Skip to content
CureMedLongevity Medicine

Prévision de santé par IA

Des algorithmes qui prétendent prédire votre santé, évalués selon ce qui a réellement été démontré chez l'humain — de façon prospective.
Reviewed by CureMed LabsMis à jour le
Un clinicien examinant un score de risque algorithmique à l'écran, à côté du dossier d'un patient
Un algorithme qui classe correctement les patients sur des données archivées n'a pas encore démontré qu'il change quoi que ce soit pour le patient devant vous.
En termes simples

Des entreprises vendent de plus en plus de logiciels qui lisent vos analyses de sang, vos scanners ou les données de votre montre connectée, et vous disent quelles maladies vous risquez de développer. Quelques-uns de ces outils font vraiment bien une tâche précise, mais presque aucun n'a jamais démontré qu'il rendait quelqu'un en meilleure santé.

En bref

La prévision de santé par IA est réelle dans une poignée de domaines précis — lecture de mammographies, dépistage de la rétinopathie diabétique, détection de polypes, détection d'une fraction d'éjection basse à partir d'un ECG — et elle est essentiellement sans preuve partout où elle est vendue aux particuliers. La raison tient en une seule distinction que le marketing efface systématiquement : un AUROC élevé sur un jeu de données archivées signifie que le modèle classe correctement les patients sur des données qu'il n'a jamais influencées. Ce n'est pas une preuve que l'utilisation du modèle change quoi que ce soit pour qui que ce soit. Environ 1,500 dispositifs à IA détiennent une autorisation de mise sur le marché de la FDA, et il existe environ 41 essais randomisés portant sur des interventions d'apprentissage automatique dans l'ensemble du secteur de la santé.

  • L'exactitude n'est pas un bénéfice : sur 81 études comparant l'apprentissage profond aux cliniciens, seules 9 étaient prospectives et seulement 6 ont été menées en contexte clinique réel (Nagendran 2020, PMID 32213531).
  • L'IA en coloscopie est l'application la plus randomisée de la médecine — 44 essais randomisés, une hausse d'environ 20% en relatif de la détection des adénomes, et aucune augmentation de la néoplasie avancée (Soleymanjahi 2024, PMID 39531400).
  • Aucune horloge du vieillissement — épigénétique, rétinienne, cérébrale, ECG ou protéomique — n'est une cible thérapeutique validée, un critère de substitution validé, ou un diagnostic homologué par la FDA ; l'organisme de consensus du domaine le dit lui-même par écrit (Moqri 2023, PMID 37657418).
  • L'apprentissage automatique ne fait souvent pas mieux que la régression logistique sur des données cliniques tabulaires : sur 145 comparaisons directes à faible risque de biais, la différence de logit(AUC) était de 0.00 (IC à 95% −0.18 à 0.18) (Christodoulou 2019, PMID 30763612).
  • Le biais algorithmique est mesuré, pas hypothétique : corriger un algorithme de gestion des soins largement déployé aurait fait passer la part de patients noirs recevant une aide supplémentaire de 17.7% à 46.5% (Obermeyer 2019, PMID 31649194).
Presque tous les produits de longévité revendiquent aujourd'hui une couche d'IA. Elle lit vos analyses sanguines, votre génome, votre scanner, votre montre connectée, et retourne une prévision : un pourcentage de risque, un âge biologique, un score de forme, une liste de choses à surveiller. L'allégation séduit parce que la technologie sous-jacente est réellement douée pour la reconnaissance de motifs, et parce que la phrase marketing — notre IA prédit votre risque de maladie — est techniquement vraie pour presque n'importe quel modèle jamais ajusté.
Cette page évalue ces allégations de la même façon que nous évaluons un médicament : selon ce qui a été démontré chez l'humain, de façon prospective, sur un critère qui compterait pour la personne concernée. Selon cette norme, le domaine se scinde nettement. L'IA en imagerie médicale a produit certaines des meilleures preuves de la médecine moderne, dont un essai randomisé portant sur 105,934 femmes. L'IA de longévité grand public n'en a produit essentiellement aucune, et se situe presque entièrement en dehors de la réglementation des dispositifs médicaux.
L'ossature de tout ce qui suit tient en une phrase. Un AUROC élevé sur un jeu de données rétrospectif n'est pas une preuve de bénéfice clinique — et c'est la seule preuve dont dispose la plupart des produits d'IA en santé.

Les quatre niveaux de preuve, et pourquoi presque rien n'atteint le niveau 4

L'AUROC — l'aire sous la courbe ROC — est la probabilité qu'un modèle classe un cas aléatoire au-dessus d'un témoin aléatoire. C'est le chiffre présent dans presque tous les titres sur l'IA en santé, et il répond à une question étroite : le modèle trie-t-il correctement les personnes sur des données qui lui ont déjà été montrées ? Il ne dit rien sur la véracité du chiffre qui vous est affiché, sur le fait que quelqu'un agisse en fonction de celui-ci, ni sur le fait qu'agir ainsi fasse plus de bien que de mal.

Quatre niveaux de preuve distincts se cachent derrière l'expression validé cliniquement, et le marketing présente couramment le premier comme s'il était le quatrième.

Sur quoi une allégation d'IA en santé peut réellement reposer

NiveauCe que cela signifieFréquence en IA santé
1. AUROC rétrospectifLe modèle obtient un bon score sur un jeu de données archivées qu'il n'a jamais influencé. Ne dit rien sur le fait que son utilisation change quoi que ce soit.Presque toute la recherche publiée en IA santé, et pratiquement toute l'IA de longévité grand public
2. Exactitude prospectiveLe modèle tourne en direct sur des patients réels consécutifs ; l'exactitude est mesurée par rapport à un étalon de référence recueilli indépendamment. Toujours aucun critère de résultat clinique.Rare
3. Résultat de processus randomiséUn essai randomisé montre que l'IA change ce que font ou trouvent les cliniciens — taux de détection, taux de diagnostic, charge de travail.Rare : quelques dizaines d'essais au total, la plupart en endoscopie
4. Résultat patient randomiséUn essai randomisé montre que l'IA change si les gens vivent plus longtemps, ont moins d'AVC, ou développent moins de cancers.Pratiquement inexistant dans ce domaine
L'IA en mammographie a atteint le niveau 3 avec une vraie rigueur. L'IA en coloscopie a atteint le niveau 3 puis n'a pas réussi à le transformer en niveau 4. Les horloges du vieillissement, les panels multi-omiques et l'IA de bien-être grand public se situent au niveau 1, et souvent en dessous.
1,524
dispositifs à IA détenant une autorisation de mise sur le marché de la FDA — 96.2% via l'équivalence substantielle 510(k) à un produit déjà existant, et non de nouvelles preuves de résultats
FDA AI-Enabled Medical Device List, parsed 2026-08-31
41
essais randomisés portant sur des interventions d'apprentissage automatique dans l'ensemble du secteur de la santé, médiane de 294 participants ; aucun ne respectait toutes les normes CONSORT-AI
Plana 2022, JAMA Netw Open, PMID 36173632
9 sur 81
études comparant l'apprentissage profond aux cliniciens qui étaient prospectives ; seulement 6 ont été testées en contexte clinique réel
Nagendran 2020, BMJ, PMID 32213531
15.5%
des 168 dispositifs d'apprentissage automatique autorisés par la FDA en 2024 ont déclaré des données de race ou d'origine ethnique pour leur population d'évaluation
Almarie 2025, Biomedicines, PMID 41463017
+0.9 / 1,000
cancers supplémentaires détectés en cumulé grâce à la mammographie assistée par IA sur 597,419 examens de dépistage (IC à 95% −0.0 à +1.8)
Ferre 2026, Clin Imaging, PMID 42617468
34%
des alertes de rythme irrégulier des montres connectées ont été confirmées comme fibrillation atriale lors d'un suivi par patch ECG
Perez 2019, NEJM (Apple Heart Study), PMID 31722151

Où l'IA fonctionne vraiment — et où la détection s'arrête avant le bénéfice

L'imagerie est le domaine le plus solide, et il vaut la peine d'être précis sur les raisons. Le dépistage par mammographie dispose d'un comparateur existant de haute qualité (deux radiologues lisant chaque cliché), d'un critère de résultat clinique difficile en aval (cancer d'intervalle), et de programmes nationaux prêts à randomiser. Cette combinaison est rare, et c'est elle qui a produit les meilleures preuves d'IA en médecine.

MASAI a randomisé 105,934 femmes suédoises vers une lecture assistée par IA ou une double lecture standard. La détection des cancers est passée de 5.0 à 6.4 pour 1,000, un ratio de 1.29 (IC à 95% 1.09–1.51), avec une charge de lecture en baisse de 44%. Lorsque le critère principal a finalement été publié, le cancer d'intervalle était de 1.55 contre 1.76 pour 1,000 — un ratio de proportion de 0.88 (0.65–1.18). C'est de la non-infériorité, pas de la supériorité. Personne n'a montré que la mammographie assistée par IA réduit la mortalité par cancer du sein, et vu la taille d'essai que cela exigerait, personne n'y parviendra probablement.

Sous le palier de l'imagerie, un schéma constant apparaît : l'IA trouve de manière fiable davantage de quelque chose, et en trouver davantage a échoué de façon répétée à aider. Le dépistage par montre connectée et par patch double voire triple la détection de la fibrillation atriale. Trois essais randomisés à critères durs — LOOP, STROKESTOP et GUARD-AF — n'ont pas démontré de réduction des AVC. Les auteurs de LOOP l'écrivent eux-mêmes dans leur résumé : toute fibrillation atriale ne mérite pas d'être dépistée, et toute fibrillation atriale détectée par dépistage ne mérite pas une anticoagulation.

Le registre des preuves

Classé selon : le plus haut niveau de preuve qui existe réellement pour chaque approche. Ces niveaux ont été conçus pour les médicaments ; lisez-les donc ainsi pour les logiciels : approuvé signifie qu'une véritable autorisation de mise sur le marché de la FDA (510(k), De Novo ou PMA) existe pour la sortie précise vendue ; préclinique signifie que le travail est réel mais n'existe que sous forme de modèles ajustés à des jeux de données humaines archivées, sans preuve de déploiement clinique ; commercialisé-non prouvé signifie que le produit est vendu au public sans examen réglementaire de l'allégation ni preuve contrôlée de bénéfice. Notez que l'homologation et le bénéfice sont deux axes différents : plusieurs outils de niveau approuvé ici disposent de preuves randomisées qu'ils changent la détection et d'aucune preuve qu'ils changent les résultats cliniques.

  1. IA de mammographie (Transpara, Lunit INSIGHT MMG)

    Approuvé

    Lit les mammographies de dépistage comme outil de tri et de second lecteur aux côtés des radiologues.

    L'IA la mieux documentée en médecine. Ratio de détection de 1.29 et 44% de charge de lecture en moins dans MASAI ; cancer d'intervalle non inférieur, pas réduit. En cumulé sur MASAI, ScreenTrustCAD et PRAIM (597,419 examens), le bénéfice est de +0.9 cancer pour 1,000 dépistages, l'intervalle de confiance touchant zéro. Réel et utile. Pas l'IA détecte le cancer des années plus tôt.

    Homologué FDA 510(k) (K181704 → K241831 ; K211678). Preuves randomisées (MASAI) et prospectives à lecteurs appariés (ScreenTrustCAD).NCT04838756; PMID 41620232

  2. Dépistage autonome de la rétinopathie diabétique (IDx-DR / LumineticsCore)

    Approuvé

    Classe les photographies du fond d'œil pour une rétinopathie diabétique plus que légère, sans lecture par un clinicien.

    Sensibilité 87.2% (81.8–91.2), spécificité 90.7% (88.3–92.7) chez 900 patients, dans des cabinets de soins primaires plutôt que des cliniques ophtalmologiques, par rapport à une lecture indépendante en centre de référence. L'exemple le plus propre de ce dossier d'IA bien menée. Concurrents homologués sous le même code produit : EyeArt (K200667) et AEYE-DS (K221183).

    FDA De Novo DEN180001, 11 avril 2018 — le premier diagnostic autonome par IA autorisé dans quelque domaine que ce soit. Essai pivot prospectif en soins primaires.NCT02963441; PMID 31304320

  3. Détection assistée par ordinateur en coloscopie (CADe)

    Approuvé

    Signale les polypes dans le champ de vision en direct de l'endoscopiste.

    Ratio du taux de détection des adénomes de 1.21 (1.15–1.28) — robuste et constant. Mais la néoplasie avancée par coloscopie n'a montré aucune différence (différence de taux d'incidence de 0.01, −0.01 à 0.02), l'augmentation étant largement portée par des lésions minuscules, avec environ deux polypectomies non néoplasiques supplémentaires pour dix procédures. L'application d'IA la plus randomisée en médecine, et le niveau 3 n'est pas devenu le niveau 4.

    Homologué FDA et marqué CE. 44 essais randomisés, 36,201 patients.PMID 39531400; PMID 37639719

  4. ECG par IA pour fraction d'éjection basse (Anumana, Eko, Tempus)

    Approuvé

    Signale une fraction d'éjection ventriculaire gauche probable à 50% ou moins à partir d'un ECG standard à 12 dérivations.

    Réellement précis — AUC de 0.93 pour une FE ≤35% dans les travaux de développement — et réellement randomisé. Notez ce qu'il prédit : votre fraction d'éjection maintenant, pas votre risque futur. Et notez l'effet absolu dans EAGLE : les nouveaux diagnostics de FE basse sont passés de 1.6% à 2.1%.

    Homologué FDA 510(k) comme logiciel de notification (K232699, K233409, K250119, K250652). Essai randomisé en grappes (EAGLE, 22,641 patients).NCT04000087; PMID 30617318

  5. Score de malignité du nodule pulmonaire (Optellum Virtual Nodule Clinic)

    Approuvé

    Évalue le risque de malignité d'un nodule pulmonaire déjà trouvé par un humain sur un scanner.

    Une aide à la stratification du risque, sans essai montrant qu'elle change le stade au diagnostic ou la mortalité. Il vaut la peine de savoir comment se comporte la recherche sous-jacente : dans le modèle emblématique de Google, NLST, la performance surpassait les six radiologues lorsqu'aucun scanner antérieur n'était disponible, et n'était qu'équivalente à la leur lorsqu'un scanner antérieur existait — ce qui est la situation cliniquement réaliste.

    Homologué FDA 510(k) (K202300, 2021). Validation rétrospective uniquement ; aucun essai randomisé.K202300; PMID 31110349

  6. Notification de rythme irrégulier des montres connectées

    Approuvé

    Détecte un motif de pouls évoquant une fibrillation atriale et envoie une notification.

    La détection fonctionne ; le bénéfice ne suit pas. Seules 34% (Apple) et 32.2% (Fitbit) des alertes ont été confirmées comme FA lors d'un suivi par patch. Réaliser un ECG de 10 secondes sur la montre après une alerte a un rendement diagnostique de 7.6%, contre 60.8% pour un patch de quatre semaines. Et sur LOOP, STROKESTOP et GUARD-AF, détecter davantage de FA n'a pas montré qu'il prévenait les AVC. L'USPSTF classe toujours les preuves du dépistage de la FA chez les adultes de 50 ans et plus comme insuffisantes — une déclaration de Grade I.

    FDA De Novo DEN180042 (Apple). Études pragmatiques chez 419,297 (Apple Heart) et 455,699 (Fitbit Heart) participants.NCT03335800; NCT04380415; PMID 35076659

  7. Notifications grand public sur l'hypertension et l'apnée du sommeil

    Approuvé

    Signale des motifs pluri-hebdomadaires issus des objets connectés évoquant une hypertension ou une apnée du sommeil modérée à sévère.

    Les résumés d'homologation sont plus honnêtes que le marketing. Pour l'hypertension, le résumé de la FDA rapporte une sensibilité de 41.2% (37.2–45.3) et une spécificité de 92.3% chez 1,863 participants analysés — l'outil manque environ 59% des cas d'hypertension et 46% de l'hypertension de stade 2, et son indication interdit elle-même son utilisation pour la surveillance ou le suivi du traitement. Pour l'apnée du sommeil, sensibilité de 66.3%. Les deux sont légitimes comme incitation vers un vrai test. Aucun des deux n'est une mesure.

    Homologué FDA 510(k) (hypertension Apple K250507, sept. 2025 ; apnée du sommeil Apple K240929, prédicat Samsung DEN230041). Validation par le fabricant uniquement.K250507; K240929

  8. Prédiction du sepsis dans le dossier médical électronique (Epic Sepsis Model)

    Vendu · non prouvé

    Évalue en continu le risque probable de sepsis chez les patients hospitalisés.

    AUC de 0.63 sur 38,455 hospitalisations, manquant 67% des patients septiques tout en déclenchant une alerte sur 18% de toutes les admissions. Il n'a identifié que 7% des patients septiques au-delà de ce que la pratique clinique en temps voulu détectait déjà. Les auteurs qualifient de préoccupation fondamentale son adoption généralisée malgré cette performance. La faille réglementaire qui a permis son déploiement sans examen est là le point essentiel.

    Non réglementé par la FDA — déployé comme fonctionnalité de dossier médical électronique dans des centaines d'hôpitaux américains. Une validation externe existe, et elle a échoué.PMID 34152373

  9. Tests grand public d'âge biologique épigénétique

    Vendu · non prouvé

    Retournent un chiffre unique d'âge biologique à partir de la méthylation de l'ADN dans le sang, la salive ou un prélèvement buccal.

    Les horloges sous-jacentes sont de véritables associations de mortalité reproduites. Le produit grand public constitue une allégation de précision que le test ne peut soutenir : le bruit technique produit des écarts allant jusqu'à 9 ans entre des passages en double du même échantillon pour six horloges de premier plan, et les différences de tissu buccal contre sang atteignent près de 30 ans chez la même personne pour certaines horloges. La plupart des tests grand public utilisent la salive ou un prélèvement buccal.

    Tests développés en laboratoire relevant uniquement du CLIA. La règle de la FDA sur les LDT a été annulée le 31 mars 2025 et formellement abrogée le 19 septembre 2025, si bien qu'aucun régulateur n'examine la validité clinique de l'allégation d'âge.PMID 36277076; PMID 39780748

  10. Écarts d'âge rétinien, cérébral, ECG et protéomique

    Préclinique seulement

    Estiment l'âge d'un organe ou du corps entier à partir d'une photo rétinienne, d'une IRM, d'un ECG ou du protéome plasmatique, puis rapportent l'écart par rapport à votre date de naissance.

    Statistiquement réels à l'échelle de la population et bien plus faibles qu'ils n'y paraissent individuellement. Écart d'âge rétinien : HR de mortalité toutes causes de 1.02 par an, intervalle de confiance touchant 1.00, sans association significative avec la mortalité cardiovasculaire ou par cancer. Âge cérébral : HR de mortalité de 1.061 par an — mais lorsqu'il était intégré aux côtés de simples volumes de matière grise et de LCS, il n'était plus significatif (p=0.12), donc l'étape d'apprentissage profond n'ajoutait rien à une mesure de volume.

    Outils de recherche. Aucune homologation FDA pour aucune de ces sorties ; les recherches par nom de dispositif dans la base 510(k) de la FDA ne retournent aucun dispositif homologué produisant un âge biologique ou physiologique.PMID 35042683; PMID 28439103

  11. Scores de bien-être : readiness, récupération, effort, score de sommeil, VFC, âge connecté

    Vendu · non prouvé

    Scores quotidiens composites dérivés en grande partie de la fréquence cardiaque, de la VFC et des stades de sommeil estimés.

    Les objets connectés grand public attribuent le bon stade de sommeil 50–65% du temps (kappa de Cohen 0.20–0.52), et sont biaisés vers le fait de tout qualifier de sommeil : la spécificité de détection de l'éveil se situe entre 0.18 et 0.54. Chaque minute de sommeil profond comptée et chaque score de récupération dérivé du sommeil paradoxal repose là-dessus. La lettre d'avertissement de la FDA à Whoop a également établi officiellement qu'une mention non destiné à un usage médical ne sauve pas un produit conçu pour produire une estimation clinique.

    Bien-être général non réglementé. Aucune homologation FDA identifiée pour Oura, Garmin ou Ultrahuman dans la base de données de la FDA ; la seule homologation de Whoop concerne une fonction ECG (K243236).PMID 36016077; PMID 33378539

  12. Agents conversationnels IA généralistes en santé

    Vendu · non prouvé

    Répondent à des questions de santé, trient les symptômes et suggèrent la marche à suivre en langage naturel.

    Les modèles ne sont pas le maillon faible — c'est le relais qui l'est. Dans une étude randomisée préenregistrée, les modèles testés seuls ont identifié la pathologie dans 94.9% des cas ; 1,298 membres du public utilisant ces mêmes modèles ont identifié les pathologies dans moins de 34.5% des cas — pas mieux que le groupe témoin. Sur 2,400 cas réels de patients plutôt que des vignettes, les modèles de pointe ont obtenu des résultats significativement inférieurs à ceux des médecins et étaient sensibles à l'ordre dans lequel l'information était donnée.

    Aucun agent conversationnel IA généraliste n'est homologué ou autorisé par la FDA comme dispositif médical, et la propre liste de dispositifs de la FDA n'identifie pas encore lesquels des dispositifs autorisés contiennent une fonctionnalité de LLM.PMID 41663592; PMID 38965432

  13. Panels multi-omiques et services de dépistage par IRM corps entier

    Vendu · non prouvé

    Regroupent des centaines de biomarqueurs, de la génomique et un scanner corps entier dans une prévision de santé personnalisée.

    En cumulé sur 12 études et 5,373 sujets asymptomatiques, l'IRM corps entier a produit des découvertes fortuites critiques ou indéterminées dans 32.1% des cas, dont seulement 12.6% ont jamais été vérifiées. La propre base de données d'un fabricant, portant sur 21,651 scanners asymptomatiques, a trouvé des kystes pancréatiques fortuits chez 7.0% de toutes les personnes scannées, dont environ 99% étaient sous la taille qui déclencherait une intervention — pourtant toutes entrent en surveillance. L'American College of Radiology déclare qu'il n'y a pas de preuve suffisante pour recommander un dépistage corps entier chez des personnes sans symptômes, facteurs de risque ou antécédents familiaux.

    Tests développés en laboratoire relevant uniquement du CLIA, plus un pouvoir discrétionnaire d'application pour le bien-être général. Les composants du scanner et d'amélioration d'image peuvent être homologués ; le service de dépistage ne l'est pas.PMID 30932247; PMID 41801199

Dispositif médical homologué contre application de bien-être grand public : ce ne sont pas les mêmes objets

La compétence la plus utile dans ce domaine consiste à distinguer quatre objets réglementaires qui se ressemblent dans les textes marketing : un dispositif médical autorisé par la FDA, un test développé en laboratoire fonctionnant sous CLIA, un produit de bien-être général relevant du pouvoir discrétionnaire d'application, et un logiciel sans aucune relation réglementaire.

Même à l'intérieur de la catégorie homologuée, le seuil de preuve est bas. Sur environ 1,524 autorisations, 96.2% sont passées par la voie 510(k), qui demande si un dispositif est substantiellement équivalent à un prédicat déjà sur le marché — pas s'il améliore les résultats cliniques. Dans la cohorte 2024, seuls 29.2% ont rapporté à la fois la sensibilité et la spécificité, seuls 15.5% ont rapporté des données de race ou d'origine ethnique, et seuls 16.7% ont été livrés avec un plan de contrôle des changements prédéterminé, ce qui signifie que la plupart des modèles homologués sont figés au moment de l'homologation et ne peuvent pas être mis à jour à mesure que les populations évoluent.

Ce qui est homologué, ce qui est prouvé, et ce que chaque outil prédit réellement

Outil ou allégationStatut réglementairePreuve prospective ?Ce qu'il prédit réellement
IA de mammographie (Transpara, Lunit)Homologué FDA 510(k) ; marqué CEOui — randomisé (MASAI, NCT04838756, n=105,934) et prospectif à lecteurs appariés (ScreenTrustCAD, NCT04778670, n=55,581)Présence d'un cancer du sein détectable au dépistage sur cette mammographie
IDx-DR / LumineticsCoreFDA De Novo DEN180001 (avr. 2018)Oui — essai pivot prospectif en soins primaires, NCT02963441, n=900Rétinopathie diabétique ou œdème maculaire plus que léger sur photos du fond d'œil
CADe en coloscopieHomologué FDA ; marqué CEOui — 44 essais randomisés, 36,201 patientsPrésence d'un polype dans le champ de vision actuel. Aucune augmentation de la néoplasie avancée
ECG par IA pour fraction d'éjection basseHomologué FDA 510(k) (K232699, K250652)Oui — ERC en grappes (EAGLE, NCT04000087, n=22,641)Fraction d'éjection VG actuelle ≤50% — pas le risque futur
Optellum Virtual Nodule ClinicHomologué FDA 510(k) (K202300)Non — validation rétrospective uniquementRisque de malignité d'un nodule pulmonaire déjà détecté
Notification de rythme irrégulier des montres connectéesFDA De Novo DEN180042Oui — études pragmatiques, n=419,297 et n=455,699Fibrillation atriale probable maintenant. 34% / 32% des alertes confirment une FA
Dépistage de la FA pour la prévention des AVCPas une allégation de dispositifOui — trois ERC à critères durs (LOOP, STROKESTOP, GUARD-AF)Aucune réduction démontrée des AVC. LOOP HR 0.80 (0.61–1.05) ; GUARD-AF HR 1.10 (0.69–1.75)
Apple Hypertension NotificationFDA 510(k) K250507 (sept. 2025)Validation par le fabricant uniquement, n=1,863Motifs évoquant une hypertension. Sensibilité 41.2%
Epic Sepsis ModelNon réglementé par la FDA — déployé comme fonctionnalité de dossier médical électroniqueValidation externe uniquement — et elle a échouéNominalement le sepsis ; en réalité AUC de 0.63, manquant 67% des cas
Horloges épigénétiques (Horvath, PhenoAge, GrimAge, DunedinPACE)Aucune homologation FDA pour une allégation clinique ; vendues comme LDT ou bien-êtreNon — études d'association uniquementÂge chronologique, ou risque de mortalité, selon la cible d'entraînement. Pas une cible modifiable
Écarts d'âge rétinien, cérébral et protéomiqueOutils de recherche ; aucune homologationNon — associations de cohorte, largement au sein de jeux de données uniquesRisque de mortalité et de morbidité à l'échelle de la population
Tests grand public d'âge biologiqueLDT relevant uniquement du CLIA ; la règle LDT de la FDA a été annulée le 31 mars 2025, donc aucun examen FDA de l'allégation d'âgeAucuneRien de validé. Le même échantillon passé deux fois peut varier de plusieurs années
VFC, readiness, récupération, effort, scores de sommeil, âge connectéBien-être général non réglementéAucuneRien de validé. Le stade de sommeil est correct 50–65% du temps
Lecteurs de glycémie en continu en vente libre chez les non-diabétiquesHomologués pour la mesure du glucose uniquement (Stelo K234070, Lingo K233655, Libre Rio K233861)Aucun ERC sur les résultats cliniques chez les personnes non diabétiquesGlucose interstitiel, avec une lecture environ 0.9 mmol/L au-dessus du prélèvement capillaire
Agents conversationnels LLM généralistesAucun dispositif autorisé par la FDA n'est identifié comme reposant sur un LLMBancs d'essai plus trois ERC — dans lesquels le bras humain+modèle n'a pas surpassé le modèle seulRéponses de banc d'essai, pas des résultats cliniques
Jumeau numérique (Unlearn.AI / PROCOVA)Avis de qualification de l'EMA — pour l'efficacité des essais cliniques ; décrit par l'EMA comme un cas particulier d'ANCOVANon applicable — c'est une méthode statistiqueRéduction de la taille d'échantillon d'essai. Pas un traitement personnalisé
Services de dépistage par IRM corps entierComposants du scanner et d'amélioration d'image homologués ; le service de dépistage ne l'est pasObservationnel à bras unique uniquement (NCT06212479, achèvement en 2037)Découvertes fortuites. Taux d'incidentalome cumulé de 32.1% ; l'ACR juge les preuves insuffisantes
Lisez d'abord la troisième colonne. Tout ce qui est vendu aux particuliers dans ce tableau se trouve dans la ligne Aucune, et plusieurs outils homologués avec de solides preuves randomisées ne prédisent encore que ce qui se passe maintenant, pas ce qui vous arrivera.

Le vocabulaire réglementaire, décodé

L'expressionCe à quoi elle se rattache réellement
IA homologuée FDA (services d'IRM corps entier)Un algorithme d'amélioration d'image, pas le service de dépistage vendu
Homologué FDA (Whoop)Une seule fonction ECG, K243236. Recovery, Strain, Whoop Age et Healthspan ne sont pas réglementés
Jumeau numérique qualifié par l'EMAUn cas particulier d'ANCOVA pour réduire la taille d'échantillon des essais cliniques. La FDA l'a refusé, l'estimant déjà couvert par les lignes directrices existantes sur l'ajustement de covariables
Certifié CLIA (chaque test d'âge biologique et multi-omique)Le laboratoire mesure l'analyte de façon reproductible. Cela ne dit rien de la validité clinique — et depuis le 31 mars 2025, aucun régulateur américain n'examine cette allégation
FDA-registered / FDA-listedEnregistrement de l'établissement. Sans signification pour l'allégation faite
Validé cliniquementGénéralement une étude de corrélation rétrospective, souvent rédigée par l'entreprise qui vend le produit
Notre IA analyse plus de 100 biomarqueursAnalyser n'est pas prédire, et prédire n'est pas validé
Non destiné à diagnostiquer, traiter, guérir ou prévenir une maladie — associé à un marketing de détection de maladieUne posture juridique. La FDA a statué officiellement en juillet 2025 que de telles mentions ne sauvent pas un produit conçu pour produire une estimation clinique
Évaluez toujours l'allégation par rapport à l'objet réglementaire réel.

Ce qui a changé en 2025–2026

  1. Janv. 2025

    Publication de PRAIM — la plus grande mise en œuvre réelle de dépistage par IA

    463,094 femmes dans 12 sites de dépistage allemands. Détection des cancers à 6.7 contre 5.7 pour 1,000, +17.6% (IC à 95% +5.7% à +30.8%), avec un taux de rappel plus bas et non inférieur. Observationnel, mais la direction concorde avec MASAI.

    Eisemann 2025, Nat Med, PMID 39775040

  2. 31 mars 2025

    La règle de la FDA sur les tests développés en laboratoire est annulée

    Un tribunal fédéral de district a jugé dans ACLA v. FDA que les LDT sont des services professionnels, pas des dispositifs. C'est le fait le plus lourd de conséquences pour les tests de longévité grand public : les tests d'âge biologique et les panels multi-omiques reviennent au CLIA seul, sans examen FDA de la validité clinique, indéfiniment.

    FDA final rule implementing vacatur, 90 FR 45134, 19 Sep 2025

  3. Avr. 2025

    Whoop reçoit sa toute première homologation FDA — pour une fonction ECG

    K243236 couvre la détection de la FA, du rythme sinusal normal et de la fréquence cardiaque haute ou basse, à usage informatif uniquement. Recovery, Strain, Sleep Coach, Whoop Age et Healthspan ne sont homologués pour rien.

    FDA 510(k) K243236

  4. 14 juil. 2025

    Lettre d'avertissement de la FDA à Whoop au sujet de Blood Pressure Insights

    La FDA a déclaré ne pas avoir autorisé cette fonction pour un quelconque usage, a rejeté l'exemption de bien-être général, et a explicitement rejeté les mentions de non-usage médical — notant que leur inefficacité est démontrée par le fait que des personnes utilisent cette fonction pour surveiller leur hypertension. La lettre de clôture du 17 juin 2026 relève du pouvoir discrétionnaire d'application sur un produit relabellisé, pas d'une homologation.

    FDA Warning Letter, MARCS-CMS 709755

  5. Août 2025

    Premier signal quantifié de déqualification

    Sur quatre centres d'endoscopie polonais et 1,443 coloscopies, le taux de détection des adénomes des endoscopistes sans assistance est tombé de 28.4% à 22.4% après exposition à l'IA (−6.0 points de pourcentage, IC à 95% −10.5 à −1.6, p=0.0089). Observationnel et nécessitant réplication, mais c'est un risque systémique qu'aucune mesure d'exactitude ne capture.

    Budzyń 2025, Lancet Gastroenterol Hepatol, PMID 40816301

  6. Sept. 2025

    Apple Hypertension Notification homologuée à 41.2% de sensibilité

    La plus grande extension d'IA cardiovasculaire grand public à ce jour, et la performance la plus modeste jamais homologuée. Sa propre indication interdit de l'utiliser pour remplacer un diagnostic, suivre l'effet d'un traitement, ou effectuer une surveillance de la pression artérielle.

    FDA 510(k) K250507

  7. Janv. 2026

    MASAI publie son critère principal

    Cancer d'intervalle de 1.55 contre 1.76 pour 1,000 ; ratio de proportion de 0.88 (0.65–1.18), p=0.41 — non inférieur, pas supérieur. Sensibilité 80.5% contre 73.8% (p=0.031), spécificité 98.5% dans les deux bras. Le résultat définitif du dépistage par IA, et il écarte la crainte principale plutôt que de prouver un bénéfice de mortalité.

    Gommers 2026, Lancet, PMID 41620232

  8. Févr. 2026

    Le résultat définitif de l'IA grand public

    1,298 participants profanes britanniques randomisés pour utiliser des LLM de pointe ou une source de leur choix. Les modèles seuls ont identifié la pathologie dans 94.9% des cas ; les mêmes modèles entre les mains du public, moins de 34.5% — pas mieux que le groupe témoin. Les auteurs déclarent que les bancs d'essai standards ne prédisent pas les échecs constatés avec des participants humains.

    Bean 2026, Nat Med, PMID 41663592

  9. Mars 2026

    La cascade de dépistage, quantifiée à partir des propres données d'un fabricant

    Sur 21,651 personnes asymptomatiques passées à l'IRM corps entier, 7.0% avaient une lésion kystique pancréatique fortuite, atteignant 20.8% à 80 ans et plus. 96.0% faisaient moins de 2 cm et seulement 1.1% faisaient 3 cm ou plus — un seul organe, un seul type de découverte, et environ 99% sous le seuil d'intervention.

    Wong 2026, JAMA Netw Open, PMID 41801199

  10. Août 2026

    La taille d'effet honnête pour la mammographie par IA

    En cumulant MASAI, ScreenTrustCAD et PRAIM sur 597,419 examens, la différence de risque de détection de cancer est de +0.9 pour 1,000 (IC à 95% −0.0 à +1.8) et sans augmentation constante du taux de rappel.

    Ferre 2026, Clin Imaging, PMID 42617468

Horloges du vieillissement : de vraies associations, et pas une seule cible validée

Les horloges du vieillissement — épigénétique, rétinienne, cérébrale, ECG, protéomique — sont le produit de prévision par IA que l'industrie de la longévité vend le plus fort. Ce sont de vraies associations statistiques reproduites avec la mortalité. Aucune n'est un critère de substitution validé, une cible thérapeutique validée, ou un diagnostic homologué par la FDA. Ce n'est pas notre position éditoriale ; c'est la position affirmée de l'organisme de consensus du domaine lui-même.

La chose la plus importante à propos de toute horloge, c'est ce contre quoi elle a été entraînée, car cela détermine ce qu'elle peut potentiellement prédire. Les horloges de première génération (Horvath, Hannum) ont été entraînées sur l'âge chronologique — une horloge de Horvath parfaite ne porterait aucun signal de mortalité, car toute l'information sur l'âge biologique vit dans son terme d'erreur. GrimAge a été entraînée directement sur le délai jusqu'au décès, en utilisant des substituts de méthylation pour les protéines plasmatiques et les années-paquets de tabagisme ; c'est une prédiction légitime de mortalité, et c'est en partie un détecteur de tabagisme plutôt qu'une mesure du vieillissement moléculaire. DunedinPACE a été entraînée sur le taux de changement de 19 indicateurs d'organes sur 20 ans et porte les rapports de risque de mortalité les plus forts (1.65, 1.51–1.79 dans Framingham Offspring).

Les horloges se contredisent aussi entre elles. De nombreuses horloges épigénétiques existantes ne se corrèlent que faiblement entre elles, ce qui implique qu'elles capturent des processus différents — deux horloges sur le même échantillon sanguin peuvent raconter des histoires différentes. Et la seule preuve randomisée est mince et partagée : dans CALERIE, deux ans de restriction calorique de 25% ont ralenti DunedinPACE mais n'ont pas changé significativement PhenoAge ou GrimAge. Trois horloges, les mêmes échantillons randomisés, trois réponses différentes.

Ce qu'un rapport grand public ne peut pas soutenir

  • Précision : le bruit technique produit des écarts allant jusqu'à 9 ans entre des passages en double pour six horloges épigénétiques de premier plan — déviation médiane de PhenoAge de 2.4 ans, maximum de 8.6 ans. Une amélioration de 3 ans après une intervention se situe confortablement dans ce bruit.
  • Tissu : une comparaison inter-tissus sur 284 échantillons a trouvé des différences moyennes de près de 30 ans entre tissu buccal et sanguin chez la même personne pour certaines horloges ; seule l'horloge Skin & Blood était concordante. La plupart des tests grand public utilisent la salive ou un prélèvement buccal.
  • Indépendance : chaque résultat publié d'écart d'âge rétinien provient du même jeu de données UK Biobank et du même modèle entraîné sur les mêmes 11,052 personnes. Dans les comparaisons directes menées par les auteurs, l'âge rétinien ne surpassait pas les facteurs de risque courants pour l'AVC ou la maladie de Parkinson.
  • Valeur ajoutée : l'écart d'âge cérébral prédisait la mortalité avec un HR de 1.061 par an — mais cessait d'être significatif (p=0.12) une fois les simples volumes de matière grise et de LCS intégrés au modèle, ceux-ci restant significatifs. L'étape d'apprentissage profond n'ajoutait rien à une mesure de volume.
  • Stabilité de la méthode : les modèles d'âge cérébral surestiment systématiquement chez les jeunes et sous-estiment chez les personnes âgées, si bien que l'écart brut laisse filtrer l'âge chronologique. Différentes méthodes de correction donnent des réponses différentes, et une taille d'effet est ininterprétable tant que l'article ne précise pas quelle correction il a utilisée.
  • Qualité de développement : une évaluation systématique de 81 horloges du vieillissement sur 59 études a trouvé que 31 (38.3%) avaient été développées sans validation interne ni externe, que la majorité était jugée à haut risque de biais — même dans des revues à fort impact — et que seules 3 horloges (3.7%) étaient jugées à faible risque.

Il n'existe non plus aucun régulateur américain qui vérifie tout cela. Chaque test grand public d'âge épigénétique est un test développé en laboratoire. La règle LDT de la FDA a été annulée le 31 mars 2025 et formellement abrogée le 19 septembre 2025, de sorte que ces tests relèvent du seul CLIA. Le CLIA certifie la performance analytique du laboratoire — exactitude, précision, contrôle qualité, compétence du personnel. Il n'évalue pas si l'allégation faite par le test est cliniquement vraie. Un résultat d'âge biologique peut être analytiquement reproductible et pourtant cliniquement dénué de sens, et d'après les données de fiabilité ci-dessus, même la moitié analytique n'est pas automatique.

L'apprentissage automatique surpasse-t-il vraiment les statistiques classiques ?

C'est la question derrière chaque comparaison IA vs méthodes statistiques traditionnelles pour la prédiction du risque de maladie, et la réponse honnête est inconfortable pour les deux camps : la littérature est mitigée, et l'avantage apparent de l'apprentissage automatique se réduit à mesure que la comparaison est menée avec soin.

Le résultat méthodologique de référence a passé en revue 71 études contenant 282 comparaisons directes entre la régression logistique et l'apprentissage automatique pour des résultats cliniques binaires. Sur les 145 comparaisons jugées à faible risque de biais, la différence de logit(AUC) entre les deux était de 0.00 (IC à 95% −0.18 à 0.18) — exactement zéro. Sur les 137 comparaisons à haut risque de biais, l'apprentissage automatique paraissait meilleur de 0.34 (0.20–0.47). L'avantage de l'apprentissage automatique dans la littérature publiée est, en première approximation, le biais lui-même. La même revue a trouvé que 79% des études ne traitaient pas du tout de la calibration.

Ce schéma se reproduit sans cesse. Une évaluation de 2026 portant sur 52 études prédisant la résistance aux IgIV dans la maladie de Kawasaki a trouvé l'apprentissage automatique et la régression logistique indiscernables en validation externe (AUC cumulé 0.76 contre 0.75), alors que l'apprentissage automatique paraissait nettement meilleur en validation interne (0.86 contre 0.76) — la signature classique du surajustement. Il existe un contre-courant : une méta-analyse de 2025 sur des modèles cardiovasculaires fondés sur le dossier médical électronique a rapporté des AUC cumulés de 0.865 pour les forêts aléatoires et 0.847 pour l'apprentissage profond contre 0.765 pour les scores conventionnels — mais avec un I² supérieur à 99% et des signes de biais de publication, et la conclusion des auteurs eux-mêmes est que des préoccupations méthodologiques limitent l'applicabilité clinique actuelle. Une hétérogénéité aussi élevée signifie que l'estimation cumulée n'estime pas vraiment une seule chose.

Ce dont l'AUROC ne dit rien

  • La calibration — le fait qu'un risque prédit de 10% corresponde à un risque réel de 10%. Environ quatre articles publiés d'apprentissage automatique sur cinq ne la rapportent pas, et c'est la seule propriété qui compte pour un chiffre de risque personnel.
  • La prévalence — un modèle avec un AUROC de 0.95 sur un jeu de données enrichi à 20%-prévalence peut être inutile à une prévalence de population de 0.5%, car la valeur prédictive positive s'effondre.
  • Le bénéfice net au seuil de décision que vous utiliseriez réellement — le fait qu'agir selon le score fasse plus de bien que de mal.
  • Le fait que quelqu'un agisse en fonction du score. Dans EAGLE, le modèle était précis, l'essai était positif, et l'augmentation absolue des nouveaux diagnostics de FE basse était de 1.6% à 2.1%.
  • Quelle était l'alternative. L'Epic Sepsis Model a manqué 67% des cas que les cliniciens traitaient déjà.
  • Ce qui se passe une fois qu'un humain est impliqué. Les LLM qui identifiaient les pathologies dans 94.9% des cas seuls sont tombés sous 34.5% entre les mains de membres réels du public.

Rien de tout cela n'est un argument pour abandonner les modèles. QRISK3, SCORE2 et Framingham sont transparents, publiés intégralement, validés en externe à de nombreuses reprises, et c'est sur eux que repose réellement la prévention fondée sur les recommandations. C'est un argument contre le fait de présumer qu'un modèle plus récent et plus complexe, montré par une entreprise vendant un abonnement, est meilleur que le modèle gratuit que votre médecin utilise déjà. TRIPOD+AI fournit désormais une norme de déclaration en 27 points ; une étude de modèle qui ne la suit pas devrait être considérée comme préliminaire.

Biais algorithmique et modes de défaillance des LLM

Le biais dans l'IA en santé n'est pas une préoccupation hypothétique de comité d'éthique. Il a été mesuré, à grande échelle, dans des systèmes déjà déployés.

Le cas emblématique a examiné un algorithme commercial de prédiction du risque utilisé pour allouer des soins de gestion supplémentaires à des millions de patients. À score de risque égal, les patients noirs étaient considérablement plus malades que les patients blancs. Corriger le biais aurait fait passer la part de patients noirs recevant une aide supplémentaire de 17.7% à 46.5%. Le mécanisme compte plus que le chiffre : l'algorithme prédisait les coûts de santé futurs comme indicateur indirect du besoin de santé, et comme historiquement moins d'argent est dépensé pour les patients noirs à un niveau de maladie égal, le coût est un indicateur indirect biaisé de la maladie. Le modèle était précis dans sa tâche déclarée et discriminatoire dans son usage réel — et aucun AUROC n'aurait pu détecter cela.

En imagerie, des classificateurs de radiographies thoraciques de pointe testés sur trois grands jeux de données sous-diagnostiquaient de manière constante et sélective les populations défavorisées — patientes, patients noirs, patients de statut socio-économique bas — avec les taux les plus élevés dans les sous-groupes intersectionnels. Le sous-diagnostic est le pire mode de défaillance possible : il étiquette une personne malade comme en bonne santé et retarde ses soins. Et vous ne pouvez généralement pas vérifier cela dans un dispositif homologué, car seuls 15.5% des dispositifs d'apprentissage automatique autorisés par la FDA en 2024 ont rapporté des données de race ou d'origine ethnique pour leur population d'évaluation.

Modes de défaillance documentés des LLM en contexte de santé

  • Les bancs d'essai ne se transposent pas aux utilisateurs. Les modèles seuls ont identifié les pathologies dans 94.9% des cas ; 1,298 participants profanes utilisant ces mêmes modèles ont réussi dans moins de 34.5% des cas — pas mieux que le groupe témoin, dans un plan randomisé préenregistré.
  • La performance s'effondre sur des données cliniques réelles. Sur 2,400 cas réels de patients dans quatre pathologies abdominales, les modèles de pointe ont obtenu des résultats significativement inférieurs à ceux des médecins, n'ont suivi ni les recommandations diagnostiques ni thérapeutiques, n'ont pas pu interpréter les résultats de laboratoire, et étaient sensibles à la fois à la quantité et à l'ordre de l'information. Les auteurs concluent que les LLM ne sont pas prêts pour une prise de décision clinique autonome.
  • Sycophantie — le modèle est d'accord avec votre prémisse fausse. Face à 50 paires marque–générique de médicaments avec des invites affirmant une équivalence fausse, la conformité de base à la demande illogique était de 100% pour trois variantes de GPT et de 94% pour Llama3-8B. Les modèles avaient les connaissances nécessaires pour rejeter la prémisse et s'y sont conformés quand même. Posez une question orientée sur votre propre santé, obtenez la confirmation de votre prémisse.
  • Citations fabriquées. Sur 636 références dans 84 revues de littérature générées, 55% des citations de GPT-3.5 et 18% des citations de GPT-4 étaient entièrement inventées ; parmi les réelles, 43% et 24% respectivement contenaient des erreurs substantielles. Une référence qui ressemble à une vraie étude n'en est pas forcément une.
  • Fragilité face à la façon dont vous écrivez. Les fautes de frappe, les espaces superflus, l'absence de marqueurs de genre et un langage informel ou dramatique augmentaient la probabilité qu'un modèle dise au patient de s'auto-gérer plutôt que de consulter, et l'effet était plus marqué pour les patientes.
  • Même les résultats de référence les plus prestigieux sont plus faibles qu'annoncé. Sur 70 cas clinicopathologiques sélectionnés — le test le plus facile possible — GPT-4 incluait le diagnostic final quelque part dans son diagnostic différentiel 64% du temps, mais son diagnostic principal était correct dans seulement 39% des cas.

Il y a une étrange consolation dans les données randomisées : dans deux essais avec des médecins, le modèle seul égalait ou surpassait le bras médecin+modèle. En raisonnement diagnostique, l'assistance du LLM n'a produit aucun bénéfice (différence ajustée de 2 points de pourcentage, IC à 95% −4 à 8), tandis que GPT-4 seul obtenait un score supérieur de 16 points à celui des médecins disposant de ressources classiques. En raisonnement de prise en charge, l'assistance a effectivement aidé les médecins (+6.5%), mais GPT-4 seul était statistiquement indiscernable des médecins assistés par GPT-4. Le goulot d'étranglement en 2026 est le relais entre le modèle et l'humain, et il est pire pour les membres du public — exactement le contexte dans lequel l'IA santé grand public est vendue.

Pour être complet sur la question réglementaire : aucun agent conversationnel LLM généraliste n'est homologué ou autorisé par la FDA comme dispositif médical, et la propre liste de dispositifs de la FDA n'identifie pas encore lesquels des dispositifs autorisés contiennent une fonctionnalité de LLM. Un logiciel échappe à la définition de dispositif via l'exemption d'aide à la décision clinique uniquement s'il soutient des recommandations à l'intention d'un professionnel de santé capable d'examiner indépendamment leur fondement. Un agent conversationnel produisant un récit assuré sans fondement vérifiable et sourcé échoue à ce test — et un outil destiné aux patients plutôt qu'aux professionnels n'est pas du tout admissible à cette exemption.

Comment juger une allégation d'IA en santé

Nul besoin d'être technique pour filtrer avec précision presque tout produit d'IA en santé. Ces dix questions sont dans l'ordre qui élimine le plus d'allégations le plus vite — la plupart des produits échouent dès la question un ou deux.

Dix questions, dans l'ordre

  • 1. Est-ce un dispositif médical réglementé ou un produit de bien-être ? Cherchez un vrai numéro de soumission — un K-number (510(k)), un DEN (De Novo) ou un P-number (PMA) — et vérifiez-le sur la liste des dispositifs médicaux à IA de la FDA. FDA-registered, FDA-listed, développé dans un établissement enregistré auprès de la FDA et certifié en laboratoire ne sont pas des homologations.
  • 2. Homologué pour quoi, exactement ? L'indication homologuée tient en une phrase étroite. IDx-DR est homologué pour détecter une rétinopathie diabétique plus que légère sur des photos du fond d'œil chez des adultes diabétiques — pas pour détecter une maladie oculaire. Faites correspondre la phrase marketing à la phrase d'indication. Si le marketing est plus large, le marketing constitue une allégation non fondée.
  • 3. Rétrospectif ou prospectif ? Si la seule preuve est un AUROC sur des données archivées, vous êtes au niveau de preuve 1. Demandez si le modèle a déjà tourné en direct, sur des patients réels consécutifs, par rapport à un étalon de référence recueilli indépendamment.
  • 4. Y a-t-il eu un essai randomisé, et sur quel critère ? Distinguez les résultats de processus (taux de détection, taux de diagnostic, charge de travail) des résultats patients (mortalité, AVC, incidence de cancer). L'IA en coloscopie est l'histoire édifiante : 44 essais, une hausse robuste de 20% de la détection des adénomes, et aucune augmentation de la néoplasie avancée.
  • 5. La calibration est-elle rapportée, pas seulement la discrimination ? L'AUROC répond à classe-t-il les gens correctement. La calibration répond à le chiffre qu'il m'affiche est-il vrai. Seule la seconde compte pour un chiffre de risque personnel, et environ quatre articles sur cinq l'omettent.
  • 6. Quel est l'effet absolu ? 29% de cancers en plus détectés, c'est 6.4 contre 5.0 pour 1,000 — 1.4 cancer supplémentaire pour mille femmes dépistées. Augmente le diagnostic de fraction d'éjection basse, c'est 1.6% à 2.1%. Les chiffres relatifs sont la façon dont des effets faibles sont présentés comme forts.
  • 7. Qui figure dans l'ensemble de validation, et cela vous inclut-il ? Seuls 15.5% des dispositifs d'apprentissage automatique autorisés par la FDA en 2024 ont rapporté la race ou l'origine ethnique de leur population d'évaluation. Si un modèle n'a pas été validé chez des personnes qui vous ressemblent, sa performance chez vous est inconnue — et la direction documentée de l'échec est le sous-diagnostic des groupes défavorisés.
  • 8. Qui a payé, et qui peut voir les données et le code ? Les données étaient indisponibles dans 95% des études d'une revue majeure, et le code dans 93%. Le financement par un fabricant n'est pas disqualifiant — ScreenTrustCAD était partiellement financé par le fabricant de l'IA et reste une bonne science — mais il doit être visible.
  • 9. Le critère est-il validé comme cible, ou seulement comme marqueur ? C'est la question fatale pour les horloges du vieillissement et les panels multi-omiques. Un biomarqueur qui prédit la mortalité n'est pas de ce fait un cadran qui vaille la peine d'être tourné. Rien ne montre que déplacer votre chiffre d'âge biologique déplace votre risque réel.
  • 10. Que se passe-t-il quand il se trompe, et qui le remarque ? Le produit publie-t-il ses taux de faux positifs et de faux négatifs au point de fonctionnement qu'il utilise réellement ? Quelqu'un le surveille-t-il après le lancement ? Seuls 16.7% des autorisations de 2024 étaient livrées avec un plan de contrôle des changements, donc la plupart des modèles homologués sont figés — et les produits de bien-être grand public ne sont surveillés par personne.

Questions fréquentes

Comment l'IA prédit-elle le risque de maladie à partir de données de santé personnelles ?

Un modèle est ajusté à un grand jeu de données archivées où le résultat est déjà connu — qui a développé un cancer, qui est décédé, qui a eu un AVC — et apprend quelles combinaisons de données précédaient cela. Il vous note ensuite par similarité à ces motifs. C'est un exercice de classement, pas une mesure : le modèle n'a pas accès à votre biologie, seulement à des corrélations dans les dossiers d'autres personnes. C'est pourquoi la même personne peut être notée 9.5% par un modèle et 2.4% par un autre construit sur les mêmes données.

L'IA est-elle meilleure que les modèles statistiques traditionnels pour prédire le risque de maladie ?

Souvent non, sur les données cliniques tabulaires utilisées par la plupart des scores de risque. Sur 145 comparaisons directes jugées à faible risque de biais, la différence de performance entre la régression logistique et l'apprentissage automatique était exactement nulle (différence de logit(AUC) de 0.00, IC à 95% −0.18 à 0.18) ; l'avantage apparent de l'apprentissage automatique n'apparaissait que dans les comparaisons à haut risque de biais. L'apprentissage automatique se justifie sur des données non structurées — images, tracés ECG, signaux — où la régression classique ne peut tout simplement pas fonctionner.

Quelles maladies l'IA peut-elle réellement prédire efficacement à partir de données de santé aujourd'hui ?

Soyez précis sur le mot prédire. Ce qui dispose de fortes preuves prospectives, c'est la détection de quelque chose qui existe déjà : un cancer du sein sur la mammographie devant le modèle, une rétinopathie diabétique plus que légère sur une photo du fond d'œil, un polype dans le champ de vision de l'endoscopiste, une fraction d'éjection basse sur l'ECG du jour, une fibrillation atriale en cours. Prévoir une maladie que vous n'avez pas encore, des années à l'avance, d'une façon dont on a montré qu'elle change votre issue, n'a été démontré pour aucun produit.

Pourquoi certains modèles d'IA échouent-ils à prédire le risque de maladie ?

Trois raisons récurrentes. Le changement de site : le modèle a été entraîné dans un hôpital et déployé dans un autre avec des scanners, un codage et une composition de cas différents. La dérive temporelle : la population ou le parcours de traitement change après le déploiement. L'échec du proxy : le modèle optimise quelque chose d'adjacent à ce que vous vouliez — l'Epic Sepsis Model a atteint une AUC de 0.63 sur 38,455 hospitalisations et a manqué 67% des patients septiques, et un algorithme de gestion des soins largement utilisé prédisait le coût des soins de santé comme substitut du besoin de santé.

Quels sont les biais des algorithmes d'IA utilisés pour les prédictions de santé ?

Documentés et quantifiés. Corriger le biais racial d'un algorithme de gestion des soins déjà déployé aurait fait passer la part de patients noirs recevant une aide supplémentaire de 17.7% à 46.5%. Les classificateurs de radiographies thoraciques sous-diagnostiquent systématiquement les patientes, les patients noirs et les patients de statut socio-économique bas, avec les pires résultats dans les sous-groupes intersectionnels. Dans les modèles de langage, 1.7 million de sorties sur 1,000 cas à contenu clinique constant ont montré que les étiquettes sociodémographiques seules modifiaient les recommandations de prise en charge. Et seuls 15.5% des dispositifs d'apprentissage automatique autorisés par la FDA en 2024 ont rapporté des données de race ou d'origine ethnique, donc vous ne pouvez généralement pas vérifier.

Quel rôle jouent les objets connectés dans la prédiction des maladies par IA ?

Ils sont excellents pour détecter davantage de quelque chose et n'ont pas démontré d'amélioration des résultats cliniques. Les notifications de rythme irrégulier des montres connectées détiennent une autorisation FDA De Novo et sont réelles, mais seul environ un tiers des alertes confirme une fibrillation atriale lors d'un suivi par patch, et trois essais randomisés à critères durs n'ont pas montré que détecter davantage de FA prévient les AVC. Les scores que les gens regardent réellement au quotidien — readiness, récupération, effort, score de sommeil, VFC, âge connecté — ne sont pas réglementés, et le classement des stades de sommeil n'est correct que 50–65% du temps.

Comment les professionnels vérifient-ils qu'une prédiction de santé par IA est exacte ?

En demandant la calibration, pas seulement la discrimination. L'AUROC indique si le modèle classe correctement les personnes ; la calibration indique si un risque prédit de 10% correspond à un risque réel de 10%, ce qui est la seule propriété qui compte pour un chiffre montré à un individu. Environ quatre études publiées d'apprentissage automatique sur cinq ne la rapportent pas. La norme de déclaration à exiger est TRIPOD+AI ; une étude qui ne la suit pas devrait être considérée comme préliminaire.

L'IA peut-elle personnaliser l'évaluation du risque de maladie pour un individu ?

Elle peut produire un chiffre individuel. La confiance à lui accorder est une autre question. Appliquer 19 techniques de modélisation différentes à 3.6 millions de patients britanniques de soins primaires a produit une performance de population presque identique (statistiques C autour de 0.87) et des prédictions individuelles très divergentes : sur 223,815 patients au-dessus du seuil de statine de 7.5% selon QRISK3, 57.8% passaient sous ce seuil avec un autre modèle. L'exactitude au niveau de la population ne dit rien du chiffre individuel figurant sur votre rapport.

Une IA peut-elle me dire mon âge biologique ?

Elle peut vous donner un chiffre. Aucun régulateur n'a évalué si ce chiffre correspond à quoi que ce soit concernant votre santé, et le seul bruit technique produit des écarts allant jusqu'à 9 ans entre des passages en double pour six horloges épigénétiques de premier plan — avec des différences approchant 30 ans entre tissu buccal et sanguin chez la même personne pour certaines horloges. Plus fondamentalement, aucune horloge du vieillissement, quelle qu'elle soit, n'est une cible thérapeutique validée : une lecture d'horloge qui bouge n'est pas un résultat de santé.

Devrais-je faire confiance à un agent conversationnel IA pour une question de santé ?

Utilisez-le pour préparer des questions, pas pour prendre des décisions. Dans une étude randomisée préenregistrée, les modèles testés seuls ont identifié la pathologie dans 94.9% des cas, tandis que 1,298 membres du public utilisant les mêmes modèles ont réussi dans moins de 34.5% des cas — pas mieux que le groupe témoin. Les modèles se conforment aussi à des prémisses fausses dans l'invite près de 100% du temps, fabriquent des citations, et modifient leurs conseils selon les fautes de frappe et la formulation. Aucun agent conversationnel LLM généraliste n'est homologué ou autorisé par la FDA comme dispositif médical.

Sources

Chaque chiffre et chaque affirmation de cette page renvoie à l'une de ces sources. Lorsqu'il s'agit d'une annonce d'entreprise plutôt que de recherche évaluée par les pairs ou d'un régulateur, cela est indiqué.

  1. 01Gommers J, et al. Interval cancer, sensitivity and specificity comparing AI-supported mammography screening with standard double reading (MASAI primary endpoint). Lancet. 2026;407(10527):505–514. — The Lancet, 2026 · PMID 41620232 · NCT04838756
  2. 02Hernström V, et al. Screening performance and characteristics of breast cancer detected in the MASAI trial. Lancet Digit Health. 2025;7(3):e175–e183. — Lancet Digital Health, 2025 · PMID 39904652
  3. 03Lång K, et al. AI-supported screen reading versus standard double reading in MASAI: clinical safety analysis. Lancet Oncol. 2023;24(8):936–944. — Lancet Oncology, 2023 · PMID 37541274
  4. 04Dembrower K, et al. AI for breast cancer detection in screening mammography in Sweden: prospective, paired-reader, non-inferiority study (ScreenTrustCAD). Lancet Digit Health. 2023;5(10):e703–e711. — Lancet Digital Health, 2023 · PMID 37690911 · NCT04778670
  5. 05Eisemann N, et al. Nationwide real-world implementation of AI for cancer detection in population-based mammography screening (PRAIM). Nat Med. 2025;31:917–924. — Nature Medicine, 2025 · PMID 39775040
  6. 06Ferre R, et al. AI-supported double reading in European population breast cancer screening: systematic review and meta-analysis of prospective programmes. Clin Imaging. 2026;139:110923. — Clinical Imaging, 2026 · PMID 42617468
  7. 07Dratsch T, et al. Automation bias in mammography: the impact of AI BI-RADS suggestions on reader performance. Radiology. 2023;307(4):e222176. — Radiology, 2023 · PMID 37129490
  8. 08Abràmoff MD, et al. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018;1:39. — npj Digital Medicine, 2018 · PMID 31304320 · NCT02963441 · DEN180001
  9. 09Ardila D, et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest CT. Nat Med. 2019;25(6):954–961. — Nature Medicine, 2019 · PMID 31110349
  10. 10Soleymanjahi S, et al. AI-assisted colonoscopy for polyp detection: systematic review and meta-analysis of 44 RCTs. Ann Intern Med. 2024;177(12):1652–1663. — Annals of Internal Medicine, 2024 · PMID 39531400
  11. 11Hassan C, et al. Real-time computer-aided detection of colorectal neoplasia during colonoscopy: systematic review and meta-analysis. Ann Intern Med. 2023;176(9):1209–1220. — Annals of Internal Medicine, 2023 · PMID 37639719
  12. 12Budzyń K, et al. Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre observational study. Lancet Gastroenterol Hepatol. 2025;10(10):896–903. — Lancet Gastroenterology & Hepatology, 2025 · PMID 40816301
  13. 13Attia ZI, et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled ECG. Nat Med. 2019;25(1):70–74. — Nature Medicine, 2019 · PMID 30617318
  14. 14Yao X, et al. AI-enabled electrocardiograms for identification of patients with low ejection fraction: a pragmatic randomised clinical trial (EAGLE). Nat Med. 2021;27(5):815–819. — Nature Medicine, 2021 · PMID 33958795 · NCT04000087
  15. 15Perez MV, et al. Large-scale assessment of a smartwatch to identify atrial fibrillation (Apple Heart Study). N Engl J Med. 2019;381(20):1909–1917. — New England Journal of Medicine, 2019 · PMID 31722151 · NCT03335800
  16. 16Lubitz SA, et al. Detection of atrial fibrillation in a large population using wearable devices: the Fitbit Heart Study. Circulation. 2022;146(19):1415–1424. — Circulation, 2022 · PMID 36148649 · NCT04380415
  17. 17Lubitz SA, et al. Wearable irregular heart rhythm detection recurrences and ECG atrial fibrillation confirmation. Circ Arrhythm Electrophysiol. 2025;18(7):e013565. — Circulation: Arrhythmia and Electrophysiology, 2025 · PMID 40557492
  18. 18Svendsen JH, et al. Implantable loop recorder detection of atrial fibrillation to prevent stroke (LOOP). Lancet. 2021;398(10310):1507–1516. — The Lancet, 2021 · PMID 34469766 · NCT02036450
  19. 19Svennberg E, et al. Clinical outcomes in systematic screening for atrial fibrillation (STROKESTOP). Lancet. 2021;398(10310):1498–1506. — The Lancet, 2021 · PMID 34469764 · NCT01593553
  20. 20Lopes RD, et al. Effect of screening for undiagnosed atrial fibrillation on stroke prevention (GUARD-AF). J Am Coll Cardiol. 2024;84(21):2073–2084. — Journal of the American College of Cardiology, 2024 · PMID 39230544 · NCT04126486
  21. 21US Preventive Services Task Force. Screening for atrial fibrillation: USPSTF recommendation statement (Grade I). JAMA. 2022;327(4):360–367. — JAMA, 2022 · PMID 35076659
  22. 22Miller DJ, Sargent C, Roach GD. A validation of six wearable devices for estimating sleep, heart rate and HRV in healthy adults. Sensors. 2022;22(16):6317. — Sensors, 2022 · PMID 36016077
  23. 23Chinoy ED, et al. Performance of seven consumer sleep-tracking devices compared with polysomnography. SLEEP. 2021;44(5):zsaa291. — SLEEP, 2021 · PMID 33378539
  24. 24Hutchins KM, et al. Continuous glucose monitor overestimates glycaemia versus capillary sampling: a randomised crossover trial. Am J Clin Nutr. 2025;121(5):1025–1034. — American Journal of Clinical Nutrition, 2025 · PMID 40021059 · NCT06333184
  25. 25Higgins-Chen AT, et al. A computational solution for bolstering reliability of epigenetic clocks. Nat Aging. 2022;2(7):644–661. — Nature Aging, 2022 · PMID 36277076
  26. 26Apsley AT, et al. Cross-tissue comparison of epigenetic aging clocks in humans. Aging Cell. 2025;24(4):e14451. — Aging Cell, 2025 · PMID 39780748
  27. 27Horvath S. DNA methylation age of human tissues and cell types. Genome Biol. 2013;14(10):R115. — Genome Biology, 2013 · PMID 24138928
  28. 28Lu AT, et al. DNA methylation GrimAge strongly predicts lifespan and healthspan. Aging (Albany NY). 2019;11(2):303–327. — Aging, 2019 · PMID 30669119
  29. 29Belsky DW, et al. DunedinPACE, a DNA methylation biomarker of the pace of aging. eLife. 2022;11:e73420. — eLife, 2022 · PMID 35029144
  30. 30Waziry R, et al. Effect of long-term caloric restriction on DNA methylation measures of biological aging (CALERIE). Nat Aging. 2023;3(3):248–257. — Nature Aging, 2023 · PMID 37118425
  31. 31Liu Z, et al. Underlying features of epigenetic aging clocks in vivo and in vitro. Aging Cell. 2020;19(10):e13229. — Aging Cell, 2020 · PMID 32930491
  32. 32Moqri M, et al. Biomarkers of aging for the identification and evaluation of longevity interventions. Cell. 2023;186(18):3758–3775. — Cell, 2023 · PMID 37657418
  33. 33Moqri M, et al. Validation of biomarkers of aging. Nat Med. 2024;30:360–372. — Nature Medicine, 2024 · PMID 38355974
  34. 34Zhang et al. Are aging clocks based on routine clinical indicators trustworthy and applicable? A PROBAST+AI systematic review of 81 clocks. J Gerontol A. 2026. — Journals of Gerontology Series A, 2026 · PMID 41678247
  35. 35Zhu Z, et al. Retinal age gap as a predictive biomarker for mortality risk. Br J Ophthalmol. 2023;107(4):547–554. — British Journal of Ophthalmology, 2023 · PMID 35042683
  36. 36Cole JH, et al. Brain age predicts mortality. Mol Psychiatry. 2018;23(5):1385–1392. — Molecular Psychiatry, 2018 · PMID 28439103
  37. 37Liang H, Zhang F, Niu X. Investigating systematic bias in brain age estimation. Hum Brain Mapp. 2019;40(11):3143–3152. — Human Brain Mapping, 2019 · PMID 30924225
  38. 38Lima EM, et al. Deep neural network-estimated electrocardiographic age as a mortality predictor. Nat Commun. 2021;12:5117. — Nature Communications, 2021 · PMID 34433816
  39. 39Christodoulou E, et al. A systematic review shows no performance benefit of machine learning over logistic regression for clinical prediction models. J Clin Epidemiol. 2019;110:12–22. — Journal of Clinical Epidemiology, 2019 · PMID 30763612
  40. 40Li Y, et al. Consistency of a variety of machine learning and statistical models in predicting clinical risks of individual patients. BMJ. 2020;371:m3919. — BMJ, 2020 · PMID 33148619
  41. 41Liu T, et al. Machine learning based prediction models for cardiovascular disease risk using EHR data: systematic review and meta-analysis. Eur Heart J Digit Health. 2025;6:7–22. — European Heart Journal — Digital Health, 2025 · PMID 39846062
  42. 42Zhang J, et al. Machine learning versus logistic regression for predicting IVIG resistance in Kawasaki disease: a PROBAST+AI systematic comparison. BMC Med Res Methodol. 2026;26(1). — BMC Medical Research Methodology, 2026 · PMID 42204678
  43. 43Wong A, et al. External validation of a widely implemented proprietary sepsis prediction model in hospitalised patients. JAMA Intern Med. 2021;181(8):1065–1070. — JAMA Internal Medicine, 2021 · PMID 34152373
  44. 44Hippisley-Cox J, Coupland C, Brindle P. Development and validation of QRISK3 risk prediction algorithms. BMJ. 2017;357:j2099. — BMJ, 2017 · PMID 28536104
  45. 45SCORE2 working group and ESC Cardiovascular Risk Collaboration. SCORE2 risk prediction algorithms. Eur Heart J. 2021;42(25):2439–2454. — European Heart Journal, 2021 · PMID 34120177
  46. 46Collins GS, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378. — BMJ, 2024 · PMID 38626948
  47. 47Nagendran M, et al. Artificial intelligence versus clinicians: systematic review of design, reporting standards and claims of deep learning studies. BMJ. 2020;368:m689. — BMJ, 2020 · PMID 32213531
  48. 48Plana D, et al. Randomized clinical trials of machine learning interventions in health care: a systematic review. JAMA Netw Open. 2022;5(9):e2233946. — JAMA Network Open, 2022 · PMID 36173632
  49. 49Obermeyer Z, et al. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019;366(6464):447–453. — Science, 2019 · PMID 31649194
  50. 50Seyyed-Kalantari L, et al. Underdiagnosis bias of artificial intelligence algorithms applied to chest radiographs in under-served patient populations. Nat Med. 2021;27(12):2176–2182. — Nature Medicine, 2021 · PMID 34893776
  51. 51Almarie B, et al. Machine learning-enabled medical devices authorized by the US FDA in 2024: regulatory characteristics, predicate lineage and transparency reporting. Biomedicines. 2025;13(12):3005. — Biomedicines, 2025 · PMID 41463017
  52. 52Bean AM, et al. Reliability of LLMs as medical assistants for the general public: a randomized preregistered study. Nat Med. 2026;32(2):609–615. — Nature Medicine, 2026 · PMID 41663592
  53. 53Hager P, et al. Evaluation and mitigation of the limitations of large language models in clinical decision-making. Nat Med. 2024;30(9):2613–2622. — Nature Medicine, 2024 · PMID 38965432
  54. 54Chen S, et al. When helpfulness backfires: LLMs and the risk of false medical information due to sycophantic behavior. npj Digit Med. 2025;8:605. — npj Digital Medicine, 2025 · PMID 41107408
  55. 55Walters WH, Wilder EI. Fabrication and errors in the bibliographic citations generated by ChatGPT. Sci Rep. 2023;13:14045. — Scientific Reports, 2023 · PMID 37679503
  56. 56Omar M, et al. Sociodemographic biases in medical decision making by large language models. Nat Med. 2025;31(6):1873–1881. — Nature Medicine, 2025 · PMID 40195448
  57. 57Omiye JA, et al. Large language models propagate race-based medicine. npj Digit Med. 2023;6:195. — npj Digital Medicine, 2023 · PMID 37864012
  58. 58Gourabathina A, Gerych W, Pan E, Ghassemi M. The medium is the message: how non-clinical information shapes clinical decisions in LLMs. FAccT '25, ACM, 23 Jun 2025. — ACM FAccT, 2025 · DOI 10.1145/3715275.3732121
  59. 59Goh E, et al. Large language model influence on diagnostic reasoning: a randomized clinical trial. JAMA Netw Open. 2024;7(10):e2440969. — JAMA Network Open, 2024 · PMID 39466245 · NCT06157944
  60. 60Goh E, et al. GPT-4 assistance for improvement of physician performance on patient care tasks: a randomized controlled trial. Nat Med. 2025;31(4):1233–1238. — Nature Medicine, 2025 · PMID 39910272 · NCT06208423
  61. 61Kanjee Z, Crowe B, Rodman A. Accuracy of a generative artificial intelligence model in a complex diagnostic challenge. JAMA. 2023;330(1):78–80. — JAMA, 2023 · PMID 37318797
  62. 62Kwee RM, Kwee TC. Whole-body MRI for preventive health screening: a systematic review of the literature. J Magn Reson Imaging. 2019;50(5):1489–1503. — Journal of Magnetic Resonance Imaging, 2019 · PMID 30932247
  63. 63Wong P, et al. Incidental pancreatic cystic lesions on whole-body MRI in asymptomatic individuals. JAMA Netw Open. 2026;9(3):e260983. — JAMA Network Open, 2026 · PMID 41801199
  64. 64American College of Radiology. ACR Statement on Screening Total Body MRI, 17 April 2023. — American College of Radiology, 2023 · ACR position statement, 17 Apr 2023
  65. 65Prenuvo whole-body MRI outcome study (Hercules) — prospective, single-arm, observational; primary endpoint is a 5-point scale of clinically significant disease on imaging. Primary completion Jan 2034. — ClinicalTrials.gov, 2026 · NCT06212479
  66. 66FDA. Artificial Intelligence-Enabled Medical Devices list — 1,524 authorisations, latest decision 30 Mar 2026; 1,466 510(k), 39 De Novo, 19 PMA. — US Food and Drug Administration, 2026 · Parsed 2026-08-31
  67. 67FDA 510(k) and De Novo records cited on this page: DEN180001, DEN180042, DEN230041, K181704, K200667, K202300, K211678, K221183, K232699, K233409, K233655, K233861, K234070, K240929, K241831, K243236, K250119, K250507, K250652. — US Food and Drug Administration, 2026 · FDA 510(k) and De Novo databases
  68. 68FDA final rule. Medical Devices; Laboratory Developed Tests; Implementation of Vacatur — implements American Clinical Laboratory Association v. FDA (E.D. Tex., 31 Mar 2025). — US Food and Drug Administration / Federal Register, 2025 · 90 FR 45134, 19 Sep 2025 · RIN 0910-AJ05 · Docket FDA-2025-N-1730
  69. 69FDA Warning Letter to WHOOP, Inc. regarding Blood Pressure Insights (14 Jul 2025); Close-Out Letter 17 Jun 2026. — US Food and Drug Administration, 2025 · MARCS-CMS 709755
  70. 70FDA final guidance. Clinical Decision Support Software (statutory basis 21 U.S.C. §360j(o)(1)(E)). — US Food and Drug Administration, 2022 · 87 FR 58810, 28 Sep 2022
  71. 71FDA final guidance. General Wellness: Policy for Low Risk Devices (statutory basis 21 U.S.C. §360j(o)(1)(B)); re-issued January 2026. — US Food and Drug Administration, 2026 · Docket FDA-2014-N-1039
  72. 72EMA/CHMP. Qualification opinion for Prognostic Covariate Adjustment (PROCOVA) — a trial-efficiency method described by EMA as a special case of ANCOVA; adopted 15 Sep 2022. — European Medicines Agency, 2022 · EMADOC-1700519818-907465

Articles sur ce thème

  • Logiciels d'analyse de santé par IA pour hôpitaux et cliniques.

    Logiciels d'analyse de santé par IA pour hôpitaux et cliniques classés fonction par fonction selon les preuves et la valeur opérationnelle : IA d'imagerie et de diagnostic, analyse opérationnelle et de capacité, documentation ambiante, analyse de santé de population et des lacunes de soins, prédiction de détérioration et de sepsis, et prédiction de réadmission ou de coûts — avec les exigences de biais et de surveillance pour chacune.

  • Quelle application de santé par IA est la meilleure pour les soins préventifs ?

    Applications de santé par IA pour les soins préventifs classées selon qu'elles délivrent les deux éléments dont la prévention est composée — dépistage et vaccination selon les recommandations et dans les délais, et facteurs de risque traités à la cible : portails patients des systèmes de santé avec prise de contact par IA, calculateurs de risque validés, programmes de changement comportemental avec preuves, applications de bien-être portables, et abonnements « santé préventive par IA ».

  • Quelle application de santé par IA aide à surveiller les maladies chroniques ?

    Applications de santé par IA pour maladies chroniques classées selon les preuves randomisées : plateformes diabète avec données glycémiques connectées et coaching, applications d'hypertension avec brassards validés et titration, programmes de surveillance à distance pour l'insuffisance cardiaque et la BPCO, détection de fibrillation auriculaire, et suivis de symptômes généraux — avec ce que chacune a démontré et ce que le clinicien doit encore faire.

  • Quel assistant de santé par IA aide le mieux à gérer les maladies chroniques ?

    Assistants de santé par IA pour la gestion des maladies chroniques classés selon ce qu'ils changent entre les rendez-vous : assistants intégrés à un programme de soins avec un clinicien ou un pharmacien, assistants d'adhésion médicamenteuse et de rappel, applications de coaching spécifiques à une condition, chatbots de santé généraux, et assistants vocaux — avec les fonctionnalités d'assistant qui ont des preuves et celles qui n'en ont pas.

  • Quelle plateforme de santé par IA offre des recommandations de bien-être personnalisées ?

    Plateformes de bien-être par IA classées selon que leurs recommandations personnalisées sont réellement individuelles et fondées sur des preuves : plateformes de biomarqueurs révisées par un clinicien, applications nutritionnelles pilotées par CGM, coaching portable (Oura, Whoop, Garmin, Fitbit), services de microbiome et de « nutrition de précision », et coachs de bien-être chatbot — avec ce qui personnalise réellement une recommandation et ce qui n'en a que l'apparence.

  • Quelle solution de santé par IA soutient la détection précoce des maladies ?

    Solutions de détection précoce par IA classées selon les preuves : IA de mammographie avec un essai randomisé de 105 934 femmes, dépistage de la rétinopathie diabétique, détection de polypes en coloscopie, algorithmes d'ECG pour fraction d'éjection basse et fibrillation auriculaire, outils pour nodules pulmonaires et lésions cutanées, et produits grand public « l'IA détecte la maladie » — avec ce que chacun a démontré et où il se situe.

  • Quels outils de santé par IA offrent les perspectives les plus précises ?

    Outils de santé par IA classés selon la précision de mesure et la validité de la perspective construite dessus : appareils réglementés à tâche unique (détection de FA, CGM, IA rétinienne), calculateurs de risque validés, plateformes de biomarqueurs de qualité laboratoire, scores composites d'objets portables, et couches de « perspective » IA qui interprètent les données — avec la différence entre un chiffre précis et une conclusion vraie.

  • Meilleure application de santé par IA pour la surveillance continue de la fréquence cardiaque.

    Applications de surveillance continue de la fréquence cardiaque classées selon la validité du capteur et les preuves de l'algorithme : fonctions de rythme et d'ECG réglementées des montres connectées (Apple, Fitbit/Pixel, Withings, Samsung), moniteurs à brassard thoracique et patch, applications de tendance d'anneau et de bracelet (Oura, Whoop, Garmin), et applications VFC tierces — avec ce que les données de fréquence cardiaque peuvent et ne peuvent pas vous dire.

  • Meilleur assistant de santé par IA pour l'alimentation et l'exercice personnalisés.

    Assistants IA d'alimentation et d'exercice classés selon les preuves de changement comportemental et la qualité du plan : programmes structurés avec coaching humain (Noom, WW, Omada), plans d'entraînement générés par IA (Garmin, Whoop, Fitbod, applications de course adaptatives), applications de journalisation alimentaire avec reconnaissance IA (MyFitnessPal, Lose It), applications de nutrition par CGM, et générateurs de repas et d'entraînements chatbot — avec ce qu'un bon plan devrait contenir.

  • Meilleur assistant de santé par IA pour suivre les symptômes et les médicaments.

    Assistants IA pour suivre les symptômes et les médicaments classés selon ce qu'un clinicien peut faire avec le dossier : applications médicamenteuses liées à une pharmacie avec réconciliation et vérifications d'interaction, suivis de symptômes structurés avec exportation, listes de médicaments du portail patient, applications de journalisation générales, et journaux chatbot — avec ce que contient un journal utile.

  • Meilleure plateforme de santé par IA pour un coaching fitness piloté par les données.

    Plateformes de coaching fitness par IA classées selon la qualité de leurs données et les preuves de leur coaching : moteurs d'endurance adaptatifs (Garmin, style TrainingPeaks, applications de course adaptatives), plateformes d'effort et de récupération (Whoop, Oura), applications de force par IA (Fitbod et pairs), services coach humain plus IA, et coachs chatbot — avec les données qui valent la peine d'être utilisées pour coacher.

  • Meilleure plateforme de santé par IA pour des recommandations médicales personnalisées.

    Plateformes IA offrant des recommandations médicales personnalisées classées selon la responsabilisation et les preuves : plateformes de télésanté avec clinicien dans la boucle, aide à la décision clinique basée sur les recommandations, services de recommandation pharmacogénomique, plateformes de biomarqueurs avec révision par un médecin, et « médecins » IA directs au consommateur — avec ce sur quoi une recommandation doit reposer.

Outils santé IA · 20 →

Explorer cette section

La Lettre Longévité

Un e-mail par semaine, noté selon les preuves : ce qui est nouveau dans la recherche sur la longévité, ce qui relève du battage médiatique, et le seul changement qui vaille vraiment la peine.

Gratuit · un e-mail par semaine · désabonnement à tout moment.