Caméras IA au bloc : bénéfices, risques et règles
Au CHU de Gdańsk, l’IA vidéo de VitVio suit les opérations. Usages, bénéfices, risques liés au RGPD et calendrier de l’AI Act : découvrez les points à vérifier.
Des caméras IA au bloc opératoire : le test grandeur nature de Gdańsk
Installer des caméras dans un bloc opératoire n'est plus de la science-fiction. À Gdańsk, en Pologne, le centre clinique universitaire déploie Vetro, une plateforme de VitVio qui combine vidéo et capteurs pour suivre le déroulement d'une intervention, repérer certains retards et aider à préparer les équipes. Sur le papier, l'idée est simple : mieux organiser le travail sans demander aux soignants de saisir encore plus de données.
Mais un bloc opératoire, ce n'est pas une salle « comme les autres ». On y trouve des données sensibles, des gestes professionnels très encadrés et des exigences de sécurité fortes. Voir une salle peut améliorer la coordination - ou être vécu comme une façon d'évaluer les équipes. Et cette nuance compte vraiment : elle change les responsabilités, ce qui doit être contrôlé, et parfois le cadre réglementaire qui s'applique.
En plus, il y a l'actualité européenne : selon les informations disponibles, les règles de l'AI Act visant certaines catégories de systèmes liés à l'emploi ne s'appliqueront qu'en décembre 2027. Alors, qu'est-ce que ce déploiement de VitVio dit (concrètement) sur les usages, les gains possibles et les questions à trancher avant d'installer ce type de technologie ?
Ce que VitVio déploie dans le bloc de Gdańsk
Le centre clinique universitaire de Gdańsk, affilié à l'université médicale de la ville, dit être le premier hôpital polonais à adopter la plateforme Vetro. Le déploiement débute dans certaines salles. D'après les éléments publiés, le distributeur local Medim coordonne l'installation. L'établissement compte 1 241 lits et 4 834 employés : on est donc sur un site hospitalier de grande taille, où les questions de coordination se posent forcément.
Vetro s'appuie sur plusieurs caméras et des capteurs ambiants. Le système transforme les images en une représentation géométrique de la salle, puis utilise des agents logiciels pour reconnaître des étapes de l'intervention et coordonner les activités entre les opérations. L'objectif annoncé n'est pas de « décider » médicalement à la place du chirurgien : il s'agit plutôt de rendre visibles des informations sur le déroulement et l'organisation du travail au bloc.
Observer le flux de travail, pas poser un diagnostic
La frontière est importante. Une IA qui analyse une image médicale pour contribuer à un diagnostic n'a pas le même rôle qu'un outil qui repère des étapes, suit l'activité d'une salle ou signale un retard. Pour Vetro, la présentation insiste sur l'enregistrement des étapes, le signalement des délais et la préparation des équipes.
La société indique aussi que le système retire les données permettant d'identifier les personnes en temps réel et ne crée pas de modèles biométriques. C'est un point à relever, mais ce n'est pas une réponse complète à la question de la confidentialité. Même « non identifiable », une représentation peut révéler des informations sur le déroulement d'une intervention, les habitudes d'une équipe ou l'activité d'un professionnel. En clair : ce qu'on fait réellement avec les données et ce qui en sort compte autant que la façon dont l'image est transformée.
Dans des communications antérieures, VitVio évoquait aussi des usages plus loin dans la logique de contrôle : suivi du respect des protocoles de sécurité, alertes en cas d'écart, comptes rendus de débriefing après l'intervention. Utile pour analyser un processus, ce type de fonctionnalités rapproche aussi l'outil d'une forme d'évaluation du travail. D'où l'importance de regarder la finalité exacte du déploiement, pas seulement le vocabulaire produit.
Un déploiement progressif, des fonctions encore à venir
À Gdańsk, l'installation commence dans des salles sélectionnées. Le suivi des instruments et la production de notes opératoires sont décrits comme des développements ultérieurs, pas comme des capacités déjà déployées ici. Il faut garder cette différence sous les yeux : ce qui existe aujourd'hui, ce qui est annoncé, et ce qui pourrait être ajouté plus tard, ne pèsent pas pareil.
Dans un projet hospitalier, une fonctionnalité supplémentaire peut totalement changer l'équilibre du système. Suivre les étapes d'une salle ne mène pas automatiquement à documenter les gestes individuels. Générer une note opératoire, elle, peut faire basculer l'outil vers un autre circuit de validation, de responsabilité et de conservation. Une phase pilote devrait donc être très claire sur le périmètre : quelles salles, quelles données, quels utilisateurs, quelles décisions et quelle durée d'expérimentation.
Les gains opérationnels attendus et leurs limites
La logique économique tient : les blocs opératoires coûtent cher et tournent sous forte contrainte. Les retards, la préparation entre deux interventions et les changements de dernière minute peuvent déstabiliser les plannings. Si une plateforme rend ces séquences plus lisibles et aide à anticiper, elle peut contribuer à mieux utiliser les salles et à réduire certaines frictions.
Le contexte joue aussi. Le contenu source évoque une pénurie d'environ 1,2 million de médecins, infirmiers et sages-femmes dans l'Union européenne. Dans ces conditions, un outil qui réduit le temps passé à coordonner peut sembler préférable à un nouvel écran ou un formulaire de plus. Mais l'impact réel dépend d'une question simple : qu'est-ce que le personnel peut faire concrètement des informations produites ?
Le bon indicateur n'est pas le volume de données
On peut produire énormément de données sans que le fonctionnement du bloc s'améliore vraiment. La vraie question est opérationnelle : quel problème le système résout-il, et comment mesure-t-on ça ? L'hôpital peut suivre par exemple le temps entre deux interventions, la ponctualité du démarrage, les retards attribuables à des causes identifiables, ou le temps passé à des tâches de coordination.
Encore faut-il comparer avec un « avant ». Sans état initial, une baisse des retards observée pendant le pilote ne prouve pas que le système en est responsable. Et il faut aussi vérifier que l'amélioration ne se fait pas au détriment d'autre chose : temps de préparation clinique, qualité des transmissions, charge de travail, ou sécurité.
Des indicateurs agrégés peuvent aider à repérer un goulot dans le parcours. À l'inverse, un classement nominatif peut pousser à masquer les difficultés plutôt qu'à les résoudre. Au fond, le problème n'est pas « l'IA » en soi : c'est ce qu'on configure, qui a accès, et quelles règles de gouvernance encadrent l'usage.
L'IA ne supprime pas les contraintes de terrain
Un système de suivi ne crée pas du personnel, ne rajoute pas de salles, et ne génère pas de temps clinique. Il peut informer plus vite, mais il ne peut pas compenser un manque d'effectifs ou une organisation défaillante par simple automatisation. Si les recommandations arrivent trop tard, si elles sont imprécises, ou si personne n'a l'autorité pour agir, la plateforme risque de devenir une couche supplémentaire de complexité.
Autre point : la reconnaissance des étapes peut être incertaine dans les cas « pas dans le moule » (intervention inhabituelle, configuration différente de la salle, événement imprévu). Dans un environnement clinique, une alerte mal comprise peut détourner l'attention au mauvais moment. Un dispositif vraiment utile devrait donc afficher clairement ses limites, permettre une correction humaine, et éviter de traiter une estimation algorithmique comme une vérité opérationnelle.
Le retour d'expérience danois mentionné dans le contenu source sert de repère : le système de Teton produirait des représentations en trois dimensions à partir de vidéos, puis supprimerait les images, avec une réduction annoncée de 25 % de la charge de travail de nuit. Ce chiffre mérite d'être lu pour ce qu'il est : une revendication liée à un système et à un contexte particuliers, pas une garantie transférable telle quelle. Avant de généraliser, il faut comparer les architectures, les indicateurs et les conditions de déploiement.
Données, surveillance et cadre réglementaire
Le sujet le plus sensible ne se résume pas à savoir si les images sont floutées ou transformées. Il faut déterminer qui porte la responsabilité sur les données, quelles informations sont conservées, pendant combien de temps, où elles sont hébergées, qui y accède et dans quelles finalités. Pour le déploiement de Gdańsk, ces modalités ne sont pas détaillées publiquement dans les informations disponibles.
La politique de confidentialité de VitVio indique que l'hôpital est responsable du traitement et l'entreprise sous-traitante. C'est une répartition fréquente, mais elle ne dit rien, à elle seule, des protections concrètes. Le contrat et la documentation doivent préciser les opérations réalisées, les sous-traitants éventuels, les mesures de sécurité, les durées de conservation et ce qui se passe en cas d'incident. Les équipes doivent aussi savoir si des données peuvent être réutilisées pour améliorer le système.
Pour situer ces exigences, un établissement peut s'appuyer sur les ressources de la CNIL sur les données de santé et le RGPD. Les principes de minimisation, de limitation des finalités et de sécurité ne s'effacent pas parce que l'on « transforme » la vidéo en représentation géométrique.
Consentement des salariés : une base fragile
On présente souvent le consentement comme une solution simple quand un dispositif concerne des employés. En pratique, la relation de travail rend la liberté du consentement difficile : refuser peut sembler risqué. Le RGPD ne se réduit donc pas à cocher une case ou à fournir une notice.
L'hôpital doit identifier une base juridique adaptée et informer les personnes concernées de façon compréhensible. Concrètement : expliquer ce qui est capté, ce qui est calculé, qui consulte les résultats, et si ces résultats peuvent influencer une évaluation individuelle. Les représentants du personnel et les instances compétentes doivent être associés selon le cadre applicable. Le dispositif doit aussi prévoir une procédure pour contester une donnée ou une interprétation.
Et même si l'on annonce une forme d'anonymisation, il faut rester prudent. Retirer des noms ou ne pas produire de gabarits biométriques réduit certains risques, mais cela ne garantit pas forcément une anonymisation au sens juridique. Une séquence liée à une salle, à un horaire et à une intervention peut rester ré-identifiable par recoupement. Le vocabulaire utilisé dans la communication commerciale ne remplace pas une analyse juridique et technique.
Le calendrier de l'AI Act ne vaut pas exemption
L'AI Act prévoit de classer à haut risque certaines catégories de systèmes destinés à surveiller ou évaluer le comportement ou les performances des travailleurs. Le contenu source indique que l'application des obligations liées à cette catégorie a été repoussée à décembre 2027 dans le cadre de l'Omnibus. Autrement dit : le calendrier doit être vérifié au moment du déploiement, car le texte applicable, ses évolutions et les dates exactes comptent.
Surtout, attendre l'entrée en application d'une obligation ne veut pas dire que rien ne doit être fait en attendant. Le RGPD, le droit du travail, les obligations de sécurité et les règles propres au secteur de la santé restent à examiner. Tout dépend aussi de la finalité réelle : un outil présenté comme « assistant de planification » peut, dans les faits, servir à comparer les équipes.
Les institutions européennes publient les informations relatives au règlement européen sur l'intelligence artificielle. Pour un établissement, la démarche la plus prudente consiste à documenter dès maintenant la finalité, les usages interdits, les responsabilités et les mécanismes de contrôle, plutôt que d'attendre décembre 2027 en se disant qu'avant, aucune préparation ne serait nécessaire.
Comment évaluer un projet de caméras IA en santé
La bonne question n'est pas « faut-il accepter les caméras ou les refuser ? ». C'est : le bénéfice opérationnel est-il démontré, le traitement est-il proportionné, et les personnes concernées gardent-elles une capacité réelle de contrôle ? Une décision sérieuse se construit en étapes, avec des critères mesurables et la possibilité d'arrêter.
1. Définir la finalité avant de choisir la technologie
Formulez clairement, en termes opérationnels, le problème à résoudre : réduire les délais de rotation, améliorer la préparation, ou identifier les causes de retard. Évitez les objectifs vagues du type « rendre le bloc plus intelligent ». Ensuite, listez les usages explicitement exclus, notamment toute évaluation individuelle si elle n'est pas nécessaire et pas autorisée.
Cette étape aide à séparer ce qui est indispensable de ce qui relève de l'option « séduisante mais risquée ». Si la planification peut être améliorée avec des données agrégées issues du système d'information existant, la captation vidéo n'est peut-être pas proportionnée. En clair : une caméra ne devrait apporter que ce que des moyens moins intrusifs ne peuvent pas fournir.
2. Cartographier les données et les accès
Avant le pilote, documentez le trajet des données : captation, transformation, transmission, stockage, consultation, suppression. Et posez, noir sur blanc, les questions suivantes :
- Les images brutes sortent-elles de l'hôpital ? Si oui, sont-elles conservées, et pendant combien de temps ?
- Quelles informations sont transmises au fournisseur et à ses éventuels sous-traitants ?
- Les résultats peuvent-ils identifier une personne ou reconstituer son activité ?
- Qui consulte les données détaillées, et qui ne voit que des indicateurs agrégés ?
- Les données servent-elles à entraîner ou améliorer le produit ?
- Que se passe-t-il à la fin du contrat ou à l'arrêt du pilote ?
Dire « on verra plus tard » sur l'hébergement ou la conservation ne relève pas du détail. Sans réponses, il est difficile d'évaluer le risque et de tenir ses engagements vis-à-vis des professionnels et des patients.
3. Construire l'évaluation avec les équipes
Le personnel du bloc connaît les exceptions que le modèle ne voit pas. Les associer tôt sert à tester les alertes, repérer les situations atypiques, et éviter qu'un indicateur soit interprété hors contexte. Il faut aussi prévoir comment les équipes signaleront une erreur, demanderont une correction et contesteront un usage non prévu.
Le pilote doit durer assez longtemps pour couvrir différents types d'interventions et de configurations, sans s'éterniser jusqu'à devenir « le nouveau normal » par inertie. Fixez dès le départ des critères de réussite, des seuils d'erreur tolérée, des indicateurs de charge pour les soignants, et des conditions d'arrêt. Une expérimentation qui ne peut pas échouer ressemble plus à une mise en production qu'à un test.
4. Mesurer le bénéfice net, pas seulement la performance du modèle
La précision de détection est une mesure technique, pas une preuve de valeur pour un hôpital. Il faut relier la performance du système à ce qui compte sur le terrain : temps gagné, retards évités, interruptions générées, travail de vérification ajouté, confiance des équipes. Les coûts de maintenance, d'intégration et de gouvernance doivent aussi être inclus.
Enfin, attribuez clairement qui porte la responsabilité des décisions. Si une alerte signale un retard, une personne doit pouvoir vérifier le contexte avant d'agir. Si l'outil produit une note ou un rapport, un professionnel doit valider le contenu. Règle pratique : l'automatisation peut améliorer la visibilité, mais elle ne remplace pas la responsabilité humaine.
Conclusion
Le projet de Gdańsk montre que l'IA vidéo peut s'installer dans le quotidien d'un hôpital sans prendre une décision clinique à la place des soignants. Son intérêt potentiel se joue surtout sur la coordination et la visibilité sur le fonctionnement des salles. Mais dès qu'un système observe des professionnels, la ligne entre optimisation et surveillance devient une question de conception, de gouvernance et de droit.
Pour un établissement français ou européen, le point de départ n'est pas de « copier » un déploiement ni d'attendre l'échéance réglementaire suivante. Il faut définir une finalité étroite, vérifier qu'une solution moins intrusive ne suffit pas, documenter les données, et donner aux équipes un vrai rôle dans l'évaluation. Si vous préparez un projet d'IA en santé, commencez par cartographier les usages et les flux de données avant de choisir un fournisseur : c'est souvent là que se gagne (ou se perd) la suite.