L’IA dans les soins de santé : du projet pilote à la pratique clinique

L’intelligence artificielle suscite un vif intérêt au sein des organismes canadiens de soins de santé. Dans ce contexte, les projets pilotes sont importants, car ils permettent d’expérimenter, de tester la valeur en clinique, de comprendre les répercussions sur les flux de travail et de cerner les risques avant un déploiement à plus grande échelle. Toutefois, le véritable défi se pose lorsqu’un projet pilote donne de bons résultats.

Un projet pilote concluant répond à une question importante : ce cas d’utilisation peut-il créer de la valeur dans un contexte précis? Et le déploiement soulève une autre question, plus difficile : est-il possible d’obtenir les mêmes résultats auprès d’équipes, d’établissements et de populations de patients variés tout en soutenant les cliniciens, en gérant les risques et en maintenant la performance au fil du temps?

C’est souvent à cette étape que les initiatives en IA se heurtent à des difficultés. Les capacités nécessaires pour démontrer la valeur d’un cas d’utilisation ne sont pas les mêmes que celles requises pour assurer le fonctionnement fiable de l’outil une fois déployé.

La partie se corse une fois le projet pilote terminé

De nombreuses données mettent en évidence les lacunes liées à la mise en œuvre. En 2025, une revue systématique de 1 263 études sur l’IA dans les soins intensifs a révélé que 74 % des initiatives en étaient encore aux premières étapes de développement ou de validation, et que seulement 2 % avaient atteint le stade de l’intégration clinique ¹. Ces chiffres ne constituent pas un point de référence pour les hôpitaux canadiens, mais ils montrent à quel point il est plus facile de développer et de valider une solution d’IA que de l’intégrer dans les soins prodigués au quotidien.

Les recommandations canadiennes vont dans le même sens. Dans ses « Lignes directrices préalables à la mise en marché pour les instruments médicaux fondés sur l’apprentissage machine » de 2026, Santé Canada envisage l’IA sous l’angle de son cycle de vie dont tous les éléments doivent être pris en compte : validation clinique, intégration aux flux de travail, gestion des risques, facteurs humains, surveillance après la mise en marché et possibilité d’une baisse de rendement ou d’un changement dans la distribution des données après le déploiement ².

Pour les dirigeants du secteur de la santé, le constat est clair : la mise en œuvre n’est pas une fin en soi. Elle marque plutôt le début d’une nouvelle responsabilité opérationnelle, qui exige une prise en charge, du soutien et un suivi continus.

La réussite d’un projet pilote devrait ouvrir la réflexion sur la valeur, et non y mettre fin.

Se doter des capacités nécessaires à l’intégration de l’IA à la pratique clinique

Les dirigeants d’hôpitaux savent déjà gérer des projets, mettre en œuvre des technologies et analyser des données. De plus, bon nombre disposent également des compétences nécessaires pour déployer l’IA : informatique clinique, qualité et sécurité, solutions numériques, analyse de données, confidentialité, cybersécurité, exploitation et gestion du changement. Le défi tient au fait que ces compétences sont souvent réparties entre différentes équipes qui ont chacune leurs propres mandats, priorités et responsabilités. Pour déployer l’IA clinique à grande échelle, il faut décloisonner ces compétences et les mobiliser de façon continue plutôt que seulement au cas par cas, pour chaque projet pilote.

Cela ne signifie pas nécessairement qu’il faille former une autre équipe centralisée qui se concentre sur l’IA. Certaines organisations devront peut-être créer de nouveaux postes ou affecter des ressources qui se consacreront à l’IA; d’autres auront plutôt besoin de structures interfonctionnelles plus claires et d’une définition plus précise des droits décisionnels et des responsabilités afin de mettre à profit les capacités déjà en place. La structure appropriée variera d’un hôpital à l’autre, mais les responsabilités relatives à l’IA devront être clairement établies.

Lydia Lee

Associée et leader, Santé numérique

Toronto

KPMG Canada

mail
call

Subscribe

Cinq conditions pour réussir le passage du projet pilote au déploiement

Établir clairement les responsabilités de bout en bout

Désigner une personne responsable du cas d’utilisation : de la définition du problème au déploiement et à l’adoption d’une solution, en passant par la réalisation de la valeur et le soutien continu, jusqu’à l’éventuelle mise hors service. Ce rôle peut être confié à une personne déjà en poste, qu’elle travaille dans le domaine clinique, les opérations ou les technologies numériques, mais sa responsabilité explicite doit être de s’assurer de façon continue que la solution produit les résultats attendus.
Concevoir le flux de travail et le modèle d’adoption en vue du déploiement

Avant de déployer une technologie à grande échelle, il faut déterminer comment elle s’intégrera dans un contexte de soins au quotidien. Il est important que les utilisateurs finaux participent au processus, que les droits décisionnels soient clairs et que les équipes soient formées. Il faut aussi gérer les changements de comportement en ce qui concerne les activités cliniques, l’informatique, la formation et la transformation. Une solution d’IA qui fonctionne bien, mais qui s’intègre mal au modèle de prestation des soins créera difficilement une valeur durable.
Mettre en place les capacités nécessaires à l’exploitation de l’IA

Il faut pouvoir compter sur les capacités techniques requises et définir clairement les responsabilités liées au déploiement, à l’intégration, à la gestion des versions, à la surveillance et à la maintenance des modèles et des services d’IA en production. Les travaux de recherche concernant le passage d’un outil d’IA du stade expérimental à son utilisation clinique établissent une distinction entre ces activités et la science des données. Ils soulignent également le rôle de l’ingénierie de l’apprentissage machine et des pratiques de mise en production et d’exploitation des modèles dans l’intégration des outils d’IA à la pratique quotidienne ³. Pour bon nombre d’hôpitaux, la question n’est pas tant de savoir si l’expertise existe au sein de l’organisation, mais plutôt de déterminer si les personnes qui la possèdent sont disponibles, disposent des ressources nécessaires et peuvent assumer la responsabilité de l’exploitation continue de l’IA clinique.
Mettre en place un cadre de gestion des risques

La gestion des risques nécessite de réunir l’expertise en matière de sécurité clinique, de protection des renseignements personnels, de cybersécurité, de gouvernance des données, d’éthique et de réglementation dans un cadre concret et adapté au niveau de risque. La directive sur l’IA du gouvernement de l’Ontario énonce un principe utile : déterminer le niveau de risque et appliquer des mesures de contrôle proportionnelles à celui-ci ⁴. Cette expertise existe peut-être déjà, mais il faut prévoir un mécanisme permettant de prendre des décisions coordonnées en temps opportun. Les cas d’utilisation cliniques qui présentent un risque élevé requièrent un examen plus approfondi, tandis que ceux qui sont moins risqués ne devraient pas être soumis aux mêmes exigences.
Définir la valeur et la mesurer en continu

Déterminer les résultats cliniques qui justifient un déploiement à grande échelle, puis continuer de les évaluer après le déploiement : résultats pour les patients, préjudices ou erreurs évitables, efficacité des flux de travail, taux d’adoption et temps consacré par les cliniciens. Pour ce faire, il faut établir et maintenir des liens étroits entre l’analyse, la qualité, le leadership clinique et les opérations, plutôt que de se limiter à une évaluation ponctuelle dans le cadre d’un projet pilote. Un suivi doit également être assuré auprès des différents établissements et des populations, car les résultats obtenus dans un établissement peuvent ne pas se reproduire automatiquement ailleurs.

Mesurer les progrès en fonction de la valeur clinique et non du nombre d’initiatives en IA

La volonté de ne pas se laisser distancer peut donner l’impression que toute initiative d’IA est synonyme de progrès. Une liste sans cesse croissante de projets pilotes peut rassurer les dirigeants, les responsables cliniques ou les conseils d’administration quant aux progrès réalisés. Cependant, le volume n’est pas un bon indicateur des retombées si les cas d’utilisation prometteurs ne sont jamais intégrés à la pratique quotidienne.

Un portefeuille solide repose sur un nombre restreint d’objectifs prioritaires pour le système de santé. L’organisation cherche-t-elle à réduire les préjudices évitables? À améliorer les résultats pour les patients? À libérer du temps pour que les cliniciens puissent se consacrer davantage aux soins? À réduire le fardeau administratif? Ces objectifs devraient guider le choix des cas d’utilisation à financer, la façon d’évaluer les projets pilotes et la décision d’accorder les ressources nécessaires au déploiement des projets prometteurs.

La réduction du fardeau administratif est un bon exemple, car ses avantages sont tangibles. Selon le Sondage national de l’Association médicale canadienne de 2025 sur la santé des médecins, 10,4 heures par semaine sont consacrées au travail administratif. Parmi les médecins qui utilisent l’IA, 59 % ont indiqué qu’elle leur avait permis de réduire le temps consacré à cette tâche ⁵. La grande question est de savoir si ces gains de temps persistent, s’ils profitent équitablement aux différents utilisateurs et, au bout du compte, s’ils permettent réellement d’accorder plus de temps aux patients.

La gouvernance favorise un déploiement sécuritaire

L’utilisation d’outils d’IA en clinique doit faire l’objet d’une gouvernance appropriée, et de nombreuses organisations en sont encore aux premières étapes de sa mise en place. L’enjeu consiste à déterminer si la gouvernance aide l’organisation à prendre des décisions plus éclairées et cohérentes plus rapidement, ou si elle ajoute plutôt une étape au processus qui ralentit la mise en œuvre, sans réduire sensiblement les risques.

Une approche fondée sur la gestion des risques est plus efficace. Il s’agit d’établir des balises claires à l’échelle de l’organisation, de standardiser les exigences en matière de données probantes et de simplifier le processus décisionnel pour les utilisations à faible risque, tout en réservant un examen multidisciplinaire plus approfondi aux applications susceptibles d’avoir une incidence importante sur les décisions cliniques ou les résultats pour les patients. Le comité de gouvernance de l’IA devrait avoir pour rôle d’établir les règles à suivre, de trancher les questions à risque élevé et de superviser le portefeuille, plutôt que d’intervenir dans chaque décision de mise en œuvre.

Si dès demain un projet pilote d’IA en santé démontrait sa valeur, votre organisation serait-elle prête à déployer l’outil? Les responsabilités sont-elles clairement établies et disposez-vous d’une expertise en matière de flux de travail, d’une capacité opérationnelle suffisante et de mécanismes fiables de gestion des risques et de mesure des résultats?

Le déploiement de l’IA relève de la direction

Le déploiement de l’IA à grande échelle ne peut être confié uniquement au chef de l’information, au directeur des systèmes d’information, au chef du numérique ou au responsable des activités cliniques. Dès qu’un outil d’IA est intégré, il peut avoir une incidence sur la pratique clinique, sur la capacité des effectifs, sur les risques ainsi que sur les investissements et les priorités opérationnelles. Ce sont des décisions qui concernent l’ensemble de l’organisation; l’équipe de direction doit assumer collectivement la responsabilité des résultats visés, des ressources consacrées au déploiement et des compromis nécessaires pour assurer une adoption durable.

Les conseils d’administration jouent également un rôle important, mais pas dans l’approbation de chaque cas d’utilisation. Les membres du conseil devraient s’attendre à ce que la direction explique clairement pourquoi l’organisation investit dans l’IA, comment la valeur créée et les risques pour les patients sont mesurés, qui assume la responsabilité du projet et comment les applications cliniques à risque élevé sont encadrées. La réussite du déploiement devrait faire partie intégrante des discussions sur le rendement et les risques plutôt que d’être considérée comme un programme technologique mené en parallèle.

Pour les dirigeants, la question va bien au-delà de la capacité de l’organisation à mener un projet d’IA. Si un projet pilote prometteur s’avérait concluant à très court terme, l’organisation saurait-elle à qui revient la décision de déployer l’outil? Disposerait-elle des capacités interfonctionnelles pour l’intégrer à ses activités? L’équipe de direction et le conseil d’administration veilleraient-ils à ce que la valeur de l’outil se maintienne dans le temps?

Voilà peut-être l’indicateur le plus pertinent quant à la capacité d’une organisation à intégrer l’IA, et une meilleure mesure des progrès accomplis que le nombre de projets pilotes en cours.

Sources

1. Operationalization of Artificial Intelligence Applications in the Intensive Care Unit: A Systematic Review, JAMA Network Open, 2025

2. Lignes directrices préalables à la mise en marché pour les instruments médicaux fondés sur l’apprentissage machine, Santé Canada, 1er avril 2026

3. An operational guide to translational clinical machine learning in academic medical centers, npj Digital Medicine, mai 2024

4. Directive sur l’utilisation responsable de l’intelligence artificielle, gouvernement de l’Ontario, 1er décembre 2025

5. Une profession toujours sous pression, mais plusieurs signes d’amélioration : résultats du Sondage national de l’AMC sur la santé des médecins de 2025, Association médicale canadienne, 14 octobre 2025

6. Boîte à outils de mise en œuvre de l’IA en santé, Institut Vecteur

7. KPMG Canada. Utilisation de l’IA pour rationaliser les systèmes de prestation des soins. 2025.

8. KPMG Canada. Au-delà de l’adoption de l’IA : Transformer l’élan du Canada en rendements mesurables. 2026.