapports. Quarante-cinq pour cent des répondants estiment qu'ils ont ainsi pu passer plus de temps pour leurs patients. l'amélioration de la recherche médicale (génétique, toxicologie, pharmacologie, diagnostic, pronostic…) une analyse plus fine des relations entre la prévention, les traitements et, d'autre part, l'état de santé des patients E. Coiera (1997) Guide to medical informatics, the internet and telemedicine Chapman & Hall, Ltd.. L'IA améliore le diagnostic (notamment dans le domaine de l'imagerie médicale et des analyses biologiques), le protocole de traitement, le développement, choix et dosage de médicaments, pour une médecine personnalisée ; des soins plus personnalisés, leur évaluation et suivi. Ex : des institutions médicales telles que la Mayo Clinic, le Memorial Sloan Kettering Cancer Center Power B (2015)Artificial Intelligence Is Almost Ready for Business , 19 mars., le Massachusetts General Hospital. ainsi que le National Health Service S. Bloch-Budzier, NHS using Google technology to treat patients , 22 novembre 2016. ont développé des algorithmes d'IA pour leurs services. Les grandes entreprises de technologie comme IBML. Lorenzetti, Here's How IBM Watson Health is Transforming the Health Care Industry , 5 avril 2016 et Google ainsi que des startups comme Welltok et AyasdiCB Insights Artificial Intelligence report, 28 juin 2016, ont également développé des algorithmes d'IA pour la santé. amélioration de la santé et de l'autonomie des personnes âgées (et réduction concomitante de la charge des aidants), avec des enjeux éthiques de protection de la vie privée, d'autodétermination et de dignité ; avec un besoin de corriger les bais de l'IA concernant l'âgisme qui contribue à l'inéquité et qui freine l'inclusion des personnes âgées dans la société de l'information et le monde numérique.. utilisation de l'IA en situation de crise exceptionnelle : de la médecine d'urgence au bien-être, en fonction de la maturité, disponibilité des solutions ainsi que de leur controverse et soutenabilité ; et en tirant les leçons de la pandémie de Covid-19 et de la Guerre russo-ukrainienne), un rapport récent a proposé 100 sujets à ce propos (logiciels, IA personnalisées, veille personnelle, tests génétiques, outils d'édition, modèles numériques, plateformes en ligne, réalité augmentée, robotique chirurgicale et d'accompagnement).. l'intelligence artificielle dans la santé mentale

Histoire Années 1960 et années 1970 Dans les années 1960 et 1970, des méthodes et outils d'IA émergent dans le champ médical. Bien qu'issus de connaissances acquises dans d'autres domaines, basés sur des modèles causaux, taxonomiques, associatifs, le diagnostic différentiel....., ils offrent de nouveaux modes d'organisation et de structuration des connaissances d'experts, des domaines cliniques et biomédicaux notamment. Ils intègrent des règlesLindberg DAB, Rowland LR, Buch CR, Morse WF, Morse SS (1968) CONSIDER: A computer program for medical instruction. Proc 9th IBM Symp Med et des cadres formels de raisonnement probabiliste.. Dès 1975, des prototypes sont testés cliniquement ; la Rutgers Research Resource on Computers in Biomedicine lance des ateliers sur l'IA en médecine où les perspectives du domaine sont discutées, en s'appuyant sur l'expérience pionnière SUMEX-AIM (réseaux informatiques biomédicaux) de l'université de Stanford..

la Recherche a produit un système expert, programme de résolution de problèmes baptisé DendralR. K. Lindsay, B. G. Buchanan, E. A. Feigenbaum, J. Lederberg, Dendral: a case study of the first expert system for scientific hypothesis formation, Artificial intelligence, 61(2), 1993 : 209-261.. Conçu pour des applications de chimie organique, il a jeté les bases de son successeur immédiat : le système MYCINW.J. Clancey, E.H. Shortliffe (1984) Readings in medical artificial intelligence: the first decade, Addison-Wesley Longman Publishing Co., Inc.., considéré comme l'un des plus importants usages pionniers de l'intelligence artificielle en médecineG. Bruce, B. G. Buchanan, E. D. Shortliffe, Rule-based expert systems: the Mycin experiments of the Stanford Heuristic Programming Project, 1984, puis Internist-1 et CASNET qui n'ont cependant jamais intégré le quotidien des professionnelsR. O. Duda, E. H. Shortliffe, Expert systems research, Science, 220(4594), 1983 : 261-268..

Années 1980 et années 1990 Accessibilité, plan, liens internes Dans les années 1980 et 1990, le micro-ordinateur s'est généralisé, ainsi que les autoroutes de l'information, autorisant de nouveaux niveaux de « connectivité réseau », préparant une possible arrivée d'objets connectés (capteurs médicaux y compris). Les chercheurs et les développeurs estiment alors que les systèmes d'IA en santé devraient aussi pouvoir pallier l'absence de données parfaites, et appuyer l'expertise médicaleR. A. Miller, Medical diagnostic decision support systems—past, present, and future, Journal of the American Medical Informatics Association, 1(1), 1994 : 8-27.. Les approches impliquant la logique floue (théorie de l'ensemble flou)KP. Adlassnig, A fuzzy logical model of' computer-assisted medical diagnosis, Methods Inf Med 1980, 19:14, les réseaux BayésiensJ. A. Reggia, Y. Peng, Modeling diagnostic reasoning: a summary of parsimonious covering theory, Computer methods and programs in biomedicine, 25(2), 1987 : 125-134. et les réseaux de neurones artificielsW. G. Baxt, Use of an artificial neural network for the diagnosis of myocardial infarction, Annals of Internal Medicine, 115(11), 1991 : 843-848. P. S. Maclin, J. Dempsey, J. Brooks, J. Rand, Using neural networks to diagnose cancer, Journal of Medical Systems, 15(1), 1991 : 11-19. commencent à être appliquées aux systèmes informatiques intelligents du domaine de la santé.

Années 2000