158 statistiques sur l'IA dans les soins de santé en novembre 2026

Les statistiques sur l'IA dans les soins de santé pour 2026 montrent que l'IA clinique se répand plus vite que les preuves qui l'étayent. La liste de la FDA des dispositifs médicaux dotés d'IA comptait 1 614 entrées, avec des dates de décision jusqu'au 29 juin 2026 (FDA, juin 2026), pourtant une revue de 519 études sur les grands modèles de langage dans les soins de santé a constaté que seules 5 % d'entre elles utilisaient des données de soins réels (JAMA, Bedi et al., janv. 2025).

La page couvre l'utilisation par les hôpitaux et les cliniciens, les patients, les autorisations de dispositifs, les scribes IA et l'épuisement professionnel, la précision diagnostique, la découverte de médicaments, l'investissement, la sécurité et la réglementation. Chaque chiffre renvoie à l'organisme qui l'a produit : agences publiques, autorités de régulation, revues à comité de lecture, ainsi que instituts d'enquête et fournisseurs signalés comme tels. Pour une vue plus large, consultez nos pages sur les statistiques sur l'IA, les statistiques sur l'IA générative et les statistiques d'utilisation de l'IA.

À quelle vitesse l'IA se diffuse-t-elle dans les hôpitaux et les cliniques ?

Les hôpitaux ont été les premiers à l'adopter et cherchent encore comment l'encadrer. La plupart la font tourner dans leur logiciel de dossier médical, et l'écart entre les grands systèmes et les petits hôpitaux indépendants se creuse.

Quels hôpitaux utilisent l'IA prédictive, et pour quoi faire ?

Les hôpitaux rattachés à un groupe utilisaient l'IA prédictive à hauteur de 86 % en 2024, contre 37 % pour les hôpitaux indépendants (ASTP/ONC, sept. 2025).

• 96 % des grands hôpitaux (400 lits ou plus) utilisaient l'IA prédictive en 2024, contre 59 % des petits (100 lits ou moins) (ASTP/ONC, sept. 2025).
• 81 % des hôpitaux urbains l'utilisaient, contre 56 % des hôpitaux ruraux et 50 % des hôpitaux d'accès critique (ASTP/ONC, sept. 2025).
• 90 % des hôpitaux équipés du fournisseur de dossier médical leader du marché utilisaient l'IA prédictive, contre 50 % des hôpitaux équipés d'autres fournisseurs (ASTP/ONC, sept. 2025).
• Le recours à l'IA prédictive pour simplifier la facturation est passé de 36 % à 61 % en un an, et pour la planification de 51 % à 67 % (ASTP/ONC, sept. 2025).
• 80 % des hôpitaux utilisaient l'IA prédictive de l'éditeur de leur dossier médical, 52 % des outils tiers et 50 % des modèles qu'ils avaient développés eux-mêmes (ASTP/ONC, sept. 2025).
• 82 % des hôpitaux évaluaient la précision de leurs modèles prédictifs, 74 % leurs biais, et 79 % les surveillaient après leur déploiement (ASTP/ONC, sept. 2025).
• 74 % des hôpitaux ont indiqué que plusieurs entités étaient responsables de l'évaluation de l'IA prédictive, 66 % ont cité un comité dédié et 41 % le personnel informatique (ASTP/ONC, sept. 2025).

L'IA prédictive désigne les scores de risque et les prévisions, la couche la plus ancienne de l'IA clinique. Les écarts suivent la taille de l'hôpital, son statut et son fournisseur de logiciels.

Combien d'hôpitaux utilisent l'IA générative, et est-ce efficace ?

31,5 % des hôpitaux américains (762) utilisaient l'IA générative intégrée à leur dossier médical en 2024, et 24,7 % de plus prévoyaient de le faire dans l'année (JAMA Network Open, Everson et al., déc. 2025).

• 32 % des hôpitaux n'utilisaient pas l'IA générative et n'avaient aucun projet en ce sens (JAMA Network Open, Everson et al., déc. 2025).
• Dans une enquête auprès de 43 systèmes de santé américains (taux de réponse de 64 %), tous avaient au moins commencé à développer ou à piloter des notes ambiantes, mais seuls 14 % les avaient déployées intégralement (JAMIA, Poon et al., juil. 2025).
• 90 % de ces systèmes avaient déployé de l'IA d'imagerie et de radiologie dans au moins certains secteurs (JAMIA, Poon et al., juil. 2025).
• 53 % ont fait état d'un haut niveau de réussite avec l'IA de documentation clinique, 38 % avec l'IA de stratification du risque clinique et 23 % avec l'IA du cycle de facturation et de recouvrement (JAMIA, Poon et al., juil. 2025).
• 77 % ont cité l'immaturité des outils d'IA comme frein, 47 % les enjeux financiers et 40 % l'incertitude réglementaire (JAMIA, Poon et al., juil. 2025).

Les projets pilotes sont courants et le déploiement complet est rare. Les acheteurs eux-mêmes jugent que les outils ne sont pas matures.

Combien de médecins et d'infirmiers utilisent l'IA au travail ?

54 % de 3 151 médecins américains ont déclaré utiliser l'IA dans leur pratique clinique, et cette part est passée de 47 % au printemps 2025 à 63 % lors de la dernière vague (Doximity, janv. 2026). Doximity exploite une plateforme destinée aux médecins : considérez donc cette étude comme celle d'un fournisseur.

• 74 % des médecins et 70 % des infirmiers utilisaient l'IA au moins une fois par semaine à titre professionnel en mars 2026, contre 38 % et 46 % un an plus tôt (Wolters Kluwer, mars 2026). Cette enquête du fournisseur a porté sur 355 cliniciens.
• 48 % de 2 206 cliniciens répartis dans 109 pays avaient utilisé l'IA dans leur travail au printemps 2025, contre 26 % en 2024 (Elsevier, juil. 2025). Il s'agit aussi d'une étude de fournisseur.
• Parmi ceux qui utilisaient l'IA dans leur travail, 97 % avaient eu recours à un outil généraliste comme ChatGPT et 76 % à un outil spécifiquement clinique (Elsevier, juil. 2025).
• 21 % des cliniciens utilisaient l'IA pour analyser des images médicales et 16 % pour les aider à prendre des décisions cliniques, tandis que 48 % souhaitaient l'utiliser à cette fin (Elsevier, juil. 2025).
• La recherche bibliographique était l'usage principal pour 35 % des médecins en janvier 2026, devant les scribes IA (29 %) (Doximity, janv. 2026).
• Les neurologues déclaraient l'usage le plus élevé (64 %), suivis des gastro-entérologues (61 %) et des internistes (60 %) (Doximity, janv. 2026).
• 47 % des médecins ont déclaré que le processus décisionnel de leur établissement en matière d'IA était encore en évolution, seuls 8 % qu'il était clair, et 71 % ont cité la précision et la fiabilité comme première préoccupation (Doximity, janv. 2026).
• Seuls 30 % des cliniciens ont déclaré que leur établissement offrait une formation adéquate à l'IA et 29 % qu'il disposait d'une gouvernance efficace de l'IA (Elsevier, juil. 2025).

Les trois enquêtes divergent sur le niveau d'usage parce qu'elles le définissent différemment, de tout usage au travail à un usage professionnel hebdomadaire. Elles s'accordent sur la tendance, et sur le retard de la formation et des règles internes par rapport aux outils.

Combien de patients utilisent l'IA pour leurs questions de santé, et lui font-ils confiance ?

Les patients ont une longueur d'avance sur leurs soignants. Plus d'un adulte sur quatre interroge déjà un chatbot sur sa santé, souvent parce qu'une consultation est trop lente, trop chère ou trop méprisante.

Quelle part des adultes demande à l'IA des conseils de santé ?

25 % des adultes américains ont utilisé un outil d'IA ou un chatbot pour s'informer ou demander conseil sur leur santé, selon un panel Gallup de 5 660 adultes (Gallup et West Health, avr. 2026).

• Cela représente plus de 66 millions d'Américains (West Health, avr. 2026).
• 29 % des adultes ont utilisé l'IA au cours de l'année écoulée pour s'informer sur leur santé physique et 16 % sur leur santé mentale (KFF, mars 2026).
• 28 % des adultes de 18 à 29 ans ont utilisé l'IA pour des conseils de santé mentale, contre 8 % des 50 ans et plus (KFF, mars 2026).
• 27 % des adultes ont utilisé l'IA pour chercher des symptômes ou des informations générales sur la santé, 19 % pour comprendre des résultats d'examens et 16 % pour décider s'ils devaient consulter un médecin (KFF, mars 2026).
• 65 % des utilisateurs d'IA pour la santé ont cité la rapidité et l'immédiateté des conseils comme raison majeure, 19 % n'avaient pas les moyens de consulter un prestataire de soins et 18 % n'avaient pas de prestataire habituel ou n'avaient pas pu obtenir de rendez-vous (KFF, mars 2026).
• 59 % des utilisateurs récents ont fait des recherches avec l'IA avant une consultation médicale et 56 % après (Gallup et West Health, avr. 2026).
• 21 % des utilisateurs récents ont déclaré avoir utilisé l'IA parce qu'un prestataire de soins les avait déjà écartés ou ignorés par le passé (Gallup et West Health, avr. 2026).
• 61 % des utilisateurs récents utilisaient une IA conversationnelle généraliste comme ChatGPT ou Copilot, et 55 % les résumés d'IA intégrés à la recherche sur le web (Gallup et West Health, avr. 2026).
• Plus de 40 millions de personnes posent chaque jour des questions de santé à ChatGPT, et un de ses 800 millions d'utilisateurs réguliers sur quatre envoie chaque semaine une requête liée à la santé (OpenAI, janv. 2026). Ce sont les données d'usage du fournisseur lui-même.

Les patients interrogent désormais un assistant avant d'appeler une clinique : les pages qu'un assistant cite à propos d'un cabinet sont donc devenues un sujet mesurable.

Les patients font-ils confiance aux réponses de l'IA sur la santé ?

En partie seulement. 4 % des utilisateurs récents d'IA pour la santé font fortement confiance à l'exactitude de ce qu'ils obtiennent (Gallup et West Health, avr. 2026).

• 33 % des utilisateurs récents font confiance aux informations de santé de l'IA, 33 % ne leur font ni confiance ni défiance et 34 % s'en défient (Gallup et West Health, avr. 2026).
• 11 % des utilisateurs récents ont déclaré que l'IA leur avait recommandé un conseil de santé qu'ils jugeaient dangereux (Gallup et West Health, avr. 2026).
• 69 % des adultes qui ont utilisé l'IA pour des conseils de santé physique lui font très ou plutôt confiance, contre 18 % des adultes qui ne l'ont pas utilisée (KFF, mars 2026).
• 58 % de ceux qui ont utilisé l'IA pour des conseils de santé physique ont ensuite consulté un médecin, et 42 % des utilisateurs pour la santé mentale ont consulté un professionnel (KFF, mars 2026).
• 77 % des adultes s'inquiètent de la confidentialité des informations médicales confiées aux outils d'IA, et pourtant 41 % des utilisateurs d'IA pour la santé ont téléversé des résultats d'examens ou des notes de médecin (KFF, mars 2026).
• Dans une enquête de 2022 auprès de 11 004 adultes, 60 % ont déclaré qu'ils seraient mal à l'aise si leur propre prestataire de soins s'appuyait sur l'IA pour diagnostiquer des maladies et recommander des traitements (Pew Research Center, févr. 2023).
• Dans cette enquête, 57 % s'attendaient à ce que l'IA détériore la relation entre patient et prestataire de soins, contre 13 % qui s'attendaient à ce qu'elle l'améliore (Pew Research Center, févr. 2023).

Les patients sont à l'aise pour utiliser un chatbot par eux-mêmes, mais beaucoup moins quand il s'interpose entre eux et un clinicien.

Les patients veulent-ils être prévenus quand l'IA intervient dans leurs soins ?

Oui. 81 % veulent que leur prestataire de soins les prévienne quand l'IA analyse des examens d'imagerie ou pose un diagnostic, et 56 % veulent l'être même quand elle planifie un rendez-vous (Pew Research Center, aoû 2026).

• 80 % veulent être prévenus quand l'IA explique des résultats d'analyses et 64 % quand elle gère les renouvellements d'ordonnance (Pew Research Center, aoû 2026).
• 53 % des adultes estiment avoir peu ou pas leur mot à dire sur le recours d'un prestataire de soins à l'IA dans leur prise en charge (Pew Research Center, aoû 2026).
• 63 % veulent avoir davantage leur mot à dire sur l'usage de l'IA dans leurs soins, contre 21 % qui se satisfont de la place qu'ils ont (Pew Research Center, aoû 2026).
• Seuls 16 % disent qu'un prestataire de soins a utilisé l'IA dans leur prise en charge, 37 % disent qu'aucun ne l'a fait et 46 % n'en sont pas sûrs (Pew Research Center, aoû 2026).
• Parmi les patients qui savent que l'IA a été utilisée, 22 % comprennent bien comment elle l'a été et 32 % ne le comprennent pas très bien ou pas du tout (Pew Research Center, aoû 2026).

L'enquête a été menée en juin 2026, alors que les hôpitaux utilisaient déjà l'IA pour les notes et l'imagerie.

Combien de dispositifs médicaux d'IA la FDA a-t-elle autorisés, et sur quelles preuves ?

La liste des dispositifs s'allonge chaque année, et elle est presque entièrement composée de logiciels d'imagerie autorisés par comparaison avec des dispositifs antérieurs plutôt qu'après de nouveaux essais.

Combien de dispositifs dotés d'IA sont autorisés chaque année ?

Le total cumulé a franchi la barre des 1 000 dispositifs en 2024, et en décembre 2025 la FDA avait autorisé 1 357 dispositifs dotés d'IA, issus de 693 entreprises et couvrant 17 spécialités cliniques (Stanford HAI, avr. 2026).

• La liste comptait 863 entrées avec des dates de décision jusqu'en 2023, 1 098 jusqu'en 2024 et 1 433 jusqu'en 2025, d'après le nombre de lignes de son fichier CSV téléchargeable (FDA, juin 2026).
• Elle contient 181 entrées datées du premier semestre 2026, contre 176 au premier semestre 2025 (FDA, juin 2026).
• L'AI Index a dénombré 258 autorisations jusqu'en septembre 2025, soit déjà plus que n'importe quelle année complète antérieure (Stanford HAI, avr. 2026).
• 98 nouvelles entreprises sont entrées sur le marché en 2025, après 109 en 2024 et 103 en 2023 (Stanford HAI, avr. 2026).
• Siemens Medical Solutions USA a 56 entrées, Canon Medical Systems 42 et Aidoc Medical 30 (FDA, juin 2026).
• Le nombre de dispositifs d'imagerie liés à l'IA autorisés par la voie 510(k) a atteint 246 en 2025, contre 16 en 2016 (Stanford HAI, avr. 2026).

La FDA précise que sa liste n'est pas exhaustive et qu'elle repère les dispositifs principalement grâce à des termes liés à l'IA dans leurs résumés (FDA, juin 2026). Les chiffres varient selon la date, car les résumés des décisions sont ajoutés après coup.

Quelles spécialités et quelles voies d'autorisation dominent ?

Presque tous les dispositifs d'IA passent par la voie 510(k) : 1 553 des 1 614 entrées (96,2 %) portent un numéro 510(k), contre 40 entrées De Novo et 21 entrées PMA (FDA, juin 2026).

• Le cardiovasculaire arrive deuxième avec 154 entrées (9,5 %) et la neurologie troisième avec 73 (4,5 %) (FDA, juin 2026).
• L'anesthésiologie compte 30 entrées, la gastro-entérologie et l'urologie 27, l'hématologie 22, et l'anatomopathologie et l'ophtalmologie 10 chacune (FDA, juin 2026).
• 81 entrées hors radiologie ont une date de décision en 2025, contre 7 en 2016 (FDA, juin 2026).
• Les plans de contrôle des modifications prédéterminées, qui autorisent des mises à jour convenues à l'avance après l'autorisation, ont été utilisés dans environ 10 % des autorisations de 2025 (Stanford HAI, avr. 2026).
• Une revue de 1 016 autorisations a relevé plus de 100 dispositifs qui utilisent l'IA pour générer des données, et aucun ne reposait sur un grand modèle de langage (npj Digital Medicine, Singh et al., juil. 2025).
• La FDA indique qu'elle étudiera des moyens d'identifier les dispositifs qui utilisent des modèles de fondation, des grands modèles de langage aux systèmes multimodaux (FDA, juin 2026).

La voie 510(k) vérifie si un dispositif est substantiellement équivalent à un dispositif antérieur. Elle n'exige pas de nouvel essai clinique.

Quelle est la solidité des preuves, et à quelle fréquence les dispositifs sont-ils rappelés ?

Les rappels sont peu fréquents mais se concentrent au début : 60 des 950 dispositifs dotés d'IA (6,3 %) ont été associés à 182 rappels, et 43,4 % de ces rappels sont survenus dans les 12 mois suivant l'autorisation (JAMA Health Forum, Lee et al., aoû 2025).

• Ce taux de rappel précoce est environ le double de celui rapporté pour l'ensemble des dispositifs 510(k), et 59,3 % des rappels n'étaient pas résolus à la fin de l'étude (JAMA Health Forum, Lee et al., aoû 2025).
• La survie sans rappel était de 96,6 % à un an, 93,5 % à trois ans et 91,8 % à cinq ans (JAMA Health Forum, Lee et al., aoû 2025).
• Les entreprises cotées en bourse ont fabriqué 53,2 % des dispositifs mais concentrent 91,8 % des rappels (JAMA Health Forum, Lee et al., aoû 2025).
• L'absence de validation clinique était associée de façon indépendante au rappel, avec un rapport de cotes de 2,8 (JAMA Health Forum, Lee et al., aoû 2025).
• Dans une autre étude portant sur 903 dispositifs autorisés jusqu'en août 2024, 43 (4,8 %) ont été rappelés après une durée médiane de 458 jours (JAMA Network Open, Ren et al., juin 2026).
• Les dispositifs dont les études cliniques à l'appui n'étaient pas documentées présentaient un risque de rappel plus élevé, avec un rapport de risque instantané de 1,39 (JAMA Network Open, Ren et al., juin 2026).

Les deux études vont dans le même sens : les dispositifs moins testés cliniquement défaillent plus souvent après leur mise sur le marché.

Que changent les scribes IA et l'automatisation pour les cliniciens, et qui paie ?

Les scribes sont la première IA clinique à entrer dans l'usage courant. Les preuves issues des essais sont réelles, mais plus modestes que ne le suggèrent les enquêtes avant-après.

Combien de temps de documentation les scribes IA économisent-ils ?

Au sein du Permanente Medical Group, 7 260 médecins ont utilisé un scribe IA lors de 2 576 627 consultations de patients entre octobre 2023 et décembre 2024, et une analyse a conclu qu'il avait fait gagner près de 16 000 heures de documentation (Kaiser Permanente Division of Research, avr. 2025).

• 3 447 de ces médecins ont utilisé le scribe lors d'au moins 100 consultations chacun (Kaiser Permanente Division of Research, avr. 2025).
• 88 % des 102 médecins interrogés ont déclaré que le scribe avait un effet positif sur leurs échanges pendant la consultation (Kaiser Permanente Division of Research, avr. 2025).
• Dans l'essai de l'UCLA, les deux scribes ont été utilisés dans 33,5 % et 29,5 % des consultations, et les médecins ont estimé que les inexactitudes cliniquement significatives n'étaient qu'occasionnelles (NEJM AI, Lukac et al., déc. 2025).
• Dans un essai mené au Wisconsin auprès de 66 praticiens, l'IA ambiante a généré 38 % de 71 487 notes et réduit le temps passé sur les notes de 0,36 heure par jour (NEJM AI, Afshar et al., déc. 2025).
• Une étude financée par le NHS England a constaté une hausse de 23,5 % du temps d'échange direct avec les patients et une baisse de 8,2 % de la durée totale des rendez-vous lorsque des scribes IA étaient utilisés (NHS England, juil. 2026).
• Le NHS England, dans les Midlands, a retenu un seul fournisseur de technologie vocale ambiante pour l'ensemble des 1 239 cabinets de médecine générale et plus de 70 000 cliniciens répartis dans 15 trusts (NHS England, juil. 2026).
• Dans une évaluation portant sur 12 019 cliniciens de soins primaires canadiens inscrits, les répondants à l'enquête ont déclaré gagner en moyenne 1,11 heure par semaine pendant les heures de travail après six mois (Canada Health Infoway, juin 2026).
• La part des notes terminées le jour même est passée de 55,9 % à près de 75 % dans ce programme (Canada Health Infoway, juin 2026).
• Là où les scribes sont largement disponibles, les organisations ont indiqué au Peterson Health Technology Institute que l'adoption se situe généralement entre 20 % et 50 % (PHTI, mars 2025).

Les gains sont réels, modestes et inégaux. Les utilisateurs intensifs en tirent le plus, et l'un des deux produits testés à l'UCLA n'a montré aucun gain de temps mesurable.

Les scribes IA réduisent-ils l'épuisement professionnel, et quelle est l'ampleur du manque de personnel ?

L'épuisement professionnel a reculé dans toutes les études, mais les essais randomisés montrent des effets plus faibles que les enquêtes avant-après. Dans l'essai du Wisconsin, l'IA ambiante a réduit l'épuisement au travail de 0,44 point sur une échelle de cinq points, et les auteurs ont jugé non significative la hausse de l'épanouissement professionnel (NEJM AI, Afshar et al., déc. 2025).

• Dans une étude portant sur six systèmes et 263 cliniciens, l'épuisement professionnel est passé de 51,9 % à 38,8 % après 30 jours avec un scribe IA, dans une étude dont des auteurs travaillent pour Abridge, fournisseur de scribes (JAMA Network Open, Olson et al., oct. 2025).
• Au Mass General Brigham, l'épuisement professionnel des cliniciens interrogés est passé de 50,6 % à 29,4 % au bout de 42 jours, même si seuls 30,4 % ont répondu à l'enquête (JAMA Network Open, You et al., aoû 2025).
• 45,2 % des médecins américains ont déclaré au moins un symptôme d'épuisement professionnel en 2023, contre 62,8 % en 2021, et les médecins étaient plus exposés que les autres travailleurs américains, avec un rapport de cotes de 1,82 (Mayo Clinic Proceedings, Shanafelt et al., juil. 2025).
• L'AAMC prévoit une pénurie pouvant atteindre 86 000 médecins aux États-Unis d'ici 2036 (AAMC, mars 2024).
• L'OMS prévoit une pénurie mondiale de 11,1 millions de professionnels de santé d'ici 2030, et près d'un médecin sur quatre a plus de 55 ans (WHO, sept. 2026).
• 31 % des cliniciens envisageaient de quitter leur poste dans les deux prochaines années environ, et 69 % voyaient plus de patients qu'il y a deux ans (Elsevier, juil. 2025).
• 88 % des médecins interrogés estiment que l'IA peut aider à réduire l'épuisement professionnel et à améliorer la satisfaction au travail (Doximity, janv. 2026).

Reste à vérifier s'ils règlent l'épuisement professionnel plutôt que de simplement l'atténuer.

L'IA est-elle rentable, et quels montants sont investis ?

À l'UCSF, les médecins qui ont adopté les scribes IA ambiants ont généré 1,81 unité de valeur relative de plus par semaine que ceux qui ne l'ont pas fait, soit environ 3 044 dollars par an et par médecin aux tarifs Medicare 2025, sans variation des refus de remboursement (JAMA Network Open, Holmgren et al., janv. 2026).

• Les médecins adoptants ont aussi réalisé 0,80 consultation de plus par semaine, et 698 des 1 565 médecins (44,6 %) étaient des adoptants (JAMA Network Open, Holmgren et al., janv. 2026).
• Les dépenses d'IA dans la santé ont atteint 1,4 milliards de dollars en 2025, près du triple de 2024, dont 600 millions de dollars pour les scribes ambiants (Menlo Ventures, oct. 2025). Le rapport émane d'une société de capital-risque : considérez-le donc comme une étude de fournisseur.
• 85 % des dépenses d'IA générative dans la santé vont à des start-up plutôt qu'aux acteurs en place (Menlo Ventures, oct. 2025).
• Les grands systèmes de santé s'attendent à ce que l'adoption des scribes ne passe que de 35 % à 40 % en trois ans, et 67 % des prestataires de soins ambulatoires disent qu'ils sont susceptibles de changer de fournisseur (Menlo Ventures, oct. 2025).
• Les entreprises de technologies de la santé américaines et européennes ont levé environ 7,2 milliards de dollars au premier semestre 2026, leur meilleur semestre depuis 2022, et les six plus grosses opérations en représentent environ 50 % (Silicon Valley Bank, aoû 2026).
• Grand View Research chiffre le marché 2026 à 50,7 milliards de dollars, pour atteindre 505,6 milliards de dollars d'ici 2033 (Grand View Research, oct. 2026).
• Precedence Research, dans un rapport de l'analyste Deepa Pandey, chiffre le marché 2026 à 51,20 milliards de dollars, pour atteindre 744,34 milliards de dollars d'ici 2035 (Precedence Research, sept. 2026).
• MarketsandMarkets chiffre le marché 2026 à 36,67 milliards de dollars, pour atteindre 194,79 milliards de dollars d'ici 2031 (MarketsandMarkets, oct. 2026).

Les prévisions de marché pour une même année diffèrent de près de 15 milliards de dollars, car chaque cabinet définit le marché à sa façon. Considérez les trois comme des estimations de cabinets identifiés, et non comme des faits.

Quelle est la précision du diagnostic médical par l'IA, et accélère-t-elle la découverte de médicaments ?

Les outils d'imagerie ciblés ont les preuves les plus solides. Les chatbots généralistes sont performants lorsqu'ils sont testés seuls, et faibles entre les mains d'utilisateurs réels.

L'IA améliore-t-elle le dépistage du cancer ?

Dans l'essai randomisé suédois MASAI portant sur 105 934 femmes, la sensibilité était de 80,5 % avec un dépistage assisté par l'IA contre 73,8 % avec une double lecture standard, et la spécificité de 98,5 % dans les deux groupes (The Lancet, Gommers et al., janv. 2026).

• Les taux de cancers d'intervalle étaient de 1,55 pour 1 000 avec l'IA contre 1,76 sans, soit un ratio de 0,88, qui établit la non-infériorité (The Lancet, Gommers et al., janv. 2026).
• Le groupe IA comptait moins de cancers d'intervalle invasifs : 75 contre 89 (The Lancet, Gommers et al., janv. 2026).
• L'analyse de dépistage précédente a trouvé 270 cancers invasifs avec l'IA contre 217, sans hausse significative des rappels ni des faux positifs (Lancet Digital Health, Hernström et al., févr. 2025).
• Dans l'étude allemande PRAIM portant sur 463 094 femmes et 119 radiologues, le dépistage assisté par l'IA a détecté 6,7 cancers pour 1 000 contre 5,7, soit un taux supérieur de 17,6 % (Nature Medicine, Eisemann et al., janv. 2025).
• Le taux de rappel était de 37,4 pour 1 000 avec l'IA contre 38,3 sans, et la valeur prédictive positive du rappel de 17,9 % contre 14,9 % (Nature Medicine, Eisemann et al., janv. 2025).
• Un système de mammographie par IA évalué sur des données de dépistage britanniques et américaines a réduit les faux positifs de 5,7 % en valeur absolue dans les données américaines et de 1,2 % dans les données britanniques, et les faux négatifs de 9,4 % et 2,7 % (Nature, McKinney et al., janv. 2020).
• Dans une méta-analyse de 14 études d'imagerie comparant directement les deux approches, l'apprentissage profond avait une sensibilité groupée de 87,0 % contre 86,4 % pour les professionnels de santé (Lancet Digital Health, Liu et al., sept. 2019).
• Seules 25 des 82 études de cette revue ont fait l'objet d'une validation externe (Lancet Digital Health, Liu et al., sept. 2019).

Le dépistage est le domaine où l'IA est passée des tests rétrospectifs aux essais randomisés, et les résultats concordent : davantage de cancers détectés sans plus de fausses alertes, et moins de travail de lecture.

Les chatbots et les modèles de langage peuvent-ils mieux diagnostiquer que les médecins ?

Seuls, parfois ; comme outil d'aide pour le médecin, pas encore. Dans un essai randomisé auprès de 50 médecins, le raisonnement diagnostique a obtenu 76 % avec un modèle de langage contre 74 % avec des ressources conventionnelles, soit une différence ajustée de 2 points non significative, tandis que le modèle seul a obtenu 16 points de plus que le groupe conventionnel (JAMA Network Open, Goh et al., oct. 2024).

• Dans l'étude d'Oxford portant sur 1 298 participants et dix scénarios, les modèles seuls ont choisi la bonne orientation de prise en charge dans 56,3 % des cas en moyenne, et les participants qui les utilisaient l'ont choisie dans moins de 44,2 % des cas (Nature Medicine, Bean et al., févr. 2026).
• ChatGPT Health a été testé sur 60 vignettes rédigées par des cliniciens couvrant 21 domaines cliniques, et les erreurs se concentraient aux extrêmes : 35 % pour les cas non urgents et 48 % pour les urgences (Nature Medicine, Ramaswamy et al., févr. 2026).
• Quand l'entourage minimisait les symptômes dans les vignettes, le triage basculait vers des soins moins urgents, avec un rapport de cotes de 11,7 (Nature Medicine, Ramaswamy et al., févr. 2026).
• L'orchestrateur MAI-DxO de Microsoft a atteint 80 % de précision sur 304 cas du NEJM contre 20 % pour des médecins généralistes, et 85,5 % lorsqu'il était configuré pour une précision maximale (Microsoft, Nori et al., juin 2025). Il s'agit d'une prépublication d'un fournisseur, et il a été demandé aux médecins de ne pas utiliser de moteurs de recherche.
• Sur 519 études consacrées aux grands modèles de langage dans les soins de santé, 44,5 % ont testé les connaissances médicales, par exemple avec des questions d'examens d'habilitation, et 19,5 % le diagnostic (JAMA, Bedi et al., janv. 2025).

Les scores des benchmarks sont plus élevés que les résultats obtenus avec de vrais participants. Les deux plus grands tests menés avec de vrais participants montrent que l'accès à un modèle performant ne suffit pas à produire de meilleures décisions.

L'IA permet-elle de découvrir plus vite de nouveaux médicaments ?

Les premiers signes sont encourageants pour amener des médicaments jusqu'aux essais chez l'humain, moins clairs pour les faire approuver. Les molécules découvertes par l'IA affichaient un taux de réussite de 80 % à 90 % en phase I, contre environ 40 % en phase II, selon une analyse des pipelines de biotechs nées de l'IA par des auteurs du Boston Consulting Group (Drug Discovery Today, Jayatunga et al., avr. 2024).

• Dans un essai de phase 2a auprès de 71 patients atteints de fibrose pulmonaire idiopathique, le rentosertib, un médicament découvert par l'IA, a augmenté la capacité vitale forcée de 98,4 ml à la dose de 60 mg, contre une baisse de 20,3 ml sous placebo (Nature Medicine, Xu et al., juin 2025).
• Des événements indésirables survenus sous traitement ont touché 83,3 % des patients à la dose de 60 mg et 70,6 % de ceux sous placebo (Nature Medicine, Xu et al., juin 2025).
• Le centre de la FDA chargé des médicaments a reçu plus de 500 dossiers comportant des composantes d'IA entre 2016 et 2023 (FDA CDER, oct. 2026).
• À elle seule, Isomorphic Labs a représenté environ 15 % de l'ensemble des investissements dans la biopharma depuis le début de 2026 (Silicon Valley Bank, aoû 2026).
• Les publications sur la recherche sur les protéines pilotée par l'IA ont progressé d'environ 71 % entre 2024 et 2025 (Stanford HAI, avr. 2026).

La phase I teste surtout la sécurité : un taux de réussite élevé montre que les molécules ont les propriétés d'un médicament, sans prouver qu'elles fonctionnent. Un résultat de phase intermédiaire dans un petit essai est le seul signal d'efficacité de cette liste.

L'IA clinique est-elle sûre, équitable et encadrée ?

Les régulateurs rédigent des règles pour des outils rarement testés sur de vrais patients.

À quelle fréquence l'IA clinique échoue-t-elle ?

L'ECRI a placé le mésusage des chatbots d'IA dans les soins de santé en tête de sa liste 2026 des risques liés aux technologies de santé, en notant que ces outils ne sont ni réglementés comme dispositifs médicaux ni validés pour les soins de santé (ECRI, janv. 2026).

• Sur 31 modèles de langage, des préjudices graves sont survenus dans jusqu'à 22,2 % des cas, et 76,6 % des erreurs étaient des omissions, comme l'absence de recommandation d'un examen critique (NOHARM benchmark, Wu et al., déc. 2025).
• Les meilleurs modèles ont devancé les médecins généralistes en matière de sécurité de 9,7 % en moyenne dans ce benchmark (NOHARM benchmark, Wu et al., déc. 2025).
• Les notes cliniques générées par des LLM présentaient un taux d'hallucination de 1,47 % et un taux d'omission de 3,45 % sur 12 999 phrases annotées par des cliniciens (npj Digital Medicine, Asgari et al., mai 2025).
• L'Epic Sepsis Model est passé à côté de 67 % des patients atteints de sepsis tout en déclenchant une alerte pour 18 % de l'ensemble des patients hospitalisés, avec une aire sous la courbe de 0,63 (JAMA Internal Medicine, Wong et al., juin 2021).
• L'étude sur la perte de compétences a porté sur 1 443 coloscopies dans quatre centres polonais, et l'exposition à l'IA s'accompagnait d'un rapport de cotes de 0,69 pour la détection des adénomes sans IA (Lancet Gastroenterology and Hepatology, Budzyń et al., aoû 2025).
• Un système d'alerte du sepsis a suivi 590 736 patients dans cinq hôpitaux, et lorsque les cliniciens confirmaient une alerte dans les trois heures, la mortalité hospitalière était inférieure de 3,3 points de pourcentage, soit une réduction relative de 18,7 % (Nature Medicine, Adams et al., juil. 2022). Cette comparaison oppose alertes confirmées et non confirmées : il s'agit donc d'une association.

Le même domaine produit des succès d'essais randomisés et un modèle de sepsis très répandu qui est passé à côté de deux cas sur trois. La sécurité dépend de l'outil et de la façon dont il est contrôlé après son lancement.

L'IA clinique est-elle biaisée ?

Un algorithme de risque américain largement utilisé a attribué aux patients noirs le même score de risque que les patients blancs plus malades ; le corriger ferait passer la part des patients noirs recevant une aide supplémentaire de 17,7 % à 46,5 % (Science, Obermeyer et al., oct. 2019).

• Le biais venait du fait que l'algorithme prédisait les dépenses de santé plutôt que la maladie, et que l'on dépense moins pour les patients noirs à besoins égaux (Science, Obermeyer et al., oct. 2019).
• Sur 21 jeux de données publics d'images de cancers de la peau totalisant 106 950 images, l'origine ethnique était renseignée pour 1,3 % des images et le phototype de Fitzpatrick pour 2,1 % (Lancet Digital Health, Wen et al., nov. 2021).
• Seules 15,8 % des 519 études sur des modèles de langage ont évalué l'équité, les biais ou la toxicité, et 1,2 % la calibration et l'incertitude (JAMA, Bedi et al., janv. 2025).
• Dans le test de résistance de ChatGPT Health, la race, le sexe et les obstacles aux soins n'ont montré aucun effet significatif, bien que les intervalles de confiance n'aient pas écarté des différences cliniquement importantes (Nature Medicine, Ramaswamy et al., févr. 2026).
• Parmi les Américains qui constatent un biais racial dans les soins de santé, 51 % pensaient qu'un recours accru à l'IA le réduirait et 15 % qu'il l'aggraverait (Pew Research Center, févr. 2023).

Le biais s'introduit généralement par les données d'entraînement ou par l'indicateur de substitution retenu : il apparaît donc rarement, sauf si quelqu'un le mesure par groupe.

Quelles règles régissent l'IA clinique ?

Peu de pays ont déjà rédigé des règles propres à l'IA en santé. Sur 50 pays de la région Europe de l'OMS, 8 % ont élaboré des normes de responsabilité pour l'IA en santé et 6 % ont des exigences légales spécifiques à l'IA générative en santé (WHO Europe, nov. 2025).

• 86 % ont cité l'incertitude juridique comme principal frein à l'adoption, et 92 % ont dit que des règles de responsabilité claires seraient le principal levier (WHO Europe, nov. 2025).
• 64 % de ces pays utilisaient des outils de diagnostic assisté par l'IA et 50 % des chatbots pour accompagner les patients, mais seuls 24 % proposaient une formation continue à l'IA aux professionnels de santé (WHO Europe, nov. 2025).
• Les orientations publiées par l'OMS en janvier 2024 sur les grands modèles multimodaux énoncent plus de 40 recommandations à l'intention des gouvernements, des développeurs et des prestataires de soins (WHO, janv. 2024).
• La règle américaine 45 CFR 92,210 impose aux entités couvertes de faire des efforts raisonnables pour repérer et atténuer le risque de discrimination lié aux outils d'aide à la décision dans les soins aux patients (eCFR, HHS, oct. 2026).
• Les orientations finales de la FDA sur les plans de contrôle des modifications prédéterminées pour les fonctions logicielles des dispositifs dotés d'IA datent d'août 2025 (FDA, aoû 2025).
• La FDA a publié des orientations mises à jour sur les logiciels d'aide à la décision clinique en janvier 2026 (FDA, janv. 2026).
• Le comité consultatif sur la santé numérique de la FDA s'est réuni le 6 novembre 2025 pour discuter des dispositifs numériques de santé mentale reposant sur l'IA générative (FDA, nov. 2025).
• La loi AB 3030 de Californie, promulguée le 28 septembre 2024, exige que les messages aux patients générés par l'IA générative comportent un avertissement et des instructions pour joindre un humain, sauf si un professionnel agréé les a relus (California Legislature, sept. 2024).
• L'Illinois a promulgué en août 2025 une loi qui interdit d'utiliser l'IA pour dispenser une thérapie ou prendre des décisions thérapeutiques, tout en autorisant les usages administratifs et de soutien (Illinois IDFPR, aoû 2025).
• Les orientations MDCG 2025-6 de l'UE précisent qu'un dispositif médical contenant un système d'IA à haut risque doit satisfaire simultanément au règlement relatif aux dispositifs médicaux et au règlement sur l'IA (European Commission, MDCG, juin 2025).
• La Joint Commission et la Coalition for Health AI ont publié en septembre 2025 des orientations sur l'usage responsable de l'IA, et prévoient une certification volontaire en IA ouverte à plus de 22 000 organisations accréditées (Joint Commission, sept. 2025).

Les règles arrivent en trois couches : le droit des dispositifs, porté par les régulateurs ; le droit de la non-discrimination et de l'information, porté par les États et les agences chargées des droits civiques ; et la gouvernance volontaire, portée par les organismes d'accréditation.

Méthodologie et sources

Nous n'avons retenu un chiffre qu'après l'avoir fait remonter à l'organisation qui l'a produit et avoir ouvert cette page, ou la copie du même article dans un dépôt, pour confirmer le chiffre et sa date. Les synthèses ont été suivies jusqu'à l'étude d'origine, ou écartées. Les données des gouvernements et des régulateurs, les articles revus par des pairs et les publications statistiques constituent l'essentiel de la page. Les enquêtes et rapports de fournisseurs et d'éditeurs commerciaux (Doximity, Elsevier, Wolters Kluwer, OpenAI, Menlo Ventures, Microsoft et les cabinets d'études de marché) sont nommés et signalés afin que vous puissiez en juger. Les nombres de dispositifs de la FDA proviennent des lignes de la liste téléchargeable de la FDA au 29 juin 2026 et sont signalés comme comptés. La page est actualisée chaque mois.

Sources

• AAMC, New AAMC Report Shows Continuing Projected Physician Shortage
• ASTP/ONC, Data Brief 80: Hospital Trends in the Use, Evaluation, and Governance of Predictive AI, 2023-2024
• California Legislature, AB 3030 Health care services: artificial intelligence
• Canada Health Infoway, Results of the national AI Scribe Program
• Doximity, 2026 AI Report (étude de fournisseur)
• Drug Discovery Today, Jayatunga et al., How successful are AI-discovered drugs in clinical trials?
• eCFR, 45 CFR 92.210 Nondiscrimination in the use of patient care decision support tools
• ECRI, Misuse of AI chatbots tops annual list of health technology hazards
• Elsevier, Clinician of the Future 2025 (étude de fournisseur)
• European Commission, MDCG 2025-6 FAQ on the interplay between the MDR/IVDR and the AI Act
• FDA CDER, Artificial Intelligence for Drug Development
• FDA, Clinical Decision Support Software guidance
• FDA, Digital Health Advisory Committee
• FDA, List of Artificial Intelligence-Enabled Medical Devices
• FDA, Marketing Submission Recommendations for a Predetermined Change Control Plan for AI-Enabled Device Software Functions
• Gallup and West Health, Americans Turning to AI to Supplement Healthcare Visits
• Grand View Research, Artificial Intelligence in Healthcare Market (2026-2033)
• Illinois IDFPR, Gov Pritzker Signs Legislation Prohibiting AI Therapy in Illinois
• JAMA Health Forum, Lee et al., Early Recalls and Clinical Validation Gaps in Artificial Intelligence-Enabled Medical Devices
• JAMA Internal Medicine, Wong et al., External Validation of a Widely Implemented Proprietary Sepsis Prediction Model in Hospitalized Patients
• JAMA Network Open, Everson et al., Uptake of Generative AI Integrated With Electronic Health Records in US Hospitals
• JAMA Network Open, Goh et al., Large Language Model Influence on Diagnostic Reasoning: A Randomized Clinical Trial
• JAMA Network Open, Holmgren et al., Ambient Artificial Intelligence Scribes and Physician Financial Productivity
• JAMA Network Open, Olson et al., Use of Ambient AI Scribes to Reduce Administrative Burden and Professional Burnout
• JAMA Network Open, Ren et al., Clinical Evidence and FDA Recalls of Artificial Intelligence-Enabled Medical Devices
• JAMA Network Open, You et al., Ambient Documentation Technology in Clinician Experience of Documentation Burden and Burnout
• JAMA, Bedi et al., Testing and Evaluation of Health Care Applications of Large Language Models: A Systematic Review
• JAMIA, Poon et al., Adoption of artificial intelligence in healthcare: survey of health system priorities, successes, and challenges
• Joint Commission and CHAI, Guidance on the Responsible Use of AI in Healthcare
• Kaiser Permanente Division of Research, AI-assisted notetaking gains steady support from Kaiser Permanente physicians
• KFF, Tracking Poll on Health Information and Trust: Use of AI for Health Information and Advice
• Lancet Digital Health, Hernström et al., Screening performance and characteristics of breast cancer detected in the MASAI trial
• Lancet Digital Health, Liu et al., A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging
• Lancet Digital Health, Wen et al., Characteristics of publicly available skin cancer image datasets: a systematic review
• Lancet Gastroenterology and Hepatology, Budzyń et al., Endoscopist deskilling risk after exposure to artificial intelligence
• MarketsandMarkets, Artificial Intelligence in Healthcare Market
• Mayo Clinic Proceedings, Shanafelt et al., Changes in Burnout and Satisfaction With Work-Life Integration in Physicians and the General US Working Population Between 2011 and 2023
• Menlo Ventures, 2025: The State of AI in Healthcare (étude de fournisseur)
• Microsoft AI, Nori et al., Sequential Diagnosis with Language Models (prépublication, étude de fournisseur)
• Nature Medicine, Adams et al., Prospective, multi-site study of patient outcomes after implementation of the TREWS machine learning-based early warning system for sepsis
• Nature Medicine, Bean et al., Reliability of LLMs as medical assistants for the general public
• Nature Medicine, Eisemann et al., Nationwide real-world implementation of AI for cancer detection in population-based mammography screening
• Nature Medicine, Ramaswamy et al., ChatGPT Health performance in a structured test of triage recommendations
• Nature Medicine, Xu et al., A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: a randomized phase 2a trial
• Nature, McKinney et al., International evaluation of an AI system for breast cancer screening
• NEJM AI, Afshar et al., A Pragmatic Randomized Controlled Trial of Ambient Artificial Intelligence to Improve Health Practitioner Well-Being
• NEJM AI, Lukac et al., Ambient AI Scribes in Clinical Practice: A Randomized Trial
• NHS England, Midlands leads the way on ambient voice technology
• NOHARM benchmark, Wu et al., First, do NOHARM: towards clinically safe large language models
• npj Digital Medicine, Asgari et al., A framework to assess clinical safety and hallucination rates of LLMs for medical text summarisation
• npj Digital Medicine, Singh et al., How AI is used in FDA-authorized medical devices: a taxonomy across 1,016 authorizations
• OpenAI, AI as a Healthcare Ally (données de fournisseur)
• Peterson Health Technology Institute, Adoption of Artificial Intelligence in Healthcare Delivery Systems: Early Applications and Impacts
• Pew Research Center, 60% of Americans Would Be Uncomfortable With Provider Relying on AI in Their Own Health Care
• Pew Research Center, Americans want transparency when AI is used in their healthcare
• Precedence Research, Artificial Intelligence in Healthcare Market Size, Key Companies and Trends 2026-2035
• Science, Obermeyer et al., Dissecting racial bias in an algorithm used to manage the health of populations
• Silicon Valley Bank, AI Investment Accounted for Nearly Half of Healthcare Investment in 2025
• Silicon Valley Bank, Healthcare Investments and Exits H2 2026
• Stanford HAI, AI Index Report 2026, Chapter 6: Medicine
• The Lancet, Gommers et al., Interval cancer, sensitivity, and specificity comparing AI-supported mammography screening with standard double reading in the MASAI study
• West Health, Millions of Americans Now Consult AI Before, After, and Sometimes Instead of Seeing a Doctor
• WHO Regional Office for Europe, Artificial intelligence is reshaping health systems: state of readiness across the WHO European Region
• WHO, One in four doctors nearing retirement age as WHO warns of global health workforce gap
• WHO, WHO releases AI ethics and governance guidance for large multi-modal models
• Wolters Kluwer, 2026 Future Ready Healthcare Survey Report (étude de fournisseur)

Glossaire

• Scribe IA (IA ambiante, technologie vocale ambiante) : logiciel qui enregistre une consultation et rédige la note clinique, que le clinicien relit.
• 510(k), De Novo, PMA : les trois voies de mise sur le marché des dispositifs auprès de la FDA. La 510(k) démontre l'équivalence avec un dispositif antérieur, la De Novo concerne les nouveaux dispositifs à risque faible à modéré et la PMA les dispositifs à haut risque.
• PCCP : plan de contrôle des modifications prédéterminées, plan convenu avec la FDA pour mettre à jour un dispositif d'IA après son autorisation.
• DSE : dossier de santé électronique, le logiciel qu'utilisent les hôpitaux pour conserver les dossiers des patients.
• IA prédictive : modèles qui produisent des scores de risque ou des prévisions, comme le risque de réadmission ou de sepsis.
• IA générative / LLM : systèmes qui rédigent du texte, des résumés ou des images, et grands modèles de langage qui font fonctionner les chatbots et les scribes.
• ASTP/ONC : le secrétaire adjoint américain à la politique technologique (Assistant Secretary for Technology Policy) et le bureau du coordonnateur national pour les technologies de l'information de santé.
• RVU : unité de valeur relative, mesure du travail médical utilisée pour le paiement par Medicare.
• Cancer d'intervalle : cancer du sein découvert entre deux cycles de dépistage et que le dépistage n'avait pas détecté.
• Sensibilité et spécificité : la part des cas réels qu'un test détecte, et la part des personnes en bonne santé qu'il écarte à raison.
• Sous-triage : orienter un patient vers un niveau de soins inférieur à celui que son état exige.
• Perte de compétences (deskilling) : perte de ses propres compétences par un clinicien après un recours habituel à un outil.
• MDCG : le groupe de coordination en matière de dispositifs médicaux de l'UE.