Un enfant reçoit une injection. Image de Kwameghana via Wikimedia Commons (acte CC BY-SA 4.0).
Par Chukwudi Anthony Okolue
En 2024, un producteur de maïs de 28 ans du comté de Siaya, dans l’ouest du Kenya, s’est présenté dans une petite clinique publique en se plaignant de fièvre. Il y a dix ans, il aurait attendu des jours, parfois des semaines, pour obtenir un diagnostic de paludisme, de typhoïde ou de dengue. En 2024, il reçut une réponse en quatre-vingt-dix secondes. Un agent de santé communautaire a pris une photo d’une épaisse goutte de sang avec un smartphone ordinaire fixé à un microscope portable de 50 dollars. Un algorithme d'intelligence artificielle a analysé l'image et a suggéré qu'il avait « Plasmodium falciparum ++ » avec une précision de 98,5 %, soit mieux que la plupart des techniciens de laboratoire non spécialisés du pays. L’agriculteur est reparti avec le bon médicament antipaludique le même après-midi.
Ce projet pilote, dirigé par le ministère kenyan de la Santé avec le soutien technique de la startup Ubenytics, est désormais actif dans plus de 420 établissements répartis dans huit comtés. Les premiers résultats de l’étude pilote publiée dans The Lancet Digital Health en mars 2025 montrent une réduction de 31 pour cent de la prescription inappropriée d’antibiotiques et une baisse de 19 pour cent des complications graves du paludisme dans les zones d’intervention.
Il est important de clarifier la terminologie. Bien que le terme intelligence artificielle soit couramment utilisé dans le discours académique et populaire, les systèmes abordés dans cet article sont plus précisément décrits comme de grands modèles de langage. Ces modèles ne présentent pas d'intelligence générale ; ils effectuent plutôt une reconnaissance statistique rapide des formes et une génération de texte probabiliste basée sur de grandes quantités de données de formation. Le cas échéant, cet article utilise le terme LLM pour refléter cette distinction, tout en reconnaissant que l’IA reste le terme générique sous lequel ces technologies sont souvent classées.
Dans toute l’Afrique de l’Ouest, la startup ghanéenne Chestify AI, fondée en 2020, utilise des algorithmes d’intelligence artificielle pour aider les cliniciens à interpréter les radiographies pulmonaires et autres images dans les centres de santé sous-financés. Ils génèrent des cartes thermiques visuelles et des scores d’anomalies qui aident à détecter des pathologies telles que la tuberculose et la pneumonie, accélérant ainsi le diagnostic dans les endroits où les radiologues sont rares. Lors de déploiements dans 25 établissements de santé, Chestify a signalé des délais d'exécution des diagnostics réduits d'environ 40 %, avec des rapports d'imagerie délivrés dans un délai de 3 heures au lieu de quelques jours.
Des études de validation antérieures supervisées par l'OMS sur la détection assistée par ordinateur de la tuberculose à l'aide de radiographies thoraciques ont démontré des performances constamment élevées dans des contextes à faibles ressources, avec une sensibilité globale d'environ 94,7 pour cent, correspondant souvent ou dépassant la précision diagnostique moyenne disponible là où les capacités de radiologie spécialisée sont limitées.
Le programme rwandais de livraison de sang par drone utilise désormais des algorithmes d’acheminement, réduisant ainsi le délai moyen de livraison de 42 minutes à 18 minutes dans les districts difficiles d’accès.
Ce ne sont pas des promesses futures ; ce sont des déploiements documentés et évalués par des pairs qui ont lieu aujourd'hui.
Les chiffres derrière cette urgence sont bien connus mais méritent d’être répétés : l’Afrique subsaharienne abrite 11 pour cent de la population mondiale et 24 pour cent de la charge mondiale de morbidité, mais seulement 3 pour cent des agents de santé mondiaux et moins de 1 pour cent des dépenses mondiales de santé. L’écart en matière de spécialistes est encore plus flagrant : le Nigeria, par exemple, compte environ un pathologiste pour 500 000 habitants, contre une moyenne mondiale d’un pour 25 000.
L’intelligence artificielle ne fera pas apparaître plus de médecins comme par magie, mais elle a déjà un impact dans les régions où les systèmes médicaux manquent de ressources.
Il améliore la précision des travailleurs non spécialisés. En Ouganda, l’AI Health Lab de l’Université Makerere et ses partenaires, dont l’Infectious Diseases Institute et le NAAMII, utilisent des outils d’échographie obstétricale guidée par l’IA qui permettent à des non-spécialistes, y compris des agents de santé communautaires, de capturer et d’interpréter des images fœtales de base.
Ces programmes permettent aux professionnels de santé de détecter les maladies plus tôt, alors qu’elles sont moins coûteuses et plus faciles à traiter. En 2019, The Lancet a publié une étude de validation clinique d'un modèle d'apprentissage profond dans un programme de dépistage rétinien en Zambie, qui a montré des performances diagnostiques excellentes et plus précoces pour la rétinopathie diabétique référable, la rétinopathie diabétique menaçant la vision et l'œdème maculaire diabétique par rapport aux évaluateurs humains.
Rien de tout cela n’est théorique. Les courbes de coûts s’effondrent plus rapidement que ne le pensent la plupart des décideurs politiques. En 2022, la formation et la gestion d’un LLM de microscopie du paludisme très performant ont coûté environ 180 000 USD. D’ici fin 2025, le coût marginal par test dans les déploiements à grande échelle sera inférieur à 0,30 USD, soit moins cher que le test de diagnostic rapide actuel dans de nombreux endroits, une fois inclus les coûts de distribution et de chaîne du froid.
Premièrement, la réglementation doit suivre le rythme. Le Conseil kenyan de la pharmacie et des poisons et l’Agence nationale nigériane pour l’administration et le contrôle des aliments et des médicaments ont tous deux publié des lignes directrices pragmatiques pour l’IA en tant que dispositif médical au cours des 18 derniers mois – une étape discrète mais cruciale avec laquelle de nombreuses grandes économies ont encore du mal.
Deuxièmement, les données locales doivent rester locales là où cela est nécessaire. Les algorithmes les plus précis pour la drépanocytose, le dépistage préalable du cancer du col de l’utérus ou la pneumonie pédiatrique chez les enfants africains sont en cours de formation sur des ensembles de données africaines. Les fondateurs et les gouvernements qui insistent sur la résidence des données et la propriété locale des modèles construisent des actifs stratégiques, et pas seulement des outils de santé.
Troisièmement, les modèles de financement doivent passer d’un système pilote perpétuel de donateurs à une intégration durable. Le Rwanda et le Ghana intègrent déjà les diagnostics d’IA dans leurs régimes nationaux d’assurance maladie. Lorsqu’un service est remboursé à hauteur de 1 à 2 USD par test au lieu de dépendre d’une subvention, l’échelle se fait du jour au lendemain.
Malgré le potentiel de transformation des grands modèles linguistiques dans le domaine de la santé, leur déploiement n’est pas sans risques et limites importants. L’une des préoccupations les plus largement évoquées est l’hallucination, où les modèles génèrent des résultats confiants mais incorrects ou fabriqués. Dans les contextes cliniques ou adjacents aux soins de santé, de telles erreurs peuvent avoir de graves conséquences, notamment une mauvaise interprétation des informations médicales, des recommandations inappropriées ou une érosion de la confiance dans les processus de prise de décision clinique.
Les LLM dépendent également fortement de la qualité, de la portée et de la représentativité de leurs données de formation. Les biais ancrés dans les données historiques sur les soins de santé, tels que la sous-représentation de certaines populations, peuvent être appris et amplifiés par ces systèmes, conduisant potentiellement à des résultats inéquitables. De plus, les LLM manquent d’une véritable compréhension contextuelle et d’un raisonnement clinique ; ils n’ont pas d’intention, de conscience ou de responsabilité et ne devraient donc pas être considérés comme des décideurs autonomes.
Même si des preuves à grande échelle et évaluées par des pairs d’un préjudice généralisé continuent d’émerger, le consensus dans la littérature souligne la nécessité d’une surveillance humaine, d’une validation rigoureuse et de garanties spécifiques au domaine. Les LLM sont mieux positionnés comme outils d’aide à la décision plutôt que comme substituts à l’expertise clinique.
De plus, les problèmes liés à la confidentialité des données, à la sécurité et à la conformité réglementaire restent non résolus dans de nombreuses implémentations. Sans cadres de gouvernance solides, l’intégration des LLM dans les systèmes de santé risque de violer la confidentialité des patients et les normes éthiques existantes.
Cependant, ces progrès signifient que d’ici 2030, un enfant né dans un village en dehors de Kisumu ou de Kumasi n’aura plus besoin de parcourir 200 kilomètres (124 miles) pour voir si une lésion cutanée est cancéreuse ou si une toux est une tuberculose. Un agent de santé communautaire qualifié, un smartphone à 120 USD et un modèle LLM continuellement mis à jour via la 5G fourniront une réponse en quelques minutes, et non en quelques mois.
Nous n’attendons pas une singularité lointaine. Dans certaines régions d’Afrique, l’avenir des soins de santé a déjà commencé – tranquillement, progressivement et à une vitesse que la plupart des observateurs mondiaux sous-estiment encore.