Un enfant recevant une injection. Photo : Kwameghana via Wikimedia Commons (CC BY-SA 4.0 Deed).

Par Chukwudi Anthony Okolue

En 2024, un cultivateur de maïs âgé de 28 ans, originaire du comté de Siaya, dans l’ouest du Kenya, s'est rendu dans une petite clinique publique parce qu'il souffrait de fièvre. Dix ans plus tôt, il aurait patienté plusieurs jours, voire plusieurs semaines, avant d’obtenir un diagnostic du paludisme, de la typhoïde ou de la dengue. En 2024, il a obtenu un résultat en quatre-vingt-dix secondes. En effet, un agent de santé communautaire a photographié une goutte épaisse à l'aide d'un simple smartphone relié à un microscope portable coûtant 50 dollars américains. Un algorithme d’intelligence artificielle a ensuite analysé l'image et indiqué avec une précision de 98,5 % qu’il était atteint de « Plasmodium falciparum ++ », une précision supérieure à celle de la plupart des techniciens de laboratoire non spécialisés du pays. Le cultivateur est reparti avec un traitement antipaludique adapté le jour même.

Ce projet pilote, mené par le ministère kenyan de la Santé avec le soutien technique de la start-up Ubenytics, est désormais actif dans plus de 420 établissements répartis dans huit comtés. Les premiers résultats de l’étude pilote publiés dans The Lancet Digital Health en mars 2025 font état d’une réduction de 31 % des prescriptions inappropriées d’antibiotiques et une baisse de 19 % des complications graves liées au paludisme dans les zones d’intervention.

Il est important d’apporter quelques précisions terminologiques. Bien que le terme « intelligence artificielle » soit largement utilisé, tant dans les milieux académiques que dans l’espace public, les systèmes évoqués ici correspondent plus précisément à des modèles de langage de grande taille. Ces modèles sont dépourvus d'intelligence générale ; ils effectuent plutôt une reconnaissance statistique rapide des modèles et une génération probabiliste de textes à partir d’énormes quantités de données d'apprentissage. Cet article utilise, lorsque cela est approprié, le terme « LLM » pour refléter cette distinction, tout en reconnaissant que l’IA reste le terme générique sous lequel ces technologies sont souvent classées.

Le Kenya n'est pas un cas isolé

En Afrique de l'Ouest, la start-up ghanéenne Chestify AI, fondée en 2020, utilise des algorithmes d’intelligence artificielle pour aider les cliniciens à interpréter les radiographies pulmonaires et d'autres imageries dans les centres de santé qui manquent de ressources. Elle génère des cartes thermiques visuelles et des scores d'anomalie, qui permettent de détecter des maladies telles que la tuberculose et la pneumonie, accélérant ainsi le diagnostic dans les endroits où les radiologues sont peu nombreux. Déployé dans 25 établissements de santé, Chestify a permis de réduire les délais de diagnostic d'environ 40 %, les rapports d’imagerie étant désormais délivrés en moins de 3 heures au lieu de plusieurs jours.

Des études de validation supervisées par l'OMS sur la détection assistée par ordinateur de la tuberculose à partir de radiographies thoraciques ont démontré des performances élevées et constantes dans les milieux à faibles ressources, avec une sensibilité globale d'environ 94,7 %, souvent équivalente ou supérieure à la précision diagnostique moyenne observée dans les milieux où les capacités en radiologie spécialisée sont limitées.

Le programme de livraison de sang par drone au Rwanda a désormais recourt à des algorithmes de routage, réduisant ainsi le temps moyen de livraison à un délai compris entre 18 et 42 minutes dans les districts difficiles d'accès.

Il ne s’agit pas de promesses pour l’avenir, mais de déploiements documentés et évalués par des pairs, déjà en cours.

Les chiffres qui justifient l'urgence de la situation sont bien connus, mais méritent d'être rappelés : l'Afrique subsaharienne représente 11 % de la population mondiale et 24 % de la charge mondiale de morbidité, mais ne dispose que de 3 % du personnel de santé mondial et de moins de 1 % des dépenses de santé mondiales. Le déficit en spécialistes est encore plus marqué : au Nigeria, par exemple, on compte environ un pathologiste pour 500 000 habitants, contre une moyenne mondiale d’un pour 25 000.

L’intelligence artificielle n’augmentera pas miraculeusement le nombre de médecins, mais son impact se fait déjà sentir dans les régions déficitaires en ressources médicales.

Elle améliore la précision des professionnels non spécialistes. En Ouganda, l’AI Health Lab de l’université Makerere et ses partenaires, dont l’Institut des maladies infectieuses et le NAAMII, utilisent des outils d’échographie obstétrique guidés par l’IA, permettant 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 à un stade précoce, lorsque leur traitement est moins coûteux et plus facile. En 2019, The Lancet a publié une étude de validation clinique d’un modèle d'apprentissage approfondi dans le cadre d'un programme de dépistage rétinien en Zambie, qui a montré une performance diagnostique excellente et plus précoce pour la rétinopathie diabétique nécessitant une prise en charge, la rétinopathie diabétique menaçant la vision et l’œdème maculaire diabétique, par rapport aux évaluations humaines. 

Il ne s'agit pas là de théorie. Les coûts baissent plus rapidement que ne le réalisent la plupart des décideurs politiques. En 2022, l’entraînement et l’exploitation d’un modèle LLM performant en microscopie du paludisme coûtaient environ 180 000 dollars. Fin 2025, le coût marginal par test dans des déploiements à grande échelle est inférieur à 0,30 dollar, ce qui est moins cher que le test de diagnostic rapide actuellement utilisé dans de nombreux endroits, une fois les coûts de distribution et de la chaîne du froid pris en compte.

Les implications sanitaires pour l'Afrique

Tout d'abord, la réglementation doit suivre le rythme. Au cours des 18 derniers mois, 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 au cours des 18 derniers mois des lignes directrices pragmatiques concernant l'IA en tant que dispositif médical, une mesure discrète mais cruciale avec laquelle de nombreuses grandes économies ont encore du mal à se conformer.

Ensuite, les données locales doivent rester locales lorsque cela s’avère nécessaire. Les algorithmes les plus performants pour la drépanocytose, le dépistage précoce du cancer du col de l’utérus ou la pneumonie pédiatrique chez les enfants africains sont entraînés à partir d'ensembles de données issus d’Afrique. Les fondateurs et les gouvernements qui insistent sur la conservation des données et la propriété locale des modèles construisent des atouts stratégiques, et pas seulement des outils de santé.

Enfin, les modèles de financement doivent passer de projets pilotes perpétuellement financés par des donateurs à une intégration pérenne dans les dispositifs nationaux de santé. Le Rwanda et le Ghana intègrent déjà les diagnostics assistés par IA dans leurs régimes nationaux d’assurance maladie. Lorsqu’un service est remboursé entre 1 et 2 dollars par test au lieu de dépendre de subventions ponctuelles, son déploiement à grande échelle devient quasi immédiat.

Risques et limites des LLM

Malgré le potentiel transformateur des grands modèles linguistiques dans le domaine de la santé, leur déploiement comporte des risques et limites importants. L’une des préoccupations les plus fréquemment évoquées est celle des hallucinations, lorsque les modèles génèrent des résultats convaincants mais erronés ou inventés. Dans des contextes cliniques ou para-cliniques, de telles erreurs peuvent avoir des conséquences graves : mauvaise interprétation d’informations médicales, recommandations inappropriées ou atteinte à la confiance dans les processus de prise de décision clinique.

Les LLM dépendent aussi fortement de la qualité, de la portée et de la représentativité de leurs données d'entraînement. Les biais inhérents aux données historiques sur les soins de santé, tels que la sous-représentation de certaines populations, peuvent être assimilés et amplifiés par ces systèmes, ce qui peut conduire à des résultats inéquitables. En outre, les LLM ne disposent ni d’une compréhension contextuelle réelle ni d’un raisonnement clinique ; ils n’ont ni intention, ni conscience, ni responsabilité, et ne doivent donc pas être considérés comme des décideurs autonomes.

Alors que des preuves largement diffusées et évaluées par des pairs concernant les dommages généralisés continuent d'apparaître, le consensus scientifique souligne la nécessité d’une supervision humaine, d’une validation rigoureuse et de garde-fous spécifiques au domaine. Les LLM doivent être envisagés comme des outils d’aide à la décision, et non comme des substituts à l’expertise médicale.

Par ailleurs, les questions relatives à la protection des données, à la sécurité et à la conformité réglementaire demeurent non résolues dans de nombreuses implémentations. En l’absence de cadres de gouvernance robustes, l’intégration des LLM dans les systèmes de santé risque de compromettre la confidentialité des patients et les normes éthiques en vigueur.

Cependant, ces avancées signifient que, d’ici 2030, un enfant né dans un village aux abords de Kisumu ou de Kumasi n’aura plus à parcourir 200 kilomètres pour savoir si une lésion cutanée est cancéreuse ou si une toux est liée à la tuberculose. Un agent de santé communautaire formé, un smartphone à 120 dollars et un modèle LLM continuellement mis à jour via la 5G fourniront une réponse en quelques minutes, et non en plusieurs mois.

Nous n'attendons pas une singularité lointaine. Dans certaines régions d’Afrique, l'avenir des soins de santé est déjà en marche, discrètement, progressivement et à une vitesse que la plupart des observateurs mondiaux sous-estiment encore.