Oui, des intelligences artificielles peuvent aujourd’hui repérer, à partir d’une prise de sang standard, des combinaisons de signes qui évoquent une leucémie et signaler au laboratoire qu’il faut approfondir. Ces outils ne posent pas de diagnostic seul mais servent à mettre en évidence des résultats discrets qui méritent une vérification plus rapide par un biologiste ou un hématologue.
En quoi consiste l’analyse par IA des bilans sanguins
La plupart des alertes proviennent d’une **numération formule sanguine (NFS)**, l’examen qui compte globules rouges, globules blancs et plaquettes et fournit des indices sur leur taille et leur état. Les automates modernes donnent également des mesures fines que l’œil humain n’exploite pas toujours.
Une IA apprend à reconnaître des associations subtiles entre ces valeurs et d’autres paramètres issus des machines. Elle ne crée pas une nouvelle prise de sang mais réinterprète des données déjà présentes dans le dossier du patient pour repérer des profils inhabituels.
L’objectif n’est pas de remplacer l’examen médical. L’outil doit produire une « alerte » prioritaire pour que les spécialistes regardent plus vite certains résultats et réalisent des examens complémentaires si nécessaire.
Ce que montrent les études principales
Plusieurs équipes ont publié des travaux montrant un réel potentiel tout en soulignant des limites pratiques. Ces recherches diffèrent par leur taille, leur méthode et ce qu’elles ont mesuré précisément.
AI‑PAL : une orientation vers les sous-types en milieu hospitalier
Une étude française de 2024 a entraîné un modèle sur des patients déjà diagnostiqués pour distinguer trois types majeurs de leucémie aiguë. Le travail visait surtout à orienter rapidement vers le bon sous‑type afin d’accélérer la prise en charge, et non à dépister une maladie chez des personnes asymptomatiques.
Pour la forme la plus urgente, le modèle a obtenu une très bonne discrimination selon les critères de l’étude, ce qui peut aider lorsque l’expertise n’est pas immédiatement disponible.
LeukoAlert : tests à grande échelle et évaluation prospective
Une étude publiée en 2026 a utilisé des centaines de milliers de résultats provenant de plusieurs centres pour entraîner et tester un système capable de signaler des situations associées à une leucémie. Lors d’une évaluation en conditions réelles, le modèle a obtenu une performance élevée, avec une valeur proche de 0,97 pour l’aire sous la courbe.
Cette mesure, appelée AUC, évalue la capacité d’un outil à distinguer deux états. Une AUC élevée indique que le modèle sépare bien les cas étudiés mais ne signifie pas qu’il trouvera systématiquement toutes les leucémies dans la population générale.
Tests internationaux et outils d’imagerie assistée
Des évaluations multi‑centres ont montré que les performances varient selon les populations et les laboratoires. Certaines versions prudentes des algorithmes choisissent de ne pas émettre de prédiction pour un grand nombre de cas si l’incertitude est trop élevée.
Parallèlement, des travaux ont combiné l’analyse numérique des frottis sanguins à des algorithmes pour détecter des cellules suspectes. Ces systèmes automatisent une partie du travail d’imagerie mais la relecture humaine reste essentielle.
Quels sont les principaux obstacles à une généralisation
Un outil performant dans un hôpital peut moins bien fonctionner ailleurs si les données d’entraînement ne représentent pas la diversité des patients, des appareils et des pratiques. Les biais de données sont une question centrale.
Un autre défi tient à l’équilibre entre faux positifs et faux négatifs. Trop d’alertes entraînent des examens inutiles et de l’anxiété pour les patients. Trop peu d’alertes conduisent à manquer des cas. Trouver le bon seuil est complexe et dépend du contexte clinique.
L’intégration au flux de soins oblige à définir clairement qui reçoit l’alerte, qui la contrôle et comment elle est tracée. Sans protocole clair, un signal utile peut se perdre ou créer une surcharge de travail en laboratoire.
Comment ces outils prennent place dans le parcours de soins
Dans la pratique idéale, une IA signale discrètement un résultat inhabituel, un biologiste vérifie les chiffres et, si nécessaire, un frottis ou des tests complémentaires sont demandés. L’alerte accélère la chaîne sans la remplacer.
Pour les patients, cela signifie potentiellement une vérification et orientation rapide vers un spécialiste quand c’est justifié. Pour les équipes cliniques, cela implique d’adapter les procédures et d’assurer une formation minimale à l’interprétation des alertes.
Que faire si votre prise de sang déclenche une alerte ?
Si le laboratoire vous contacte parce qu’une NFS a été signalée par un outil automatisé, voici des actions concrètes à attendre et à demander.
- Demandez quelle anomalie a motivé l’alerte et si un frottis a déjà été réalisé.
- Vérifiez que le biologiste ou le médecin va entreprendre des examens complémentaires comme l’examen microscopique des cellules ou des tests immunologiques.
- Ne paniquez pas. Une alerte signifie qu’un résultat mérite un examen plus approfondi et non qu’un diagnostic est posé.
- Si vous avez des symptômes (fatigue inhabituelle, saignements, fièvre persistante), signalez-les clairement au médecin afin qu’ils soient pris en compte.
En pratique, la règle d’or est simple : traitez l’alerte comme le début d’une investigation et non comme une conclusion. Si vous souhaitez, demandez un compte‑rendu écrit des vérifications prévues pour pouvoir suivre le dossier.
Première action concrète à retenir
Si vous êtes un professionnel de santé, testez tout nouvel algorithme dans votre propre environnement avant de le déployer et définissez des procédures claires pour la gestion des alertes. Si vous êtes patient, répondez aux appels du laboratoire et exigez une discussion avec un clinicien si une confirmation est nécessaire. Retenez que ces systèmes apportent un + pour repérer des signaux discrets mais qu’ils demandent toujours une vérification humaine pour transformer une alerte en décision médicale.