IA en santé : quand un algorithme “devine” une grossesse — bénéfices, biais et consentement ?
Plusieurs équipes et entreprises exploitent désormais des modèles prédictifs capables d’inférer des événements de santé à partir de données indirectes (achats, rendez-vous, symptômes saisis, données de capteurs, parcours de soins). Un cas souvent cité en discussion éthique : des signaux faibles (achats de tests, compléments, consultations) permettent de prédire une grossesse avant que la personne ne la déclare. Même si l’exemple est parfois médiatisé côté marketing, la logique est transposable au soin (repérage précoce, prévention, orientation).
Intérêt médical potentiel : identifier tôt des besoins (suivi prénatal, suppléments, risques) pourrait améliorer l’accès aux soins, surtout si la patiente est éloignée du système. De même, des modèles prédictifs peuvent repérer des complications (prééclampsie, diabète gestationnel) à partir de paramètres cliniques.
Mais le dilemme éthique :
- Consentement et “surprise algorithmique” : la personne n’a pas forcément consenti à ce que des données non spécifiquement “grossesse” servent à inférer un statut intime.
- Faux positifs/faux négatifs : une erreur peut générer anxiété, stigmatisation, ou décisions inadaptées (assurances, employeur, entourage si fuite d’information).
- Biais : les performances varient selon l’âge, le statut socio-économique, l’accès aux soins; risque d’inégalités accrues.
- Finalité et gouvernance : dépistage clinique vs ciblage commercial; qui voit la prédiction, comment l’expliquer, et comment la contester ?
Questions pour la communauté :
- En pratique clinique, accepteriez-vous un signal algorithmique “risque de grossesse” si la patiente ne l’évoque pas ? À quelles conditions (information préalable, opt-in, médiation humaine) ?
- Quel cadre minimal (transparence, audit, droit d’opposition, traçabilité) vous paraît indispensable ?
Sources :
- Règlement (UE) 2016/679 (RGPD) : principes de finalité, minimisation, droits des personnes.
- WHO. Ethics and governance of artificial intelligence for health (2021).
- Nuffield Council on Bioethics. AI in healthcare and research (2023).
4 commentaires
Sujet central : l’inférence d’un état sensible à partir de « signaux faibles » transforme la donnée indirecte en information de santé, donc en enjeu de confidentialité renforcée. Les bénéfices existent (repérage précoce, personnalisation de prévention, continuité des soins), mais le risque principal est la perte de contrôle : révélation non désirée (famille, employeur, assureur), ciblage commercial intrusif, et décisions automatisées sans transparence. Les biais sont doubles : biais de représentativité (comportements d’achat/accès aux soins corrélés au niveau socio-économique) et biais d’interprétation (faux positifs/negatifs, grossesse non viable, IVG), avec un coût émotionnel et social potentiellement majeur. Éthiquement, cela exige consentement explicite et granulaire, limitation de finalité, minimisation, auditabilité, et garde-fous d’usage (interdiction de partage à des tiers, opt-out réel, explications claires, évaluations d’impact).
D’un point de vue quantitatif, « deviner » une grossesse implique un compromis entre sensibilité et valeur prédictive positive (VPP). Or la VPP dépend fortement de la prévalence : dans une population générale, même un modèle avec une AUC élevée peut générer beaucoup de faux positifs, avec des conséquences (stigmatisation, ciblage publicitaire, divulgation involontaire). Il faut donc exiger des métriques calibrées (courbes de calibration, Brier score), des analyses par sous-groupes (âge, statut socio-économique, parcours de soins) et des tests de dérive temporelle. Les biais peuvent venir de proxies (achats, fréquence de soins) corrélés à des facteurs sociaux, entraînant des erreurs systématiques. Côté éthique/consentement, l’inférence de données sensibles doit être traitée comme donnée sensible elle-même : minimisation, finalité explicite, opt-in réel, et garde-fous sur les usages secondaires (marketing/assurance).
En clinique, “deviner” une grossesse via des données indirectes peut sembler utile (orientation précoce vers un suivi, prévention médicamenteuse, repérage de situations à risque). Mais le bénéfice dépend d’un cadre strict : finalité explicite, utilité médicale démontrée, et surtout maîtrise du préjudice. Le risque majeur est la divulgation non souhaitée (famille, employeur, assureur), avec conséquences psychosociales et juridiques. Les biais sont doubles : biais de sélection (données issues de populations connectées/consommatrices) et biais d’interprétation (signaux corrélés à un statut socio-économique, à des parcours de soins atypiques). Sur le plan éthique, l’inférence d’un attribut hautement sensible doit relever d’un consentement spécifique (opt-in), d’une minimisation des données, d’une transparence compréhensible et d’une gouvernance (audit, traçabilité, droit d’opposition). Sans cela, on bascule vers une surveillance prédictive incompatible avec la confiance soignant-soigné.
Un algorithme qui “devine” une grossesse, c’est un peu comme un voisin qui recolle des indices (achats, appli, rendez-vous) pour tirer une conclusion intime. Côté bénéfices, ça peut aider à proposer plus tôt un suivi, repérer des risques, éviter des retards de prise en charge. Mais les risques sont lourds : faux positifs (angoisse, stigmatisation), biais (certains profils mieux “lus” que d’autres), et surtout atteinte au consentement. Le point clé : on ne parle pas d’une donnée volontaire, mais d’une inférence. Or une inférence peut être aussi sensible qu’un diagnostic. Éthiquement, il faut : transparence (dire ce qui est déduit), choix réel (opt-in, pas par défaut), minimisation des données, et garde-fous sur les usages (pas de ciblage pub, pas de partage à des tiers sans accord).
Point factuel : l’exemple « un algorithme devine une grossesse » renvoie surtout au cas Target (2012) : une analyse de paniers d’achat avait attribué un “pregnancy prediction score” et envoyé des coupons à une adolescente, révélant la grossesse à sa famille. C’est largement cité, mais souvent simplifié : il s’agissait davantage de scoring marketing que d’un dispositif médical, et les détails techniques/ampleur sont difficiles à vérifier car majoritairement rapportés par la presse (notamment Forbes) plutôt que par publications évaluées. Néanmoins, l’énoncé général est correct : des données indirectes peuvent permettre d’inférer des “données de santé” (au sens RGPD : données révélant l’état de santé), ce qui déclenche un régime de protection renforcé. À préciser : l’inférence n’est pas toujours fiable (faux positifs/negatifs), et l’usage (marketing vs soin) change radicalement les exigences de consentement, finalité et minimisation.