Intelligence artificielle en santé : espoirs et craintes des

médecins généralistes
Benoit Moukrim

To cite this version:

Benoit Moukrim. Intelligence artificielle en santé : espoirs et craintes des médecins généralistes. Sci-
ences du Vivant [q-bio]. 2019. �dumas-02513615�

HAL Id: dumas-02513615

https://dumas.ccsd.cnrs.fr/dumas-02513615
Submitted on 20 Mar 2020

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
 Intelligence artificielle en santé :
Espoirs et craintes des médecins généralistes.

T H È S E

Présentée et publiquement soutenue devant

LA FACULTÉ DES SCIENCES MEDICALES ET PARAMEDICALES

DE MARSEILLE

Le 20 Novembre 2019

Par Monsieur Benoit MOUKRIM

Né le 15 avril 1987 à Senlis (60)

Pour obtenir le grade de Docteur en Médecine

D.E.S. de MÉDECINE GÉNÉRALE

Membres du Jury de la Thèse :

Monsieur le Professeur GIORGI Roch Président

Monsieur le Professeur GERBEAUX Patrick Assesseur
Monsieur le MCU-MG CASANOVA Ludovic Assesseur
Monsieur le Docteur THIOLLET Marc Directeur
2
 Intelligence artificielle en santé :
Espoirs et craintes des médecins généralistes.

T H È S E

Présentée et publiquement soutenue devant

LA FACULTÉ DES SCIENCES MEDICALES ET PARAMEDICALES

DE MARSEILLE

Le 20 Novembre 2019

Par Monsieur Benoit MOUKRIM

Né le 15 avril 1987 à Senlis (60)

Pour obtenir le grade de Docteur en Médecine

D.E.S. de MÉDECINE GÉNÉRALE

Membres du Jury de la Thèse :

Monsieur le Professeur GIORGI Roch Président

Monsieur le Professeur GERBEAUX Patrick Assesseur
Monsieur le MCU-MG CASANOVA Ludovic Assesseur
Monsieur le Docteur THIOLLET Marc Directeur

3
 AIX-MARSEILLE UNIVERSITE
Président : Yvon BERLAND

FACULTE DES SCIENCES

MEDICALES ET PARAMEDICALES
Administrateur provisoire: Georges LEONETTI
Affaires Générales : Patrick DESSI
Professions Paramédicales : Philippe BERBIS

Assesseurs :
aux Etudes : Jean-Michel VITON
à la Recherche : Jean-Louis MEGE
aux Prospectives Hospitalo-Universitaires : Frédéric COLLART
aux Enseignements Hospitaliers : Patrick VILLANI
à l’Unité Mixte de Formation Continue en Santé : Fabrice BARLESI
pour le Secteur Nord : Stéphane BERDAH
aux centres hospitaliers non universitaires : Jean-Noël ARGENSON

Chargés de mission :
1er cycle : Jean-Marc DURAND et Marc BARTHET
2ème cycle : Marie-Aleth RICHARD
3eme cycle DES/DESC : Pierre-Edouard FOURNIER
Licences-Masters-Doctorat : Pascal ADALIAN
DU-DIU : Véronique VITTON
Stages Hospitaliers : Franck THUNY
Sciences Humaines et Sociales : Pierre LE COZ
Préparation à l’ECN : Aurélie DAUMAS
Démographie Médicale et Filiarisation : Roland SAMBUC
Relations Internationales : Philippe PAROLA
Etudiants : Arthur ESQUER

Chef des services généraux : Déborah ROCCHICCIOLI

Chefs de service :
Communication : Laetitia DELOUIS
Examens : Caroline MOUTTET
Intérieur : Joëlle FAVREGA
Maintenance : Philippe KOCK
Scolarité : Christine GAUTHIER

DOYENS HONORAIRES

M. Yvon BERLAND
M. André ALI CHERIF
M. Jean-François PELLISSIER

Mis à jour 01/01/2019

4
 PROFESSEURS HONORAIRES

MM AGOSTINI Serge MM FAVRE Roger

ALDIGHIERI René FIECHI Marius
ALESSANDRINI Pierre FARNARIER Georges
ALLIEZ Bernard FIGARELLA Jacques
AQUARON Robert FONTES Michel
ARGEME Maxime FRANCOIS Georges
ASSADOURIAN Robert FUENTES Pierre
AUFFRAY Jean-Pierre GABRIEL Bernard
AUTILLO-TOUATI Amapola GALINIER Louis
AZORIN Jean-Michel GALLAIS Hervé
BAILLE Yves GAMERRE Marc
BARDOT Jacques GARCIN Michel
BARDOT André GARNIER Jean-Marc
BERARD Pierre GAUTHIER André
BERGOIN Maurice GERARD Raymond
BERNARD Dominique GEROLAMI-SANTANDREA André
BERNARD Jean-Louis GIUDICELLI Roger
BERNARD Pierre-Marie GIUDICELLI Sébastien
BERTRAND Edmond GOUDARD Alain
BISSET Jean-Pierre GOUIN François
BLANC Bernard GRILLO Jean-Marie
BLANC Jean-Louis GRISOLI François
BOLLINI Gérard GROULIER Pierre
BONGRAND Pierre HADIDA/SAYAG Jacqueline
BONNEAU Henri HASSOUN Jacques
BONNOIT Jean HEIM Marc
BORY Michel HOUEL Jean
BOTTA Alain HUGUET Jean-François
BOURGEADE Augustin JAQUET Philippe
BOUVENOT Gilles JAMMES Yves
BOUYALA Jean-Marie JOUVE Paulette
BREMOND Georges JUHAN Claude
BRICOT René JUIN Pierre
BRUNET Christian KAPHAN Gérard
BUREAU Henri KASBARIAN Michel
CAMBOULIVES Jean KLEISBAUER Jean-Pierre
CANNONI Maurice LACHARD Jean
CARTOUZOU Guy LAFFARGUE Pierre
CAU Pierre LAUGIER René
CHABOT Jean-Michel LE TREUT Yves
CHAMLIAN Albert LEVY Samuel
CHARREL Michel LOUCHET Edmond
CHAUVEL Patrick LOUIS René
CHOUX Maurice LUCIANI Jean-Marie
CIANFARANI François MAGALON Guy
CLEMENT Robert MAGNAN Jacques
COMBALBERT André MALLAN- MANCINI Josette
CONTE-DEVOLX Bernard MALMEJAC Claude
CORRIOL Jacques MARANINCHI Dominique
COULANGE Christian MARTIN Claude
DALMAS Henri MATTEI Jean François
DE MICO Philippe MERCIER Claude
DESSEIN Alain METGE Paul
DELARQUE Alain MICHOTEY Georges
DEVIN Robert MILLET Yves
DEVRED Philippe MIRANDA François
DJIANE Pierre MONFORT Gérard
DONNET Vincent MONGES André
DUCASSOU Jacques MONGIN Maurice
DUFOUR Michel MONTIES Jean-Raoul
DUMON Henri NAZARIAN Serge
ENJALBERT Alain NICOLI René
5
 PROFESSEURS HONORIS CAUSA

1967
MM. les Professeurs DADI (Italie)
CID DOS SANTOS (Portugal)

1974
MM. les Professeurs MAC ILWAIN (Grande-Bretagne)
T.A. LAMBO (Suisse)

1975
MM. les Professeurs O. SWENSON (U.S.A.)
Lord J.WALTON of DETCHANT (Grande-Bretagne)

1976
MM. les Professeurs P. FRANCHIMONT (Belgique)
Z.J. BOWERS (U.S.A.)

1977
MM. les Professeurs C. GAJDUSEK-Prix Nobel (U.S.A.)
C.GIBBS (U.S.A.)
J. DACIE (Grande-Bretagne)

1978
M. le Président F. HOUPHOUET-BOIGNY (Côte d'Ivoire)

1980
MM. les Professeurs A. MARGULIS (U.S.A.)
R.D. ADAMS (U.S.A.)

1981
MM. les Professeurs H. RAPPAPORT (U.S.A.)
M. SCHOU (Danemark)
M. AMENT (U.S.A.)
Sir A. HUXLEY (Grande-Bretagne)
S. REFSUM (Norvège)

1982
M. le Professeur W.H. HENDREN (U.S.A.)

1985
MM. les Professeurs S. MASSRY (U.S.A.)
KLINSMANN (R.D.A.)

1986
MM. les Professeurs E. MIHICH (U.S.A.)
T. MUNSAT (U.S.A.)
LIANA BOLIS (Suisse)
L.P. ROWLAND (U.S.A.)

1987
M. le Professeur P.J. DYCK (U.S.A.)

1988
MM. les Professeurs R. BERGUER (U.S.A.)
W.K. ENGEL (U.S.A.)
V. ASKANAS (U.S.A.)
J. WEHSTER KIRKLIN (U.S.A.)
A. DAVIGNON (Canada)
A. BETTARELLO (Brésil)

1989
M. le Professeur P. MUSTACCHI (U.S.A.)

6
 1990
MM. les Professeurs J.G. MC LEOD (Australie)
J. PORTER (U.S.A.)

1991
MM. les Professeurs J. Edward MC DADE (U.S.A.)
W. BURGDORFER (U.S.A.)

1992
MM. les Professeurs H.G. SCHWARZACHER (Autriche)
D. CARSON (U.S.A.)
T. YAMAMURO (Japon)

1994
MM. les Professeurs G. KARPATI (Canada)
W.J. KOLFF (U.S.A.)

1995
MM. les Professeurs D. WALKER (U.S.A.)
M. MULLER (Suisse)
V. BONOMINI (Italie)

1997
MM. les Professeurs C. DINARELLO (U.S.A.)
D. STULBERG (U.S.A.)
A. MEIKLE DAVISON (Grande-Bretagne)
P.I. BRANEMARK (Suède)

1998
MM. les Professeurs O. JARDETSKY (U.S.A.)

1999
MM. les Professeurs J. BOTELLA LLUSIA (Espagne)
D. COLLEN (Belgique)
S. DIMAURO (U. S. A.)

2000
MM. les Professeurs D. SPIEGEL (U. S. A.)
C. R. CONTI (U.S.A.)

2001
MM. les Professeurs P-B. BENNET (U. S. A.)
G. HUGUES (Grande Bretagne)
J-J. O'CONNOR (Grande Bretagne)

2002
MM. les Professeurs M. ABEDI (Canada)
K. DAI (Chine)

2003
M. le Professeur T. MARRIE (Canada)
Sir G.K. RADDA (Grande Bretagne)

2004
M. le Professeur M. DAKE (U.S.A.)

2005
M. le Professeur L. CAVALLI-SFORZA (U.S.A.)

2006
M. le Professeur A. R. CASTANEDA (U.S.A.)

2007
M. le Professeur S. KAUFMANN (Allemagne)
7
 PROFESSEURS EMERITE

2008
M. le Professeur LEVY Samuel 31/08/2011
Mme le Professeur JUHAN-VAGUE Irène 31/08/2011
M. le Professeur PONCET Michel 31/08/2011
M. le Professeur KASBARIAN Michel 31/08/2011
M. le Professeur ROBERTOUX Pierre 31/08/2011

2009
M. le Professeur DJIANE Pierre 31/08/2011
M. le Professeur VERVLOET Daniel 31/08/2012

2010
M. le Professeur MAGNAN Jacques 31/12/2014

2011
M. le Professeur DI MARINO Vincent 31/08/2015
M. le Professeur MARTIN Pierre 31/08/2015
M. le Professeur METRAS Dominique 31/08/2015

2012
M. le Professeur AUBANIAC Jean-Manuel 31/08/2015
M. le Professeur BOUVENOT Gilles 31/08/2015
M. le Professeur CAMBOULIVES Jean 31/08/2015
M. le Professeur FAVRE Roger 31/08/2015
M. le Professeur MATTEI Jean-François 31/08/2015
M. le Professeur OLIVER Charles 31/08/2015
M. le Professeur VERVLOET Daniel 31/08/2015

2013
M. le Professeur BRANCHEREAU Alain 31/08/2016
M. le Professeur CARAYON Pierre 31/08/2016
M. le Professeur COZZONE Patrick 31/08/2016
M. le Professeur DELMONT Jean 31/08/2016
M. le Professeur HENRY Jean-François 31/08/2016
M. le Professeur LE GUICHAOUA Marie-Roberte 31/08/2016
M. le Professeur RUFO Marcel 31/08/2016
M. le Professeur SEBAHOUN Gérard 31/08/2016

2014
M. le Professeur FUENTES Pierre 31/08/2017
M. le Professeur GAMERRE Marc 31/08/2017
M. le Professeur MAGALON Guy 31/08/2017
M. le Professeur PERAGUT Jean-Claude 31/08/2017
M. le Professeur WEILLER Pierre-Jean 31/08/2017

2015
M. le Professeur COULANGE Christian 31/08/2018
M. le Professeur COURAND François 31/08/2018
M. le Professeur FAVRE Roger 31/08/2016
M. le Professeur MATTEI Jean-François 31/08/2016
M. le Professeur OLIVER Charles 31/08/2016
M. le Professeur VERVLOET Daniel 31/08/2016

8
 2016
M. le Professeur BONGRAND Pierre 31/08/2019
M. le Professeur BOUVENOT Gilles 31/08/2017
M. le Professeur BRUNET Christian 31/08/2019
M. le Professeur CAU Pierre 31/08/2019
M. le Professeur COZZONE Patrick 31/08/2017
M. le Professeur FAVRE Roger 31/08/2017
M. le Professeur FONTES Michel 31/08/2019
M. le Professeur JAMMES Yves 31/08/2019
M. le Professeur NAZARIAN Serge 31/08/2019
M. le Professeur OLIVER Charles 31/08/2017
M. le Professeur POITOUT Dominique 31/08/2019
M. le Professeur SEBAHOUN Gérard 31/08/2017
M. le Professeur VIALETTES Bernard 31/08/2019

2017
M. le Professeur ALESSANDRINI Pierre 31/08/2020
M. le Professeur BOUVENOT Gilles 31/08/2018
M. le Professeur CHAUVEL Patrick 31/08/2020
M. le Professeur COZZONE Pierre 31/08/2018
M. le Professeur DELMONT Jean 31/08/2018
M. le Professeur FAVRE Roger 31/08/2018
M. le Professeur OLIVER Charles 31/08/2018
M. le Professeur SEBBAHOUN Gérard 31/08/2018

2018
M. le Professeur MARANINCHI Dominique 31/08/2021
M. le Professeur BOUVENOT Gilles 31/08/2019
M. le Professeur COZZONE Pierre 31/08/2019
M. le Professeur DELMONT Jean 31/08/2019
M. le Professeur FAVRE Roger 31/08/2019
M. le Professeur OLIVER Charles 31/08/2019

9
 PROFESSEURS DES UNIVERSITES-PRATICIENS HOSPITALIERS

AGOSTINI FERRANDES Aubert CHINOT Olivier GRIMAUD Jean-Charles

ALBANESE Jacques CHOSSEGROS Cyrille GROB Jean-Jacques
ALIMI Yves CLAVERIE Jean-Michel Surnombre GUEDJ Eric
AMABILE Philippe COLLART Frédéric GUIEU Régis
AMBROSI Pierre COSTELLO Régis GUIS Sandrine
ANDRE Nicolas COURBIERE Blandine GUYE Maxime
ARGENSON Jean-Noël COWEN Didier GUYOT Laurent
ASTOUL Philippe CRAVELLO Ludovic GUYS Jean-Michel
ATTARIAN Shahram CUISSET Thomas HABIB Gilbert
AUDOUIN Bertrand CURVALE Georges HARDWIGSEN Jean
AUQUIER Pascal DA FONSECA David HARLE Jean-Robert
AVIERINOS Jean-François DAHAN-ALCARAZ Laetitia HOFFART Louis Disponibilité
AZULAY Jean-Philippe DANIEL Laurent HOUVENAEGHEL Gilles
BAILLY Daniel DARMON Patrice JACQUIER Alexis
BARLESI Fabrice D'ERCOLE Claude JOURDE-CHICHE Noémie
BARLIER-SETTI Anne D'JOURNO Xavier JOUVE Jean-Luc
BARTHET Marc DEHARO Jean-Claude KAPLANSKI Gilles
BARTOLI Christophe DELAPORTE Emmanuel KARSENTY Gilles
BARTOLI Jean-Michel DELPERO Jean-Robert KERBAUL François
BARTOLI Michel DENIS Danièle KRAHN Martin
BARTOLOMEI Fabrice DISDIER Patrick LAFFORGUE Pierre
BASTIDE Cyrille DODDOLI Christophe LAGIER Jean-Christophe
BENSOUSSAN Laurent DRANCOURT Michel LAMBAUDIE Eric
BERBIS Philippe DUBUS Jean-Christophe LANCON Christophe
BERDAH Stéphane DUFFAUD Florence LA SCOLA Bernard
BERLAND Yvon Surnombre DUFOUR Henry LAUNAY Franck
BERNARD Jean-Paul DURAND Jean-Marc LAVIEILLE Jean-Pierre
BEROUD Christophe DUSSOL Bertrand LE CORROLLER Thomas
BERTUCCI François EUSEBIO Alexandre LECHEVALLIER Eric
BLAISE Didier FAKHRY Nicolas LEGRE Régis
BLIN Olivier FAUGERE Gérard Surnombre LEHUCHER-MICHEL Marie-Pascale
BLONDEL Benjamin FELICIAN Olvier LEONE Marc
BONIN/GUILLAUME Sylvie FENOLLAR Florence LEONETTI Georges
BONELLO Laurent FIGARELLA/BRANGER Dominique LEPIDI Hubert
BONNET Jean-Louis FLECHER Xavier LEVY Nicolas
BOTTA/FRIDLUND Danielle Surnombre
FOURNIER Pierre-Edouard MACE Loïc
BOUBLI Léon FRANCES Yves Surnombre MAGNAN Pierre-Edouard
BOUFI Mourad FRANCESCHI Frédéric MATONTI Frédéric Disponibilité
BOYER Laurent FUENTES Stéphane MEGE Jean-Louis
BREGEON Fabienne GABERT Jean MERROT Thierry
BRETELLE Florence GABORIT Bénédicte METZLER/GUILLEMAIN Catherine
BROUQUI Philippe GAINNIER Marc MEYER/DUTOUR Anne
BRUDER Nicolas GARCIA Stéphane MICCALEF/ROLL Joëlle
BRUE Thierry GARIBOLDI Vlad MICHEL Fabrice
BRUNET Philippe GAUDART Jean MICHEL Gérard
BURTEY Stéphane GAUDY-MARQUESTE Caroline MICHEL Justin
CARCOPINO-TUSOLI Xavier GENTILE Stéphanie MICHELET Pierre
CASANOVA Dominique GERBEAUX Patrick MILH Mathieu
CASTINETTI Frédéric GEROLAMI/SANTANDREA René MOAL Valérie
CECCALDI Mathieu GILBERT/ALESSI Marie-Christine MONCLA Anne
CHAGNAUD Christophe GIORGI Roch MORANGE Pierre-Emmanuel
CHAMBOST Hervé GIOVANNI Antoine MOULIN Guy
CHAMPSAUR Pierre GIRARD Nadine MOUTARDIER Vincent
CHANEZ Pascal GIRAUD/CHABROL Brigitte MUNDLER Olivier Surnombre
CHARAFFE-JAUFFRET Emmanuelle GONCALVES Anthony NAUDIN Jean
CHARREL Rémi GORINCOUR Guillaume NICOLAS DE LAMBALLERIE Xavier
CHARPIN Denis Surnombre GRANEL/REY Brigitte NICOLLAS Richard
CHAUMOITRE Kathia GRANVAL Philippe OLIVE Daniel
CHIARONI Jacques GREILLIER Laurent OUAFIK L'Houcine

10
PAGANELLI Franck ROCHE Pierre-Hugues THOMAS Pascal
PANUEL Michel ROCH Antoine THUNY Franck
PAPAZIAN Laurent ROCHWERGER Richard TREBUCHON-DA FONSECA Agnès
PAROLA Philippe ROLL Patrice TRIGLIA Jean-Michel
PARRATTE Sébastien Disponibilité ROSSI Dominique TROPIANO Patrick
PELISSIER-ALICOT Anne-Laure ROSSI Pascal TSIMARATOS Michel
PELLETIER Jean ROUDIER Jean TURRINI Olivier
PERRIN Jeanne SALAS Sébastien VALERO René
PETIT Philippe SAMBUC Roland Surnombre VAROQUAUX Arthur Damien
PHAM Thao SARLES Jacques VELLY Lionel
PIERCECCHI/MARTI Marie-Dominique SARLES/PHILIP Nicole VEY Norbert
PIQUET Philippe SARLON-BARTOLI Gabrielle VIDAL Vincent
PIRRO Nicolas SCAVARDA Didier VIENS Patrice
POINSO François SCHLEINITZ Nicolas VILLANI Patrick
RACCAH Denis SEBAG Frédéric VITON Jean-Michel
RANQUE Stéphane SEITZ Jean-François VITTON Véronique
RAOULT Didier SIELEZNEFF Igor VIEHWEGER Heide Elke
REGIS Jean SIMON Nicolas VIVIER Eric
REYNAUD/GAUBERT Martine STEIN Andréas XERRI Luc
REYNAUD Rachel TAIEB David
RICHARD/LALLEMAND Marie-Aleth THIRION Xavier

PROFESSEUR DES UNIVERSITES

ADALIAN Pascal
AGHABABIAN Valérie
BELIN Pascal
CHABANNON Christian
CHABRIERE Eric
FERON François
LE COZ Pierre
LEVASSEUR Anthony
RANJEVA Jean-Philippe
SOBOL Hagay

PROFESSEUR CERTIFIE

BRANDENBURGER Chantal

PRAG

TANTI-HARDOUIN Nicolas

PROFESSEUR ASSOCIE DE MEDECINE GENERALE A MI-TEMPS

ADNOT Sébastien
FILIPPI Simon

11
 MAITRE DE CONFERENCES DES UNIVERSITES - PRATICIEN HOSPITALIER

ACHARD Vincent (disponibilité) EBBO Mikaël NGUYEN PHONG Karine

AHERFI Sarah FABRE Alexandre NINOVE Laetitia
ANGELAKIS Emmanouil (dispo oct 2018) FAURE Alice NOUGAIREDE Antoine
ATLAN Catherine (disponibilité) FOLETTI Jean- Marc OLLIVIER Matthieu
BARTHELEMY Pierre FOUILLOUX Virginie OVAERT Caroline
BEGE Thierry FROMONOT Julien PAULMYER/LACROIX Odile
BELIARD Sophie GASTALDI Marguerite PESENTI Sébastien
BERBIS Julie GELSI/BOYER Véronique RESSEGUIER Noémie
BERGE-LEFRANC Jean-Louis GIUSIANO Bernard REY Marc
BERTRAND Baptiste GIUSIANO COURCAMBECK Sophie ROBERT Philippe
BEYER-BERJOT Laura GONZALEZ Jean-Michel SABATIER Renaud
BIRNBAUM David GOURIET Frédérique SARI-MINODIER Irène
BONINI Francesca GRAILLON Thomas SAVEANU Alexandru
BOUCRAUT Joseph GRISOLI Dominique SECQ Véronique
BOULAMERY Audrey GUERIN Carole SUCHON Pierre
BOULLU/CIOCCA Sandrine GUENOUN MEYSSIGNAC Daphné TABOURET Emeline
BUFFAT Christophe GUIDON Catherine TOGA Caroline
CAMILLERI Serge HAUTIER/KRAHN Aurélie TOGA Isabelle
CARRON Romain HRAIECH Sami TOMASINI Pascale
CASSAGNE Carole KASPI-PEZZOLI Elise TOSELLO Barthélémy
CHAUDET Hervé L'OLLIVIER Coralie TROUSSE Delphine
CHRETIEN Anne-Sophie LABIT-BOUVIER Corinne TUCHTAN-TORRENTS Lucile
COZE Carole LAFAGE/POCHITALOFF-HUVALE Marina VELY Frédéric
CUNY Thomas LAGIER Aude (disponibilité) VION-DURY Jean
DADOUN Frédéric (disponibilité) LAGOUANELLE/SIMEONI Marie-Claude ZATTARA/CANNONI Hélène
DALES Jean-Philippe LEVY/MOZZICONACCI Annie
DAUMAS Aurélie LOOSVELD Marie
DEGEORGES/VITTE Joëlle MANCINI Julien
DELLIAUX Stéphane MARY Charles
DESPLAT/JEGO Sophie MASCAUX Céline
DEVILLIER Raynier MAUES DE PAULA André
DUBOURG Grégory MILLION Matthieu
DUFOUR Jean-Charles MOTTOLA GHIGO Giovanna

MAITRES DE CONFERENCES DES UNIVERSITES

(mono-appartenants)
ABU ZAINEH Mohammad DEGIOANNI/SALLE Anna RUEL Jérôme
BARBACARU/PERLES T. A. DESNUES Benoît THOLLON Lionel
BERLAND/BENHAIM Caroline MARANINCHI Marie THIRION Sylvie
BOUCAULT/GARROUSTE Françoise MERHEJ/CHAUVEAU Vicky VERNA Emeline
BOYER Sylvie MINVIELLE/DEVICTOR Bénédicte
COLSON Sébastien POGGI Marjorie

MAITRE DE CONFERENCES DES UNIVERSITES DE MEDECINE GENERALE

CASANOVA Ludovic
GENTILE Gaëtan

MAITRES DE CONFERENCES ASSOCIES DE MEDECINE GENERALE à MI-TEMPS

BARGIER Jacques
BONNET Pierre-André
CALVET-MONTREDON Céline
GUIDA Pierre
JANCZEWSKI Aurélie

MAITRE DE CONFERENCES ASSOCIE à MI-TEMPS

MATHIEU Marion
REVIS Joana 12
 REMERCIEMENTS

J’adresse mes plus sincères remerciements :

Au Président du Jury : Professeur Roch GIORGI. Vous me faites l’honneur de

présider ce jury, je vous remercie de l’intérêt que vous avez bien voulu porter à ce travail.
Veuillez trouver ici l’expression de ma gratitude et de mon profond respect.

Au Professeur Patrick GERBEAUX, membre du jury. Je vous remercie de prendre

part au jury de cette thèse. J’en suis extrêmement honoré.

Au Docteur Ludovic CASANOVA, membre du jury. Je te remercie de ton aide

précieuse dans la réalisation de ce travail et de prendre part au jury de cette thèse. Je te
remercie de m’avoir accueilli au sein de ton cabinet avec bienveillance et de m’avoir donné le
goût et l’habitude de l’autoformation par la recherche documentaire dans ma pratique.

Au Docteur Marc THIOLLET, mon directeur de thèse. Je te remercie d’avoir

accepté de m’accompagner dans ce travail et de m’avoir toujours encouragé avec une grande
gentillesse. Je te remercie également de l’intérêt que tu as accordé à mon sujet et du suivi
réalisé malgré les conditions d’éloignement.

Au Docteur Sarah BROWN et au Docteur Sandy PARAMASIVEN MOOTIEN. Je

vous remercie de m’avoir si bien accueilli dans votre service, de m’avoir encadré lors de mes
débuts, de m’avoir fait confiance lors de la fin de mon cursus et de m’avoir donné une
formation de qualité. Je remercie Sarah de sa très grande gentillesse et d’avoir su rendre les
visites aussi agréables qu’enrichissantes. Je remercie le Docteur PARAMASIVEN
MOOTIEN de sa pédagogie permanente, de sa grande disponibilité et de sa rigueur. Je le
remercie également de sa bienveillance dans les moments où j’ai pu en avoir besoin. Merci
d’avoir été pour moi des modèles dont j’essaierai de m’inspirer dans ma pratique.

Au Docteur Valérie PELLICCIA. Je te remercie de m’avoir encadré et fait confiance

pendant ces étés qui n’étaient pas toujours de tout repos mais qui furent formateurs.

13
 Au Docteur Jean-Claude DORGAL, mon maître de stage. Je te remercie de m’avoir
accueilli au sein de ton cabinet et dans ta famille avec bienveillance, de m’avoir donné le
goût de l’exercice libéral de la médecine et de m’avoir donné un modèle de rigueur dans
l’organisation d’un cabinet.

A toute l’équipe du service de médecine de l’hôpital de Cavaillon. Je remercie

énormément toute cette équipe de m’avoir si bien accueilli et intégré, de m’avoir fait
confiance. Travailler avec vous fut un réel plaisir. Merci aux infirmières, aux aides
soignantes et aide soignant, ainsi qu’aux secrétaires.

A Maïwenn, ma moitié, d’avoir été mon premier soutien dans ce parcours. Merci
d’avoir été présente à tout instant. Merci de m’avoir suivi dans le choix de Marseille. Nous
voilà chez les Normands. L’aventure continue !

A ma famille qui m’a soutenu pendant toutes mes études de médecine : ma mère, mon
père, ma sœur et mon beau-frère. Merci à mes parents de m’avoir fait confiance dans ce
projet, de m’avoir aidé et épaulé tout au long de mon parcours. C’est grâce à vous si j’en suis
arrivé là aujourd’hui. Merci à Sophie et Geoffrey d’avoir été présents malgré la distance.

Je remercie tous les médecins qui ont pris le temps de participer à cette étude.

Vous avez tous contribué, de près ou de loin, à ce travail. Soyez assurés de mes sincères
remerciements et de ma profonde gratitude.

14
 SOMMAIRE

LISTE DES TABLEAUX ................................................................................................................. 17

I. INTRODUCTION ..................................................................................................................... 18
A. Intérêt et justification de l’étude .................................................................................................. 18
B. Définition de l’intelligence artificielle ......................................................................................... 20
C. Histoire de l’intelligence artificielle ............................................................................................. 24
D. Etat de l’art de l’intelligence artificielle ..................................................................................... 29
E. Applications en santé de l’intelligence artificielle .................................................................... 30
1. IA non spécifique à la santé ......................................................................................................................... 30
2. IA dédiée à la santé ......................................................................................................................................... 31

II. MATERIEL ET METHODES .................................................................................................. 36

A. Objectifs de l’étude ......................................................................................................................... 36
B. Type d’étude ..................................................................................................................................... 36
C. Population ......................................................................................................................................... 36
D. Questionnaire ................................................................................................................................... 36
1. Elaboration du questionnaire ....................................................................................................................... 36
2. Composition du questionnaire .................................................................................................................... 37
3. Diffusion du questionnaire ........................................................................................................................... 38
E. Analyse des données : ..................................................................................................................... 39
F. Conflits d’intérêts : .......................................................................................................................... 40

III. RESULTATS .............................................................................................................................. 40

A. Analyse descriptive ......................................................................................................................... 40
1. Données générales de l’échantillon ........................................................................................................... 40
2. Données sur l’aisance en informatique, sur l’informatisation, sur les connaissances et l’usage
de l’IA, sur l’appréhension des réactions des patients ................................................................................. 45
3. Données sur les opinions concernant l’influence de l’IA dans la pratique de la médecine
générale........................................................................................................................................................................ 49
4. Données sur la favorabilité au développement de l’IA dans la pratique de la médecine
générale........................................................................................................................................................................ 56
B. Analyse comparative selon la favorabilité des médecins au développement de l’IA dans la
pratique de la médecine générale ......................................................................................................... 57
1. Facteurs influençant parmi les données générales de l’échantillon ................................................ 57
2. Facteurs influençant parmi l’appréhension des réactions des patients, les connaissances et
l’usage de l’IA........................................................................................................................................................... 59

15
 3. Facteurs influençant parmi l’opinion des médecins sur l’influence de l’IA dans différents
domaines de la pratique de la médecine générale ......................................................................................... 60

IV. DISCUSSION ............................................................................................................................. 69

A. Synthèse et interprétation des résultats...................................................................................... 69
B. Forces et limites de l’étude ............................................................................................................ 72
1. Forces de l’étude ............................................................................................................................................. 72
2. Limites de l’étude............................................................................................................................................ 72
C. Comparaison avec la littérature ................................................................................................... 74

V. CONCLUSION ........................................................................................................................... 76

VI. REFERENCES ........................................................................................................................... 78

VII. ANNEXES ................................................................................................................................. 84

Annexe 1 : Questionnaire d’enquête .................................................................................................... 84

LISTE DES ABREVIATIONS......................................................................................................... 90

16
 LISTE DES TABLEAUX

Tableau 1 : Données sociodémographiques de l’échantillon ……………………………….44

Tableau 2 : Technologies d'IA utilisées en pratique professionnelle par les médecins …….47

Tableau 3 : Données sur l’aisance en informatique, l’informatisation, les connaissances et

l’usage de l’IA, l’appréhension des réactions des patients …………………………………..48

Tableau 4 : Classement des items de la pratique de la médecine générale en fonction de leur

réponse majoritaire par effectif décroissant …………………………………………………50

Tableau 5 : Nombre d’items pour chaque nature de réponse majoritaire par domaine exploré
……………………………………………………………………………………………….51

Tableau 6 : Comparaison des données sociodémographiques de l’échantillon ……………58

Tableau 7 : Comparaison des données sur l’appréhension des réactions des patients, les
connaissances et l’usage de l’IA ……………………………………………………………60

Tableau 8 : Contingence dans le domaine de la relation médecin malade …………………65

Tableau 9 : Contingence dans le domaine de la démarche décisionnelle des généralistes …66

Tableau 10 : Contingence dans le domaine de la prise en charge au long cours par les
généralistes …………………………………………………………………………………..67

Tableau 11 : Contingence dans le domaine des conditions d’exercice des généralistes …...68

17
I. INTRODUCTION

A. Intérêt et justification de l’étude

Nous vivons actuellement les débuts d’une révolution numérique. Elle touchera
l’ensemble des secteurs de nos sociétés et peut susciter aussi bien les fantasmes que les peurs.
Il est donc nécessaire de regarder les choses avec objectivité et sincérité, sans crainte ni
angélisme, et d’avoir le courage de s’emparer du sujet. C’est dans ce contexte que nous allons
aborder le thème de l’intelligence artificielle (IA) dans le domaine de la santé.

L’IA est un sujet d’actualité devenu omniprésent dans les discussions économiques,
sociales et scientifiques. La diffusion et le développement de cette technologie dans le
domaine de la santé sont un projet politique avec la parution récente du rapport de France
Stratégie sur « l’intelligence artificielle et le travail » (1), du rapport de Cédric Villani «
Donner un sens à l’intelligence artificielle » (2), ainsi que du rapport du CNOM « Médecins
et patients dans le monde des data, des algorithmes et de l’intelligence artificielle » (3) .
L’IA a connu des progrès spectaculaires ces dernières années. Cela a été permis
principalement par deux facteurs. Le premier est l’essor du Big Data avec l’augmentation du
volume et de la qualité des données collectées, ainsi que l’augmentation des capacités de
stockage de celles-ci. Le second facteur est l’augmentation de la puissance de calcul des
processeurs. Ces évolutions ont permis au « Machine Learning » (apprentissage automatique)
et au « Deep Learning » (apprentissage profond) de sortir des laboratoires. L’IA est
aujourd’hui une technologie avec des applications concrètes en santé déjà existantes. On peut
prédire son développement exponentiel à court et moyen terme de par des améliorations
annoncées de certaines technologies informatiques.

Les potentialités de cette technologie dans le domaine de la santé sont immenses. A

l’échelle globale du système de soins, elle pourrait permettre de faire des économies, et aurait
parallèlement le potentiel d’améliorer les performances médicales en général. Elle pourrait
notamment permettre d’améliorer la qualité des soins, de personnaliser les prises en charge,
d’améliorer les performances diagnostiques, d’améliorer la traçabilité et la sécurité des soins,
d’améliorer l’accès aux soins des citoyens, d’aider à la mise en place d’actions de santé
publique, d’aider à la recherche et à la formation médicale, de faciliter la collecte des données
personnelles en santé et d’améliorer la gestion des bases de données. « La quasi-totalité des

18
champs de l’intelligence artificielle – reconnaissance d’image, de vidéos, traitement du
langage naturel, apprentissage automatique, robotique, etc. – peuvent trouver des applications
en matière de santé. C’est vrai pour le diagnostic et les recommandations de prise en charge,
pour le traitement, la chirurgie, le suivi personnalisé, le domaine médico-social, la
réadaptation mais aussi la prévention, la recherche clinique. L’intelligence artificielle permet
d’automatiser non seulement des tâches simples comme la mesure du poids ou de la tension
artérielle mais aussi des tâches complexes comme le diagnostic médical et la prise en charge
thérapeutique » (1).

A l’échelle individuelle des médecins, l’IA permet d’envisager de nombreux outils

d’aide à l’exercice médical. Certains pourraient permettre de libérer du temps médical
humain et de recentrer la relation médecin malade sur l’humain. « Dans les années à venir,
cependant, l'IA pourrait devenir le complément infatigable et rentable des médecins en leur
donnant plus de temps pour se concentrer sur la complexité de chaque patient pris
individuellement » (3). « Surtout ces techniques, loin de l’asservir, peuvent lui permettre de
libérer du « temps médical humain » (3).

Le développement de cette technologie dans le domaine de la santé va être à l’origine

de nombreux enjeux et défis. La mise en place d’un cadre juridique sera nécessaire. Certains
enjeux seront d’ordre organisationnel avec la nécessité de redéfinir le rôle des professionnels
de santé et de modifier leur pratique. Des enjeux de santé publique se poseront avec
l’opportunité d’une réorientation des politiques de santé publique vers une médecine
préventive et prédictive. D’autres enjeux d’ordre éthique, déontologique et philosophique se
poseront également. Des enjeux de souveraineté nationale seront également posés.

Le développement de l’IA dans le domaine de la santé va entraîner une réflexion sur

les évolutions futures de notre système de soins. Les modes d’exercices, les missions et les
interactions des acteurs du système de santé vont être bousculés. Il sera nécessaire à la
puissance publique de repenser et de réorganiser le tissu sanitaire. Ce développement de l’IA
est générateur chez les professionnels de santé d’un sentiment ambivalent. Il est à la fois une
source de fascination et d'espoirs, mais également une source de craintes chez ces
professionnels. « Les professionnels de santé, via le Conseil national de l’Ordre des
médecins, affichent eux-mêmes une volonté de faire des algorithmes et de l’intelligence
artificielle « leurs alliés », « comme un apport essentiel pour l’aide à la décision et à la

19
stratégie thérapeutique ». Pour eux, « la médecine du futur est déjà là. » (1). « Des progrès
nouveaux qui s’annoncent chaque jour, des limites dont on a l’impression qu’elles deviennent
totalement franchissables, des annonces plus destinées au marché boursier qu’aux
professionnels de santé, conduisent de plus en plus de médecins à s’interroger, à exprimer
leur perplexité voire leurs craintes face à des évolutions pour lesquelles ils n’ont pas été
préparés et qui paraissent leur échapper » (3). Cette technologie est encore peu présente dans
la pratique quotidienne des médecins généralistes et les connaissances qu’ils ont de cette
technologie sont généralement très limitées.

L’objectif principal de cette étude était donc d’évaluer par une enquête la
favorabilité des médecins généralistes au développement de la technologie de l'intelligence
artificielle dans la pratique de la médecine générale. L’objectif secondaire était d’évaluer
leurs espoirs et leurs craintes quant à ce développement. Il était également de rechercher
d’éventuelles corrélations avec leur favorabilité à ce développement.

B. Définition de l’intelligence artificielle

Définir l’intelligence artificielle n’est pas chose facile. Sa définition est si peu précise
que la CNIL la désigne dans un rapport comme « le grand mythe de notre temps » (4). Outre
le fait qu’il ne s’agisse pas d’une discipline autonome constituée, mais plutôt un ensemble de
concepts et de technologies (5), il existe deux raisons principales pour lesquelles il est
difficile d’en établir une définition consensuelle. Ces deux raisons trouvent leur origine dans
« la difficulté que l’Homme a pour définir sa propre intelligence, sa conscience et ses
mécanismes de raisonnement (6) ».

La première raison est la difficulté à définir la notion « d’intelligence » elle-même

complexe et faisant l’objet de débats. L’étymologie du mot « intelligence » vient du latin
« intellegere » ou « intelligere » signifiant « choisir entre » (7). Selon Serge Soudoplatoff, il
faut comprendre l’intelligence artificielle comme une tentative de comprendre l’intelligence
en utilisant des programmes informatiques (8). « L’intelligence » peut être définie par
« l'ensemble des processus retrouvés dans des systèmes, plus ou moins complexes, vivants ou
non, qui permettent de comprendre, d'apprendre ou de s'adapter à des situations nouvelles (9)
». « L'intelligence a été décrite comme une faculté d'adaptation (apprentissage pour s'adapter

20
à l'environnement ou au contraire, faculté de modifier l'environnement pour l'adapter à ses
propres besoins) (9) ». Dans cette définition très large, certains outils informatiques peuvent
être considérés comme dotés d’intelligence. Cependant, il existe d’autres définitions de
l’intelligence, comme celles du Larousse, excluant de fait les outils informatiques :
« Aptitude d'un être humain à s'adapter à une situation, à choisir des moyens d'action en
fonction des circonstances […] Personne considérée dans ses aptitudes intellectuelles, en tant
qu'être pensant […] Qualité de quelqu'un qui manifeste dans un domaine donné un souci de
comprendre, de réfléchir, de connaître et qui adapte facilement son comportement à ces
finalités. » (10)

Afin d’élargir le champ de la définition de l’intelligence, il peut être intéressant de

considérer la « théorie de l’intelligence multiple » proposée par Howard Gardner en 1983
(11). Dans cette théorie, le psychologue américain définit l’intelligence comme « la capacité
à résoudre des problèmes ou à produire des biens ayant une valeur dans un contexte culturel
ou collectif précis. Les problèmes à résoudre vont de l’invention de la fin d’une histoire à
l’anticipation d’un mat aux échecs, en passant par le raccommodage d’un édredon. Les biens
vont des théories scientifiques aux compositions musicales en passant par les campagnes
politiques victorieuses. » Il définit 8 types d’intelligence :
• L’intelligence langagière :
L’intelligence verbale linguistique est la capacité d’utiliser le langage pour
s’exprimer et comprendre des idées. Cette sensibilité aux mots et au langage, aux
échanges oraux, à la lecture et à l’écriture est utile aux écrivains mais aussi aux
politiciens ou aux enseignants.
• L’intelligence musicale :
L’intelligence musicale repose sur l’acuité de l’oreille et la perception du rythme.
Elle peut être utile à un garagiste qui va reconnaître un problème dans un moteur de
voiture rien qu’en entendant le bruit qu’il fait !
• L’intelligence logico-mathématique :
L’intelligence logico-mathématique est la capacité à tenir un raisonnement
logique, à calculer, à analyser.
• L’intelligence spatiale :
L’intelligence de l’espace est la capacité à se représenter en 3 dimensions, à
s’orienter, à avoir un bon sens de l’orientation. Elle est notamment utile aux marins,

21
 ingénieurs, chirurgiens, sculpteurs, peintres ou autres architectes. Cette intelligence est
par exemple développée par les jeux vidéo.
• L’intelligence kinesthésique :
L’intelligence kinesthésique est l’intelligence du corps, la capacité à utiliser le
corps pour exprimer des émotions, pour mémoriser une information, pour maîtriser un
geste, pour créer. Pensons aux danseurs et aux athlètes mais aussi aux chirurgiens et aux
artisans.
• L’intelligence interpersonnelle :
L’intelligence interpersonnelle définit notre relation aux autres : la capacité à
comprendre les autres et à travailler avec eux. C’est être intelligent avec les autres.
• L’intelligence intrapersonnelle :
L’intelligence intrapersonnelle est la connaissance de soi-même. Gardner la
définit comme « la faculté de se former une représentation de soi précise et fidèle, et de
l’utiliser efficacement dans la vie. »
• L’intelligence naturaliste :
L’intelligence naturaliste est la capacité d’observation et de respect de la nature,
de reconnaissance, identification et classement des animaux, des plantes, des minéraux.

En considérant ce champ plus large de l’intelligence, nous pouvons concevoir que des
outils informatiques peuvent être adaptés à la réalisation de tâches cognitives.

La seconde raison pour laquelle il est difficile d’établir une définition de l’IA, est
l’existence de deux aspects fondamentaux où divergent les définitions existantes (12). Le
premier aspect fondamental concerne son apparence, son aspect. Certains considèrent que
l’IA doit avoir une apparence humaine, tandis que d’autres considèrent qu’elle doit tendre
vers un modèle idéal d’intelligence qui s’éloigne du modèle humain, nommée « rationalité ».
Le second aspect fondamental où divergent les définitions concerne son fonctionnement.
Certains limitent la ressemblance nécessaire de l’IA à l’intelligence humaine uniquement à
son apparence, tandis que d’autres insistent sur la nécessité que son fonctionnement interne
ressemble également au fonctionnement « rationnel » de l’être humain. Ces distinctions
concernant l’apparence et le fonctionnement de l’IA sont critiquables dans la mesure où les
connaissances actuelles sur le fonctionnement du cerveau humain sont limitées.

22
 L’IA n’est donc pas une entité bien définie et il n’en existe pas de définition
consensuelle. Il n’existe pas un seul logiciel unifié d’intelligence artificielle, mais des
« solutions d’intelligence artificielle » constituée par des briques d’intelligence remplissant
des fonctions différentes selon les tâches. Certaines briques auront un rôle de capteur
sensoriel notamment de son ou d’image, d’autres auront un rôle d’interprétation des
informations, d’autres de traitement du langage et encore d’autres de l’exploitation de bases
de données. « Leur intégration reste encore une affaire de bricolage. Nous en sommes
toujours à l’âge de pierre, avec seulement une cinquantaine d’années de recul sur la question
(6) ».

La définition la plus simple et généraliste de l’intelligence artificielle est celle du

Larousse qui la définit comme un : « Ensemble de théories et de techniques mises en œuvre
en vue de réaliser des machines capables de simuler l'intelligence humaine. » (13) Une des
définitions initiales de l’IA, est celle de Marvin Lee Minsky, l’un des précurseurs de l’IA, qui
la définissait comme « la construction de programmes informatiques qui s’adonnent à des
tâches qui sont, pour l’instant, accomplies de façon plus satisfaisante par des êtres humains
car elles demandent des processus mentaux de haut niveau tels que : l’apprentissage
perceptuel, l’organisation de la mémoire et le raisonnement critique (12) ». Les progrès
récents en IA rendent partiellement obsolète cette définition datant des débuts de l’IA. Les
progrès constants de cette technologie expliquent donc en partie les difficultés dans
l’établissement d’une définition consensuelle.

Les deux points communs des définitions existantes sont tout d’abord son caractère
« artificiel » par l’usage de l’informatique avec des algorithmes et de l’électronique avec des
processeurs. Le second point est son caractère « intelligent » qui lui permet d’effectuer des
tâches cognitives généralement attribuées à l’homme. Elle concerne plusieurs disciplines : les
sciences cognitives, les mathématiques, les statistiques, l’informatique, l’électronique et la
neurobiologie computationnelle (5). Par extension, elle désigne, dans le langage courant, les
dispositifs imitant ou remplaçant l'homme dans certaines mises en œuvre de ses fonctions
cognitives (14).

23
C. Histoire de l’intelligence artificielle (12) (15)

• (1943-1955) Gestation de l’IA : Même si le terme n’existait pas encore, les

premiers travaux pouvant être reconnus comme les débuts de l’IA ont été menés durant
cette période. Warren McCulloch et Walter Pitts ont introduit en 1943 un modèle de
neurones artificiels. Ils avaient suggéré que des réseaux définis de manière appropriée
sont capables d’apprentissage. Donald Hebb proposa par la suite une règle pour modifier
des connexions entres neurones. En 1950, Marvin Minsky et Dean Edmonds, deux
étudiants de Harvard, construisirent le premier réseau de neurones. Alan Turing proposa
en 1950 le « Test de Turing » dans son article « Computing Machinery and Intelligence ».
Il présenta également dans cet article l’apprentissage artificiel, les algorithmes génétiques
et l’apprentissage par renforcement. Sa vision était peut-être la plus influente à l’époque.

• (1956) Naissance de l’IA : Le Summer Camp de Darmouth, un séminaire

organisé entre le 18 juin et le 17 août 1956 à Hanover dans le New Hampshire aux USA,
marque le début de l’histoire moderne de l’IA. Des scientifiques de haut rang dont John
McCarthy, Claude Shannon (inventeur de la théorie de l’information), Marvin Minsky
(cofondateur du laboratoire d’intelligence artificielle au MIT, père des réseaux de
neurones), Allan Newell, Herbert Simon (prix Nobel d’économie 1978, inventeur de la
rationalité limitée), Arthur Samuel et Nathaniel Rochester composaient le groupe
fondateur du Summer camp de Darmouth. Leur objectif était de réfléchir aux concepts
permettant de reproduire dans des machines diverses composantes de l’intelligence
humaine de base comme la maîtrise du langage, la vision et le raisonnement (6). C’est
l’un des membres de ce groupe, John McCarthy qui utilisa en premier le terme
« intelligence artificielle » dans la note proposant l’organisation du Summer Camp de
Darmouth (16). « L’IA est en fait une appellation créée par un chercheur afin de faire
parler de son domaine et lui permettant d’éviter d’être assimilé à des disciplines voisines
comme les mathématiques, les statistiques ou l’informatique. C’est une forme de
déclaration d’indépendance d’une nouvelle discipline scientifique (6) ». Le séminaire de
Dartmouth n’a pas conduit à de nouvelles avancées mais il a au moins permis aux
principaux acteurs de l’IA de faire connaissance.

24
 • (1952 – 1969) L’enthousiasme des débuts : les grandes espérances : Ce fut
une période très active durant laquelle un grand nombre de programmes ont été
développés pour résoudre des problèmes très divers. Les programmes Logic Theorist (par
Allan Newell et Herbert Simon) et Geometry Theorem Prover (Herbert Gelernter) furent
en mesure de prouver certains théorèmes mathématiques, tous déjà connus, mais en
trouvant parfois une preuve plus élégante. Le General Problem Solver (GPS) de Newell et
Simon réussissait quant à lui à résoudre des puzzles simples avec un raisonnement
semblable au raisonnement humain. GPS a certainement été le premier programme à
intégrer l’approche de la « pensée humaine ». Arthur Samuel créa un programme pour
jouer aux dames à un bon niveau d’amateur. John McCarthy définit le langage « Lisp »
qui allait devenir le langage de programmation dominant en IA pour les trente années à
venir. Il publia un article devenu célèbre dans lequel il traite des programmes qui ont du
sens commun. Des étudiants de Minsky travaillèrent sur les petits problèmes (« micro
mondes ») tels que les problèmes d’analogie comparables à ceux des tests de QI, donnant
naissance au programme ANALOGY (1968), ou encore les manipulations de cubes (le
fameux « monde des blocs ») avec l’idée d’augmenter la complexité petit à petit pour
développer des agents intelligents. La recherche sur les réseaux de neurones fut
également poursuivie.

• (1966-1973) L’épreuve de la réalité : Dès le début, les chercheurs en IA ont

fait des prédictions très optimistes prédisant des succès dans un futur proche. Leur excès
de confiance était dû aux performances prometteuses des premiers systèmes d’IA sur des
exemples simples. On cite souvent le passage suivant, écrit en 1957 par Herbert Simon :
« Mon intention n’est pas de vous surprendre ou de vous choquer, mais la manière la
plus simple de résumer les choses consiste à dire qu’il existe désormais des machines
capables de penser, d’apprendre et de créer. En outre, leur capacité d’accomplir ces
choses va rapidement s’accroître jusqu’à ce que, dans un futur proche, le champ des
problèmes qu’elles pourront aborder soit coextensif à celui auquel s’applique l’esprit
humain. ». Il devint durant ces années de plus en plus évident que les prédictions faites
par les chercheurs en IA avaient été beaucoup trop optimistes. L’échec le plus
emblématique était celui de la traduction automatique. En 1966, le rapport d’un comité
consultatif indiquait qu’il n’existait pas de machines capables de traduire des textes
scientifiques généraux et qu’il était impossible d’en envisager une dans l’immédiat. De

25
grandes déceptions se produisirent également lorsque les chercheurs en IA essayèrent
d’appliquer leurs algorithmes aux problèmes de grande taille, et découvrirent alors qu’ils
ne fonctionnaient pas, par manque de mémoire et de puissance de calcul. Ces différents
échecs ont provoqué l’arrêt de financements aux Etats-Unis et en Grande Bretagne.

• (1969-1979) Systèmes fondés sur les connaissances (Systèmes Experts) : la

clé de la puissance ? Le paradigme de résolution de problèmes élaboré au cours de la
première décennie de recherche en IA consistait en un mécanisme de recherche d’ordre
général qui essayait d’enchaîner des étapes de raisonnement élémentaires pour trouver
des solutions complètes. De telles approches ont été qualifiées de méthodes faibles car,
quoique générales, elles ne supportent pas le changement d’échelle pour résoudre des
problèmes plus grands ou plus difficiles. L’alternative aux méthodes faibles est de
recourir à des connaissances plus puissantes et spécifiques au domaine concerné, qui
permettent des étapes de raisonnement plus importantes et gèrent plus facilement les cas
typiques rencontrés dans des domaines d’expertise limités. On pourrait dire que, pour
résoudre un problème difficile, il est presque obligatoire d’en connaître la solution à
l’avance. Le premier système expert, appelé « DENDRAL », fut créé en 1969 pour la
tâche spécialisée consistant à déterminer la structure moléculaire d’une molécule étant
donné sa formule et les résultats de sa spectrométrie de masse. Après le succès du
« DENDRAL », d’autres systèmes d’experts furent créés, notamment le système
« MYCIN », qui réalisait un diagnostic des infections sanguines. Avec 450 règles,
« MYCIN » réussissait à diagnostiquer à un niveau proche des experts humains et
considérablement meilleur que celui des jeunes médecins.

• (De 1980 à nos jours) L’IA devient une industrie : Le premier système
expert commercial réussi, R1, est né chez Digital Equipment Corporation (McDermott,
1982). Ce programme configurait des ordinateurs en fonction des commandes des clients
et leur permit d’économiser des dizaines de millions de dollars chaque année. Par la suite,
presque toutes les grandes entreprises des Etats-Unis possédèrent un département IA et
utilisaient des systèmes experts ou envisageaient d’en utiliser. Les Etats-Unis et le Japon
financèrent de gros projets en IA, et la Grande Bretagne relança son programme de
financement.

26
 • (De 1986 à nos jours) Retour des réseaux de neurones : Au milieu des
années 1980, quatre groupes de chercheurs au moins, réinventèrent indépendamment les
uns des autres, l’algorithme d’apprentissage par rétropropagation, initialement mis au
point par Bryson et Ho en 1969. Cet algorithme fut appliqué à de nombreux problèmes
d’apprentissage en informatique et en psychologie, et la publication des résultats dans la
collection « Parallel Distributed Processing » (Rumelhart et McClelland, 1986) suscita
énormément d’enthousiasme. Depuis, l’apprentissage automatique est devenu l’un des
domaines les plus actifs de l’IA, et a été appliqué avec succès à de nombreux problèmes
pratiques comme par exemple la fouille de données.

• (De 1987 à nos jours) L’IA devient une science : L’intelligence artificielle
est devenue au fil du temps une matière scientifique de plus en plus rigoureuse et
formelle. La plupart des approches étudiées aujourd’hui sont basées sur des théories
mathématiques ou des études expérimentales plutôt que sur l’intuition, et sont appliquées
plus souvent aux problèmes issus du monde réel.

• (De 1995 à nos jours) Émergence des agents intelligents : Des chercheurs
ont également reconsidéré le problème de l’« agent total ». Le mouvement dit « situé » a
pour but de comprendre le fonctionnement d’agents immergés dans des environnements
réels et exposés à des entrées sensorielles continues. Internet fait partie des
environnements les plus importants pour les agents intelligents. De plus, de nombreux
outils Internet tels que les moteurs de recherche, les systèmes de recommandation et les
agrégateurs de sites web, reposent sur des techniques d’IA. Les tentatives de construire
des agents complets ont permis de constater que les sous-domaines isolés de l’IA ont
d’autant plus besoin d’être réorganisés que leurs résultats sont destinés à se compléter.
Nous pouvons illustrer ce besoin avec les avancées récentes dans le pilotage de véhicules
robotisés qui ont été rendues possibles grâce à la fusion de plusieurs approches, parmi
lesquelles le développement de meilleurs capteurs, d’une intégration au niveau
automatique de la perception, de la cartographie et de la localisation et enfin d’une dose
de planification à haut niveau. Plusieurs pères fondateurs de l’IA croient que l’IA devrait
revenir à ses racines et se battre pour, selon les mots de Herbert Simon : « des machines
qui pensent, qui apprennent et qui créent ». Ils appellent cette tendance « IA de niveau

27
 humain » ou « IANH ». Le sous-domaine de l’intelligence artificielle générale ou
« IAG » (Goertzel et Pennachin, 2007) en est une idée connexe.

• (De 2001 à nos jours) La disponibilité de vastes ensembles de données :

Pendant les soixante années précédentes de l’histoire de l’informatique, l’accent avait été
mis sur l’algorithme comme objet central d’étude. Des travaux récents en IA suggèrent
que pour de nombreux problèmes, il serait plus sensé de s’intéresser aux données et d’être
moins exigeant sur le choix de l’algorithme à leur appliquer. Des travaux laissent à penser
que la « pierre d’achoppement » de la connaissance en IA – comment exprimer toute la
connaissance dont un système a besoin – pourrait être résolue dans beaucoup de cas par
apprentissage plutôt que par codage manuel de la connaissance en question, à condition
que les algorithmes d’apprentissage disposent de suffisamment de données
d’entrainement (Halevy et al., 2009).

• Les grandes ruptures de 2011 : (8)

Aux alentours de 2011, trois grandes ruptures quasi concomitantes ont permis à
l’intelligence artificielle de franchir une grande étape :
- tout d’abord, l’introduction d’une catégorie d’algorithmes bien plus
sophistiqués : les réseaux de neurones convolutifs ;
- ensuite, l’arrivée sur le marché de processeurs graphiques à bas coût capables
d’effectuer d’énormes quantités de calculs ;
- enfin, la disponibilité de très grandes bases de données correctement annotées
permettant un apprentissage plus fin (« big data »).
Ce sont ces nouveaux algorithmes qui sont aujourd’hui utilisés dans les grandes
applications de l’intelligence artificielle, comme la reconnaissance de la parole de Siri, la
voiture autonome de Google ou bien la reconnaissance d’images de Facebook.

• Notre époque : Du « big data » au « data mining » et « deep learning ». (8)

Le « big data » est la grande rupture de notre époque, qui a permis à l’IA de faire des
bonds énormes. Nous sommes dans un monde de production de données en masse. Certaines
sont publiques, d’autres sont privées. La possession de ces données donne un pouvoir énorme
aux GAFAMI et à leurs équivalents chinois. Ces banques de données ont permis le
développement d’outils de « Data mining » (exploration de données) et « Deep learning ».

28
 D. Etat de l’art de l’intelligence artificielle (6)

Les domaines où l’IA et les outils numériques en général dépassent déjà l’Homme
sont ceux qui relèvent du calcul, comprenant les applications « data » du « machine
learning » pour faire des prévisions ou de la segmentation, tout ce qui relève de la mémoire,
notamment dans l’accès à de gros volumes d’information, et enfin, la vision artificielle,
notamment celle qui est appliquée à des fonctions spécialisées comme dans le diagnostic
médical.

Dans les domaines où nous sommes presque ex-aequo, on peut citer la conduite
autonome dans certaines conditions et le raisonnement spécialisé.

Tout ce qui relève de la maîtrise du langage est encore en-deçà des capacités
humaines. Pour ce qui est de la traduction, les outils d’IA dépassent les capacités générales de
l’Homme mais pas celles des spécialistes. Un véritable bilingue fera toujours mieux qu’un
système automatique. Pour le reste, même si les progrès sont constants, les IA ont encore du
chemin à faire pour atteindre les capacités humaines.

Le raisonnement généraliste n’est pas encore possible avec l’IA actuelle. Les agents
vocaux rendent des services mais sont très loin de passer le test de Turing pour égaler un
spécialiste humain.

L’agilité générale des robots reste enfin très limitée par rapport à celle de l’Homme
même si l’on peut admirer les prouesses de certains robots de Boston Dynamics. C’est pour
cela que l’on n’est pas prêt de voir des robots s’occuper des patients dans les hôpitaux ou les
maisons de retraite.

Deux derniers points sont encore en devenir : la gestion des émotions et le bilan
énergétique. Les IA consomment en général beaucoup plus d’énergie que l’Homme avec son
cerveau qui ne consomme que 20W par heure.

L’IA rend de très nombreux services au quotidien au grand public et aux entreprises,
mais sans forcément relever de l’imitation de l’intelligence humaine, notamment sa capacité
de raisonnement. Il en va ainsi des systèmes à base de « machine learning » qui essayent

29
laborieusement de vous proposer le bon film sur Netflix ou le bon produit sur Amazon en
exploitant votre historique d’usage et celui des autres internautes.

Il existe d’autres segmentations de l’IA par rapport aux capacités humaines comme
ces quatre catégories de systèmes : qui pensent comme des humains, qui agissent comme des
humains, qui pensent rationnellement (donc, pas forcément comme des humains) et qui
agissent rationnellement. On peut aussi plus simplement utiliser trois catégories : les sens, le
raisonnement et l’action.

E. Applications en santé de l’intelligence artificielle

1. IA non spécifique à la santé

Dans les faits, la plupart d’entre nous utilisent des technologies d’IA dans la vie
quotidienne, à des degrés divers, avec un niveau de conscience variable. Lorsque nous
utilisons un service de messagerie électronique, ce service va automatiquement classer
certains e-mails vers la valise des indésirables. Lors de ce tri, la sensibilité est généralement
plus forte que la spécificité, mais globalement celui-ci est très efficace et inaperçu pour
l’utilisateur lambda. Lorsque nous effectuons des achats sur internet sur de grands sites
marchands, ceux-ci nous proposent par la suite des publicités ciblées. Elles sont souvent très
pertinentes car elles tiennent compte de différentes données collectées sur nous comme nos
achats précédents, notre historique de navigation, notre profil sociologique, notre
géolocalisation. Nous sommes de plus en plus nombreux à utiliser des assistants vocaux (Siri,
Alexa, Google Home). Ceux-ci sont encore très limités mais s’améliorent rapidement et
peuvent d’ores et déjà effectuer des tâches basiques de manière relativement efficace. Il nous
arrive parfois de recevoir un message de sécurité de la part de notre banque nous alertant sur
une dépense suspecte. Lorsque nous utilisons un moteur de recherche internet, nous ne
sommes généralement plus surpris de leur facilité d’utilisation, de leur rapidité et de la
pertinence des résultats. Lorsque nous utilisons un GPS, celui-ci nous propose parfois un
itinéraire alternatif en fonction des conditions de circulation. Le point commun de tous ces
services est qu’ils sont basés sur des technologies d’IA. Ces différents services permettent
d’illustrer des technologies d’IA utilisées couramment par la plupart des citoyens. Il s’agit ici
de services généralistes qui n’ont pas été conçus spécifiquement pour les professionnels de
santé et qui ne leur sont pas dédiés. Cependant, ils sont pourtant utilisés par de nombreux
professionnels de santé dans leur vie personnelle mais également dans leur vie

30
professionnelle. Des services basés sur des technologies d’IA sont donc d’ores et déjà utilisés
par de nombreux professionnels de santé.

2. IA dédiée à la santé
La santé est probablement le domaine pour lequel l’IA est la plus en pointe. C’est
également l’un des domaines où la recherche et les perspectives de développement sont les
plus grandes. De nombreux outils d’IA spécialisés dans différents domaines de la santé sont
en cours de développement. Les trois grands domaines de la santé pour lesquels l’IA est
développée sont le diagnostic, la thérapeutique (élaboration de protocoles de traitement,
développement de nouveaux médicaments, médecine personnalisée, le soin et le suivi des
patients, etc.), et les systèmes de santé. L’IA va notamment permettre de développer la
médecine préventive. Cela peut être une perspective d’évolution positive dans un système de
santé français basé sur une tradition hippocratique de soins a postériori.

Les prouesses récentes de l’IA dans le domaine de la santé ont fait l’objet de
beaucoup d’attention et de médiatisation. Cependant des outils validés et déployés sur le
marché sont encore peu nombreux même s’ils sont prometteurs. La majorité d’entre eux n’est
encore qu’au stade de développement. Malgré les effets d’annonce, le milieu médical est un
milieu essentiellement conservateur, le déploiement de solutions novatrices en IA prendra
donc du temps. Certaines études visent à démontrer la supériorité de technologies d’IA sur les
médecins spécialistes tandis que d’autres visent plutôt à créer des outils d’IA ayant vocation à
assister les médecins afin des les rendre plus performants.

Nous allons donner ici des exemples d’applications de l’IA dans le domaine de la
santé, qu’elles soient actuelles, à venir ou potentielles. Cette liste n’est pas exhaustive. Nous
allons cependant essayer de donner un panel représentatif de ces applications.

a) Diagnostic
L’aide au diagnostic est l’un des domaines de santé dans lequel l’IA s’est le plus
développée.

En Dermatologie, des algorithmes développés dans un but diagnostique de mélanome

se montrent performants (17). Une équipe de chercheurs du Stanford Cancer Institute a mis
au point un outil d’IA aussi performant que des dermatologues expérimentés dans le

31
diagnostic de cancers de la peau (17) (18). Certains chercheurs ont montré que cette
technologie pouvait présenter des performances diagnostiques supérieures à des
dermatologues expérimentés experts dans leur domaine (19).

En ophtalmologie, des outils d’IA en cours de développement se montrent aussi

performants que des spécialistes expérimentés dans le diagnostic de nombreuses pathologies
oculaires (20). La filiale UK d’Alphabet « DeepMind » en association le Moorfields Eye
Hospital de Londres prévoit le déploiement de ce type de technologie d’ici 2023 (20).

En anatomopathologie, l’analyse d’images histologiques par des techniques d’IA

pourrait améliorer la précision diagnostique, le pronostic et la détermination du profil
génomique de certains cancers (21). Lors d’une étude, des algorithmes de « deep learning »
ont montré une performance comparable à celle de pathologistes experts dans la détection des
métastases ganglionnaires dans les coupes tissulaires de femmes atteintes d'un cancer du sein
(22).

En cardiologie, des outils d’IA sont développés dans le domaine de l’interprétation

automatique d’électrocardiogrammes. Une IA basée sur les réseaux de neurones conçue pour
assister les médecins dans le diagnostic de troubles du rythme cardiaque a été homologuée
par la Food and Drug Administration (FDA) au États-Unis (3). La start-up française
CARDIOLOGS conjugue « deep learning », « big data » et expertise médicale dans le but de
développer des technologies d’IA facilitant l’interprétation des électrocardiogrammes. Elle a
obtenu l’accord de le FDA aux Etats-Unis pour commercialiser son algorithme (23).

En neurologie, des chercheurs de l’université de San Francisco développent une IA

basée sur l’analyse de TEP-scanners cérébraux dans le but de détecter la maladie
d’Alzheimer plusieurs années avant les médecins. Lors de son évaluation, cet algorithme a pu
réaliser ce diagnostic en moyenne six ans avant un médecin (24).

En psychiatrie, Marcel Just et David Brent, chercheurs respectivement à l’université

Carnegie Mellon et de Pittsburgh (Etats-Unis) ont développé un outil d’IA basé sur le couple
algorithme – imagerie cérébrale afin de reconnaitre les intentions suicidaires d’un patient.
Leur première expérience sur un nombre réduit d’individus a présenté un taux de réussite de
91% (25).

32
 b) Imagerie médicale
Les technologies de « deep learning » et les réseaux de neurones sont les principales
technologies utilisées dans le développement d’outils d’IA dédiés à l’interprétation
d’imagerie médicale. « Les algorithmes d'apprentissage automatique peuvent désormais
effectuer des tâches d'analyse d'images avec des performances égales, voire supérieures, à
celles réalisées par des experts humains (26) ». « Les solutions d’imagerie utilisent à peu près
toutes les mêmes techniques et solutions logicielles mais sont paramétrées de manière
différente selon les pathologies recherchées et avec des jeux d’entrainement spécifiques.
Elles vont bien au-delà des techniques simples d’augmentation de contraste. Elles détectent
des formes particulières, des densités spécifiques et réalisent aussi des mesures précises et
quantitatives. Elles peuvent aussi comparer avec précision des images dans le temps pour
quantifier l’évolution d’une pathologie. Elles utilisent généralement différentes formes de
réseaux convolutionnels, avec au moins un premier qui détecte des formes dans l’image et un
autre qui les labellise une par une après détourage (6) ».

Des outils d’IA sont en cours de développement dans l’interprétation des clichés de
mammographie. Ces solutions de « deep learning » peuvent potentiellement réduire les
erreurs de diagnostic, améliorer la précision du radiologue et faciliter la prise de décision
dans l’interprétation de ce type d’imagerie (27). Dans le même domaine, la start-up française
THERAPIXEL développe un outil d’IA dédié à l’interprétation des mammographies, grâce
aux algorithmes exploitant les réseaux de neurones convolutifs. Elle a remporté le Digital
Mammography Dream Challenge en 2017 (28).

Une équipe de chercheurs de l’université de Stanford a développé un logiciel

d’imagerie basé sur un réseau de neurones pouvant être plus performant que les radiologues
dans le diagnostic de pneumonie. Il s’agit du logiciel « CheXnet » (29).

c) Recherche clinique
De nombreux experts croient au fort potentiel de l’IA dans le domaine de la recherche
clinique, cependant ses potentialités dans ce domaine ne sont actuellement que théoriques
(30). La recherche, les essais cliniques, peuvent très probablement être favorisés par
l’utilisation de cette technologie. Elle pourrait permettre notamment une réduction du coût
des essais cliniques en réduisant leur durée (31).

33
 L’IA avec le « deep learning » et d’autres technologies nourrissent les espoirs dans le
domaine de la recherche de nouveaux médicaments. Certains chercheurs prédisent qu’elle
permettra de trouver de nouveaux traitements plus efficacement, plus rapidement et à
moindre coût. Cependant d’autres chercheurs relativisent ces prévisions en les qualifiant
d’extravagantes. A ce jour il n'existe pas encore de médicament approuvé par l'IA. Les
principales sociétés pharmaceutiques utilisent des systèmes d’IA dans leurs travaux de
recherche. « Pfizer utilise IBM Watson, un système utilisant l'apprentissage automatique,
pour renforcer sa recherche de médicaments immuno-oncologiques. Sanofi a signé un contrat
d'utilisation de la plateforme d’IA de la start-up britannique Exscientia pour la recherche de
traitements par maladies métaboliques. Genentech, une filiale de Roche, utilise un système
d'IA de GNS Healthcare à Cambridge, dans le Massachusetts, pour aider la multinationale à
rechercher des traitements contre le cancer. La plupart des acteurs biopharmaceutiques
importants ont des collaborations ou des programmes internes similaires (32) ».

En oncologie, des chercheurs développent des outils d’IA dans le but de créer de
nouveaux médicaments anticancéreux in silico en fonction des propriétés génomiques des
cellules cancéreuses (33).

En génétique, l’usage de technologies d’IA va se développer rapidement dans les

années à venir dans le domaine de la médecine génomique (34).

d) Le soin
L’oncologie est l’une des disciplines ou les technologies d’IA se développent en
nombre et de façon rapide, tant sur le plan du diagnostic, du dépistage, que dans l’élaboration
de nouveaux traitements. Des chercheurs français de l’institut Gustave Roussy ont développé
une technologie d’IA permettant d’analyser des images de scanner afin de prédire la réponse
d'un patient face à son traitement anticancéreux de type immunothérapie (35). De récentes
avancées en IA promettent des changements radicaux dans le diagnostic et le traitement du
cancer du sein (36). Les techniques d’IA et d’apprentissage automatisé vont probablement
permettre de mieux personnaliser les protocoles de radiothérapie (37). L’utilisation de l’IA
progresse de plus en plus dans le domaine de la recherche en pathologie cancéreuse
pulmonaire. L’analyse computationnelle de l’imagerie histologique via des approches dites

34
d’IA a récemment reçu une attention considérable afin d’améliorer la précision diagnostique
des cancers pulmonaires (21).

En gynécologie, dans le cadre de pratiques de fécondation in vitro, une étude a

démontré la supériorité d’outils d’IA sur l’humain, dans l’évaluation de la qualité
embryonnaire (38) (30). Egalement en gynécologie, une étude a démontré qu’un algorithme
de « deep learning » pouvait être nettement plus rapide que l’humain dans le décompte et
l’analyse des follicules ovariens dans le cadre de PMA (39) (30).

En anesthésie, un projet de l’université de Washington a pour but de développer des

outils de « deep learning » permettant d’évaluer le risque d’hypoxémie post-opératoire (40).

En neurologie, les techniques modernes d’apprentissage automatique peuvent jouer un

rôle crucial dans l’optimisation des stratégies de traitement des patients souffrant de troubles
chroniques tels que l’épilepsie (41).

e) Dispositifs médicaux connectés ou implantés

L’IA tend à être de plus en plus utilisée dans les dispositifs médicaux connectés ou
implantables.

La recherche et le soin dans le domaine du diabète vont potentiellement être

transformés en profondeur avec l’usage de l’IA et notamment avec l’aide d’objets connectés
et ou implantables. « La médecine numérique, la recherche numérique et l'intelligence
artificielle (IA) ont le pouvoir de transformer le domaine du diabète avec une surveillance à
distance continue et sans fardeau des symptômes des patients, des données physiologiques,
des comportements et des contextes sociaux et environnementaux à l'aide de dispositifs
portables, de capteurs et technologies de smartphone. […] En fin de compte, les nouvelles
technologies numériques, les analyses basées sur le Big Data et l'IA appliquée aux données
sur le diabète vont changer la manière dont le diabète et ses complications, ainsi que leur
prévention et leur gestion, sont traités. » (42)

En cardiologie, certains types de défibrillateurs fonctionnent de manière autonome

grâce à une IA qui détecte automatiquement les troubles des rythmes.

35
II. MATERIEL ET METHODES

A. Objectifs de l’étude

L’objectif principal de cette étude était d’évaluer, par une enquête, la favorabilité des
médecins généralistes au développement de la technologie de l'intelligence artificielle dans la
pratique de la médecine générale. L’objectif secondaire était d’évaluer leurs espoirs et leurs
craintes quant à ce développement. Il était également de rechercher d’éventuelles corrélations
avec leur favorabilité à ce développement.

B. Type d’étude

Il s’agissait d’une étude quantitative descriptive transversale, de type enquête

d’opinion, réalisée entre le 17 mars 2019 et le 4 juin 2019.

C. Population

L‘étude portait sur les médecins généralistes thésés de la région Provence-Alpes-Côte

d'Azur (PACA) ayant une activité libérale.

D. Questionnaire

1. Elaboration du questionnaire
La méthode avait consisté à évaluer la place et l’influence actuelle et à venir de l’IA
dans le domaine de la médecine générale. Pour ce faire, différentes perspectives avaient été
prises en compte. La perspective du monde médical avait été considérée grâce au rapport du
CNOM « Médecins et patients dans le monde des data, des algorithmes et de l’intelligence
artificielle » (3). Celle des pouvoirs publics avec le monde scientifique avait été considérée
grâce au rapport de Cédric Villani « Donner un sens à l’intelligence artificielle » (43). Celle
des pouvoirs publics avec le monde du travail avait été considérée grâce au rapport de France
Stratégie sur « l’intelligence artificielle et le travail » (1). A la lecture de ces trois rapports, il
était possible de percevoir les influences effectives ou potentielles, actuelles ou à venir, du

36
développement de l’IA en santé et plus particulièrement en médecine générale. Afin de
balayer toutes les dimensions de la pratique des médecins généralistes pouvant être
concernées, nous avions utilisé le texte de référence de la WONCA « La Définition
Européenne de la Médecine Générale – Médecine de Famille » (44).

2. Composition du questionnaire
Un questionnaire informatique avait été élaboré sur Google Forms. Il comportait
quatre parties principales:
• La première partie concernait les informations générales des médecins: l’âge, le sexe,
l’année de thèse, l’année d’installation, le mode et le milieu d’exercice, le nombre de
consultations par semaine.
• La seconde partie consistait à évaluer leur familiarité avec l’outil informatique et les
technologies d’IA : aisance en informatique, informatisation du cabinet,
connaissances dans les technologies fondamentales en IA, utilisation de l’IA dans leur
pratique, appréhension des réactions des patients à l’usage de l’IA.
• La troisième partie visait à recueillir leurs opinions quant à l’influence de l’IA dans
différents domaines de la pratique de la médecine générale : la relation médecin-
malade, la démarche décisionnelle, la prise en charge au long cours et leurs conditions
d’exercice.
• La quatrième partie consistait à évaluer leur favorabilité au développement de la
technologie de l’IA dans la pratique de la médecine générale.

Un exemple de définition de l’IA avait été donné au début du questionnaire. Cela

avait été motivé par l’absence de définition consensuelle existante de l’IA et par le niveau de
connaissance des médecins sur le sujet supposé très variable. Nous avions choisi de donner la
définition la plus simple et générale afin de limiter un potentiel biais risquant d’influencer les
réponses.

Concernant la question relative à la familiarité des répondants avec l’outil

informatique, des critères leur avaient été présentés afin de favoriser l’homogénéité dans les
critères d’autoévaluation entre les répondants.

37
Nous avions sciemment choisi de placer en dernier la question sur la favorabilité des
répondant au développement de l’IA dans la pratique de la médecine générale. Cela avait été
fait dans le but de permettre aux médecins de répondre après une étape de réflexion sur le
sujet par le biais des questions précédentes. Cette étape de réflexion nous avait paru
importante dans la mesure où cette question concernait l’objectif principal de l’étude.

3. Diffusion du questionnaire
Les médecins généralistes étaient invités à répondre au questionnaire en ligne. Ils
pouvaient y accéder, soit directement par un lien inclus dans l’e-mail les invitant à participer
à l’étude, soit en utilisant un lien consultable sur la rubrique dédiée aux thèses du CDOM des
Bouches-du-Rhône. Dans les deux cas, le thème et l’intérêt de l’étude étaient présentés ainsi
que l’engagement d’un retour sur les résultats de l’étude à son terme.

Les conseils départementaux de l’Ordre des médecins de la région PACA avaient été
sollicités par e-mail afin de contribuer à la diffusion du questionnaire. Le CDOM du
Vaucluse avait contribué à la diffusion du questionnaire en publiant une proposition de
participation dans son journal officiel. Le CDOM des Bouches-du-Rhône y avait également
contribué en publiant, sur la rubrique dédiée aux thèses de son site internet, une proposition
de participation à l’étude avec un lien vers le questionnaire.

Les autres canaux utilisés pour la diffusion par e-mail du questionnaire étaient : les
réseaux de médecins remplaçants, les sites internet d’annonces médicales, l’annuaire
professionnel des pages jaunes, le réseau social professionnel Linkedin.

Au total, 1915 sollicitations avaient été envoyées dont 1413 e-mails envoyés par le
biais de contacts de réseaux de remplacements avec deux relances, 217 e-mails envoyés par
le biais de contacts de sites de remplacements médicaux, 261 messages de sollicitation
envoyés via la plate-forme internet du site professionnel des Pages jaunes et 24 messages de
sollicitation envoyés via la plate-forme internet de Linkedin.

Le questionnaire était resté disponible en ligne du 17 mars 2019 au 03 juin 2019. Les
réponses étaient recueillies automatiquement sur un tableur de type Excel.

38
 E. Analyse des données :

Les données statistiques suivantes étaient disponibles sur le site internet

« Data.Drees » de la Direction de la Recherche, des Études, de l’Évaluation et des
Statistiques (DREES) (45), et concernaient l’année 2018 pour la région PACA. 6305
médecins généralistes avaient une activité libérale (exclusive ou mixte), dont 2394 femmes
(38%) et 3911 hommes (62%), soit un sex-ratio de 1.6 avec une majorité d’hommes.
Concernant la répartition des tranches d’âge des médecins généralistes exerçant en cabinet
individuel, en cabinet de groupe ou en remplacement, 11% avaient moins de 35 ans, 14%
avaient de 35 à 44 ans, 19% avaient de 45 à 54 ans, 39% avaient de 55 à 64 ans et 16%
avaient de plus de 65 ans. Concernant le mode d’exercice, les médecins généralistes exerçant
en cabinet individuel (2720 médecins), en cabinet de groupe (2574 médecins) et ceux
exerçants en remplacements (752 médecins) représentaient respectivement 45%, 43% et
12% des médecins de ces trois modes d’exercice confondus.

L’analyse avait comporté une première partie descriptive des réponses et une
deuxième partie comparative étudiant les facteurs influençant la favorabilité des médecins au
développement de l’IA dans la pratique de la médecine générale.

Nous avions déterminé deux groupes. Le premier groupe que nous avions nommé
« favorable (MG F+) » était constitué des médecins de l’échantillon ayant donné une
réponse « favorable » quant au développement de l’IA. Le second groupe nommé « non
favorables (MG F-) » était composé des médecins ayant donné une autre réponse que
« favorable » à cette question (« sans opinion », « défavorable », « neutre »).

Nous avions utilisé le logiciel Microsoft Excel pour réaliser le recueil de données et
les figures. Les analyses statistiques avaient été réalisées sur les sites internet de « biostaTGV
» et « OpenEpi ». Nous avions utilisé des fonctions descriptives avec la détermination des
intervalles de confiance, et des fonctions comparatives avec le test exact de Fisher. Le seuil
de significativité avait été pris à p < 0,05.

D’un point de vue méthodologique, nous n’avions pas jugé pertinent de chercher à
déterminer un nombre de sujets nécessaires pour la réalisation de notre étude. Tout d’abord,
le questionnaire était disponible sur internet, donc d’un point de vue théorique l’ensemble des

39
médecins généralistes de la région PACA pouvait y avoir accès. Nous n’avions donc pas
besoin de connaître le nombre minimal de sujets à inclure pour diffuser ce questionnaire à un
nombre limité de médecins. Par ailleurs, si nous avions tout de même souhaité calculer un
nombre de sujets nécessaires afin de vérifier la puissance nécessaire à notre étude, celui-ci
aurait été imprécis. En effet, l’absence de données précises sur la valeur a priori de la
prévalence concernant la favorabilité des généralistes au développement de l’IA, rendait ce
calcul inadapté.

F. Conflits d’intérêts :

Il n’y avait pas de conflit d’intérêts à déclarer.

III. RESULTATS

A. Analyse descriptive

Les caractéristiques sociodémographiques des médecins généralistes inclus dans

l’étude étaient précisées dans les tableaux 1. Les technologies d’IA utilisées dans leur
pratique professionnelle étaient précisées dans le tableau 2. Les données sur l’aisance en
informatique, sur l’informatisation, sur les connaissances et l’usage de l’IA, sur
l’appréhension de la réaction des patients face à l’usage de l’IA, étaient précisées dans les
tableaux 3.

1. Données générales de l’échantillon

a) Taille de l’échantillon
Au total, 216 questionnaires avaient été recueillis. 16 répondants n’étaient pas encore
thésés et n’avaient donc pas été inclus dans l’étude. 12 sujets avaient répondu deux fois au
questionnaire dont 2 n’étaient pas thésés. Leur seconde réponse n’avait pas été prise en
compte. 1 répondant n’avait pas renseigné son année de thèse et n’avait donc pas été inclus.
Au total, 187 médecins généralistes avaient donc été inclus dans l’étude.

40
 b) Sexe
Le sex-ratio était égal à 1.5, avec un échantillon composé majoritairement de femmes
(113 sujets) (soit 60.4% ; intervalle de confiance à 95% [53.3 - 67.3]).

Sexe

40% Femme

60% Homme

c) Age
L’échantillon était principalement composé de jeunes médecins avec une large
majorité de sujets (147 sujets) âgés entre 25 et 34 ans (soit 78.6% ; intervalle de confiance à
95% [72.2 - 83.9]).

Age
90%
79%
80%
70%
60%
50%
40%
30%
20%
9% 6%
10% 5%
1%
0%
25 - 34 ans 35 - 44 ans 45 - 54 ans 55 - 64 ans ≥ 65 ans

d) Nombre d’années d’exercice

Le nombre d’années d’exercice des sujets inclus était compris entre 0 et 44 années,
le nombre médian était de 2 années et le nombre moyen était de 5.01 années. Une large
majorité (153 sujets) exerçait depuis moins de 5 ans (soit 82% ; intervalle de confiance à 95%
[75.7 - 86.7]).

41
 Années d'exercice
90% 82%
80%
70%
60%
50%
40%
30%
20%
10% 5% 4% 5% 4% 1%
0%
≤ 4 ans 5 _ 9 ans 10 _ 19 ans 20 _ 29 ans 30 _ 39 ans ≥ 40 ans

e) Mode d’exercice
Une forte proportion des sujets inclus (84 sujets) exerçait en remplacement (soit
45%; intervalle de confiance à 95% [38 - 52.1]). La majorité des médecins installés exerçait
en groupe de libéraux (64 sujets) (soit 34%; intervalle de confiance à 95% [27.8 - 41.3]).

Mode d'exercice professionnel

50% 45%
45%
40% 34%
35%
30%
25%
20%
15% 12%
9%
10%
5%
0%
Remplacement En groupe de En maison de Seul
libéraux santé
pluridisciplinaire

f) Milieu d’exercice professionnel

Les deux principaux milieux d’exercice étaient les milieux urbain et semi-rural. 85
sujets exerçaient en milieu urbain (soit 45% ; intervalle de confiance [38.5 - 52.6]) et 61
sujets exerçaient en milieu semi-rural (soit 33% ; intervalle de confiance [26.3 - 39.6]).

42
 Milieu d'exercice professionnel
50% 45%
45%
40%
35% 33%
30%
25%
20%
14%
15%
8%
10%
5%
0%
Urbain Semi-rural Mixte Rural

g) Activité (nombre de consultations par semaine)

Les médecins de l’échantillon avaient une activité principalement comprise entre 40
et 119 consultations par semaine. Les trois principaux intervalles d’activité étaient:
• Intervalle [40 – 79] avec 42 sujets (soit 22% ; IC à 95% [17.1 - 29])
• Intervalle [80 – 99] avec 46 sujets (soit 25% ; IC à 95% [19 - 31.2])
• Intervalle [100 – 119] avec 45 sujets (soit 24% ; IC à 95% [18.5 - 30.7])

Activité
30%
25% 24%
25% 22%

20%

15%
10% 10%
10%
5%
4%
5%

0%
≤39 40 - 79 80 - 99 100 - 119 120 - 139 140 - 159 ≥ 160

43
Tableau 1 : Données sociodémographiques de l’échantillon
Caractéristiques Effectif total Taux IC 95%
(N 187)
Sexe
Femme 113 60% IC95% [53.3 - 67.3]
Homme 74 40% IC95% [32.8 - 46.7]
Age
≤ 24 ans 0 0%
25 - 34 ans 147 79% IC95% [72.2 - 83.9]
35 - 44 ans 17 9% IC95% [5.8 - 14.1]
45 - 54 ans 9 5% IC95% [2.6 - 8.9]
55 - 64 ans 12 6% IC95% [3.7 - 10.9]
≥ 65 ans 2 1% IC95% [0.3 - 3.8]
Années d'activité
≤ 4 ans 153 82% IC95% [75.7 - 86.7]
5 - 9 ans 9 5% IC95% [2.6 - 8.9]
10 - 19 ans 7 4% IC95% [1.8 - 7.5]
20 - 29 ans 9 5% IC95% [2.6 - 8.9]
30 - 39 ans 7 4% IC95% [1.8 - 7.5]
≥ 40 ans 2 1% IC95% [0.3 - 3.8]
Mode d'exercice professionnel
Remplacement 84 45% IC95% [38 - 52.1]
Seul 17 9% IC95% [5.8 - 14.1]
En groupe de libéraux 64 34% IC95% [27.8 - 41.3]
En maison de santé 22 12% IC95% [7.9 - 17.2]
pluridisciplinaire
Milieu d'exercice professionnel
Rural 15 8% IC95% [4.9 - 12.8]
Semi-rural 61 33% IC95% [26.3 - 39.6]
Urbain 85 45% IC95% [38.5 - 52.6]
Mixte 26 14% IC95% [9.7 - 19.6]
Activité
≤39 19 10% IC95% [6.6 - 15.3]
40 - 79 42 22% IC95% [17.1 - 29]
80 - 99 46 25% IC95% [19 - 31.2]
100 - 119 45 24% IC95% [18.5 - 30.7]
120 - 139 18 10% IC95% [6.2 - 14.7]
140 - 159 7 4% IC95% [1.8 - 7.5]
≥ 160 10 5% IC95% [2.9 - 9.6]

44
 2. Données sur l’aisance en informatique, sur l’informatisation, sur les
connaissances et l’usage de l’IA, sur l’appréhension des réactions des patients

a) Aisance en informatique
Le niveau d’aisance en informatique des médecins était relativement élevé. Une large
majorité (125 sujets) s’estimait à l’aise dans ce domaine (soit 67%; intervalle de confiance à
95% [59.8 - 73.2]).

Aisance en informatique
80%
67%
70%
60%
50%
40%
30% 21%
20% 11%
10% 1%
0%
Pas de tout à Peu à l'aise A l'aise Très à l'aise
l'aise

b) Informatisation du cabinet
La quasi-totalité des médecins installés de l’échantillon exerçait dans un cabinet
informatisé. Seulement 1% des médecins installés n’étaient pas informatisés.

Informatisation du cabinet

38% Oui
Non
61% Selon remplacment

1%

45
 c) Connaissances sur les technologies d’IA
Le niveau de connaissance des médecins concernant les technologies d'IA était faible.
Une large majorité (119 sujets) n’avait aucune connaissance concernant cette technologie
(soit 64%; intervalle de confiance à 95% [56.5 - 70.2]).

Connaissances des technologies

d'IA
70% 64%
60%
50%
40%
30% 24%
20%
10%
10% 2%
0%
Aucunes Limitées Modérées Importantes

d) Utilisation d’IA en pratique professionnelle

Nous avions observé une minorité de médecins déclarant avoir déjà utilisé une
technologie d’IA dans leur pratique (62 sujets) (soit 33.2%; intervalle de confiance à 95%
[26.8 - 40.2]). 59 médecins (31.6%) avaient renseigné une technologie d’IA déjà utilisée dans
leur pratique. Celles les plus citées étaient « les outils d’aide à l’interprétation
d’électrocardiogramme » (22 citations), « les outils d’aide à la prescription » (18 citations),
notamment ceux « d’aide à la prescription médicamenteuse » (16 citations).

Utilisation d'IA en pratique

professionnelle

33%
Oui
Non
67%

46
Tableau 2 : Technologies d'IA utilisées en pratique professionnelle par les médecins
Catégories Technologies d'IA Nombre de
citations
Prescription
Aide prescription 18
Prescription médicamenteuse 16
Vidal 6
Antibioclic 5
BCB 2
Détection interactions médicamenteuse 2
Aide thérapeutique 1
Détection surdosage médicamenteux 1
e-pansement 1
Diagnostic
Electrocardiogramme (interprétation automatisée) 22
Aide au diagnostic 3
Diagnostic tumeur cutanée, Skinivision 3
Ophtalmoclic 2
Dermatoclic 1
Dentaclic 1
Medcalc 1
Spirométrie 1
Polysomnographie 1
Logiciel professionnel
Logiciel professionnel 1
ALMAPRO 1
WEDA 1
Medistory 1
Bibliographie
PUBMED 1
Réseau social
MEDPICS 1
Autres
Codage informatique 1
Télémédecine 1
Cardia 1

e) Appréhension de la réaction des patients face à l’usage de l’IA

Des proportions comparables de médecins appréhendaient des réactions « négatives »,
« neutres » ou « positives », avec respectivement 53 sujets (soit 28.3% ; intervalle de
confiance à 95% [22.4 - 35.2]), 61 sujets (soit 32.6% ; intervalle de confiance à 95% [26.3 -
39.6]) et 54 sujets (soit 28.8% ; intervalle de confiance à 95% [22.9 - 35.8]).

47
 Appréhension de la réaction des
patients face à l'usage de l'IA
35% 33%
29% 28%
30%
25%
20%
15% 10%
10%
5%
0%
Réactions neutres Réactions Réactions Sans opinion
positives négatives

Tableau 3 : Données sur l’aisance en informatique, l’informatisation, les connaissances et

l’usage de l’IA, l’appréhension des réactions des patients
Caractéristiques Effectif total Taux IC 95%
(N 187)
Aisance en informatique
Pas du tout à l'aise 2 1% IC95% [0.3 - 3.8]
Peu à l'aise 40 21% IC95% [16.1 - 27.8]
A l'aise 125 67% IC95% [59.8 - 73.2]
Très à l'aise 20 11% IC95% [7 - 15.9]
Informatisation du cabinet
Oui 114 61% IC95% [53.8 - 67.7]
Non 2 1% IC95% [0.3 - 3.8]
Selon remplacement 71 38% IC95% [31.3 - 45.1]
Connaissances des technologies d'IA
Aucunes 119 64% IC95% [56.5 - 70.2]
Limitées 45 24% IC95% [18.5 - 30.7]
Modérées 19 10% IC95% [6.6 - 15.3]
Importantes 4 2% IC95% [0.8 - 5.4]
Utilisation d'IA en pratique professionnelle
Oui 62 33% IC95% [26.8 - 40.2]
Non 125 67% IC95% [59.8 - 73.2]
Réaction anticipée des patients face à l'IA
Sans opinion 19 10% IC95% [6.6 - 15.3]
Réactions négatives 53 28% IC95% [22.4 - 35.2]
Réactions neutres 61 33% IC95% [26.3 - 39.6]
Réactions positives 54 29% IC95% [22.9 - 35.8]

48
 3. Données sur les opinions concernant l’influence de l’IA dans la pratique
de la médecine générale
Au total, 30 items répartis en quatre domaines de la pratique de la médecine
générale avaient été explorés. 15 items présentaient une majorité de réponses « effet positif
», 8 items présentaient une majorité de réponses « aucun effet » et 7 items présentaient une
majorité de réponses « effet négatif ». Ces données étaient représentées dans le tableau 4. Le
tableau 5 présentait le nombre d’items pour chaque nature de réponse majoritaire par
domaine exploré.

Les trois items ayant recueilli le plus de réponses « effet positif » étaient :
• « Leurs performances diagnostiques »
• « Leur gestion de l’incertitude diagnostique »
• « Leur élaboration de stratégies thérapeutiques »

Les trois items ayant recueilli le plus de réponses « effet négatif » étaient :
• « La dimension humaine de la relation médecin – malade »
• « La relation médecin malade en général »
• « La communication médecin – malade »

Les trois items ayant recueilli le plus de réponses « aucun effet » étaient :
• « Leur équilibre entre vie professionnelle et personnelle »
• « La liberté décisionnelle des patients »
• « La gestion par le médecin de ses émotions »

49
Tableau 4 : Classement des items de la pratique de la médecine générale en fonction de
leur réponse majoritaire par effectif décroissant
Items présentant une majorité de réponses « effet positif » : Effectif % IC 95%
Leurs performances diagnostiques Effet positif 147 79% IC95% [72.2 - 83.9]
Leur gestion de l’incertitude diagnostique Effet positif 146 78% IC95% [71.6 - 83.4]
Leur élaboration de stratégies thérapeutiques Effet positif 142 76% IC95% [69.3 - 81.5]
Leur implication dans le dépistage organisé Effet positif 128 68% IC95% [61.5 - 74.7]
La facilité de gestion de leur cabinet Effet positif 124 66% IC95% [59.3 - 72.7]
La qualité des soins dispensés par les généralistes Effet positif 119 64% IC95% [56.5 - 70.2]
Leur efficience dans le recours aux ressources du Effet positif 115 61% IC95% [54.4 - 68.2]
système de santé
La gestion de leur emploi du temps professionnel Effet positif 104 56% IC95% [48.5 - 62.6]
La qualité de leurs conditions générales d’exercice Effet positif 101 54% IC95% [46.9 - 61]
Leur gestion du recours aux autres spécialités Effet positif 97 52% IC95% [44.8 - 58.9]
Leur rôle de promotion et d’éducation pour la santé Effet positif 89 48% IC95% [40.6 - 54.7]
Leur rôle de coordination et de continuité des soins Effet positif 81 43% IC95% [36.4 - 50.5]
La gestion de situations conflictuelles Effet positif 76 41% IC95% [33.9 - 47.8]
Leur approche du patient dans sa globalité Effet positif 75 40% IC95% [33.4 - 47.3]
La protection de leur responsabilité professionnelle Effet positif 64 34% IC95% [27.8 - 41.3]
Items présentant une majorité de réponses « aucun effet » :
Leur équilibre entre vie professionnelle et Aucun effet 95 51% IC95% [43.7 - 57.9]
personnelle
La liberté décisionnelle des patients Aucun effet 88 47% IC95% [40 - 54.2]
Gestion par le médecin de ses émotions Aucun effet 81 43% IC95% [36.4 - 50.5]
La dimension éthique et déontologique de leur Aucun effet 76 41% IC95% [33.9 - 47.8]
pratique
La communication entre médecins Aucun effet 75 40% IC95% [33.4 - 47.3]
L’autonomisation et l’adhésion de leurs patients Aucun effet 68 36% IC95% [29.8 - 43.5]
Le goût de l'exercice de leur métier Aucun effet 68 36% IC95% [29.8 - 43.5]
La satisfaction des patients dans cette relation Aucun effet 57 30% IC95% [24.3 - 37.4]
Items présentant une majorité de réponses « effet négatif » :
La dimension humaine relation médecin - malade Effet négatif 121 65% IC95% [57.6 - 71.2]
La relation médecin malade en général Effet négatif 94 50% IC95% [43.2 - 57.4]
La communication médecin – malade Effet négatif 94 50% IC95% [43.2 - 57.4]
La personnalisation de leur prise en charge de chaque Effet négatif 84 45% IC95% [38 - 52.1]
patient
Leur liberté décisionnelle Effet négatif 84 45% IC95% [38 - 52.1]
Leur indépendance professionnelle Effet négatif 80 43% IC95% [35.9 - 50]
La protection du secret médical Effet négatif 63 34% IC95% [27.3 - 40.7]

50
Tableau 5 : Nombre d’items pour chaque nature de réponse majoritaire par domaine exploré
Nature de la La relation La démarche La prise en Les conditions TOTAL
réponse majoritaire médecin-malade décisionnelle des charge au long d’exercice des
par item généralistes cours généralistes
"Effet négatif" 4 items 1 items 1 item 1 items 7 items
"Aucun effet" 2 item 3 items 1 item 2 items 8 items
"Effet positif" 1 item 4 items 6 items 4 items 15 items

a) La relation médecin malade

Sur 7 items, ce domaine comportait 4 items avec une majorité de réponses « effet
négatif », 2 items avec une majorité de réponses « aucun effet » et 1 seul item avec une
majorité de réponses « effet positif ». Il s’agissait du domaine comportant le plus d’items
recueillant une majorité de réponses « effet négatif ». Il s’agissait également de celui
comportant le moins d’items recueillant une majorité de réponses « effet positif ». Il
comportait les 3 items recueillant le nombre de réponses « effet négatif » le plus élevé parmi
tous les domaines explorés.

b) La démarche décisionnelle des généralistes

Sur 8 items, ce domaine comportait 4 items avec une majorité de réponses « effet
positif », 3 items avec une majorité de réponses « aucun effet » et 1 seul item avec une
majorité de réponses « effet négatif ». Il s’agissait du domaine comportant le plus d’items
recueillant une majorité de réponses « aucun effet ». Il comportait les 3 items recueillant le
nombre de réponses « effet positif » le plus élevé parmi tous les domaines explorés.

c) La prise en charge au long cours par les généralistes

Sur 8 items, ce domaine comportait 6 items avec une majorité de réponses « effet
positif », 1 item avec une majorité de réponses « aucun effet » et 1 item avec une majorité de
réponse « effet négatif ». Il s’agissait du domaine comportant le moins d’items recueillant
une majorité de réponses « aucun effet ». Il s’agissait de celui comportant le plus d’items
recueillant une majorité de réponses « effet positif ».

d) Les conditions d’exercice des généralistes

Sur 7 items, ce domaine comportait 4 items avec une majorité de réponses « effet
positif », 2 items avec une majorité de réponses « aucun effet » et 1 item avec une majorité de
réponses « effet négatif ». Il s’agissait du domaine comportant l’item recueillant le nombre de
réponses « aucun effet » le plus élevé parmi tous les domaines explorés.

51
 LA RELATION MEDECIN - MALADE
Sans opinion Effet négatif Aucun effet Effet positif

Relation médecin malade en général 5% 50% 30% 14%

Communication médecin – malade 5% 50% 28% 17%

Dimension humaine relation médecin - malade 3% 65% 28% 4%

Gestion par le médecin de ses émotions 10% 18% 43% 29%

Gestion de situations conflictuelles 8% 18% 33% 41%

La protection du secret médical 11% 34% 33% 23%

Satisfaction des patients dans cette relation 14% 27% 30% 28%

52
 LA DEMARCHE DECISIONNELLE DES
GENERALISTES
Sans opinion Effet négatif Aucun effet Effet positif

Leurs performances diagnostiques 4%7% 10% 79%

Leur gestion de l’incertitude diagnostique 3%7% 11% 78%

Leur élaboration de stratégies thérapeutiques 4%5% 14% 76%

La communication entre médecins 7% 20% 40% 33%

Leur gestion du recours aux autres spécialités 6% 12% 29% 52%

Leur liberté décisionnelle 7% 45% 36% 11%

La liberté décisionnelle des patients 10% 33% 47% 10%

La dimension éthique et déontologique de leur

12% 37% 41% 11%
pratique

53
 LA PRISE EN CHARGE AU LONG COURS
Sans opinion Effet négatif Aucun effet Effet positif

La qualité des soins dispensés par les généralistes 9% 13% 14% 64%

Leur approche du patient dans sa globalité 4% 29% 27% 40%

La personnalisation de leur prise en charge de

5% 45% 26% 25%
chaque patient

L’autonomisation et l’adhésion de leurs patients 10% 19% 36% 35%

Leur rôle de coordination et de continuité des

9% 14% 34% 43%
soins

Leur rôle de promotion et d’éducation pour la

4% 13% 35% 48%
santé

Leur implication dans le dépistage organisé 3%9% 20% 68%

Leur efficience dans le recours aux ressources du

11% 7% 20% 61%
système de santé

54
 LES CONDITIONS D'EXERCICE DES
GENERALISTES
Sans opinion Effet négatif Aucun effet Effet positif

La qualité de leurs conditions générales

9% 10% 28% 54%
d’exercice

La facilité de gestion de leur cabinet 5%7% 21% 66%

La gestion de leur emploi du temps professionnel 7%3% 34% 56%

Leur équilibre entre vie professionnelle et

11% 5% 51% 33%
personnelle

Leur indépendance professionnelle 11% 43% 32% 14%

Le goût de l'exercice de leur métier 13% 30% 36% 20%

La protection de leur responsabilité

15% 20% 30% 34%
professionnelle

55
 4. Données sur la favorabilité au développement de l’IA dans la pratique de
la médecine générale
L’objectif principal de cette étude était d’évaluer la favorabilité des médecins
généralistes au développement de la technologie de l’IA dans la pratique de la médecine
générale. Nous avions observé qu’une majorité des médecins généralistes de notre
échantillon y était favorable.

Sur les 187 médecins généralistes inclus dans notre étude, 106 étaient favorables à ce
développement (soit 57%; intervalle de confiance à 95% [49.4– 63.6]) ; 20 y étaient
défavorables (soit 11% ; intervalle de confiance à 95% [7 – 15.9]) ; 57 étaient neutres (soit
30% ; intervalle de confiance à 95% [24.3 – 37.4]) ; 4 n’avaient pas d’avis sur la question
(soit 2% ; intervalle de confiance à 95% [0.8 – 5.4]).

FAVORABILITE AU
DEVELOPPEMENT DE L'IA DANS
LA PRATIQUE DES GENERALISTES
60% 57%

50%

40%
30%
30%

20%
11%
10%
2%
0%

Sans opinion Défavorable Neutre Favorable

56
 B. Analyse comparative selon la favorabilité des médecins au développement de
l’IA dans la pratique de la médecine générale

Dans un second temps, nous avions étudié les facteurs influençant la favorabilité des
médecins généralistes au développement de l’IA dans la pratique de la médecine générale.
Afin de réaliser les tests statistiques permettant de déterminer ces facteurs, nous avions
déterminé deux groupes. Le premier groupe que nous avions nommé « MG F+ » était
constitué des médecins de l’échantillon ayant donné une réponse « favorable » au
développement de l’IA. Le second groupe nommé « MG F- » était composé des médecins de
l’échantillon ayant donné une autre réponse que « favorable » à cette question (« sans
opinion », « défavorable », « neutre »). Les données sociodémographiques de ces deux
groupes étaient comparées dans le tableau 6. Les données de ces deux groupes concernant
l’appréhension des réactions des patients, les connaissances et l’usage de l’IA étaient
comparées dans le tableau 7.

1. Facteurs influençant parmi les données générales de l’échantillon

Nous n’avions pas observé de différence statistiquement significative entre les deux
groupes « MG F+ » et « MG F- » en fonction des données générales de l’échantillon sur le
sexe, l’âge, les années d’activité, le mode d’exercice, le milieu d’exercice, l’activité et
l’aisance en informatique et l’informatisation.

57
Tableau 6 : Comparaison des données sociodémographiques de l’échantillon
Caractéristiques MG F+ (N 106) MG F- (N 81) P - value
Sexe
Femme 59 56% 54 67% 0,1346
Homme 47 44% 27 33%
Age
≤ 24 0 0% 0 0% 0,1203
25 - 34 80 75% 67 83%
35 - 44 10 9% 7 9%
45 - 54 8 8% 1 1%
55 - 64 8 8% 4 5%
≥ 65 0 0% 2 2%
Années d'exercice
≤4 85 80% 68 84% 0,2797
5_9 4 4% 5 6%
10 _ 19 6 6% 1 1%
20 _ 29 6 6% 3 4%
30 _ 39 5 5% 2 2%
≥ 40 0 0% 2 2%
Mode d'exercice professionnel
Remplacement 52 49% 32 40% 0,3625
Seul 9 8% 8 10%
En groupe de libéraux 31 29% 33 41%
En maison de santé pluridisciplinaire 14 13% 8 10%
Milieu d'exercice professionnel
Rural 10 9% 5 6% 0,8736
Semi-rural 33 31% 28 35%
Urbain 48 45% 37 46%
Mixte 15 14% 11 14%
Activité
≤39 16 15% 3 4% 0,05445
40 - 79 24 23% 18 22%
80 - 99 21 20% 25 31%
100 - 119 22 21% 23 28%
120 - 139 10 9% 8 10%
140 - 159 5 5% 2 2%
≥ 160 8 8% 2 2%
Aisance en informatique
Pas du tout à l'aise 1 1% 1 1% 0,0966
Peu à l'aise 20 19% 20 25%
A l'aise 69 65% 56 69%
Très à l'aise 16 15% 4 5%
Informatisation du cabinet
Oui 64 60% 50 62% 0,2962
Non 0 0% 2 2%
Selon remplacement 42 40% 29 36%

58
 2. Facteurs influençant parmi l’appréhension des réactions des patients, les
connaissances et l’usage de l’IA.

a) Connaissances sur les technologies d’IA

Nous avions observé une association statistiquement significative entre les
connaissances des médecins sur les technologies d’IA et leur favorabilité audit
développement, avec un p = 0,03334.

Connaissances sur les technologies d’IA

Aucunes Limitées Modérées Importantes

MG F+ 56% 29% 11% 4%

74% 17% 9% 0%

b) Utilisation de technologies d’IA en pratique professionnelle

Nous n’avions pas observé d’association statistiquement significative entre l’usage
des technologies d’IA et la favorabilité audit développement.

c) Appréhension de la réaction des patients face à l’usage de l’IA

Nous avions observé une différence statistiquement significative entre les deux
groupes en fonction de la nature de la réaction que les médecins appréhendaient de la part des
patients face à l’usage de l’IA, avec p = 3,08E-06.

Réactions des patients à l'usage de l'IA

appréhendées
Sans opinion Récations négatives Réactions neutres Réactions positives

MG F+ 5% 22% 31% 42%

MGF- 17% 37% 35% 11%

59
Tableau 7 : Comparaison des données sur l’appréhension des réactions des patients, les
connaissances et l’usage de l’IA.
Caractéristiques MG F+ (N 106) MG F- (N 81) P - value
Connaissances des technologies d'IA
Aucunes 59 56% 60 74% 0,03334
Limitées 31 29% 14 17%
Modérées 12 11% 7 9%
Importantes 4 4% 0 0%
Utilisation d'IA en pratique professionnelle
Oui 40 38% 22 27% 0,1585
Non 66 62% 59 73%
Appréhension des réactions des patients face à l'IA
Sans opinion 5 5% 14 17% 3,08E-06
Réactions négatives 23 22% 30 37%
Réactions neutres 33 31% 28 35%
Réactions positives 45 42% 9 11%

3. Facteurs influençant parmi les opinions des médecins sur l’influence de

l’IA dans différents domaines de la pratique de la médecine générale
La comparaison entre les deux groupes « MG F+ » et « MG F - » en fonction de
l’opinion des médecins concernant l’influence de l’IA sur la pratique de la médecine
générale, était détaillée dans les tableaux 8, 9, 10 et 11.

Nous avions observé une association statistiquement significative entre la favorabilité

des médecins audit développement et leurs opinions concernant l’influence de l’IA sur
l’ensemble des items explorés de la pratique de la médecine générale, à l’exception de deux
items. Ces deux items étaient « la gestion par le praticien des ses émotions » et « leur
indépendance professionnelle ».

a) Le groupe des médecins « favorables » au développement de l’IA

(MG F+)
Les médecins favorables au développement de l’IA étaient une majorité à penser
qu’elle aurait un effet positif sur les items suivants :
• La gestion de situations conflictuelles
• La satisfaction des patients dans cette relation
• Leurs performances diagnostiques
• Leur gestion de l’incertitude diagnostique

60
 • Leur élaboration de stratégies thérapeutiques
• La communication entre médecins
• Leur gestion du recours aux autres spécialités
• La qualité des soins dispensés par les généralistes
• Leur approche du patient dans sa globalité
• La personnalisation de leur prise en charge de chaque patient
• L’autonomisation et l’adhésion de leurs patients
• Leur rôle de coordination et de continuité des soins
• Leur rôle de promotion et d’éducation pour la santé
• Leur implication dans le dépistage organisé
• Leur efficience dans le recours aux ressources du système de santé
• La qualité de leurs conditions générales d’exercice
• La facilité de gestion de leur cabinet
• La gestion de leur emploi du temps professionnel
• La protection de leur responsabilité professionnelle

Les médecins favorables au développement de l’IA étaient une majorité à penser

qu’elle aurait un effet négatif sur les items suivants :
• La dimension humaine de la relation médecin - malade
• Leur indépendance professionnelle

Les médecins favorables au développement de l’IA étaient une majorité à penser

qu’elle n’aurait aucun effet sur les items suivants :
• La relation médecin malade en général
• La communication médecin – malade
• La gestion par le médecin de ses émotions
• La protection du secret médical
• Leur liberté décisionnelle
• La liberté décisionnelle des patients
• La dimension éthique et déontologique de leur pratique
• Leur équilibre entre vie professionnelle et personnelle
• Le goût de l'exercice de leur métier

61
 b) Le groupe des médecins « non favorables » au développement de l’IA
(MG F-)
Les médecins qui n’étaient pas favorables au développement de l’IA étaient une
majorité à penser qu’elle aurait un effet positif sur les items suivants :
• Leurs performances diagnostiques
• Leur gestion de l’incertitude diagnostique
• Leur élaboration de stratégies thérapeutiques
• La qualité des soins dispensés par les généralistes
• Leur implication dans le dépistage organisé
• Leur efficience dans le recours aux ressources du système de santé
• La facilité de gestion de leur cabinet
• La gestion de leur emploi du temps professionnel

Les médecins qui n’étaient pas favorables au développement de l’IA étaient une
majorité à penser qu’elle aurait un effet négatif sur les items suivants :
• La relation médecin malade en général
• La communication médecin – malade
• La dimension humaine de la relation médecin - malade
• La protection du secret médical
• La satisfaction des patients dans cette relation
• Leur liberté décisionnelle
• La liberté décisionnelle des patients
• La dimension éthique et déontologique de leur pratique
• Leur approche du patient dans sa globalité
• La personnalisation de leur prise en charge de chaque patient
• Leur indépendance professionnelle
• Le goût de l'exercice de leur métier
• La protection de leur responsabilité professionnelle

Les médecins qui n’étaient pas favorables au développement de l’IA étaient une
majorité à penser qu’elle n’aurait aucun effet sur les items suivants :
• La gestion par le médecin de ses émotions

62
 • La gestion de situations conflictuelles
• La communication entre médecins
• Leur gestion du recours aux autres spécialités
• L’autonomisation et l’adhésion de leurs patients
• Leur rôle de coordination et de continuité des soins
• Leur rôle de promotion et d’éducation pour la santé
• La qualité de leurs conditions générales d’exercice
• Leur équilibre entre vie professionnelle et personnelle

c) Réponses majoritaires communes aux deux groupes de médecins

« favorables » (MG F+) et « non favorables » (MGF-) au développement
de l’IA.
Pour les deux groupes de médecins « favorables » (MG F+) et « non favorables »
(MG F-) au développement de l’IA, la nature de la réponse majoritaire quant à l’influence
potentielle de l’IA sur certains items de la pratique de la médecine générale était identique.

Dans les deux groupes, les médecins étaient une majorité à penser que l’IA aurait un
effet positif sur les items suivants :
• Leurs performances diagnostiques
• Leur gestion de l’incertitude diagnostique
• Leur élaboration de stratégies thérapeutiques
• La qualité des soins dispensés par les généralistes
• Leur implication dans le dépistage organisé
• Leur efficience dans le recours aux ressources du système de santé
• La facilité de gestion de leur cabinet
• La gestion de leur emploi du temps professionnel

Dans les deux groupes, les médecins étaient une majorité à penser que l’IA aurait un
effet négatif sur les items suivants :
• La dimension humaine de la relation médecin - malade
• Leur indépendance professionnelle

63
 Dans les deux groupes, les médecins étaient une majorité à penser que l’IA n’aurait
aucun effet sur les items suivants :
• La gestion par le médecin de ses émotions
• Leur équilibre entre vie professionnelle et personnelle

64
Tableau 8 : Contingence dans le domaine de la relation médecin malade
Caractéristiques MG F+ (N 106) MG F- (N 81) P - value
Relation médecin malade en général
Sans opinion 4 4% 6 7% 1,22E-06
Effet négatif 37 35% 57 70%
Aucun effet 43 41% 13 16%
Effet positif 22 21% 5 6%
Communication médecin – malade

Sans opinion 3 3% 6 7% 1,42E-08

Effet négatif 35 33% 59 73%
Aucun effet 41 39% 11 14%
Effet positif 27 25% 5 6%
Dimension humaine relation médecin - malade
Sans opinion 3 3% 3 4% 2,19E-09
Effet négatif 50 47% 71 88%
Aucun effet 45 42% 7 9%
Effet positif 8 8% 0 0%
Gestion par le médecin de ses émotions
Sans opinion 11 10% 7 9% 0,1989
Effet négatif 15 14% 19 23%
Aucun effet 44 42% 37 46%
Effet positif 36 34% 18 22%
Gestion de situations conflictuelles
Sans opinion 8 8% 7 9% 0,0008118
Effet négatif 13 12% 21 26%
Aucun effet 29 27% 33 41%
Effet positif 56 53% 20 25%
Protection du secret médical
Sans opinion 10 9% 10 12% 0,003608
Effet négatif 25 24% 38 47%
Aucun effet 41 39% 20 25%
Effet positif 30 28% 13 16%
Satisfaction des patients dans cette relation
Sans opinion 13 12% 13 16% 3,81E-06
Effet négatif 16 15% 35 43%
Aucun effet 34 32% 23 28%
Effet positif 43 41% 10 12%

65
Tableau 9 : Contingence dans le domaine de la démarche décisionnelle des généralistes
Caractéristiques MG F+ (N 106) MG F- (N 81) P - value
Leurs performances diagnostiques
Sans opinion 1 1% 7 9% 0,0002144
Effet négatif 4 4% 9 11%
Aucun effet 6 6% 13 16%
Effet positif 95 90% 52 64%
Leur gestion de l’incertitude diagnostique
Sans opinion 0 0% 6 7% 0,0003305
Effet négatif 3 3% 11 14%
Aucun effet 11 10% 10 12%
Effet positif 92 87% 54 67%
Leur élaboration de stratégies thérapeutiques
Sans opinion 1 1% 7 9% 0,000215
Effet négatif 2 2% 8 10%
Aucun effet 11 10% 16 20%
Effet positif 92 87% 50 62%
La communication entre médecins
Sans opinion 4 4% 10 12% 0,002795
Effet négatif 17 16% 20 25%
Aucun effet 40 38% 35 43%
Effet positif 45 42% 16 20%
Leur gestion du recours aux autres spécialités
Sans opinion 2 2% 10 12% 4,18E-07
Effet négatif 8 8% 15 19%
Aucun effet 23 22% 32 40%
Effet positif 73 69% 24 30%
Leur liberté décisionnelle
Sans opinion 5 5% 9 11% 0,001369
Effet négatif 38 36% 46 57%
Aucun effet 46 43% 22 27%
Effet positif 17 16% 4 5%
La liberté décisionnelle des patients
Sans opinion 8 8% 11 14% 7,34E-07
Effet négatif 21 20% 40 49%
Aucun effet 59 56% 29 36%
Effet positif 18 17% 1 1%
La dimension éthique et déontologique de leur pratique
Sans opinion 11 10% 11 14% 4,30E-05
Effet négatif 25 24% 44 54%
Aucun effet 55 52% 21 26%
Effet positif 15 14% 5 6%

66
Tableau 10 : Contingence dans le domaine de la prise en charge au long cours par les
généralistes
Caractéristiques MG F+ (N 106) MG F- (N 81) P - value
La qualité des soins dispensés par les généralistes
Sans opinion 4 4% 13 16% 3,44E-08
Effet négatif 7 7% 17 21%
Aucun effet 8 8% 19 23%
Effet positif 87 82% 32 40%
Leur approche du patient dans sa globalité
Sans opinion 3 3% 4 5% 0,0004627
Effet négatif 20 19% 35 43%
Aucun effet 29 27% 21 26%
Effet positif 54 51% 21 26%
La personnalisation de leur prise en charge de chaque patient
Sans opinion 5 5% 4 5% 3,11E-05
Effet négatif 33 31% 51 63%
Aucun effet 31 29% 17 21%
Effet positif 37 35% 9 11%
L’autonomisation et l’adhésion de leurs patients
Sans opinion 8 8% 10 12% 0,00147
Effet négatif 12 11% 23 28%
Aucun effet 38 36% 30 37%
Effet positif 48 45% 18 22%
Leur rôle de coordination et de continuité des soins
Sans opinion 5 5% 11 14% 2,11E-07
Effet négatif 4 4% 23 28%
Aucun effet 38 36% 25 31%
Effet positif 59 56% 22 27%
Leur rôle de promotion et d’éducation pour la santé
Sans opinion 2 2% 5 6% 9,30E-05
Effet négatif 7 7% 18 22%
Aucun effet 33 31% 33 41%
Effet positif 64 60% 25 31%
Leur implication dans le dépistage organisé
Sans opinion 0 0% 5 6% 8,72E-05
Effet négatif 4 4% 12 15%
Aucun effet 17 16% 21 26%
Effet positif 85 80% 43 53%
Leur efficience dans le recours aux ressources du système de santé
Sans opinion 7 7% 14 17% 1,45E-05
Effet négatif 3 3% 11 14%
Aucun effet 15 14% 22 27%
Effet positif 81 76% 34 42%

67
Tableau 11 : Contingence dans le domaine des conditions d’exercice des généralistes
Caractéristiques MG F+ (N 106) MG F- (N 81) P - value
La qualité de leurs conditions générales d’exercice
Sans opinion 4 4% 12 15% 7,39E-09
Effet négatif 3 3% 15 19%
Aucun effet 22 21% 30 37%
Effet positif 77 73% 24 30%
La facilité de gestion de leur cabinet
Sans opinion 4 4% 6 7% 6,66E-06
Effet négatif 0 0% 13 16%
Aucun effet 20 19% 20 25%
Effet positif 82 77% 42 52%
La gestion de leur emploi du temps professionnel
Sans opinion 5 5% 9 11% 0,001968
Effet négatif 0 0% 5 6%
Aucun effet 32 30% 32 40%
Effet positif 69 65% 35 43%
Leur équilibre entre vie professionnelle et personnelle
Sans opinion 9 8% 12 15% 0,01258
Effet négatif 2 2% 8 10%
Aucun effet 53 50% 42 52%
Effet positif 42 40% 19 23%
Leur indépendance professionnelle
Sans opinion 11 10% 9 11% 0,08155
Effet négatif 38 36% 42 52%
Aucun effet 37 35% 23 28%
Effet positif 20 19% 7 9%
Le goût de l'exercice de leur métier
Sans opinion 9 8% 16 20% 2,15E-11
Effet négatif 16 15% 40 49%
Aucun effet 45 42% 23 28%
Effet positif 36 34% 2 2%
La protection de leur responsabilité professionnelle
Sans opinion 11 10% 17 21% 0,005251
Effet négatif 15 14% 23 28%
Aucun effet 36 34% 21 26%
Effet positif 44 42% 20 25%

68
IV. DISCUSSION

A. Synthèse et interprétation des résultats

Notre échantillon était majoritairement composé de médecins remplaçants exerçant en

milieu urbain et semi-rural. La très grande majorité (79%) était âgée de moins de 35 ans. Le
sex-ratio était de 1.5 avec une majorité de femmes. L’année médiane de thèse et d’installation
était 2017. Le nombre médian d’années d’exercice était de 2 ans. Leur activité était
principalement comprise entre 40 et 119 consultations par semaine.

Leur niveau d’aisance en informatique était relativement élevé. La quasi-totalité des

médecins installés de l’échantillon exerçait dans un cabinet informatisé. Une large majorité
n’avait aucune connaissance concernant les technologies d’IA. Seule une minorité avait déjà
utilisé une technologie d’IA dans la pratique. Des proportions comparables de médecins
appréhendaient des réactions négatives, neutres ou positives, de la part des patients face à
l’usage de l’IA.

Concernant les opinions des médecins quant à l’influence potentielle de l’IA sur la
pratique de la médecine générale, les items suscitant majoritairement l’espoir d’une influence
positive étaient les plus nombreux (15 items). Ceux pour lesquels les médecins pensaient
majoritairement que l’IA n’aurait aucun effet étaient en second rang (8 items). En dernier
lieu, les items suscitant majoritairement la crainte d’une influence négative, étaient les moins
nombreux (7 items).

« Leurs performances diagnostiques », « leur gestion de l’incertitude diagnostique »,

« leur élaboration de stratégies thérapeutiques », étaient les trois items pour lesquels les
médecins étaient les plus nombreux à penser que l’IA aurait une influence positive. « La
dimension humaine de la relation médecin – malade », « la relation médecin malade en
général », « la communication médecin – malade » étaient ceux pour lesquels ils étaient les
plus nombreux à penser que l’IA aurait une influence négative. « Leur équilibre entre vie
professionnelle et personnelle », « la liberté décisionnelle des patients », « la gestion par le
médecin de ses émotions », étaient ceux pour lesquels ils étaient les plus nombreux à penser
que l’IA n’aurait aucune influence.

69
 Par ailleurs, concernant les domaines de la pratique de la médecine générale explorés,
le domaine de « la relation médecin - malade » était principalement générateur de craintes
d’une influence négative. Il s’agissait du domaine suscitant les craintes les plus nombreuses
et les plus marquées. Le domaine de « la démarche décisionnelle » apparaissait comme
relativement clivant, générant à la fois des espoirs forts d’une influence positive pour certains
items mais également une absence d’attente et des craintes d’une influence négative pour
d’autres items. Il s’agissait du domaine suscitant les espoirs les plus marqués. Le domaine de
« la prise en charge au long cours » était principalement générateur d’espoirs d’une
influence positive. Il s’agissait du domaine suscitant les espoirs les plus nombreux. Le
domaine des « conditions d’exercice des généralistes » était le plus partagé. Il s’agissait du
domaine comportant l’item recueillant le nombre de réponses « aucun effet » le plus élevé.
Les items suscitant principalement l’espoir d’une influence positive étaient majoritaires dans
ce domaine. Même s’il était partagé, ce domaine était moins clivant que celui de « la
démarche décisionnelle », avec des majorités moins marquées pour chaque item.

Malgré cette ambivalence entre espoirs et craintes d’une influence positive ou

négative de l’IA sur la pratique de la médecine générale, une majorité des médecins de notre
échantillon était favorable au développement de l’IA dans la pratique de la médecine
générale.

L’âge, le sexe, l’année de thèse, le mode et le milieu d’exercice, l’activité, l’usage de

l’IA, ne semblaient pas influencer la favorabilité des médecins audit développement. Nous
n’avions pas non plus observé d’influence de l’aisance en informatique et de
l’informatisation du cabinet.

La connaissance des médecins sur les technologies d’IA et leur appréhension quant à
la nature de la réaction des patients face à l’usage de l’IA, étaient deux facteurs semblant
influencer leur favorabilité audit développement.

Les opinions des médecins concernant l’influence de l’IA sur l’ensemble des items
des quatre domaines de la pratique de la médecine générale explorés, semblaient influer sur
leur favorabilité audit développement, à l’exception de deux items. Ces deux items étaient
« la gestion par le praticien des ses émotions » et « leur indépendance professionnelle ».

70
 Pour le domaine de « la relation médecin – malade », l’opinion des médecins
concernant l’influence de l’IA sur la relation médecin malade en général, sur la
communication médecin – malade, sur la dimension humaine de la relation médecin –
malade, sur la gestion de situations conflictuelles, sur la protection du secret médical et sur la
satisfaction des patients dans cette relation, semblait influer sur leur favorabilité.

Pour le domaine de « la démarche décisionnelle des généralistes », l’opinion des

médecins concernant l’influence de l’IA sur leurs performances diagnostiques, sur leur
gestion de l’incertitude diagnostique, sur leur élaboration de stratégies thérapeutiques, sur la
communication entre médecins, sur leur gestion du recours aux autres spécialités, sur leur
liberté décisionnelle, sur la liberté décisionnelle des patients et sur la dimension éthique et
déontologique de leur pratique, semblait influer sur leur favorabilité.

Pour le domaine de « la prise en charge au long cours par les généralistes »,

l’opinion des médecins concernant l’influence de l’IA sur la qualité des soins dispensés par
les généralistes, sur leur approche du patient dans sa globalité, sur la personnalisation de leur
prise en charge de chaque patient, sur l’autonomisation et l’adhésion de leurs patients, sur
leur rôle de coordination et de continuité des soins, sur leur rôle de promotion et d’éducation
pour la santé, sur leur implication dans le dépistage organisé et sur leur efficience dans le
recours aux ressources du système de santé, semblait influer sur leur favorabilité.

Pour le domaine des « conditions d’exercice des généralistes », l’opinion des

médecins concernant l’influence de l’IA sur la qualité de leurs conditions générales
d’exercice, sur la facilité de gestion de leur cabinet, sur la gestion de leur emploi du temps
professionnel, sur leur équilibre entre vie professionnelle et personnelle, sur le goût de
l'exercice de leur métier et sur la protection de leur responsabilité professionnelle, semblait
influer sur leur favorabilité.

71
 B. Forces et limites de l’étude

1. Forces de l’étude
L’intérêt principal de notre étude résidait dans le thème exploré. Il s’agissait d’un
travail original sur un sujet porteur. Le sujet de l’intelligence artificielle faisait l’objet de
nombreux effets d’annonce mais était très peu exploré dans le domaine de la médecine
générale.

Au sujet de l’analyse descriptive, la partie du questionnaire explorant l’opinion des

médecins concernant l’influence potentielle de l’IA sur la pratique de la médecine générale
avait permis de dégager des tendances fortes. De plus, cette partie du questionnaire n’avait
recueilli que très peu de réponses « sans opinion ». Cela dénotait un intérêt certain des
médecins pour le sujet.

Egalement au sujet de l’analyse descriptive, les réponses à la question portant sur le

critère de jugement principal avaient permis de mettre en avant une nette majorité en faveur
du développement de l’IA dans la pratique de la médecine générale.

Concernant la partie comparative de l’analyse, de nombreuses associations

statistiquement significatives avaient été observées, et ce dans tous les domaines explorés de
la pratique de la médecine générale.

2. Limites de l’étude
L’une des limites de l’étude était le manque de représentativité de l’échantillon de la
population d’étude. Cette limite portait notamment sur l’âge et sur le mode d’exercice. En
effet, 79% des médecins de notre échantillon étaient âgés de moins de 35 ans et 45% étaient
des remplaçants. Cela pouvait s’expliquer par un biais de sélection avec un mode de diffusion
du questionnaire qui touchait une proportion élevée de remplaçants. Les médecins ayant une
activité de remplacement étant en règle générale plus jeunes que la moyenne des médecins
généralistes. Nous pouvions également supposer qu’il existait un intérêt plus grand pour ce
sujet chez les individus jeunes.

Une autre limite de notre étude était le taux de réponse obtenu relativement limité.
Nous recensions 216 questionnaires remplis sur les 1915 sollicitations, ce qui représentait un

72
taux de réponse de 11.3%. Cela pouvait probablement s’expliquer par le mode de diffusion
du questionnaire, soit par des e-mails adressés directement aux médecins, soit par des
sollicitations indirectes via des plates-formes (« Pages jaunes », « Linkedin », sites d’annonce
de remplacement médical), soit par la présence d’un lien sur la rubrique dédiée aux thèses du
site internet du CDOM des Bouches-du-Rhône. Si nous avions considéré l’ensemble de la
population cible avec 6305 médecins généralistes ayant une activité libérale en région PACA,
le taux de réponse aurait été d’environ 3%.

Un biais de recrutement avait été observé car la seule possibilité de participer à

l’étude était de répondre à un questionnaire informatisé. Cela avait pu expliquer que la quasi-
totalité des médecins installés était informatisée. Ce biais pouvait avoir empêché
l’observation d’une influence de l’informatisation du cabinet sur la favorabilité des médecins
au développement de l’IA.

Ce même biais de recrutement pouvait également avoir influencé le niveau d’aisance

en informatique observé des sujets inclus qui était relativement élevé. Il pouvait donc avoir
empêché l’observation d’une influence du niveau d’aisance en informatique sur la
favorabilité des médecins audit développement.

Le questionnaire était auto-administré. Cette méthode était susceptible d’avoir

entrainé des biais de déclaration.

De même, un biais de volontarisme était présent dans cette étude, car les médecins qui
avaient consacré du temps pour répondre au questionnaire étaient nécessairement plus
intéressés par le sujet et par conséquent plus facilement en faveur du développement de l’IA.

Par ailleurs, il s’agissait d’une étude descriptive, ce qui n’était pas représentatif mais
informatif sur la favorabilité des médecins généralistes au développement de l’IA dans la
pratique de la médecine générale.

L’étude se limitait aux médecins généralistes. Or, tous les professionnels de santé
étaient potentiellement concernés par ce sujet. Nous aurions pu imaginer élargir l’étude à
l’ensemble des spécialités.

73
Nous manquions également de point de comparaison suffisamment fort dans la littérature.
Nous n’avions retrouvé qu’un seul exemple dans la littérature pouvant servir de mise en
perspective de notre étude. Cet exemple était cité par la suite. Certains résultats de notre
étude pouvaient être confortés par cet exemple. Cependant un seul exemple n’était pas
suffisant pour juger de la validité de notre étude. Nous n’avions malheureusement pas trouvé
d’autre étude pouvant être comparée avec la nôtre.

C. Comparaison avec la littérature

Il existait une grande variété de travaux concernant l’IA dans le domaine de la santé.
Cependant, nous n’avions pas retrouvé de travaux spécifiques au domaine de la médecine
générale. En revanche, des études d’opinion sur le sujet de l’IA avaient été réalisées sur la
population générale française, notamment un sondage IFOP réalisé en novembre 2018 (46).
Les résultats de notre étude pouvaient être mis en perspective avec certains résultats de ce
sondage.

Dans notre étude, 29% des médecins appréhendaient des réactions positives de la part
des patients en cas d’usage d’IA, 28% appréhendaient des réactions négatives, et 33%
appréhendaient des réactions neutres. Dans le sondage IFOP, 73% des français avaient une
bonne image de l’IA et 63% avaient confiance dans l’IA. Dans ce même sondage, 46% des
français ayant entendu parler de l’IA, en entendaient parler « ni en bien, ni en mal » et 37%
en entendaient parler « plutôt en bien ». Au vu de ces données, nous avions constaté que les
médecins de notre étude sous-estimaient les réactions positives des patients face à l’usage de
l’IA en santé.

Dans notre étude, 57% des médecins étaient favorables au développement de l’IA
dans la pratique de la médecine générale, 30% y étaient neutres, 11% y étaient défavorables
et 2% n’avaient pas d’opinion. Dans le sondage IFOP, concernant le domaine de la santé,
58% des français pensaient que l’IA aurait dans les prochaines années des conséquences «
plutôt positives », 27% pensaient qu’elle aurait des conséquences « plutôt négatives » et 16%
pensaient qu’elle n’aurait « pas de conséquences ». Ces données nous avaient permis
d’observer que la proportion des médecins de notre étude qui était favorable audit
développement (57%), était comparable à la proportion de français qui estimait, dans le
sondage, que l’IA aurait des conséquences positives dans le domaine de la santé (58%). En

74
revanche, nous avions observé que la proportion de médecins de notre étude qui étaient
défavorables audit développement (11%), était plus faible que la proportion de français qui
pensait que l’IA aurait des conséquences plutôt négatives dans le domaine de la santé (27%).

Nous observions également dans ce sondage que 79% des Français considéraient que
l’IA jouerait un rôle important dans le quotidien des individus dans le domaine de la santé et
61% pensaient pouvoir y avoir recours eux-mêmes dans ce domaine. Au vu de ces données,
en émettant l’hypothèse que les 61% des français qui envisageaient d’avoir recours à l’IA
pour leur santé étaient favorables à son développement dans ce domaine, nous aurions pu
considérer que cette proportion était comparable au 57% des médecins de notre échantillon
qui étaient favorables audit développement.

La proportion des médecins de notre étude ayant déjà utilisé une technologie d’IA
dans leur pratique professionnelle était supérieure à celle des français. En effet, dans notre
étude, 33% des médecins avaient déjà utilisé une technologie d’IA dans leur pratique
professionnelle. Dans le sondage IFOP, seul 14% des français déclaraient avoir déjà eu
recours à des produits ou services faisant appel à de l’IA dans le cadre de vie professionnelle.

Dans le sondage IFOP, parmi une liste de qualificatifs négatifs soumis aux sondés
concernant l’IA, le qualificatif « déshumanisant » était majoritaire avec 36% des français qui
avaient choisi ce qualificatif. Cela était concordant avec notre étude ou « la dimension
humaine de la relation médecin-malade » était l’item pour lequel le plus grand nombre de
médecins pensaient que l’IA aurait une influence négative (65%).

Dans notre étude, la proportion de médecins ayant déjà utilisé une technologie d’IA
en pratique professionnelle était supérieure au sein du groupe « MG F+ » (38%)
comparativement à cette même proportion au sein du groupe « MG F- » (27%). Cette
différence n’était pas statistiquement significative mais dénotait tout de même une tendance.
Cette tendance était concordante avec l’observation faite dans le sondage IFOP, ou parmi les
français les plus enthousiastes au développement de l’IA, les personnes qui travaillaient
directement avec l’IA ou qui s’en servaient régulièrement étaient surreprésentées.

75
V. CONCLUSION

Notre étude reflétait assez bien le constat suivant : le développement de l’IA dans le
domaine de la santé, en particulier dans la pratique de la médecine générale, est générateur de
craintes et d’espoirs chez les médecins généralistes. Malgré cette ambivalence, ils sont
majoritairement favorables à ce développement.

Il s’agissait d’un travail original sur un sujet porteur encore peu exploré dans le
domaine de la médecine générale. Celui-ci avait permis de mettre en avant qu’une majorité
de médecins généralistes était en faveur du développement de l’IA dans leur pratique
professionnelle. Il avait également permis de dégager des tendances fortes sur leurs craintes
et leurs espoirs quant au développement de cette technologie.

Au regard des résultats du sondage IFOP réalisé en 2018 sur le sujet de l’IA (46),
nous avions constaté que les médecins de notre étude sous-estimaient les réactions positives
des patients face à l’usage de l’IA en santé. Cependant, la favorabilité de ces médecins au
développement de l’IA dans la pratique de la médecine générale était comparable à la
proportion de français ayant une opinion positive de l’IA dans ce sondage. Dans notre étude,
nous avions observé une proportion de médecins ayant déjà utilisé une technologie d’IA dans
leur pratique professionnelle supérieure à celle des français, au regard de ce même sondage.

Concernant l’influence potentielle de l’IA sur la pratique de la médecine générale, les

opinions des médecins étaient ambivalentes. Cependant, la tendance principale qui se
dégageait de notre étude était l’espoir d’une influence positive. En effet, parmi les items de la
pratique de la médecine générale explorés, ceux pour lesquels les médecins pensaient en
majorité que l’IA aurait une influence positive étaient les plus nombreux. Les items pour
lesquels les médecins pensaient en majorité qu’elle n’aurait aucune influence étaient au
second rang. Les items pour lesquels les médecins pensaient en majorité qu’elle aurait une
influence négative étaient les moins nombreux.

En effet, parmi les items de la pratique de la médecine générale explorés, ceux pour
lesquels les médecins pensaient en majorité que l’IA aurait une influence positive étaient plus
nombreux que ceux pour lesquels ils pensaient en majorité qu’elle n’aurait aucune influence.

76
Ces derniers étaient eux même plus nombreux que ceux pour lesquels les médecins pensaient
en majorité qu’elle aurait une influence négative.

Parmi les domaines de la pratique de la médecine générale explorés, le domaine de

« la relation médecin - malade » était principalement générateur de craintes. Le domaine de
« la démarche décisionnelle » apparaissait comme relativement clivant. Le domaine de « la
prise en charge au long cours » était principalement générateur d’espoirs. Le domaine des «
conditions d’exercice des généralistes » était le plus partagé.

La connaissance des médecins des technologies d’IA, ainsi que leur appréhension
quant à la nature de la réaction des patients face à son usage en santé, semblaient influer sur
leur favorabilité à son développement. Les opinions des médecins concernant l’influence de
l’IA sur la quasi-totalité des items des quatre domaines de la pratique de la médecine générale
explorés semblaient influer sur cette favorabilité.

En conclusion, afin de mettre le sujet de cette étude en perspective, il paraissait

important de rappeler que le développement de l’IA dans le domaine de la santé aura
nécessairement lieu. Nous ne sommes qu’au début de cette révolution qu’il ne faut ni craindre
ni idéaliser. Ce seront bien les médecins qui décideront des réalisations à venir de l’IA en
santé et de son mode de développement, à la condition qu’ils s’emparent réellement de ce
sujet. L’intérêt certain de cette évolution technologique est qu’elle nous permet de nous poser
une question fondamentale : « quelle médecine voulons-nous pour demain ? ».

77
VI. REFERENCES

1. Benhamou S, Janin L. Intelligence artificielle et travail [Internet]. France Stratégie -

Rapport à la ministre du Travail et au secrétaire d’État auprès du Premier ministre,
chargé du Numérique; 2018 mars [cité 23 avr 2018]. Disponible sur:
http://www.strategie.gouv.fr/publications/intelligence-artificielle-travail

2. Villani C. Donner un sens à l’intelligence artificielle : pour une stratégie nationale et

européenne [Internet]. FRANCE. Premier ministre Édouard Philippe; 2018 mars [cité
15 avr 2018]. Disponible sur: http://www.enseignementsup-
recherche.gouv.fr/cid128577/rapport-de-cedric-villani-donner-un-sens-a-l-
intelligence-artificielle-ia.html

3. Lucas S, Uzan S, Guerrier B, Mourgues J-M, Maurice P, Le douarin B, et al.

Médecins et patients dans le monde des data, des algorithmes et de l’intelligence
artificielle: analyses et recommandations du CNOM [Internet]. Conseil National de
l’Ordre des Médecins; 2018 janv [cité 19 juin 2018]. Disponible sur:
https://www.conseil-national.medecin.fr/node/2563

4. Demiaux V, Si abdallah Y. Comment permettre à l’homme de garder la main? Les

enjeux éthiques des algorithmes et de l’intelligence artificielle. [Internet]. CNIL; 2017
déc. Disponible sur: https://www.cnil.fr/fr/comment-permettre-lhomme-de-garder-la-
main-rapport-sur-les-enjeux-ethiques-des-algorithmes-et-de

5. Intelligence artificielle. In: Wikipédia [Internet]. 2018 [cité 13 sept 2018]. Disponible
sur:
https://fr.wikipedia.org/w/index.php?title=Intelligence_artificielle&oldid=152085990

6. Ezratty O. Les usages de l’intelligence artificielle 2018 [Internet]. Opinions Libres -

Le blog d’Olivier Ezratty. [cité 31 mars 2019]. Disponible sur:
https://www.oezratty.net/wordpress/2018/usages-intelligence-artificielle-2018/

7. Rey A. Dictionnaire historique de la langue française. Le robert; 2011.

8. Soudoplatoff S. L’intelligence artificielle : l’expertise partout accessible à tous

[Internet]. Fondapol. 2018 [cité 30 juill 2019]. Disponible sur:
http://www.fondapol.org/etude/lintelligence-artificielle-lexpertise-partout-accessible-
a-tous/

78
9. Intelligence. In: Wikipédia [Internet]. 2018 [cité 14 sept 2018]. Disponible sur:
https://fr.wikipedia.org/w/index.php?title=Intelligence&oldid=150389377

10. Définitions : intelligence - Dictionnaire de français Larousse [Internet]. [cité 14 sept

2018]. Disponible sur:
https://www.larousse.fr/dictionnaires/francais/intelligence/43555

11. Gardner H. Les intelligences multiples: la théorie qui bouleverse nos idées reçues.
Paris, France: Retz; 2008. 188 p.

12. Russell S, Norvig P. Artificial intelligence: a modern approach. Harlow (U.K.):

Pearson; 2014. 1091 p.

13. Intelligence artificielle. In: Larousse [Internet]. [cité 13 sept 2018]. Disponible sur:
http://www.larousse.fr/encyclopedie/divers/intelligence_artificielle/187257

14. FRANCE. Ministère de l’économie et des finances, FRANCE. Secrétariat d’Etat à

l’enseignement supérieur et à la recherche, FRANCE. Secrétariat d’Etat à l’industrie,
au numérique et à l’innovation. France Intelligence artificielle - Rapport de synthèse
[Internet]. Ministère de l’éducation nationale, de l’enseignement supérieur et de la
recherche; 2017 mars. Disponible sur: http://cache.media.enseignementsup-
recherche.gouv.fr/file/Actus/85/9/Rapport_synthese_France_IA_738859.pdf

15. Bienvenu M. Notes du cours « Introduction à l’Intelligence Artificielle » [Internet].

2008 [cité 31 juill 2019]. Disponible sur:
https://www.coursehero.com/file/12665659/cours-IA/

16. McCarthy J, Minsky M, Rochester N, Shannon CE. A Proposal for the Dartmouth
Summer Research Project on Artificial Intelligence, August 31, 1955. AI Magazine.
2006;27:12‑4.

17. Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, et al. Dermatologist-
level classification of skin cancer with deep neural networks. Nature. 02
2017;542(7639):115‑8.

18. Diebolt V, Azancot I, Boissel F-H, Adenot I. " Intelligence artificielle » : quels
services, quelles applications, quels résultats et quelle valorisation aujourd’hui en
recherche clinique ? Quel impact sur la qualité des soins ? Quelles recommandations ?
Thérapie. 1 févr 2019;74(1):141‑54.

79
19. Haenssle HA, Fink C, Schneiderbauer R, Toberer F, Buhl T, Blum A, et al. Man
against machine: diagnostic performance of a deep learning convolutional neural
network for dermoscopic melanoma recognition in comparison to 58 dermatologists.
Ann Oncol. 1 août 2018;29(8):1836‑42.

20. De Fauw J, Ledsam JR, Romera-Paredes B, Nikolov S, Tomasev N, Blackwell S, et

al. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat
Med. 2018;24(9):1342‑50.

21. Heeke S, Delingette H, Fanjat Y, Long-Mira E, Lassalle S, Hofman V, et al. La

pathologie cancéreuse pulmonaire à l’heure de l’intelligence artificielle : entre espoir,
désespoir et perspectives. Annales de Pathologie. 1 avr 2019;39(2):130‑6.

22. Ehteshami Bejnordi B, Veta M, Johannes van Diest P, van Ginneken B, Karssemeijer
N, Litjens G, et al. Diagnostic Assessment of Deep Learning Algorithms for
Detection of Lymph Node Metastases in Women With Breast Cancer. JAMA. 12 déc
2017;318(22):2199‑210.

23. Bregeras G. Cardiologs va traquer les arythmies cardiaques aux Etats-Unis [Internet].
Les Echos Executives. 2017 [cité 5 août 2019]. Disponible sur:
https://business.lesechos.fr/entrepreneurs/financer-sa-croissance/030660249332-
cardiologs-va-traquer-les-arythmies-cardiaques-aux-etats-unis-
314114.php#Xtor=AD-6000

24. Smith D. AI Could Catch Alzheimer’s in Brain Scans 6 Years Earlier [Internet].
Artificial Intelligence Can Detect Alzheimer’s Disease in Brain Scans Six Years
Before a Diagnosis | UC San Francisco. [cité 6 août 2019]. Disponible sur:
https://www.ucsf.edu/news/2019/01/412946/artificial-intelligence-can-detect-
alzheimers-disease-brain-scans-six-years

25. Monnier E. L’intelligence artificielle relève aussi le défi du suicide [Internet]. Science
et vie. 2018 [cité 6 sept 2019]. Disponible sur: https://www.science-et-
vie.com/technos-et-futur/l-intelligence-artificielle-releve-aussi-le-defi-du-suicide-
17226

26. Lavdas I, Glocker B, Rueckert D, Taylor SA, Aboagye EO, Rockall AG. Machine
learning in whole-body MRI: experiences and challenges from an applied study using
multicentre data. Clinical Radiology. 1 mai 2019;74(5):346‑56.

80
27. Le EPV, Wang Y, Huang Y, Hickman S, Gilbert FJ. Artificial intelligence in breast
imaging. Clinical Radiology. 1 mai 2019;74(5):357‑66.

28. Vandeginste P. THERAPIXEL interprète les mammographies grâce à ses réseaux de

neurones [Internet]. La recherche. 2018 [cité 6 août 2019]. Disponible sur:
https://www.larecherche.fr/start/therapixel-interprète-les-mammographies-grâce-à-
ses-réseaux-de-neurones

29. Rajpurkar P, Irvin J, Zhu K, Yang B, Mehta H, Duan T, et al. CheXNet: Radiologist-
Level Pneumonia Detection on Chest X-Rays with Deep Learning. arXiv:171105225
[cs, stat] [Internet]. 14 nov 2017 [cité 6 sept 2019]; Disponible sur:
http://arxiv.org/abs/1711.05225

30. Diebolt V, Azancot I, Boissel F-H. « Intelligence artificielle » : quels services, quelles
applications, quels résultats et quelle valorisation aujourd’hui en recherche clinique ?
Quel impact sur la qualité des soins ? Quelles recommandations ?
/data/revues/00405957/unassign/S0040595718302518/ [Internet]. 2 janv 2019 [cité 30
mai 2019]; Disponible sur: https://www.em-consulte.com/en/article/1272787

31. Chaix B. Impact de l’intelligence artificielle dans la recherche clinique et la collecte

de données en vie réelle. Actualités Pharmaceutiques. 1 sept 2018;57(578):22‑4.

32. Fleming N. How artificial intelligence is changing drug discovery. Nature. 30 mai
2018;557:S55.

33. Menden MP, Iorio F, Garnett M, McDermott U, Benes CH, Ballester PJ, et al.
Machine Learning Prediction of Cancer Cell Sensitivity to Drugs Based on Genomic
and Chemical Properties. PLOS ONE. 30 avr 2013;8(4):e61318.

34. Leung MKK, Delong A, Alipanahi B, Frey BJ. Machine Learning in Genomic
Medicine: A Review of Computational Problems and Data Sets. Proceedings of the
IEEE. janv 2016;104(1):176‑97.

35. Sun R, Limkin EJ, Vakalopoulou M, Dercle L, Champiat S, Han SR, et al. A
radiomics approach to assess tumour-infiltrating CD8 cells and response to anti-PD-1
or anti-PD-L1 immunotherapy: an imaging biomarker, retrospective multicohort
study. The Lancet Oncology. 1 sept 2018;19(9):1180‑91.

81
36. Robertson S, Azizpour H, Smith K, Hartman J. Digital image analysis in breast
pathology—from image processing techniques to artificial intelligence. Translational
Research. 1 avr 2018;194:19‑35.

37. Bibault J-E, Burgun A, Giraud P. Intelligence artificielle appliquée à la radiothérapie.

Cancer/Radiothérapie. 1 mai 2017;21(3):239‑43.

38. Rocha JC, Bezerra da Silva DL, dos Santos JGC, Whyte LB, Hickman C, Lavery S, et
al. Using Artificial Intelligence to Improve the Evaluation of Human Blastocyst
Morphology: In: Proceedings of the 9th International Joint Conference on
Computational Intelligence [Internet]. Funchal, Madeira, Portugal: SCITEPRESS -
Science and Technology Publications; 2017 [cité 6 sept 2019]. p. 354‑9. Disponible
sur:
http://www.scitepress.org/DigitalLibrary/Link.aspx?doi=10.5220/0006515803540359

39. Sonigo C, Jankowski S, Yoo O, Trassard O, Bousquet N, Grynberg M, et al. High-

throughput ovarian follicle counting by an innovative deep learning approach.
Scientific Reports. 10 sept 2018;8(1):13499.

40. Erion G, Chen H, Lundberg SM, Lee S-I. Anesthesiologist-level forecasting of

hypoxemia with only SpO2 data using deep learning. arXiv:171200563 [cs, stat]
[Internet]. 2 déc 2017 [cité 4 juin 2019]; Disponible sur:
http://arxiv.org/abs/1712.00563

41. Pineau J, Guez A, Vincent R, Panuccio G, Avoli M. Treating epilepsy via adaptive
neurostimulation: a reinforcement learning approach. Int J Neural Syst. août
2009;19(4):227‑40.

42. Fagherazzi G, Ravaud P. Digital diabetes: Perspectives for diabetes prevention,

management and research. Diabetes & Metabolism. 1 sept 2019;45(4):322‑9.

43. Villani C. Donner un sens à l’intelligence artificielle: pour une stratégie nationale
européenne. Paris, France: Mise en page et impression : Direction de l’information
légale et administrative; 2018. 233 p.

44. Allen DJ, Heyrman PJ. La Definition Europeenne de la Medecine Generale –

Medecine de Famille. :52.

82
45. DREES. Effectifs des médecins par spécialité, mode d’exercice, sexe et tranche d’âge
[en ligne] 2018 [Internet]. [cité 25 juin 2019]. Disponible sur:
http://www.data.drees.sante.gouv.fr/ReportFolders/reportFolders.aspx

46. Bendavid R, Poët D. Notoriété et image de l’Intelligence Artificielle auprès des

Français et des salariés [Internet]. IFOP. [cité 24 juin 2019]. Disponible sur:
https://www.ifop.com/publication/notoriete-et-image-de-lintelligence-artificielle-
aupres-des-francais-et-des-salaries/

83
VII. ANNEXES
Annexe 1 : Questionnaire d’enquête

THESE INTELLIGENCE ARTIFICIELLE EN SANTE :

Espoirs et craintes des médecins généralistes
Bonjour,

Je suis médecin généraliste remplaçant. Je réalise une thèse sur l’INTELLIGENCE

ARTIFICIELLE.

Ce sujet d’actualité fait souvent l’objet d’effets d’annonce. L’intérêt de cette thèse est d’évaluer les
attentes et les craintes des médecins généralistes quant au développement de cette technologie
dans leur pratique.

Il ne s’agit pas d’un test de connaissance, mais d’une étude de croyance. Il n‘y a donc pas de
bonne ou mauvaise réponse. Répondre à ce questionnaire est anonyme et prend 5 minutes.

Vous pouvez y participer jusqu’au 31 mai 2019.

Je vous remercie par avance de votre participation, et m’engage à vous faire un retour du résultat
de cette enquête.

Dr Benoit MOUKRIM

*Obligatoire

1. Adresse e-mail *

Définition de l’INTELLIGENCE ARTIFICIELLE (IA)

Il existe différentes définitions de l’intelligence artificielle représentant des courants de pensée
différents. La définition la plus simple et générale est celle du Larousse qui définit l’IA ainsi :

« Ensemble de théories et de techniques mises en œuvre en vue de réaliser des machines

capables de simuler l'intelligence humaine »

Extrait du rapport « Intelligence artificielle et travail » de France Stratégie :

« La quasi-totalité des champs de l’intelligence artificielle – reconnaissance d’image, de

vidéos, traitement du langage naturel, apprentissage automatique, robotique, etc. – peuvent
trouver des applications en matière de santé. C’est vrai pour le diagnostic et les recommandations
de prise en charge, pour le traitement, la chirurgie, le suivi personnalisé, le domaine médico-
social, la réadaptation mais aussi la prévention, la recherche clinique. L’intelligence artificielle
permet d’automatiser non seulement des tâches simples comme la mesure du poids ou de la
tension artérielle mais aussi des tâches complexes comme le diagnostic médical et la prise en
charge thérapeutique. »

84
2. Indiquez votre tranche d'âge *
Une seule réponse possible.

Moins de 25 ans
25 à 34 ans
35 à 44 ans
45 à 54 ans
55 à 64 ans
65 ans et plus

3. Indiquez votre sexe *

Une seule réponse possible.

Femme
Homme

4. Indiquez votre année de thèse *

5. Indiquez votre année d’installation *

Tapez 0 en cas d'activité de remplacements

6. Indiquez votre mode d’exercice *

Une seule réponse possible.

Remplacement
Seul
En groupe de libéraux
En maison de santé pluridisciplinaire (activité libérale en groupe avec d’autres
professions et un projet commun)

7. Indiquez votre ou vos milieux d'exercice *

Plusieurs réponses possibles.

Rural
Semi-rural
Urbain

85
 8. Nombre de consultations par semaine *
Une seule réponse possible.

< 39
40 à 79
80 à 99
100 à 119
120 à 139
140 à 159
160 et plus

Quelle est votre aisance en informatique ?

Exemple des compétences requises pour être « très à l’aise » en informatique :

• Savoir utiliser un ordinateur (usage du clavier, de la souris, etc.)

• Maîtriser les outils de bureautique (ex : Traitement de texte, feuilles de calcul, logiciel de
présentation, courriels, etc.)

• Maîtriser la navigation internet (évaluer la validité, la pertinence et la fiabilité de l'information sur

Internet)

• Avoir des connaissances en sécurité informatique

• Savoir concevoir et développer un site internet

• Savoir développer des outils informatiques (maîtrise de langages de programmation)

9. Quelle est votre aisance en informatique? *

Une seule réponse possible.

Pas du tout à l'aise

Peu à l'aise
A l'aise
Très à l'aise

10. Votre cabinet médical est-il informatisé? *

Une seule réponse possible.

OUI
NON
Je n'effectue que des remplacements

86
11. Avez-vous des connaissances concernant les technologies sur lesquelles se base l’IA
(ex: codage informatique, algorithmes, big data, apprentissage profond, apprentissage
automatique, les réseaux de neurones, les systèmes experts) ? *
Une seule réponse possible.

Aucune
Limitées
Modérées
Importantes

Exemples de technologies d'IA en médecine générale:

• Logiciel d’aide au diagnostic (ex : Sympto-Check, DocForYou, Ada, etc.)

• Logiciel d'interprétation automatisée d’électrocardiogramme
• Logiciel d’aide à la prescription médicamenteuse évitant les erreurs de prescription
• Aide au diagnostic de tumeur cutanée via Smartphone

12. Avez-vous déjà utilisé une technologie d’IA dans votre pratique professionnelle? *
Une seule réponse possible.

OUI
NON

13. Si oui, laquelle ou lesquelles?

14. Selon vous, de quelles natures seront les réactions des patients face à l'usage de l’IA
par leur généraliste? *
Une seule réponse possible.

Sans opinion
Réactions négatives
Réactions neutres
Réactions positives

Selon vous, de quelle nature sera l'influence de l'IA dans les domaines suivants ?

87
15. LA RELATION MEDECIN - MALADE *
Une seule réponse possible par ligne.

Sans Effet Aucun Effet

opinion négatif effet positif
La relation médecin – malade en
général
La communication médecin –
malade
La dimension humaine de cette
relation
La gestion par le médecin de ses
émotions
La gestion de situations
conflictuelles
La protection du secret médical
La satisfaction des patients dans
cette relation

Selon vous, de quelle nature sera l'influence de l'IA dans les domaines suivants ?

16. LA DEMARCHE DECISIONNELLE DES GENERALISTES *

Une seule réponse possible par ligne.

Sans Effet Aucun Effet

opinion négatif effet positif
Leurs performances diagnostiques
Leur gestion de l’incertitude
diagnostique
Leur élaboration de stratégies
thérapeutiques
La communication entre médecins
Leur gestion du recours aux
autres spécialités
Leur liberté décisionnelle
La liberté décisionnelle des
patients
La dimension éthique et
déontologique de leur pratique

Selon vous, de quelle nature sera l'influence de l'IA dans les domaines suivants ?

88
17. LA PRISE EN CHARGE AU LONG COURS PAR LES GENERALISTES *
Une seule réponse possible par ligne.

Sans Effet Aucun Effet

opinion négatif effet positif
La qualité des soins dispensés par
les généralistes
Leur approche du patient dans sa
globalité
La personnalisation de leur prise
en charge de chaque patient
L’autonomisation et l’adhésion de
leurs patients
Leur rôle de coordination et de
continuité des soins
Leur rôle de promotion et
d’éducation pour la santé
Leur implication dans le dépistage
organisé
Leur efficience dans le recours
aux ressources du système de
santé

Selon vous, de quelle nature sera l'influence de l'IA dans les domaines suivants ?

18. LES CONDITIONS D'EXERCICE DES GENERALISTES *

Une seule réponse possible par ligne.

Sans Effet Aucun Effet

opinion négatif effet positif
La qualité de leurs conditions
générales d’exercice
La facilité de gestion de leur
cabinet (administrative,
comptable, logistique, etc.)
La gestion de leur emploi du
temps professionnel
Leur équilibre entre vie
professionnelle et personnelle
Leur indépendance
professionnelle
Le goût de l'exercice de leur
métier
La protection de leur
responsabilité professionnelle

19. Etes-vous favorable au développement de l'IA dans la pratique des médecins

généralistes? *
Une seule réponse possible.

Sans opinion
Défavorable
Neutre
Favorable

89
LISTE DES ABREVIATIONS

CDOM : Conseil départemental de l’ordre des médecins

CNIL : Commission nationale de l’informatique et des libertés

CNOM : Conseil national de l’ordre des médecins

DESC : Diplôme d’études spécialisées complémentaires

DREES : Direction de la Recherche, des Études, de l’Évaluation et des Statistiques

FDA : Food and Drug Administration

GAFAMI : Google, Apple, Facebook, Amazon, Microsoft, Intel.

IA : Intelligence artificielle

IFOP : Institut français d'opinion publique

WONCA : World Organization of National Colleges, Academies and Academic

Associations of General Practitioners / Family Physicians

90
 SERMENT D'HIPPOCRATE

Au moment d’être admis(e) à exercer la médecine, je promets et je jure

d’être fidèle aux lois de l’honneur et de la probité.

Mon premier souci sera de rétablir, de préserver ou de promouvoir la

santé dans tous ses éléments, physiques et mentaux, individuels et
sociaux.

Je respecterai toutes les personnes, leur autonomie et leur volonté, sans

aucune discrimination selon leur état ou leurs convictions. J’interviendrai
pour les protéger si elles sont affaiblies, vulnérables ou menacées dans
leur intégrité ou leur dignité. Même sous la contrainte, je ne ferai pas
usage de mes connaissances contre les lois de l’humanité.

J’informerai les patients des décisions envisagées, de leurs raisons et de

leurs conséquences.

Je ne tromperai jamais leur confiance et n’exploiterai pas le pouvoir hérité

des circonstances pour forcer les consciences.

Je donnerai mes soins à l’indigent et à quiconque me les demandera. Je

ne me laisserai pas influencer par la soif du gain ou la recherche de la
gloire.

Admis(e) dans l’intimité des personnes, je tairai les secrets qui me seront
confiés. Reçu(e) à l’intérieur des maisons, je respecterai les secrets des
foyers et ma conduite ne servira pas à corrompre les moeurs.

Je ferai tout pour soulager les souffrances. Je ne prolongerai pas

abusivement les agonies. Je ne provoquerai jamais la mort délibérément.

Je préserverai l’indépendance nécessaire à l’accomplissement de ma

mission. Je n’entreprendrai rien qui dépasse mes compétences. Je les
entretiendrai et les perfectionnerai pour assurer au mieux les services qui
me seront demandés.

J’apporterai mon aide à mes confrères ainsi qu’à leurs familles dans
l’adversité.

Que les hommes et mes confrères m’accordent leur estime si je suis fidèle
à mes promesses ; que je sois déshonoré(e) et méprisé(e) si j’y manque.

91