En janvier 2026, le NEJM AI a mis un nom sur quelque chose que beaucoup de praticiens ressentaient sans pouvoir l'expliquer : les outils d'IA clinique ne sont pas neutres. Ils ont des valeurs. Et ces valeurs ne sont pas forcément les vôtres.
Ce guide vous aide à les identifier — et à garder la main.
1. Introduction
Un même patient. Un même tableau clinique. Deux outils d'IA, deux recommandations opposées.
Ce n'est pas un bug. C'est une conséquence directe de la façon dont ces outils sont conçus. Derrière chaque recommandation se cachent des choix : réduire les coûts, maximiser l'efficience, prioriser l'équité... Ces choix sont faits en amont, souvent par des acteurs que vous ne connaissez pas, pour des objectifs qui ne sont pas forcément ceux de votre patient.
"L'IA assiste, le clinicien décide." Ce principe reste vrai. Mais il suppose que vous sachiez à quoi vous assistez réellement.
2. Développement
Pourquoi maintenant ?
Les outils d'aide à la décision se généralisent vite. Trop vite pour que les questions éthiques suivent le même rythme. Trois signaux récents montrent que ça change :
- Le symposium RAISE (NEJM AI, janvier 2026) a formalisé le problème sous le nom de cadre VIM — Values In the Model. Pour la première fois, une publication majeure dit clairement : les valeurs qui pilotent l'algorithme restent invisibles. Ce n'est pas acceptable.
- L'AI Act européen (2024) impose transparence et documentation pour les systèmes à haut risque. Les outils d'aide à la décision médicale en font partie.
- La HAS (2023) insiste sur la traçabilité et la responsabilité médicale. Utiliser un outil sans comprendre ce qu'il optimise, c'est une zone grise déontologique.
Un même patient, deux recommandations
Prenons un exemple documenté. Deux modèles évalués sur le même cas de lombalgie chronique en médecine générale :
- Modèle A, calibré sur les données d'un assureur : privilégie la réduction des coûts, oriente vers une prise en charge ambulatoire légère.
- Modèle B, calibré sur des cohortes hospitalières : priorise la qualité des soins, recommande une imagerie IRM avec suivi spécialisé.
Les deux recommandations sont médicalement défendables. Aucune n'est fausse. Mais elles ne servent pas les mêmes intérêts.
C'est précisément là le problème.
Ce que change le cadre VIM
Le cadre VIM propose une chose simple : une étiquette lisible sur chaque outil. Qu'est-ce que ce modèle cherche à optimiser ? Réduire les réadmissions ? Limiter les actes coûteux ? Maximiser l'équité d'accès ?
Cette information doit être visible. Comparable. Compréhensible par un praticien — pas seulement par un ingénieur.
Ce n'est pas une question technique. C'est une question de confiance.
4 réflexes concrets
Vous n'avez pas besoin d'être data scientist pour garder la maîtrise. Quatre questions suffisent :
3. Conclusion
La transparence d'un outil d'IA ne se mesure pas à sa seule précision. Elle inclut la lisibilité de ce qu'il cherche à accomplir.
Le cadre VIM est un premier pas. Mais l'essentiel reste entre vos mains : apprendre à interroger ces outils, comprendre leurs biais, décider en connaissance de cause.
La technologie progresse. Votre exigence éthique doit progresser au même rythme.
Pour aller plus loin et acquérir une méthode structurée d'évaluation et d'usage responsable de l'IA dans votre pratique, la formation Maîtriser l'IA en santé d'Elliacare vous accompagne pas à pas.
