Depuis l’été 2026, le cadre réglementaire européen autour de l’intelligence artificielle médicale s’est précisé avec l’entrée en vigueur du règlement UE 2026/1744. Ce texte repousse à août 2028 les obligations les plus strictes pour les dispositifs médicaux intégrant de l’IA, tout en imposant dès maintenant des règles de transparence pour les chatbots et contenus générés.
Ce décalage entre ce qui est techniquement possible et ce qui est réglementairement déployable conditionne le rythme réel des innovations en santé pour les prochaines années.
AI Act et dispositifs médicaux : un sursis réglementaire qui change la donne
Le règlement dit « Digital Omnibus » a officiellement repoussé au 2 août 2028 l’application des obligations de haut risque de l’AI Act pour les systèmes d’IA intégrés aux dispositifs médicaux et diagnostics in vitro soumis au MDR/IVDR. Les solutions d’IA de diagnostic embarquées (imagerie, triage, aide à la décision clinique) disposent donc d’un sursis de deux ans.
Ce délai ne signifie pas une absence de contraintes. Ces systèmes resteront automatiquement classés comme IA à haut risque, avec des exigences strictes de gouvernance, de documentation technique et de surveillance post-commercialisation dès 2028. Les fabricants qui développent aujourd’hui leurs algorithmes doivent anticiper ces obligations sous peine de ne pas pouvoir commercialiser leurs produits à temps.
Depuis le 2 août 2026, les obligations de l’article 50 de l’AI Act sont déjà applicables. Tout assistant conversationnel utilisé avec des patients doit indiquer clairement qu’il s’agit d’une interaction avec une IA. Les images, fichiers audio et vidéos synthétiques à usage médical doivent être étiquetés comme tels.
Ces mesures, publiées au JO de l’UE le 24 juillet 2026, illustrent un choix délibéré : protéger les patients sur la transparence avant de réguler la performance des algorithmes. Les acteurs qui suivent ces évolutions réglementaires, comme La Santé de Demain, permettent de mesurer l’écart entre promesses technologiques et réalité du déploiement.
Intelligence artificielle en diagnostic : des agents cliniques autonomes sous surveillance
La génération d’IA qui émerge en 2026 ne se limite plus à des outils d’aide à la lecture d’images. Les « agents IA » sont capables d’enchaîner des tâches complètes : prioriser des symptômes, planifier des examens complémentaires, analyser des résultats biologiques et proposer une coordination de traitement. Leur fonctionnement s’apparente à celui d’un copilote clinique plutôt qu’à un simple filtre algorithmique.
Les retours terrain divergent sur ce point. Certains établissements rapportent un gain de temps significatif sur le triage aux urgences, tandis que d’autres soulignent le risque de désengagement du clinicien face à une machine qui « décide » à sa place. La question de la responsabilité médicale reste ouverte : qui est responsable quand un agent IA priorise mal un patient ?
La présidente de la Commission européenne a rappelé en septembre 2026 que l’IA en santé devait « rester européenne » et ne pas se substituer aux médecins. Le Royaume-Uni a publié ses propres recommandations pour la régulation de l’IA médicale la même semaine. Ces prises de position politiques traduisent une tension réelle entre la vitesse d’adoption technologique et la capacité des systèmes de santé à encadrer ces outils.
Données synthétiques et recherche clinique : une accélération discrète
Parmi les innovations les moins visibles mais les plus structurantes, la génération de données synthétiques pour la recherche clinique modifie en profondeur la manière dont les essais sont conçus. Le principe consiste à créer des jeux de données artificiels qui reproduisent les caractéristiques statistiques de cohortes réelles, sans exposer de données personnelles de patients.
L’intérêt est triple :
- Accélérer l’entraînement des algorithmes d’IA médicale sans dépendre de bases de données hospitalières soumises au RGPD et à des délais d’accès longs
- Permettre aux startups et PME du secteur de développer des modèles robustes sans disposer d’un accès privilégié aux données de grands centres hospitaliers
- Réduire les biais liés à des cohortes trop homogènes en simulant des profils de patients sous-représentés dans les bases existantes
Les données disponibles ne permettent pas encore de conclure sur la fiabilité à long terme de ces jeux synthétiques comparés aux données réelles. Les agences réglementaires n’ont pas encore publié de cadre spécifique pour valider les dispositifs médicaux entraînés exclusivement sur des données synthétiques. C’est un angle mort réglementaire qui pourrait freiner l’adoption malgré le potentiel technique.
Édition génique et thérapies ciblées : CRISPR entre dans une nouvelle phase
L’édition génique par CRISPR combinée à l’IA entre dans une phase où les corrections génétiques ne ciblent plus seulement des maladies monogéniques rares. Les algorithmes permettent désormais d’identifier des cibles thérapeutiques sur des pathologies polygéniques, où plusieurs gènes interagissent. La médecine de précision appliquée à l’oncologie bénéficie directement de cette convergence, avec des approches comme la biopsie liquide qui permettent d’adapter un traitement au profil moléculaire d’une tumeur en temps quasi réel.
En revanche, le passage de la recherche au soin courant reste lent. Les thérapies géniques approuvées concernent encore un nombre limité de pathologies, et leur coût de production freine leur généralisation. La bio-impression 3D de tissus, souvent présentée comme une révolution imminente, se heurte à des défis de vascularisation des structures imprimées que la recherche n’a pas encore résolus.
Dispositifs connectés et jumeaux numériques : le suivi patient en temps réel
Les capteurs portables qui transmettent en continu des données physiologiques à un médecin ou un algorithme ne sont plus expérimentaux. Un patient diabétique peut ajuster son traitement via un capteur relié à son smartphone sans attendre sa prochaine consultation. Ce modèle de télésurveillance continue transforme le parcours de soins en déplaçant une partie du suivi hors de l’hôpital.
Le jumeau numérique pousse cette logique plus loin : il s’agit de créer un double virtuel du patient, alimenté par ses données biologiques, pour simuler l’effet d’un traitement avant de l’administrer. Les applications les plus avancées concernent la cardiologie et la planification chirurgicale.
Les limites sont connues. L’interopérabilité entre dispositifs reste faible, les formats de données varient d’un fabricant à l’autre, et l’intégration dans les systèmes d’information hospitaliers prend des années. La technologie existe, mais l’infrastructure pour l’exploiter à grande échelle reste fragmentée.
Le rythme réel de ces transformations dépendra moins de la capacité d’invention que de la capacité d’absorption des systèmes de santé. Entre le sursis réglementaire de l’AI Act, les questions ouvertes sur la responsabilité médicale et les freins d’infrastructure, chaque innovation devra franchir plusieurs filtres avant de modifier concrètement le quotidien des patients et des soignants.