L'IA dans le secteur de la santé et de la recherche translationnelle en Suisse : de la promesse à la pratique

Quel est le potentiel de l’IA spécifique à la Suisse dans le domaine de la santé ainsi que dans la recherche clinique et translationnelle ?

Bryn Roberts : Qu’il s’agisse de diagnostic, d’aide à la décision clinique, de découverte de médicaments, de médecine de précision ou de soins préventifs, l’IA offre la possibilité d’un dépistage plus précoce, de traitements plus ciblés, d’une réduction de la charge administrative et de gains d’efficacité dans un système où les dépenses de santé par habitant comptent parmi les plus élevées au monde. Dans la recherche clinique et translationnelle, l’IA pourrait accélérer le développement de nouveaux diagnostics, thérapies et mesures préventives, un domaine dans lequel l’écosystème universitaire et industriel suisse est bien placé pour apporter sa contribution à l’échelle internationale.

Pour exploiter ce potentiel, il faut une infrastructure de données interopérable, des données de haute qualité en quantité suffisante pour l’entraînement et la validation des modèles, ainsi qu’un cadre réglementaire adapté aux défis spécifiques à l’IA. De plus, un niveau adéquat de culture numérique parmi le personnel de santé est une condition préalable au déploiement efficace et sûr de l’IA dans les établissements de santé, où les risques associés – tels que les biais liés aux données et aux algorithmes, les lacunes en matière de responsabilité, les vulnérabilités en matière de confidentialité des données et les menaces de cybersécurité – doivent être considérés.

Pourriez-vous développer davantage ce point ? Quels sont les risques spécifiques à la Suisse qui entravent l’application de l’IA dans le secteur de la santé ainsi que dans la recherche clinique et translationnelle ?

Christiane Pauli-Magnus : Plusieurs risques méritent notre attention, certains attribués à l’IA dans le domaine de la santé de manière générale, d’autres liés au contexte spécifique de la Suisse. Par « risques », nous entendons tout ce qui pourrait mal se passer une fois l’IA mise en service.

L’équité est une considération fondamentale. Dans un pays multilingue et fédéraliste où les données de santé sont réparties entre les cantons et les institutions, garantir la représentativité des données d’entraînement nécessite un effort ciblé. Des données non représentatives, en termes d’âge, d’origine ethnique, de milieu socio-économique, etc., peuvent influencer les résultats. La nature fragmentée des données de santé suisses rend ce risque particulièrement aigu.

La précision et la fiabilité nécessitent une surveillance constante. Des modèles qui fonctionnent bien en contextes de validation peuvent se comporter différemment dans divers environnements cliniques. Une supervision clinique adéquate est nécessaire afin d’identifier et de corriger les erreurs, avant qu’elles n’affectent les soins prodigués aux patients.

La Suisse ne dispose actuellement d’aucun cadre de responsabilité spécifique à l’IA, et un projet de mesures législatives n’est pas attendu avant la fin de l’année 2026. Cela crée un véritable vide en matière de responsabilité lorsque, à titre d’exemple, l’IA contribue à un résultat clinique sous-optimal.

Des considérations éthiques allant au-delà des biais et de la responsabilité méritent également une attention particulière. Il s’agit notamment de la transparence et du consentement éclairé, de la question de savoir si et comment les patients sont informés du rôle de l’IA dans les soins reçus, de l’explicabilité du processus par lequel les systèmes d’IA parviennent à leurs résultats, ainsi que du droit à l’autonomie humaine et au contrôle des décisions assistées par l’IA.

La protection et la sécurité des données méritent une attention particulière compte tenu de la sensibilité des données de santé. Les vulnérabilités en matière de cybersécurité dans les systèmes de santé interconnectés nécessitent une gestion proactive. L’une des raisons en est qu’il est plus difficile d’assurer la cybersécurité dans des systèmes de données très fragmentés, dotés d’une gouvernance hétérogène. Cependant, les conséquences des failles de sécurité peuvent être mieux maîtrisées au sein de systèmes fédérés.

Enfin, la confiance de la population doit être prise en compte en tant que facteur de risque. Des outils d’IA mal déployés ou insuffisamment expliqués peuvent saper la confiance dans la santé numérique de manière plus générale, ce qui aurait des répercussions sur l’adoption à grande échelle de l’IA dans l’ensemble du système de santé.

Quels sont les défis spécifiques à la Suisse lors de la mise en œuvre de l’IA dans les soins de santé ainsi que dans la recherche clinique et translationnelle ?

Bryn Roberts : Le contexte suisse façonne les défis de mise en œuvre de manière particulière. Par « défis », nous entendons les obstacles structurels et organisationnels qui entravent l’utilisation efficace de l’IA.

La répartition des responsabilités en matière de santé entre 26 cantons, chacun doté de ses propres structures et systèmes de données, rend l’accès aux données et l’interopérabilité requis par l’IA plus complexes qu’aus sein des systèmes de santé plus homogènes. Avec quatre langues nationales et la diversité culturelle qui en découle, le développement et la validation d’outils d’IA fonctionnant de manière équitable dans toutes les régions linguistiques nécessitent des ressources supplémentaires, auxquelles les systèmes monolingues ne sont pas confrontés. L’accès aux données de santé longitudinales de haute qualité concernant la population, y compris celles provenant de sujets en bonne santé, reste limité par les silos de données existants. Les données synthétiques offrent une solution partielle, bien que leur utilité dépende de la fidélité avec laquelle elles représentent la complexité clinique du monde réel. Plusieurs caractéristiques structurelles propres à la Suisse restent donc des obstacles à la mise en œuvre et nécessitent des réponses nationales coordonnées.

Les procédures réglementaires représentent un défi supplémentaire pour la mise en œuvre. Les outils d’IA destinés à un usage médical doivent être homologués en tant que dispositifs médicaux, en vertu de l’ordonnance sur les dispositifs médicaux. Ce cadre national a été conçu sans tenir compte des caractéristiques spécifiques à l’IA, telles que l’apprentissage continu et les résultats non déterministes. Comme les outils d’IA peuvent être déployés sous forme de versions statiques, à l’instar des logiciels considérés comme des dispositifs médicaux (SaMD), cela ne pose problème que pour les solutions d’IA s’adaptant à un contexte en évolution ou conçues pour apprendre à mesure que de nouvelles données sont acquises. Cependant, suivre cette voie nécessite beaucoup de temps et de ressources, en particulier pour les petites institutions et les groupes de recherche.

L’éducation et la formation constituent un défi transversal. Une utilisation efficace et sûre de l’IA requiert un certain niveau de culture numérique et de connaissances en IA, ainsi qu’un soutien institutionnel, qui restent inégaux selon les professions de la santé et les contextes cliniques en Suisse.

La confiance de la population représente également un obstacle pratique à la mise en œuvre. L’adoption dépend de la transparence, de l’explicabilité, de bénéfices démontrables et d’une prise en compte significative des préoccupations de la population.

Enfin, le rôle des assureurs maladie est également pertinent. Dans le système de santé suisse, les assureurs sont des acteurs clés dont la disposition à rembourser les services assistés par l’IA constitue une condition préalable pratique à une adoption à grande échelle. En l’absence de modalités de remboursement claires, même des outils d’IA bien validés et hautement efficaces pourraient peiner à s’imposer dans la pratique clinique courante. Un aspect positif est à relever. Les outils d’IA susceptibles d’améliorer les résultats de santé de la population, tels que les algorithmes de signalement des risques et de détection précoce, présentent des avantages économiques en matière de santé intéressants pour les payeurs, tout comme pour la population suisse dans son ensemble.

Quelles sont les solutions spécifiques à la Suisse répondant aux risques et défis identifiés ?

Christiane Pauli-Magnus : En matière d’infrastructure de données, DigiSanté vise d’introduire des normes pour un échange de données fluide entre les institutions et les cantons, et de mettre en place un « Swiss Health Data Space » pour l’utilisation secondaire responsable des données de santé, deux conditions fondamentales pour l’IA dans les soins de santé et la recherche. Cependant, les objectifs d’économies fixés par le Parlement ont réduit le budget 2027 initialement prévu de DigiSanté de moitié environ, l’Espace suisse de données de santé a été recentré sur ses éléments essentiels et l’espace de données de recherche a été reporté. Garantir que ces composantes disposent de ressources suffisantes reste un enjeu structurel pour les ambitions de la Suisse en matière d’IA dans le domaine de la santé.

Dépasser les silos de données nécessite des incitations concrètes. Les institutions et les chercheurs qui fournissent des données pour l’entraînement et la validation de l’IA devraient être reconnus par le biais de mécanismes de financement et de modèles de gouvernance partagée. Le Réseau suisse de santé personnalisée (SPHN) représentait une initiative allant dans ce sens, mais le financement du Centre de coordination des données du SPHN devrait prendre fin en 2028. La forme que pourrait prendre un cadre de coordination après 2029, à condition que des fonds suffisants soient disponibles, n’est pas encore définie, mais reste importante.

L’interconnexion de l’Espace suisse des données de santé avec l’Espace européen des données de santé est importante pour l’entraînement, les tests et la validation des applications d’IA dans le domaine de la santé. Les avantages : cela permettrait d’accroître le volume et la diversité des données et de renforcer la collaboration transfrontalière en matière de recherche. Cela nécessite non seulement une compatibilité technique, mais aussi réglementaire entre les espaces suisses et européens des données de santé, ainsi que des relations fiables et durables entre l’UE et la Suisse, qui font actuellement l’objet de discussions au niveau national dans le cadre de l’Accord bilatéral III.

En matière d’équité et de fiabilité, la validation indépendante et le suivi post-déploiement des outils d’IA dans toutes les régions linguistiques de la Suisse et auprès de l’ensemble des populations de patients devraient constituer une exigence standard. Bien que Swissmedic ait adopté des lignes directrices internationales relatives à l’IA en tant que dispositif médical, des questions subsistent concernant la responsabilité et les caractéristiques dynamiques des systèmes d’IA, auxquelles il convient encore d’apporter des réponses.

Pour démontrer que l’IA améliore les résultats et renforce l’efficacité, une évaluation systématique est nécessaire dès le départ, combinant des études prospectives et des analyses d’économie de la santé. Les hôpitaux universitaires suisses sont particulièrement bien placés pour contribuer à ce type d’évaluation en conditions réelles.

Gagner la confiance de la population requiert une communication transparente sur l’utilisation de l’IA en milieu clinique, une implication significative des patients et des cadres de gouvernance clairs. L’implication des patients et de la population ne doit pas se limiter à une communication alors que les décisions ont déjà été prises. Les patients devraient être représentés au sein des structures de gouvernance régissant l’utilisation des données de santé, dans la conception des modèles de consentement et de transparence, ainsi que dans l’évaluation des outils d’IA susceptibles d’influencer les décisions cliniques. Cela permettrait de garantir que la mise en œuvre de l’IA reflète les attentes de la population, et non uniquement les priorités techniques ou institutionnelles. Une collaboration avec les assureurs santé sur les modèles de remboursement des outils d’IA validés est tout aussi nécessaire pour transposer les données probantes dans la pratique courante.

De plus, un investissement continu dans la formation à l’IA, tant au niveau de la formation clinique que de la recherche, sera essentiel.

Quelles sont les conséquences potentielles à long terme pour la Suisse si l’IA ne peut être mise en œuvre efficacement dans le système de santé ainsi que dans la recherche clinique et translationnelle ?

Bryn Roberts : Si les solutions décrites ci-dessus ne sont pas mises en œuvre et que l’IA ne peut pas être déployée efficacement, les conséquences se feraient sentir dans plusieurs domaines, même s’il convient de noter qu’une IA mal mise en œuvre ou déployée prématurément comporte ses propres risques. L’objectif est donc une mise en œuvre efficace, plutôt qu’une mise en œuvre rapide.

• En matière de viabilité du système, la hausse des coûts de santé, le vieillissement de la population et la pénurie prévue de professionnels de la santé créent des pressions structurelles, auxquelles l’IA peut contribuer à remédier. Sans elle, ces pressions seront plus difficiles à absorber par d’autres moyens.

• En matière de recherche et d’innovation, la position de la Suisse en tant que pôle biomédical et pharmaceutique mondial dépend de plus en plus de sa capacité à intégrer l’IA dans ses processus de recherche et développement. Les pays qui développeront cette aptitude plus tôt attireront des talents, des investissements et des partenariats industriels, ce qui pourrait placer la Suisse dans une situation de désavantage concurrentiel si la mise en œuvre continue d’accuser un retard.

• En matière de coûts, les gains d’efficacité induits par l’IA pourraient contribuer de manière significative à leur maîtrise, répondant ainsi à la pression financière déjà mentionnée. Toutefois, ces économies ne doivent pas être considérées comme acquises. Elles doivent être démontrées par une évaluation systématique, comprenant notamment des études cliniques prospectives et des analyses d’économie de la santé. Sans de telles preuves, l’IA risque d’ajouter de la complexité et des coûts, plutôt que de les réduire.

• En matière de qualité des soins, il existe de plus en plus de preuves que l’IA peut améliorer les performances en matière de détection, de diagnostic, de traitement et de suivi de nombreuses maladies, notamment le cancer et les troubles neurologiques, cardiovasculaires, métaboliques, rénaux et ophtalmologiques. Un retard dans la mise en œuvre limiterait la capacité de la Suisse à générer de nouvelles données au niveau national et à tirer parti des avancées déjà observés à l’échelle internationale.

Dans l’ensemble, les conséquences à long terme ne sont pas principalement d’ordre technologique. Elles concernent la viabilité du système de santé, la capacité de la Suisse à rester un pôle de premier plan pour la recherche clinique et translationnelle, ainsi que son aptitude à garantir à sa population des soins durables, équitables et de haute qualité.

Que doit entreprendre la Suisse maintenant ? Quelles sont les recommandations d’action les plus importantes ?

À la lumière des solutions évoquées ci-dessus, quelques recommandations apparaissent comme particulièrement urgentes. La Suisse devrait :

• Élaborer une vision nationale et une feuille de route de mise en œuvre pour l’IA dans les soins de santé et la recherche clinique.

• Créer une infrastructure de données de santé en tant qu’infrastructure nationale critique, garantissant la compatibilité entre les espaces de données de santé suisses et européens.

• Définir un cadre national pour une IA sûre, fiable et cliniquement utile.

• Investir dans l’enseignement de l’IA dans le cadre de la formation clinique et de la formation à la recherche.

• Développer des modalités de remboursement en collaboration avec les assureurs maladie.

• Conclure des partenariats internationaux afin de garantir l’accès au savoir-faire, à la technologie ainsi qu’à l’échelle, à la diversité et à l’interopérabilité des données nécessaires à la recherche et à l’innovation.

Christiane Pauli-Magnus, Bryn Roberts