L'intelligence artificielle dans les études de médecine en 2026, et pourquoi les médecins restent indispensables

Quelle place l'intelligence artificielle occupe-t-elle réellement aujourd'hui dans la formation médicale ?

L'écart entre le débat public et la réalité de l'enseignement reste palpable. Une enquête transversale menée en 2024 a porté sur 409 étudiants en médecine et en odontologie d'Allemagne, d'Autriche et de Suisse. Les données ont été recueillies entre avril et juillet 2023. Seuls 18,2 pour cent des participants avaient alors reçu une formation structurée à l'intelligence artificielle. Dans le même temps, il existait une forte corrélation entre l'appétence technique et la familiarité avec l'IA, ce qui signifie concrètement : ceux qui s'y intéressaient à titre privé étaient informés, et les autres ne l'étaient pas davantage grâce au programme.

La rapidité de l'évolution depuis lors apparaît dans une revue de portée actualisée en 2025. L'équipe a criblé 3 238 publications et en a retenu 310. Pas moins de 161 publications, soit 52 pour cent du matériel inclus, se situaient dans une fenêtre de huit mois et portaient exclusivement sur la formation médicale initiale. Les auteurs relevaient toutefois qu'il n'existe ni approche normalisée ni consensus sur les compétences en IA ou sur les cadres éthiques.

De l'option à la mission transversale

Une analyse de 2025 a décrit le goulot d'étranglement central : ce ne sont pas les étudiants mais les enseignants qui, jusqu'ici, ne disposent majoritairement ni des compétences ni de lignes directrices contraignantes pour intégrer l'IA générative au tronc commun. Leur recommandation tient en trois éléments : des règles d'usage claires protégeant les données de l'établissement et des patients, une structure de gouvernance dotée de principes éthiques, et des compétences explicites pour les étudiants comme pour les enseignants. C'est pourquoi l'IA débute actuellement dans de nombreuses facultés sous forme d'option, de séminaire en bloc ou de fil rouge curriculaire, et non comme matière à part entière de l'examen d'État.

Ce qu'exigent les référentiels d'objectifs d'apprentissage

Le référentiel national d'objectifs d'apprentissage par compétences en médecine, en abrégé NKLM, est l'ouvrage de référence des facultés de médecine en Allemagne. Selon ses propres termes, il décrit non seulement les savoirs disciplinaires et de raisonnement ainsi que les compétences pratiques et les attitudes, mais aussi expressément des compétences transversales, parmi lesquelles les compétences interprofessionnelles, numériques et scientifiques. La compétence numérique est donc établie dans le cadre de référence allemand, et non facultative.

Le référentiel existe actuellement sous la forme de la version intermédiaire NKLM 2.1, publiée en juin 2026. Il est maintenu en deux variantes d'application, l'une suivant l'avant-projet de loi de 2023 et l'autre le règlement relatif à l'autorisation d'exercer la médecine en vigueur. Parallèlement, une version 3.0 est en préparation, dont l'objectif affiché est de réduire les contenus et de se concentrer sur ce qui est pertinent au début de l'exercice. Point important pour le contexte : le NKLM est un cadre d'orientation défini par les facultés, et non un texte réglementaire. Le règlement réformé relatif à l'autorisation d'exercer n'est pas encore entré en vigueur ; juridiquement, c'est le texte de 2002, dans sa version de 2023, qui fait foi.

Quatre domaines de compétences se dégagent des référentiels et de la discussion professionnelle internationale, que les futurs médecins devront maîtriser :

• Interpréter les données. Sensibilité, spécificité, valeurs prédictives positive et négative, probabilité pré-test et calibration d'un modèle ne relèvent pas du folklore statistique : elles déterminent si un résultat algorithmique signifie quoi que ce soit dans un cas particulier.
• Évaluer les algorithmes de manière critique. Sur quelle population le modèle a-t-il été entraîné, sur laquelle a-t-il été validé, comment se comporte-t-il en dehors de cette population, qui l'a approuvé et à quelle fin.
• Protection et souveraineté des données. Quelles données peuvent sortir d'un système d'information hospitalier, et qu'est-ce que cela implique pour les modèles de langage librement accessibles dans le travail quotidien en service.
• Responsabilité et imputabilité. La décision médicale reste imputable. La suggestion d'un modèle est une contribution à la décision, et non la décision elle-même.

Ce que les modèles de langage réussissent réellement aux examens de médecine

Ici, les données sont désormais convenables, et plus nuancées que ne le suggèrent les titres de presse. Une méta-analyse de 2025 a analysé 36 études portant sur les modèles de langage aux examens d'autorisation d'exercer la médecine. L'exactitude globale agrégée s'établissait à 72 pour cent, avec un intervalle de confiance à 95 pour cent de 70,0 à 75,0 pour cent. GPT-4 atteignait 81 pour cent, Claude 74 pour cent, Gemini ou Bard 70 pour cent, et GPT-3.5 en revanche 60 pour cent. Selon les langues, la fourchette allait de 62 à 77 pour cent, les différences n'étant pas statistiquement significatives.

Une analyse de 2025 a examiné 120 évaluations individuelles portant sur dix systèmes d'examen et neuf langues. Les générations de modèles plus récentes obtenaient des scores nettement supérieurs : GPT-o1 à 95,4 pour cent, DeepSeek-R1 à 92,0 pour cent, GPT-4o à 89,4 pour cent. Treize des 16 modèles examinés franchissaient la barre des 60 pour cent qui sert en de nombreux endroits de seuil de réussite. Le type de modèle, le système d'examen et la langue expliquaient ensemble environ 89 pour cent de l'hétérogénéité entre les études.

À cela s'oppose une méta-analyse de 2024, au cadrage plus large. Sur 32 études, l'exactitude globale aux examens médicaux s'élevait à 0,61, avec un intervalle de confiance de 0,58 à 0,64, et pour l'USMLE américain à 0,51 seulement. L'écart avec les analyses plus tardives s'explique surtout par la génération de modèles et par le choix des formats d'examen. Pour l'odontologie, le tableau était plus réservé : une méta-analyse de 2025 a trouvé, sur onze études issues de huit pays, 72 pour cent pour GPT-4, 56 pour cent pour Bard et 54 pour cent pour GPT-3.5, en soulignant expressément que l'exactitude reste inférieure au seuil requis pour une application clinique.

Où les données montrent leurs limites

Une question d'examen est un problème fermé, assorti d'options de réponse préformulées. Le travail clinique est l'inverse. C'est précisément là que la recherche devient éclairante. En 2024, un essai randomisé a réparti 50 médecins, 26 spécialistes et 24 internes, pour traiter des cas diagnostiques avec ou sans accès à un modèle de langage. La performance diagnostique médiane s'élevait à 76 pour cent avec accès au modèle contre 74 pour cent sans, soit un écart de deux points de pourcentage, non statistiquement significatif. Le modèle seul faisait 16 points de mieux que l'un ou l'autre groupe de médecins. La simple disponibilité d'un outil performant n'améliore donc pas automatiquement les résultats.

Une étude de suivi de la même équipe, en 2025, a randomisé 92 médecins en exercice sur des décisions de prise en charge avec GPT-4 assorti des ressources conventionnelles, contre les ressources conventionnelles seules. Un avantage significatif de 6,5 points de pourcentage est apparu, mais avec un temps passé par cas plus élevé et sans différence significative entre les médecins assistés du modèle et le modèle seul. Ensemble, ces deux travaux livrent une leçon claire : le bénéfice ne vient pas du modèle, mais de la manière dont un médecin travaille avec lui. C'est une compétence, et les compétences s'enseignent et s'évaluent.

Reste la question de la fiabilité. Une analyse systématique de 2023 a relevé des inquiétudes quant à l'inexactitude des contenus et au risque d'hallucinations, c'est-à-dire d'énoncés plausiblement formulés mais faux, dans 96,7 pour cent des travaux analysés. Le bénéfice pédagogique n'est pas davantage automatique : une méta-analyse de 2025 a agrégé onze essais contrôlés randomisés portant sur 786 étudiants en médecine et n'a trouvé aucune différence statistiquement significative d'acquisition des connaissances entre l'enseignement assisté par l'IA et l'enseignement traditionnel, avec une différence moyenne standardisée de 0,27. Des avantages sont apparus dans certains sous-groupes, notamment pour les phases d'apprentissage plus longues, les enseignements orientés vers la pratique, le développement des compétences pratiques et la satisfaction des étudiants.

Radiologie et anatomopathologie, entre titres de presse et données probantes

Aucune spécialité n'est plus souvent citée en exemple du prétendu remplacement des médecins que la radiologie. Les données randomisées les plus solides à ce jour viennent de l'essai suédois MASAI sur le dépistage par mammographie. La première analyse intermédiaire, parue en 2023, portait sur 80 033 femmes. Le taux de détection s'élevait à 6,1 pour 1 000 dans le groupe assisté par l'IA contre 5,1 pour 1 000 avec la double lecture conventionnelle, le taux de rappel à 2,2 contre 2,0 pour cent, et la charge de lecture a diminué de 44,3 pour cent.

Une analyse de suivi en 2025 a confirmé ce tableau sur 105 934 femmes, avec 6,4 contre 5,0 détections pour 1 000 et une réduction de la charge de travail de 44,2 pour cent. Le critère décisif a suivi en 2026 : pour la même cohorte, 1,55 cancer d'intervalle pour 1 000 dans le groupe IA contre 1,76 pour 1 000 dans le groupe témoin, avec une sensibilité de 80,5 contre 73,8 pour cent et une spécificité identique de 98,5 pour cent dans les deux groupes. Une revue systématique de 2025 portant sur 31 études et plus de deux millions d'examens aboutissait à une réduction du volume de lecture de 40 à 90 pour cent, à performance diagnostique comparable.

Ce qui frappe, c'est la manière dont ces programmes sont conçus : dans MASAI, l'IA ne remplace pas le compte rendu, elle remplace une partie de la double lecture et hiérarchise les priorités. La décision médicale demeure le point d'aboutissement de la chaîne. L'anatomopathologie montre exactement le même schéma. Une étude diagnostique multicentrique de 2023 a examiné 20 954 ganglions lymphatiques sur 7 991 lames numérisées entières provenant de 998 patients atteints de carcinome de la vessie. Le modèle atteignait des aires sous la courbe de 0,978 à 0,998. Le résultat véritablement instructif réside toutefois dans la combinaison : la sensibilité des jeunes anatomopathologistes est passée, avec l'appui de l'IA, de 0,906 à 0,953, et celle de leurs collègues expérimentés de 0,947 à 0,986. C'est une amplification, pas un remplacement. Et l'amplification est la plus forte chez ceux qui maîtrisent déjà le domaine.

Droit, responsabilité et protection des données rendent la compétence en IA contraignante

Le règlement (UE) 2024/1689 sur l'intelligence artificielle est entré en vigueur le 1er août 2024 et est généralement applicable depuis le 2 août 2026. Les dispositions prennent effet par étapes : les interdictions et les obligations en matière de maîtrise de l'IA s'appliquent depuis le 2 février 2025, et les règles de gouvernance ainsi que les exigences relatives aux modèles à usage général depuis le 2 août 2025. Pour les systèmes à haut risque dans les domaines particulièrement sensibles, la Commission indique le 2 décembre 2027, et pour l'IA à haut risque intégrée à des produits le 2 août 2028.

Pour la médecine, ce n'est pas une question accessoire. Dans ses considérants, le règlement énonce expressément que les systèmes de diagnostic en santé doivent être particulièrement fiables et précis en raison du risque pour la vie et l'intégrité physique, et il range les dispositifs médicaux et les diagnostics in vitro parmi les produits soumis à une évaluation de conformité par un tiers lorsqu'une IA à haut risque y est intégrée. En pratique, cela signifie que quiconque exercera la médecine à l'avenir travaillera avec des systèmes réglementés dont il doit connaître les limites pour satisfaire à son propre devoir de diligence.

Que cette question préoccupe aussi la profession elle-même, les chiffres de l'enquête 2026 le montrent. Quatre-vingt-huit pour cent des répondants jugent importante la validation de la sécurité et de l'efficacité, 86 pour cent les garanties de protection des données, et 31 pour cent ont cité des cadres de responsabilité clairs comme la toute première priorité. Dans le même temps, 88 pour cent se disaient inquiets de perdre leurs propres compétences. C'est remarquable, car cela émane du groupe qui utilise le plus intensément cette technologie.

Cette section reflète l'état des règles accessibles au public et ne remplace pas un conseil juridique dans un cas particulier.

Comparaison internationale des exigences

Un regard au-delà des frontières en vaut la peine, car les trois systèmes ont choisi trois voies différentes : une voie professionnelle aux États-Unis, une voie réglementaire au Royaume-Uni et une voie fondée sur les compétences en Suisse.

Aux États-Unis, l'American Medical Association a délibérément opté pour le terme d'intelligence augmentée, afin de souligner le rôle d'appui par rapport au jugement médical. Son enquête 2026 auprès de 1 692 médecins montre une moyenne de 2,3 cas d'usage par personne, contre 1,1 en 2023. Les plus souvent cités étaient la synthèse de la littérature de recherche et des recommandations à 39 pour cent, la rédaction de comptes rendus de sortie et de plans de soins à 30 pour cent, et la documentation et le codage à 28 pour cent.

Au Royaume-Uni, le General Medical Council s'appuie sur les Outcomes for Graduates, publiés en 2018 et mis à jour pour la dernière fois en novembre 2020. Ils ne comportent pas d'objectif propre à l'IA, mais ils contiennent les prérequis porteurs : l'objectif 19a exige des diplômés qu'ils sachent utiliser efficacement les technologies d'aide à la décision et au diagnostic, l'objectif 19b l'application du droit de la confidentialité et de la protection des données ainsi que des procédures locales de gouvernance de l'information, et l'objectif 19e l'application des principes de l'informatique de santé dans la pratique médicale.

La Suisse pilote ses cursus à travers PROFILES, publié par la Commission interfacultés médicale suisse. La version actuelle, PROFILES 2023, relie les rôles CanMEDS aux activités professionnelles confiables et à des situations servant de points de départ. Un cadrage par activités confiables convient particulièrement bien à la question de l'IA, car il n'évalue pas des corpus de connaissances mais répond à la question de savoir quelle tâche peut être confiée sans supervision à un diplômé.

Pourquoi cela ne rend pas la profession médicale superflue

Placez côte à côte les études citées ici et un schéma très stable apparaît. Les modèles sont performants là où le problème est proprement formulé et les données complètes. Ils sont faibles, ou non évalués, là où ces deux conditions manquent. Et c'est précisément là que se situe le cœur de la médecine.

• L'anamnèse est ce qui crée les données. Aucun modèle ne peut analyser un symptôme qui n'a jamais été décrit. La qualité de toute analyse algorithmique dépend de la qualité de l'entretien qui l'a précédée.
• L'examen clinique n'est pas un jeu de données, mais un acte de recueil. Palpation, auscultation, démarche et impression clinique générale naissent au chevet du patient.
• Les décisions se prennent dans l'incertitude. Les chiffres de MASAI montrent une sensibilité de 80,5 pour cent, et non de 100. Quelqu'un doit assumer chaque incertitude résiduelle, la pondérer et l'expliquer au patient.
• La responsabilité s'attache à une personne. La réglementation européenne soumet les systèmes à haut risque en santé à une évaluation de conformité, mais elle ne remplace pas le devoir de diligence du médecin dans le cas particulier.
• C'est la combinaison qui l'emporte, pas l'outil. Dans l'étude d'anatomopathologie, la sensibilité des lecteurs expérimentés est montée à 0,986 avec l'appui de l'IA. Le gain apparaît chez ceux qui maîtrisent le domaine.

Pour les futurs étudiants, il en découle une conclusion très rassurante : le besoin se déplace, il ne disparaît pas. Ce qui change, c'est la part de la formation consacrée à la compétence en matière de données, à l'évaluation critique des outils et à la communication. Celui qui commence aujourd'hui des études de médecine exercera un métier qui change d'outils et conserve sa mission centrale.

Si vous souhaitez savoir quelle voie d'études correspond à votre situation, vous pouvez convenir avec nous d'un entretien-conseil gratuit et sans engagement.