IA et données de santé : ce que l'hôpital doit maîtriser en 2026

L'essentiel en 30 secondes

Introduction

L'intelligence artificielle est devenue l'argument numéro un des éditeurs de logiciels de santé. Pourtant, dans les directions des systèmes d'information hospitalières, une autre réalité s'impose : des projets d'IA prometteurs qui échouent, non pas à cause des algorithmes, mais à cause des données qui les alimentent. Données éparpillées entre les services, formats hétérogènes, hébergement inadapté : une grande partie des difficultés apparaît bien avant le choix de l’algorithme.

La question n'est donc plus « quelle IA choisir ? » mais « mes données de santé sont-elles prêtes ? ». C'est précisément sur cette conviction que Galeon construit son DPI intelligent depuis 2016, avec les soignants : le dossier patient informatisé déployé dans 19 hôpitaux, dont 2 CHU, structure aujourd'hui plus de 3 millions de dossiers patients aux côtés de plus de 10 000 soignants.

Une IA de santé ne vaut que ce que valent les données qui l'ont entraînée. Cette phrase résume l'enjeu de 2026 pour les hôpitaux français, au moment où le Ségur du numérique en santé, doté de 2 milliards d'euros, pousse l'ensemble du secteur vers l'interopérabilité et où l'AI Act européen entre progressivement en application.

Cet article passe en revue ce que chaque DSI et directeur d'hôpital doit maîtriser : la qualité des données, la certification HDS, les nouvelles obligations réglementaires et les architectures qui permettent d'entraîner une IA sans jamais exposer les dossiers patients.

Pourquoi l'IA en santé dépend-elle d'abord de la qualité des données ?

Parce qu'un modèle d'IA apprend uniquement de ce qu'on lui montre : des données incomplètes, redondantes ou mal codées produisent des prédictions biaisées, quelle que soit la puissance de l'algorithme.

Le secteur de la santé est paradoxal : il génère près de 30 % des données produites dans le monde selon les estimations de RBC Capital Markets, mais une grande partie reste inexploitable. Comptes rendus en texte libre, doublons entre logiciels, terminologies non alignées (CIM-10, SNOMED, LOINC) : le quotidien d'un DIM (département d'information médicale) consiste encore trop souvent à réconcilier des sources contradictoires.

La conséquence est directe pour les projets d'IA : les équipes data passent l'essentiel de leur temps à nettoyer et structurer les données avant même d'entraîner un modèle. C'est pour éviter ce mur que Galeon a fait un choix d'architecture radical : la structuration des données à la source, validée par les soignants eux-mêmes au moment de la saisie. Une donnée bien née n'a pas besoin d'être réparée.

Pour un hôpital, le critère de choix d'un DPI en 2026 n'est donc plus seulement fonctionnel : c'est la capacité du logiciel à produire des données structurées, codées et prêtes pour la recherche et l'IA. Nous détaillons ce point dans notre article sur la médecine prédictive à l'hôpital.

Qu'est-ce que la certification HDS et pourquoi concerne-t-elle vos projets d'IA ?

La certification HDS (Hébergeur de Données de Santé) est le cadre légal français qui encadre l'hébergement des données de santé à caractère personnel : dès que cet hébergement est confié à un tiers (éditeur de logiciel, hébergeur cloud), ce prestataire doit être certifié HDS.

Délivrée par des organismes accrédités sous le contrôle de l'Agence du Numérique en Santé, cette certification couvre la sécurité physique des infrastructures, la continuité de service, la réversibilité et la protection contre les accès non autorisés. Le référentiel HDS 2024, aligné sur la norme ISO 27001:2022, a renforcé les exigences, notamment sur la localisation des données dans l'Espace économique européen.

Le lien avec l'IA est direct : entraîner un modèle sur des dossiers patients, c'est traiter des données de santé. Si votre pipeline d'entraînement copie les données vers un cloud non certifié, l'ensemble du projet devient non conforme, quel que soit l'intérêt clinique du résultat. Pour de nombreux projets, ces questions de conformité et d’hébergement constituent un frein important.

Trois questions simples permettent d'auditer un projet en quelques minutes : où les données sont-elles hébergées pendant l'entraînement ? Le prestataire est-il certifié HDS ? Les données quittent-elles le périmètre de l'hôpital ? Si la réponse à la dernière question est oui, il existe désormais une alternative.

Comment entraîner une IA médicale sans faire sortir les données de l'hôpital ?

C'est ce que permet l'apprentissage décentralisé : au lieu de centraliser les dossiers dans un entrepôt unique, on entraîne le modèle localement dans chaque hôpital, et seuls les paramètres d'apprentissage sont partagés.

Galeon a industrialisé cette approche avec le Blockchain Swarm Learning® : les hôpitaux du réseau entraînent ensemble des modèles d'IA, via une coordination par blockchain, sans qu'aucun dossier patient ne quitte jamais les serveurs de l'établissement. Chaque hôpital garde la maîtrise de ses données, qui restent sur ses serveurs, tout en bénéficiant d'un modèle enrichi par l'expérience collective du réseau.

Cette architecture allège les trois freins classiques des projets d'IA multi-établissements : le frein juridique (moins de transferts de données, donc des conventions de mise à disposition simplifiées), le frein sécuritaire (limiter la circulation des dossiers réduit la surface d'exposition) et le frein politique (aucun établissement n'a à « donner » ses données à un tiers). Ces bénéfices n'exonèrent pas d'une analyse de conformité au cas par cas.

Au-delà de la technique, l'enjeu est que la valeur créée par l'IA bénéficie aussi aux hôpitaux qui produisent la donnée, plutôt qu'à des acteurs extérieurs.

Que changent le RGPD et l'AI Act pour les projets d'IA hospitaliers en 2026 ?

L'essentiel tient en une phrase : la conformité ne s'ajoute plus à la fin d'un projet d'IA, elle se conçoit dès le départ.

Côté RGPD, les fondamentaux restent inchangés : base légale claire, minimisation des données, information des patients, analyse d'impact (AIPD) pour les traitements à grande échelle. Notre guide RGPD et données de santé pour les DSI détaille les obligations concrètes établissement par établissement.

La nouveauté de la période 2025-2027, c'est l'entrée en application progressive du règlement européen sur l'IA (règlement UE 2024/1689, dit AI Act). Une partie des IA à visée clinique peut relever du « haut risque », selon l'usage, le niveau d'autonomie et l'impact sur le patient. Pour ces systèmes, cela implique : documentation technique complète, jeux de données d'entraînement gouvernés et tracés, journalisation, supervision humaine effective et, pour les dispositifs médicaux concernés, marquage CE.

Pour un DSI, la traduction opérationnelle est la suivante : exiger de chaque fournisseur d'IA la traçabilité de ses données d'entraînement et sa feuille de route AI Act. Un éditeur incapable de répondre à ces deux questions en 2026 fait courir un risque réglementaire à l'établissement.

Quels bénéfices concrets pour le DSI et pour les soignants ?

Pour le DSI

Le bénéfice principal est architectural : un DPI qui structure les données à la source limite l'accumulation de dette technique. Interopérabilité native (compatibilité Ségur, échanges avec Mon Espace Santé), hébergement certifié HDS, et un socle de données prêt pour chaque nouveau cas d'usage IA, sans projet de migration supplémentaire.

Pour les soignants

L'IA n'a de sens que si elle rend du temps médical. Structurer la donnée à la saisie, c'est aussi : moins de double saisie, des synthèses automatiques fiables, des protocoles à jour accessibles au bon moment. L'objectif visé est clair : alléger la charge mentale des équipes, un critère de réussite au moins aussi important que la performance algorithmique.

Tableau comparatif : DPI traditionnel vs approche Galeon

Limites et enjeux à connaître

Il serait malhonnête de présenter l'IA hospitalière comme un chemin sans obstacles. Voici les principales limites à garder en tête en 2026.

• La qualité des données historiques reste un chantier. Structurer à la source règle l'avenir, pas le passé : les années de comptes rendus en texte libre demandent toujours un travail de reprise dont le coût est souvent sous-estimé.
• L'apprentissage décentralisé ne supprime pas la gouvernance. Même sans transfert de données, il faut harmoniser les pratiques de codage entre établissements et arbitrer les priorités d'entraînement : c'est un travail humain et médical, pas seulement technique.
• Le cadre réglementaire est encore mouvant. Les actes d'application de l'AI Act s'échelonnent jusqu'en 2027, et certaines interprétations (notamment l'articulation avec le règlement sur les dispositifs médicaux) restent à stabiliser. Les feuilles de route doivent prévoir cette incertitude.
• La conduite du changement est le vrai facteur limitant. Un modèle performant mal intégré au flux de travail des soignants ne sera pas utilisé. L'adoption se gagne service par service, avec des référents cliniques, pas par déploiement descendant.
• Les compétences data restent rares à l'hôpital. DIM renforcés, data managers, DPO aguerris à l'IA : le recrutement et la formation conditionnent la vitesse d'exécution autant que la technologie.

FAQ

L'IA va-t-elle remplacer les médecins à l'hôpital ?
Non. Les IA cliniques actuelles assistent le diagnostic, automatisent des tâches documentaires et signalent des risques, mais la décision médicale reste humaine, et l'AI Act impose d'ailleurs une supervision humaine effective pour les systèmes à haut risque.

Un hôpital peut-il utiliser un cloud public américain pour ses données de santé ?
Uniquement si l'offre est certifiée HDS et conforme aux exigences de localisation du référentiel en vigueur. Au-delà de la conformité formelle, la question de la souveraineté et de l'exposition à des législations extraterritoriales doit être posée au niveau de la direction.

Qu'est-ce que le Swarm Learning® concrètement ?
C'est une méthode d'entraînement décentralisé : chaque hôpital entraîne le modèle sur ses propres serveurs, et seuls les paramètres appris sont partagés et agrégés via une coordination blockchain. Les dossiers patients ne quittent jamais l'établissement.

Combien coûte la mise en conformité HDS pour un hôpital ?
Si l'hôpital héberge lui-même, la certification concerne son infrastructure ; s'il passe par un éditeur ou un hébergeur, c'est à ce prestataire d'être certifié. Le coût pour l'établissement se déplace donc vers la vérification contractuelle et l'audit des sous-traitants.

Comment mesurer la qualité des données de son DPI ?
Quatre indicateurs simples : taux de champs structurés (vs texte libre), taux de codage des diagnostics et des actes, taux de doublons patients, et délai entre l'acte et sa documentation complète. Un audit initial sur ces quatre axes suffit à établir une base de départ.

En résumé

En 2026, la réussite d'un projet d'IA hospitalier se joue sur les fondations : des données structurées à la source et validées par les soignants, un hébergement certifié HDS, une traçabilité compatible avec le RGPD et l'AI Act, et une architecture qui n'exige pas de faire sortir les dossiers patients de l'établissement. L'apprentissage décentralisé rend désormais possible ce qui semblait contradictoire : entraîner des modèles à l'échelle d'un réseau d'hôpitaux tout en gardant les dossiers patients au sein de chaque établissement. C'est le chemin que trace Galeon depuis 2016 : un DPI intelligent co-construit avec les soignants, déployé dans 19 hôpitaux dont 2 CHU, structurant plus de 3 millions de dossiers, et un modèle où la valeur créée par l'IA revient d'abord à ceux qui produisent la donnée, les hôpitaux.

Envie d'aller plus loin ? Lisez notre guide sur la certification HDS en 2026

Sources

• Ministère de la Santé, Ségur du numérique en santé (programme de 2 milliards d'euros)
• Agence du Numérique en Santé (ANS), Certification HDS, hébergeur de données de santé
• Règlement européen sur l'IA (UE) 2024/1689 (classification « haut risque » des IA cliniques)
• CNIL, RGPD : base légale, minimisation, analyse d'impact (AIPD)
• RBC Capital Markets, The healthcare data explosion (~30 % du volume mondial de données)
• Galeon, Médecine prédictive à l'hôpital : pourquoi l'IA dépend d'abord de la qualité des données
• Galeon, RGPD et données de santé : ce que tout DSI d'hôpital doit savoir en 2026
• Galeon, Certification HDS en 2026 : ce que chaque hôpital doit vérifier avant de signer

‍