INTELLIGENCE ARTIFICIELLE · RECHERCHE · SANTÉ
Pourquoi une IA médicale peut-elle reproduire les biais de la recherche ?
Une IA peut produire une réponse médicale brillante et pourtant incomplète. Pourquoi ? Parce qu’elle s’appuie sur les recherches déjà publiées, qui comportent elles-mêmes des lacunes, des priorités et des biais. Le Dr Richard Z. Cheng examine ce phénomène dans une analyse publiée par l’Orthomolecular Medicine News Service (OMNS), le 12 octobre 2026.
L’idée essentielle
La question n’est pas seulement : « Que disent les études ? » Elle est aussi : « Qu’a-t-on choisi d’étudier, et quelles causes n’a-t-on pas encore suffisamment explorées ? »
Explorez les trois questions essentielles
Cliquez sur un volet pour découvrir une partie de l’analyse.
＋ Pourquoi l’IA peut-elle reproduire des biais ?
Cliquez pour ouvrir ou refermer
Elle synthétise des publications et des recommandations humaines. Lorsque certaines questions reçoivent davantage de financements et de recherches que d’autres, les connaissances disponibles peuvent être déséquilibrées.
＋ Quelles questions poser devant une maladie ?
Cliquez pour ouvrir ou refermer
Au-delà du diagnostic, examiner les mécanismes possibles : antécédents, habitudes de vie, facteurs physiologiques, mesures biologiques, évolution et contexte individuel.
＋ Comment mieux examiner les études sur les vitamines ?
Cliquez pour ouvrir ou refermer
Vérifier le statut nutritionnel initial, la dose, la voie d’administration, la durée, les populations étudiées et les critères de jugement clinique.
1. La recherche médicale oriente les réponses de l’IA
Les systèmes d’intelligence artificielle apprennent à partir de millions de textes, dont des publications scientifiques, des recommandations et des documents médicaux. Cela leur donne une impressionnante capacité de synthèse. Mais les données reflètent aussi les choix humains : questions retenues, financements, méthodes et résultats publiés.
Les traitements brevetables peuvent attirer d’importants investissements. Certaines approches nutritionnelles ou préventives reçoivent moins de financements. Cela ne démontre ni leur efficacité ni leur inefficacité : cela signifie qu’il faut examiner ce qui est effectivement connu, et ce qui reste à étudier.
Une réponse fondée sur la littérature disponible n’est pas automatiquement une explication complète de la réalité biologique.
2. Traiter un diagnostic ou rechercher ses causes ?
Cheng évoque notamment le diabète de type 2. Une IA peut présenter rapidement les traitements et les objectifs glycémiques. Mais, pour comprendre pourquoi une personne a développé cette maladie, il faut également examiner la résistance à l’insuline, la composition corporelle, l’alimentation, l’activité physique, le sommeil, le contexte génétique et d’autres facteurs.
Le diagnostic décrit une situation médicale. Comprendre les mécanismes en cause demande un raisonnement plus large, adapté à chaque cas. Cette recherche de causes peut compléter les traitements éprouvés plutôt que s’y substituer.
3. Les vitamines : l’importance de la dose et du contexte
L’auteur rappelle qu’un essai portant sur une vitamine doit être interprété avec attention. Les participants disposent déjà d’apports et de réserves différents. Le bénéfice éventuel d’une supplémentation dépend notamment de leur statut initial et du protocole étudié.
Pour la vitamine C, par exemple, l’apport alimentaire, les prises orales et l’administration intraveineuse constituent des situations différentes. On ne peut pas extrapoler automatiquement les résultats obtenus par une voie à une autre.
Avant de tirer une conclusion, il faut connaître la dose, la durée, la voie d’administration, les caractéristiques des participants et les effets réellement mesurés.
Le point à retenir : une étude bien conduite répond précisément à la question qu’elle a testée. Elle ne répond pas nécessairement à toutes les questions voisines.
Infographie : comment naissent les biais d’une IA médicale ?
4. Vers une IA qui tient compte du contexte
Cheng et Eric K. Cheng défendent un cadre de raisonnement médical plus contextuel, désigné Contextual Systems Reasoning for Medical AI (CSR-MAI). Leur proposition consiste à considérer la situation du patient, l’évolution de sa santé, les mécanismes physiologiques, les causes plausibles, les limites des études, les interventions possibles et les résultats observés dans le temps.
Le principe est simple : observer → formuler une hypothèse → choisir une intervention adaptée → mesurer → réévaluer. Les auteurs présentent également I-OM.ai, une plateforme en développement associée à cette vision. Il s’agit ici d’une proposition méthodologique, et non d’une efficacité clinique démontrée par cet article.
5. Une réponse convaincante mérite tout de même d’être examinée
Une IA peut citer des études, expliquer des mécanismes et adopter un ton très assuré. Cette qualité d’expression ne garantit pas que les données soient exhaustives ni que toutes les hypothèses pertinentes aient été envisagées.
L’enjeu est donc de mieux interroger les réponses : quelles études soutiennent cette affirmation ? Quels résultats ont été mesurés ? Quelles autres explications sont plausibles ? Quelles données permettraient de distinguer ces hypothèses ?
Conclusion
L’intelligence artificielle médicale ne progressera pas seulement en lisant davantage d’études. Elle devra aussi apprendre à poser les bonnes questions. Sa grande utilité tient à la recherche, à la comparaison et à l’analyse des connaissances, en gardant une place pour les inconnues et les révisions.
Lire l’article original
Richard Z. Cheng, « The Medical AI Bias Trap: Are ChatGPT and Other AI Systems Making Us Smarter—or Just More Confidently Misled? », Orthomolecular Medicine News Service, 12 octobre 2026. Texte de réflexion et proposition de cadre d’analyse.
À découvrir également sur Très Bonne Santé : Cancer, collagène et discussion avec une IA.