-
Titre de l'article, la conférence ou du rapport
-
RAISE Health Symposium 2025
-
Date de publication ou diffusion
-
2025-05-14
-
Résumez le document en un bref paragraphe (Type de technologies d'IA ?)
-
Deuxième édition annuelle du symposium organisé par RAISE Health, initiative conjointe de Stanford Medicine et du Stanford Institute for Human-Centered Artificial Intelligence, dont le nom signifie Responsible AI for Safe and Equitable Health. L'événement s'est tenu à l'Assembly Hall de Stanford Health Care, avec diffusion en ligne, et la captation dure quatre heures et vingt-sept minutes.
La journée porte sur l'intégration de l'intelligence artificielle à la recherche biomédicale, à la formation et à la pratique clinique. Cinq questions y reviennent d'un segment à l'autre : la qualité et la représentativité des données qui servent à entraîner et à valider les modèles, la place accordée aux patient·es dans la conception des outils, les compétences que le personnel soignant devra acquérir, l'apport de ces technologies à la découverte scientifique, et les risques de mésusage qu'elles créent. L'équité, posée d'entrée comme principe fondateur de l'initiative, traverse l'ensemble sans jamais recevoir de définition commune.
Lloyd Minor et James Landay ouvrent la journée en présentant l'initiative et ses orientations. Suit une conférence d'ouverture, menée sous forme d'entretien entre Eric Horvitz, directeur scientifique de Microsoft, et la journaliste Kate Rooney, de CNBC, sur l'état de l'intelligence artificielle en médecine et sur la trajectoire du domaine. La session de bilan, intitulée What We've Learned in a Year, réunit ensuite Russ Altman, Curtis Langlotz, Natalie Pageler et Sanmi Koyejo, qui font le point sur l'année écoulée depuis leurs champs respectifs et insistent sur les limites des données disponibles, des populations sur lesquelles les modèles ont été validés et des mesures d'équité existantes.
Deux segments présentent les cinq projets financés par les subventions de démarrage de l'initiative. Sneha Jain y expose un travail sur le repérage des calcifications coronariennes découvertes fortuitement, Yeon Mi Hwang une refonte des indices de comorbidité, Hejie Cui une recherche sur l'évaluation des modèles de langue en contexte clinique, Jeff Hancock une étude sur la confiance des communautés racisées envers ces technologies, et Alaa Youssef un programme de formation à leur usage clinique.
Trois panels occupent le reste de la journée. Le premier, animé par Steven Lin, réunit Megan Doerr, Andrea Downing, Libby Hoy et Jennifer King, qui formulent leurs attentes à l'égard de la conception des outils et de la participation des patient·es. Le deuxième, animé par Michael Pfeffer, réunit Megan Jones Bell, Jonathan Chen et Kimberly Lomis autour des compétences à développer et de la refonte de la formation médicale. Le troisième, animé par la journaliste Riley Griffin, de Bloomberg News, réunit Kim Branson, David Magnus et Lynda Stuart, qui examinent les risques de double usage et de biosécurité. Un segment distinct, consacré à la découverte en sciences de la vie, réunit Nicolò Fusi, Brian Hie, Emma Lundberg et James Zou autour des modèles appliqués aux protéines, à la cellule et à la conduite autonome de la recherche. James Landay clôt la journée.
-
Quel est l'objectif du document?
-
Réunir les milieux de la recherche biomédicale, de la pratique clinique, de l'informatique, de l'industrie technologique, des politiques publiques et de la défense des droits des patient·es autour de l'usage responsable de l'intelligence artificielle en santé, un an après la première édition, afin de faire le bilan des avancées, d'exposer les projets financés par l'initiative et d'examiner les enjeux d'équité, de formation, de sécurité et de participation soulevés par le déploiement de ces technologies.
-
Figures narratives employées. Ex. : cerveau artificiel, assistant intelligent, compagnon, etc.)
-
Le récit emprunte au vocabulaire de la scientificité pour conférer une nécessité à des énoncés empiriquement révisables. Le théorème fondamental de l'informatique biomédicale et le dogme central de la biologie moléculaire sont invoqués comme des lois, alors que le premier est présenté par son auteur comme un point de vue et que le second est un principe historiquement révisé. La formule voulant que l'humain et l'intelligence artificielle réunis valent mieux que l'un ou l'autre seul circule comme une évidence tout au long de la journée, y compris chez ceux qui la contestent.
L'intelligence artificielle y est mise en scène sous trois rôles dramatiques. Elle est d'abord un partenaire, désigné par un signe d'addition, dont la collaboration avec le clinicien est présentée comme l'horizon souhaitable. Elle est ensuite un expert, dont les performances sont mesurées contre celles des médecins et dont les manchettes projetées à l'écran annoncent la victoire. Elle devient enfin un agent doté de rôles sociaux : le laboratoire virtuel de James Zou tient des réunions, désigne un professeur pour les résumer et un critique sceptique pour les contredire.
La temporalité du récit est celle de la révolution en cours. L'époque est située comme une inflexion historique dont on parlera dans cinq cents ans. Le registre linguistique sert à décrire le vivant : Brian Hie présente ses travaux comme une tentative d'apprendre la langue de la biologie au moyen de modèles, et il conclut sur une citation de la conférence Nobel de Frances Arnold, selon laquelle nous savons aujourd'hui lire, écrire et modifier n'importe quelle séquence d'ADN, mais non la composer. C'est cette composition qu'il annonce comme prochaine étape. L'ordre de grandeur sert enfin de ressort dramatique : un million d'examens contre vingt millions, ou encore vingt millions de cancers dont un pour cent bénéficie d'une concertation experte.
La mise en scène est enfin celle du bilan. La session de synthèse s'intitule What We've Learned in a Year, ce qui inscrit chaque constat, y compris les plus défavorables, dans une trajectoire d'apprentissage plutôt que dans un régime d'objection.
-
Quels sont les enjeux soulevés autour de l'IA ?
-
Diagnostic et décision médicale assistés par IA
-
Relation soignant-soigné médiatisée par l'IA
-
Santé mentale et interactions avec les agents conversationnels
-
Position de l'IA/Technologie au sein du récit
-
L'intelligence artificielle est le sujet central et exclusif du récit, qui lui consacre l'intégralité de son programme. Elle n'y est pas traitée comme un objet extérieur qu'on examinerait à distance, mais comme une transformation déjà en cours dont il s'agit d'accompagner le déploiement. Le statut qui lui est accordé est double et jamais explicitement articulé : elle est à la fois l'objet d'étude d'un bilan scientifique et le motif de l'existence de l'institution qui organise l'événement.
Sa position dans le récit est celle d'un acteur de transformation dont l'arrivée n'est pas discutée. La question posée n'est jamais celle de son adoption, mais celle des conditions de sa mise en œuvre : quelles données, quelles populations, quelles compétences, quelles garanties. Les segments qui en exposent les limites, nombreux et portés par des personnes que l'institution finance, portent sur la qualité de la preuve ou sur les modalités du déploiement, jamais sur sa nécessité.
Le récit lui accorde enfin une position d'interlocuteur. Elle est décrite comme un partenaire du clinicien, un examinateur des travaux scientifiques, un agent tenant des réunions. Cette personnification n'est pas présentée comme une métaphore mais comme une description de fonctionnement, ce qui contribue à la situer parmi les acteurs du système de santé plutôt que parmi ses instruments.
-
Quelles sont les promesses et bénéfices soulevées autour de l'IA ?
-
Accélération de la recherche scientifique
-
Collaboration humain-machine
-
Démocratisation du savoir et de l'accès
-
Optimisation des systèmes et des processus
-
Réduction des inégalités sociales
-
Révolution des soins et de la santé
-
Figures de l'IA
-
L'IA comme décideur
-
L'IA comme expert
-
L'IA comme infrastructure
-
L'IA comme partenaire
-
L'IA comme révolution
-
Cadrages idéologiques
-
Déterminisme technologique
-
Éthique et responsabilité
-
Justice algorithmique et égalité
-
Neutralité algorithmique (l'IA présentée comme objective)
-
Progressisme réformiste
-
Techno-solutionnisme
-
Effets sur les spectateur.ices / public
-
Ambivalence
-
Enthousiasme / excitation
-
Méfiance / scepticisme
-
Risques et mises en garde
-
Biais algorithmiques et discriminations
-
Concentration économique et monopoles technologiques
-
Érosion de l'autonomie humaine et du libre arbitre
-
Fractures numériques et inégalités d'accès
-
Opacité algorithmique et déficit de transparence
-
Remise en cause de l'expertise humaine
-
Surveillance et atteinte à la vie privée
Megan Doerr
Andrea Downing
Jeffrey T. Hancock
Libby Hoy
Jennifer King
Sneha S. Jain
James Landay
Steven Lin
Lloyd B. Minor
Eric Horvitz
Sanmi Koyejo
Curtis P. Langlotz
Kimberly D. Lomis
David Magnus
Natalie M. Pageler
Megan Jones Bell
Jonathan H. Chen
Hejie Cui
Alaa Talaat Youssef
James Zou
Stanford Medicine
Stanford Institute for Human-Centered Artificial Intelligence
Invitées sans pouvoir de décision : la hiérarchie de la parole patiente et les trois demandes du panel
L'équité comme signifiant consensuel : diagnostic partagé, remèdes incompatibles
La critique inscrite au programme : énoncer la contradiction sans avoir à la résoudre
La frontière qui recule : ce qui échappe à la donnée et ce qui n'y échappe plus
La charge adaptative renversée : qui doit s'ajuster à quoi
Artificial Intelligence Index Report 2025, Chapter 5: Science and Medicine
Artificial Intelligence Index Report 2026, Chapter 6: Medicine
On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?
Epistemic injustice in healthcare: a philosophical analysis
Large Language Model Influence on Diagnostic Reasoning: A Randomized Clinical Trial
From tokenism to empowerment: progressing patient and public involvement in healthcare improvement
Participation Is not a Design Fix for Machine Learning
US FDA Approval of Pediatric Artificial Intelligence and Machine Learning-Enabled Medical Devices
Standing on FURM Ground: A Framework for Evaluating Fair, Useful, and Reliable AI Models in Health Care Systems
Algorithmic Changes Are Not Enough: Evaluating the Removal of Race Adjustment from the eGFR Equation
Geographic Distribution of US Cohorts Used to Train Deep Learning Algorithms
Institutional Ecology, 'Translations' and Boundary Objects: Amateurs and Professionals in Berkeley's Museum of Vertebrate Zoology, 1907-39
Benchmark suites instead of leaderboards for evaluating AI fairness
ESR: Ethics and Society Review of Artificial Intelligence Research
Ethics and society review: Ethics reflection as a precondition to research funding
Extracting Training Data from Large Language Models
A scoping review of reporting gaps in FDA-approved AI medical devices
Ironies of Automation
A « Fundamental Theorem » of Biomedical Informatics
Automation Makes Us Dumb
Quand l'intelligence artificielle générative transforme la santé
Cognitively assistive robots for dementia care
Abridge
DeepMind Health — Streams
Collective AI Rights For Patients
A.I.’s impact on nursing and health care
Denied by AI