L’intelligence artificielle s’installe dans l’architecture des essais cliniques, où elle identifie les patients éligibles, les stratifie par le risque, parfois adjuge les résultats. Dans un commentaire paru le 11 juillet 2026 dans npj Digital Medicine, Johanna Blom et Luca Pani rappellent que ce déplacement change la nature du problème : lorsqu’un algorithme opaque décide qui entre dans un essai, il façonne la population sur laquelle reposera toute la preuve médicale.
Le constat n’a rien de neuf. La sous-représentation des minorités, des femmes, des personnes âgées et des populations défavorisées est une défaillance chronique. Franzen et ses collègues ont montré que les participants aux essais sur la maladie d’Alzheimer restaient massivement blancs, médiane de 94,7 %, sans amélioration significative sur près de vingt ans ; Guerra rappelle que moins de 5 % des patients atteints de cancer sont inclus dans un essai. Cette persistance ne tient pourtant pas à un manque d’effort ; les auteurs plaident donc pour une solution architecturale plutôt que pour de nouvelles exhortations.
La technologie n’est jamais neutre, et l’IA illustre cette double capacité. Elle peut amplifier les inégalités : Omar et ses collègues, sur plus de 1,7 million de sorties de neuf grands modèles de langage, ont observé que les cas étiquetés comme noirs, sans domicile ou LGBTQIA+ étaient plus souvent orientés vers des soins urgents ou des interventions invasives sans justification clinique. Le cas Obermeyer reste emblématique : un algorithme prenant la dépense de soins pour indicateur du besoin sous-priorisait les patients noirs à complexité égale, biais resté invisible jusqu’à un audit externe faute de transparence. Correctement gouvernée, l’IA peut pourtant aussi réduire les disparités, à condition d’être assez transparente pour être auditée.
De là leur notion centrale. La transparence intégrée réunit quatre propriétés présentes dès la conception : interprétabilité en amont, auditabilité démographique, gestion documentée de l’incertitude, explication adaptée à chaque partie prenante. Les auteurs distinguent la divulgation, qui rend l’information techniquement disponible, de la transparence, qui exige qu’elle parvienne au bon public sous une forme exploitable : publier une fiche de modèle relève de la première, permettre à un clinicien ou à un comité d’éthique d’interroger la logique de décision relève de la seconde. Cette transparence rend les arbitrages visibles, contestables et révisables, sans pour autant garantir l’équité.
Pour le lecteur européen, l’articulation avec le règlement 2024/1689 est directe : les systèmes d’IA en santé y sont classés à haut risque, et l’article 10 impose des jeux de données représentatifs. Je maintiens la réserve que j’exprime de longue date : ce cadre est nécessaire, à condition de ne pas se muer en complexité ingérable. Et le levier décisif demeure la formation, car un comité ne peut exiger ce qu’il ne comprend pas, et un clinicien ne peut contester une stratification qu’il ne sait pas lire.
