Dix ans d’évolution réglementaire : règles et recherches mondiales sur les dispositifs médicaux d’IA, 2015—2025

Dix ans d'évolution réglementaire : règles et recherche mondiales sur les dispositifs médicaux d'IA, 2015-2025

Introduction

Lorsqu'un produit d'IA médicale voit son algorithme mis à jour tous les quelques mois en raison de nouvelles données, que doivent exactement approuver les autorités de réglementation ? Approuver une version fixe du logiciel, ou approuver un ensemble de règles lui permettant d'évoluer continuellement dans certaines limites ?

Cette question est passée, au cours de la dernière décennie, d'une hypothèse académique à une véritable ingénierie des politiques publiques. Le 17 juillet 2025, la rubrique Science réglementaire de « Frontiers in Medicine » a publié l'article de synthèse « A decade of review in global regulation and research of artificial intelligence medical devices (2015–2025) », réalisé conjointement par des chercheurs de l'Université pharmaceutique de Shenyang et de l'Hôpital de l'Union médicale de Pékin de l'Académie chinoise des sciences médicales. À l'aide de la méthodologie PRISMA, l'étude a systématiquement passé en revue les politiques réglementaires et les recherches académiques sur les AIMD de 2015 à 2025 sur cinq grands marchés — États-Unis, Union européenne, Chine, Japon et Corée du Sud —, incluant finalement 73 articles académiques et 27 études de politiques.

Il ne s'agit pas d'une revue technique. Elle traite des règles — et les règles sont en train de devenir la variable la plus concrète de l'industrialisation de l'IA médicale.

Contexte sectoriel

Les dispositifs médicaux d'IA (AIMD) désignent des logiciels ou des combinaisons matériel-logiciel qui utilisent des algorithmes d'apprentissage automatique pour analyser des données médicales multimodales et sont réglementés en tant que dispositifs médicaux ; leurs applications couvrent notamment la prédiction en temps réel du sepsis, le dépistage automatisé de la rétinopathie et la stratification du risque de cancer.

Le problème tient à deux caractéristiques techniques : l'apprentissage adaptatif (adaptive learning) et l'opacité algorithmique (algorithmic opacity).

La logique réglementaire des dispositifs médicaux traditionnels repose sur une prémisse implicite : la forme du produit au moment de son approbation est celle qu'il aura après sa mise sur le marché. Or les SaMD (logiciels en tant que dispositifs médicaux) fondés sur l'apprentissage automatique sont exactement l'inverse : ils évoluent continuellement à mesure que les données s'accumulent. Les autorités de réglementation doivent donc répondre simultanément à deux questions qui s'opposent : comment garantir la sécurité des patients, et comment ne pas étouffer l'innovation en santé au stade de l'approbation.

Développements clésÉtats-Unis : du projet pilote de pré-certification au plan prédéfini de contrôle des modifications. La voie de la FDA est la plus complète. Le Digital Health Innovation Action Plan de 2017 a favorisé la modernisation réglementaire des produits de santé numériques et lancé des projets pilotes tels que la pré-certification logicielle (Pre-Cert) ; le document de discussion de 2019 « Proposed Regulatory Framework for Modifications to AI/ML-Driven Software as a Medical Device » a proposé un modèle réglementaire orienté vers le cycle de vie total du produit (TPLC), dont le mécanisme central est le plan prédéfini de contrôle des modifications (PCCP), qui permet aux fabricants de prédéfinir les paramètres de mise à jour de l’algorithme dans la soumission pré-commercialisation, afin d’effectuer des modifications après mise sur le marché dans les limites de sécurité approuvées. Le plan d’action logiciel AI/ML de 2021 a formalisé ce cadre et mis l’accent sur la surveillance des performances après mise sur le marché ; le projet de lignes directrices de 2023 sur les soumissions de PCCP avant mise sur le marché a en outre précisé les conditions admissibles et les exigences de soumission pour les modifications d’algorithme.

Union européenne : une entrée par la classification des risques. Le règlement européen sur l’intelligence artificielle (AI Act) a introduit pour les AIMD des exigences de classification fondées sur les risques, en liant les obligations de conformité des systèmes d’IA à leur niveau de risque pour la santé et la sécurité.

Chine : les lignes directrices d’évaluation technique en premier. L’Administration nationale des produits médicaux (NMPA) de Chine a publié en 2022 des principes directeurs d’évaluation technique des dispositifs médicaux d’IA, fournissant une base d’évaluation relativement claire pour les dossiers d’AIMD sur le territoire.

Japon : un cadre conçu pour l’« IA qui évolue ». L’Agence japonaise des produits pharmaceutiques et des dispositifs médicaux (PMDA) a construit un cadre réglementaire pour l’IA adaptative, tentant d’équilibrer responsabilité algorithmique et flexibilité réglementaire.

Corée du Sud : une progression en parallèle. Le ministère coréen de la Sécurité des produits alimentaires et des médicaments (MFDS) établit également une voie réglementaire nationale pour les AIMD.

La synthèse présente côte à côte, sous forme de tableau comparatif, les différences d’approche réglementaire entre les cinq régions — ces différences sont précisément la véritable source des coûts de conformité des entreprises multinationales.Les segments concernés sont assez clairs : les développeurs d’IA d’imagerie médicale et de SaMD sont en première ligne ; les plateformes de santé numérique et les fabricants d’appareils portables et de télésurveillance dotés de capacités de collecte de données de vie réelle et de suivi des performances verront s’ouvrir de nouveaux espaces de valeur, à mesure que les exigences des payeurs en matière de preuves augmentent ; du côté des hôpitaux, ce sont eux qui supportent in fine les règles — les décisions d’achat et de remboursement par l’assurance maladie reposent de plus en plus sur des preuves cliniques vérifiables.

Mais la revue fournit aussi deux séries de données qui refroidissent les ardeurs. Premièrement, moins de 30 % des AIMD divulguent la diversité démographique de leurs ensembles de données d’entraînement, de sorte que les biais algorithmiques manquent de base auditable. Deuxièmement, environ 43 % des AIMD approuvés ou autorisés par la FDA manquent de données de validation clinique, et seulement 28 % ont fait l’objet de tests prospectifs de validation du dispositif.

Pour l’industrie des soins de santé, cela signifie qu’une réglementation souple ne se traduit pas par un marché souple. Les payeurs, les commissions d’achat des hôpitaux et les services cliniques filtreront les produits d’IA médicale selon des critères plus stricts que ceux de la réglementation.

Défis et risques

Le coût de la mondialisation lié aux divergences de normes. Les règles des cinq grands marchés montrent certes des signes de convergence, mais les critères de classification des risques, les exigences de contrôle des modifications et les normes de preuve restent hétérogènes ; les investissements redondants pour les soumissions multinationales sont difficiles à éviter.

Le défi de la surveillance après mise sur le marché des algorithmes adaptatifs. Lorsque les algorithmes apprennent en continu dans le monde réel, ce dont les autorités de régulation ont besoin, c’est d’une capacité de surveillance continue, et non d’une conclusion d’approbation unique — ce qui impose de nouvelles exigences aux compétences techniques de ces autorités elles-mêmes.

Diversité des données et équité des algorithmes. L’insuffisance de divulgation des données d’entraînement rend les biais difficiles à quantifier et difficiles à imputer dans les documents réglementaires.

Le déficit de validation clinique. De nombreux AIMD déjà approuvés manquent de validation prospective ; ce déficit ne sera pas comblé automatiquement par l’amélioration du cadre réglementaire, mais nécessitera que les entreprises de technologie de santé et les établissements de santé investissent ensemble dans la recherche en vie réelle.

Le retard relatif de la science réglementaire. L’évolution technologique reste plus rapide que l’itération des règles, une tension structurelle de longue date dans les domaines de l’innovation biotechnologique et des dispositifs médicaux.

Perspectives d’avenir

Au cours des 3 à 5 prochaines années, la réglementation des AIMD devrait très probablement progresser selon trois axes.

Premièrement, passer du « point d’approbation » à la « gouvernance du cycle de vie ». Les mécanismes de gestion des changements fondés sur l’approche PCCP pourraient être repris ou adaptés localement par davantage de juridictions, et la surveillance des performances après mise sur le marché passera d’un acte volontaire à une exigence de conformité obligatoire.

Deuxièmement, les preuves de vie réelle entrent au cœur de la réglementation et du remboursement. Comme le déficit de validation de 43 % est mentionné à plusieurs reprises, les exigences des autorités de régulation, des hôpitaux et des payeurs en matière de données de performance en vie réelle après mise sur le marché augmenteront en parallèle.Troisièmement, la coordination transnationale passe des initiatives au niveau opérationnel. L’approche de classification des risques de l’AI Act de l’Union européenne pourrait servir de modèle de référence à d’autres marchés lorsqu’ils conçoivent des règles de classification des AIMD, et la reconnaissance mutuelle des normes entre les cinq grands marchés sera une variable clé déterminant la vitesse de mondialisation des produits d’IA pour la santé.

Conclusion

En dix ans, la réglementation des AIMD a accompli un changement de paradigme : les régulateurs ne demandent plus seulement « cet algorithme est-il précis ? », mais commencent à demander « comment cet algorithme va-t-il évoluer dans un environnement clinique réel, et qui sera responsable de ces évolutions ? ». Pour les entreprises de HealthTech, cela signifie que la conformité n’est plus un seuil que l’on franchit une fois pour toutes, mais une capacité à maintenir dans la durée. Lorsque les règles commencent à rattraper la technologie, la véritable ligne de démarcation apparaît alors — la concurrence dans l’IA médicale à la prochaine étape ne résidera pas dans le nombre de paramètres du modèle de chacun, mais dans la capacité de chacun à prouver en continu que son modèle reste sûr, efficace et explicable dans le monde réel.