" Ceux d'entre nous qui font du machine learning sont très doués pour réussir sur un ensemble de test, mais malheureusement, déployer un système demande plus que cela. Tout le domaine de l'IA souffre d'un fossé entre la preuve de concept et la production." Andrew Ng (Pionnier de l'IA et co-fondateur de Google Brain)
" Les systèmes d'IA pourraient aggraver l'équité en santé en raison de facteurs tels que l'enracinement de données potentiellement biaisées dans les systèmes d'IA, ainsi que la répartition inégale des outils d'IA récemment développés. " Joyce et al. (Chercheurs en éthique et santé publique)
Obstacles à la prévention cardiovasculaire : l’intelligence artificielle peut-elle combler le fossé ?
Archives of Cardiovascular Diseases, 2026Points forts
-
Les modèles d'IA ne peuvent pas, à eux seuls, améliorer la prévention cardiovasculaire.
Des changements structurels du système de santé sont nécessaires.
La prédiction des risques par l'IA nécessite des données disponibles et des systèmes interopérables.
La prédiction des risques par l'IA nécessite des parcours de soins qui atteignent les patients mal desservis.
La prédiction des risques par l'IA déplace les goulets d'étranglement de la prévention en aval.
Les systèmes de santé doivent se préparer à l'augmentation de la demande qui suivra.
L'IA peut réduire l'inertie thérapeutique.
L'IA nécessite une validation, une acceptation médicale et une responsabilité clinique explicite.
Abstract
PERSPECTIVES
"Une question laissée en suspens tout au long de cette revue est : qui va payer ? Le coût d'une stratégie de prévention pilotée par l'IA dépasse largement celui de l'algorithme, englobant les licences, l'intégration, l'infrastructure, la maintenance, la surveillance et le travail clinique en aval qu'elle génère. Ce sont précisément ces éléments que les évaluations économiques existantes de l'IA omettent le plus souvent . Des analyses coût-efficacité et d'impact budgétaire intégrant cette structure de coûts complète constituent un prérequis à toute refonte à grande échelle des systèmes de santé aux ressources contraintes.
L'IA pourrait également favoriser une forme de prévention plus anticipative. Les vagues de chaleur et les pics de pollution atmosphérique sont associés à un excès d'événements cardiovasculaires . Coupler les prévisions environnementales avec les profils de risque individuels enverrait des messages ciblés aux patients les plus vulnérables avant, et non après, l'exposition — une approche qui reste à évaluer.
À l'inverse, le coût environnemental de l'IA elle-même mérite qu'on s'y attarde. L'entraînement et l'utilisation quotidienne de grands modèles consomment des quantités substantielles d'énergie et d'eau . La taille des modèles doit donc être adaptée à la tâche clinique, afin de ne pas gaspiller de ressources informatiques au-delà de ce que l'usage prévu exige."
Le goulot d'étranglement déplacé de la prévention cardiovasculaire (CV) assistée par l'intelligence artificielle (IA). La même population à risque s'engage dans les deux parcours. A : aujourd'hui, le sous-dépistage constitue le goulot d'étranglement, si bien que peu de patients à risque accèdent aux soins. B : une prédiction précise par l'IA supprime cette contrainte en amont, mais déplace le goulot d'étranglement en aval, vers le flux de patients, le tri des alertes et l'inertie thérapeutique. Les gains potentiels (en doré) ne se concrétisent que si ces contraintes organisationnelles sont prises en charge.
Des inégalités de données aux inégalités de prévention ; les voies de biais dans la prévention cardiovasculaire basée sur l'intelligence artificielle (IA). La prévention guidée par l'IA risque de concentrer ses bénéfices sur les patients déjà bien suivis, élargissant paradoxalement les inégalités de santé à moins de garantir des données représentatives et des parcours de soins non numériques.
ANALYSE par OPEN EVIDENCE
Les goulots d'étranglement de la prévention cardiovasculaire ne tiennent pas d'abord à un défaut de prédiction du risque, mais à la mise en œuvre — et c'est précisément là que l'intelligence artificielle (IA) progresse le moins. L'article dont vous citez les auteurs s'inscrit dans un corpus récent qui converge vers une conclusion nuancée. Selon celle-ci, l'IA améliore modestement la discrimination du risque, mais se heurte à des obstacles de validation, d'équité, de réglementation et surtout de traduction en bénéfice clinique réel. Voici le décryptage structuré des difficultés engendrées par l'IA dans ce domaine.
Le « fossé des bénéfices » (benefits gap) : mieux prédire ≠ mieux soigner
Le point central, souligné notamment par l'analyse du plan européen « Safe Hearts », est qu'une meilleure identification du risque ne se traduit pas automatiquement par de meilleurs résultats de santé. [1] Les véritables goulots de la prévention sont en amont et en aval de la prédiction :
-
Sous-utilisation des traitements à efficacité prouvée : en 2016, seule la moitié des patients avec maladie athéroscléreuse recevaient une statine et seulement 20 % un conseil sur l'hygiène de vie. Le fossé n'est pas prédictif mais implémentaire. [2-4]
-
Risque de « solutionnisme technologique » : surinvestir dans la prédiction algorithmique peut détourner l'attention des interventions de santé publique au niveau populationnel et des déterminants sociaux de la santé. [1]
-
Dépendance aux capacités du système de soins : l'utilité d'une prédiction reste conditionnée à l'accès aux soins primaires et à la capacité d'agir sur le résultat. [1]
Les limites méthodologiques des modèles eux-mêmes
Les revues les plus récentes (2025-2026) dressent un constat concordant sur la fragilité méthodologique :
-
Validation externe insuffisante : la majorité des modèles reposent sur une validation interne, avec une atténuation des performances et un manque de généralisabilité géographique ou inter-populationnelle. [5-7]
-
Calibration négligée : le reporting de la calibration est inconstant, alors que la discrimination (AUC souvent > 0,90 en imagerie) est mise en avant. Une bonne AUC ne garantit ni une calibration fiable ni une utilité clinique. [5-6]
-
Biais algorithmique : le biais s'introduit à chaque étape (données non représentatives, étiquettes imparfaites, variabilité de mesure, inadéquation au déploiement) et peut être amplifié une fois le modèle déployé. Une analyse de 691 dispositifs IA/ML autorisés par la FDA a montré que 95,5 % manquaient de transparence démographique et seulement 1,6 % disposaient de preuves issues d'essais randomisés. [7-8]
-
Dérive des données (dataset shift) : les performances déclinent dans le temps, imposant une re-validation locale récurrente. [1][8]
-
Comparateurs obsolètes : beaucoup d'études se comparent encore à d'anciennes équations plutôt qu'aux outils contemporains comme PREVENT. [5]
Le problème de la « boîte noire » et du dernier kilomètre
Deux obstacles pratiques dominent le déploiement :
-
Interprétabilité limitée : les modèles complexes (deep learning) restent peu explicables, ce qui pose un problème de confiance clinique et exige des cadres d'IA explicable. Les outils « boîte noire » ne sont utiles que s'ils peuvent être calculés automatiquement dans le flux de soins. [6-8]
-
Le « last-mile problem » : traduire une sortie algorithmique en action clinique concrète exige infrastructure numérique, interopérabilité, formation à la littératie IA, coordination entre acteurs et surtout des modèles de financement/remboursement pérennes. [1]
Les angles morts actuels des preuves
La revue narrative structurée 2020-2026 (126 études, 93 extraites) est éclairante sur la maturité réelle du champ : l'apprentissage automatique traditionnel domine (89 %), le deep learning reste minoritaire (8 %), la fusion multimodale est marginale (3 %), et aucun modèle de langage ni apprentissage fédéré n'était utilisé pour la prédiction du risque. [5] Les définitions de critères de jugement sont hétérogènes (seulement 23 % spécifiques à l'ASCVD) et les preuves prospectives d'impact décisionnel ou de bénéfice post-déploiement font défaut. [5]
Le tableau ci-dessous synthétise les principales difficultés engendrées par l'IA et les pistes de résolution proposées dans la littérature.
| Difficulté | Nature du problème | Piste de résolution |
|---|---|---|
| Fossé des bénéfices | Meilleure prédiction sans meilleur résultat de santé | Lier la prédiction à des parcours de prévention actionnables [1] |
| Validation externe faible | Sur-ajustement, perte de performance hors cohorte | Essais randomisés multicentriques, transportabilité [5-6] |
| Calibration non rapportée | Surconfiance dans l'AUC seule | Reporting standardisé (TRIPOD-AI), re-validation locale [6, 8] |
| Biais algorithmique | Inéquité amplifiée au déploiement | Cadres d'équité, transparence démographique [7-8] |
| Boîte noire | Défaut de confiance et d'interprétabilité | IA explicable, intégration automatisée au flux [7-8] |
| Vide réglementaire | Statut incertain, surveillance post-marché absente | Cadre Total Product Life Cycle, gouvernance [7] |
| Dernier kilomètre | Absence d'action clinique sur la sortie IA | Infrastructure, financement, formation [1] |
Pour illustrer de façon synthétique la nature multidimensionnelle de ces obstacles, le schéma suivant de Rumsfeld et al. classe les défis du big data cardiovasculaire en trois grandes catégories — base de preuves, problèmes méthodologiques, intégration et utilité clinique — qui recoupent exactement les difficultés décrites par les travaux récents sur l'IA.
Used under license from Springer Nature
En synthèse, le message convergent de cette littérature — et vraisemblablement de l'article que vous décryptez — est que l'IA peut combler certains fossés de prédiction, mais pas, à elle seule, le fossé principal, celui de l'implémentation. La question n'est plus seulement de savoir si l'IA peut détecter des motifs complexes. Cependant, si ces modèles peuvent être validés, jugés fiables, déployés équitablement et prouvés capables d'améliorer réellement la prévention en conditions réelles. [1][5)
REFERENCES
Commentaire
Article passionnant qui a en plus une grande qualité : les difficultés dans la création d'une IA en médecine, ici en cardiologie. Enfin, un article qui ne sous-estime pas le travail à réaliser en amont pour avoir une IA opérationnelle. Souvent, les équipes minimisent le travail nécessaire pour lancer un projet d'IA alors qu'il serait utile d'en préciser le calendrier et les contraintes. En résumé, "l'IA améliore modestement la discrimination du risque CV, mais se heurte à des obstacles de validation, d'équité, de réglementation et surtout de traduction en bénéfice clinique réel." Il faut donc réaliser un travail énorme avec une collaboration étroite entre médecins et ingénieurs en IA, mais également avec les patients. "Paris ne s'est pas fait en un jour" l'IA non plus. De plus, une question laissée en suspens tout au long de cette revue est : qui va payer ? " Le coût d'une stratégie de prévention pilotée par l'IA dépasse largement celui de l'algorithme, englobant les licences, l'intégration, l'infrastructure, la maintenance, la surveillance et le travail clinique en aval qu'elle génère. Ce sont précisément ces éléments que les évaluations économiques existantes de l'IA omettent le plus souvent"
Enfin cette infographie doit nous interpeller : l'impact financier et prescriptif : IA vs MÉDECIN, l'IA multiplie les coûts par 3 vs le médecin.Le coeur des problèmes :
