En Ouganda, un smartphone bricolé transforme n’importe quel microscope en outil de dépistage du paludisme en 90 secondes

Il y a des innovations qui frappent par leur complexité technologique, et d’autres qui séduisent justement par leur simplicité désarmante. Le projet porté par le Makerere AI Health Lab, en Ouganda, appartient clairement à la seconde catégorie : une pièce en plastique imprimée en trois dimensions, un smartphone du commerce, un microscope déjà présent dans le laboratoire, et un modèle d’intelligence artificielle entraîné pour reconnaître ce que l’œil humain met parfois de longues minutes à repérer. Ensemble, ces quatre éléments composent un outil de dépistage capable de rivaliser avec l’expertise de microscopistes chevronnés, dans un pays où le paludisme demeure, année après année, la première cause de mortalité et de maladie.

🔵 DÉFINITION : Le paludisme, un fléau encore trop peu connu sous ses vrais chiffres Le paludisme est une maladie parasitaire transmise par la piqûre de certains moustiques infectés, qui provoque fièvre, frissons et, en l’absence de traitement rapide, des complications potentiellement mortelles. L’Ouganda affiche l’un des taux d’incidence les plus élevés au monde, avec environ 478 cas recensés chaque année pour 1 000 habitants. Depuis janvier 2022, le pays traverse même une vague de résurgence particulièrement sévère, avec des pics dépassant les 300 000 cas hebdomadaires lors des périodes les plus critiques.

Le goulot d’étranglement, ce n’est pas le diagnostic, c’est le temps humain disponible

Contrairement à une idée reçue, le principal obstacle au dépistage du paludisme n’est généralement pas d’ordre technologique : l’examen microscopique d’une lame de sang, la méthode de référence utilisée depuis plus d’un siècle, reste extrêmement fiable entre des mains expertes. Le problème, c’est justement la disponibilité de ces mains expertes. L’Organisation mondiale de la santé recommande qu’un technicien de laboratoire n’examine pas plus de 30 à 40 lames par jour, pour préserver la qualité de son diagnostic, une limite très régulièrement dépassée sur le terrain ougandais, où chaque lame demande environ un quart d’heure d’analyse manuelle minutieuse. Le résultat de cette surcharge chronique est prévisible : fatigue oculaire, erreurs de lecture, et, dans les cas les plus graves, des patients mal orientés vers un traitement qui ne correspond pas à leur réalité clinique, un facteur qui peut, à terme, favoriser l’apparition de résistances aux médicaments antipaludiques.

La solution : un adaptateur imprimé en 3D et un algorithme entraîné sur des milliers d’images

C’est sur ce goulot d’étranglement précis que l’équipe du Makerere AI Health Lab, rattachée au College of Computing and Information Sciences de l’université Makerere à Kampala, a choisi de concentrer ses efforts. Sous la direction de la docteure Rose Nakasi et de son équipe d’une vingtaine de chercheurs, le laboratoire, officiellement inauguré le 30 mai 2024, a conçu une pièce d’adaptation, fabriquée par impression 3D, qui vient se fixer sur un microscope optique classique déjà présent dans les laboratoires de santé, et qui maintient un smartphone en position stable au-dessus de l’oculaire.

Une fois cet assemblage en place, une application mobile prend le relais. Elle capture des images à travers l’objectif du microscope, puis les soumet à un modèle d’intelligence artificielle spécialisé dans la « détection d’objets », une technique qui ne se contente pas de classer une image dans une catégorie globale, mais qui identifie et encadre précisément, à l’intérieur même de l’image, chaque élément d’intérêt : ici, les globules blancs et les trophozoïtes, la forme du parasite du paludisme observable au microscope à ce stade de son cycle. Ce modèle a été entraîné sur des milliers d’images de microscopie, préalablement annotées par des professionnels de santé expérimentés, afin d’apprendre à reconnaître les signatures visuelles caractéristiques de l’infection.

🟡 À NOTER : L’humain garde toujours le dernier mot Contrairement à ce que l’on pourrait craindre, le système ne remplace pas le jugement du technicien de laboratoire : il lui sert d’assistant de pré-analyse. L’intelligence artificielle propose un diagnostic préliminaire, met en évidence les zones suspectes de l’image, mais c’est bien le professionnel de santé qui confirme, ou infirme, le résultat final avant toute décision clinique, un principe de « supervision humaine » qui reste, en médecine, une bonne pratique incontournable face à tout outil d’aide au diagnostic basé sur l’IA.

Des résultats concrets, mesurés sur le terrain

Les chiffres rapportés par les équipes du projet donnent une idée assez précise de l’ampleur du gain de temps obtenu : là où un diagnostic manuel demandait environ 15 minutes par lame, le système assisté par IA ramène ce délai à environ 90 secondes, tout en atteignant un taux de précision annoncé jusqu’à 99 %, comparable ou supérieur à celui de microscopistes expérimentés dans certaines conditions de test. Cette accélération se traduirait, selon les données rapportées, par une hausse d’environ 60 % du nombre de diagnostics réalisés, sans qu’il ait été nécessaire d’embaucher du personnel supplémentaire, un argument de poids dans un système de santé où les ressources humaines qualifiées restent structurellement limitées.

Le projet a été testé et validé dans environ une quarantaine de centres de santé publics ougandais, et le brief de cette étude de cas mentionne plus spécifiquement une adoption confirmée dans plus de 35 établissements de santé, avec environ 150 techniciens de laboratoire et pathologistes formés à l’utilisation de l’outil, des chiffres qui témoignent d’un déploiement allant clairement au-delà du simple prototype de laboratoire universitaire.

Au-delà du paludisme : une plateforme qui s’étend à d’autres maladies

L’ambition du Makerere AI Health Lab ne s’arrête pas au paludisme. La même approche technique (adaptateur 3D, capture d’image par smartphone, analyse par IA, validation humaine) est en cours d’extension au dépistage de la tuberculose, où le système vise à distinguer de façon fiable les frottis positifs des frottis négatifs en conditions cliniques réelles, ainsi qu’au dépistage du cancer du col de l’utérus, une maladie qui reste, elle aussi, largement sous-diagnostiquée dans les régions où l’accès à des pathologistes qualifiés demeure limité. Le projet phare du laboratoire, baptisé Ocular, a par ailleurs bénéficié d’une subvention de 1,5 million de dollars accordée par Google, aux côtés d’un soutien des National Institutes of Health américains et du Lacuna Fund, des partenariats qui traduisent une reconnaissance internationale croissante pour ce type d’initiative.

Les obstacles qui restent à franchir

• L’intégration officielle au système de santé national reste, à ce jour, en attente d’une approbation complète du ministère de la Santé ougandais, un processus administratif qui peut prendre du temps même lorsque les résultats techniques sont probants.
• Le temps nécessaire pour intégrer les résultats obtenus dans les systèmes d’information sanitaire nationaux se compterait encore, selon les données disponibles, entre une semaine et un mois, un délai qui limite, pour l’instant, la réactivité en temps réel du dispositif à l’échelle du pays.
• L’acceptation sociale de l’outil reste un chantier à part entière dans les zones les plus reculées, où la confiance envers un diagnostic assisté par une technologie encore peu familière ne va pas nécessairement de soi.
• Le support technique et la maintenance des équipements deviennent mécaniquement plus complexes à assurer une fois sorti du périmètre des sites pilotes initiaux, un défi classique de tout projet technologique qui cherche à passer de l’expérimentation au déploiement à grande échelle.

Ce projet illustre une réalité trop souvent négligée dans les discours occidentaux sur l’intelligence artificielle, focalisés sur les grands modèles de langage et les chatbots conversationnels : certaines des applications les plus concrètement salvatrices de cette technologie se jouent loin des projecteurs, dans des laboratoires universitaires de pays du Sud, avec des moyens bien plus modestes qu’une multinationale de la tech, mais un impact humain immédiat et mesurable. Ici, l’innovation ne réside pas dans la sophistication du modèle d’IA en lui-même, la détection d’objets par apprentissage automatique est une technique déjà largement documentée, mais dans l’ingéniosité du dispositif matériel qui la rend accessible à moindre coût, avec du matériel déjà présent sur place. C’est un rappel salutaire que la véritable barrière à l’adoption de l’IA dans la santé mondiale n’est pas toujours algorithmique : elle est souvent logistique, économique et humaine.

• Pensez-vous que ce type de solution frugale (matériel existant + IA) est plus prometteur, à long terme, que des équipements médicaux coûteux et importés ?
• Un tel outil vous semble-t-il transposable à d’autres maladies négligées dans d’autres régions du monde ?

Partagez votre point de vue en commentaire.

Source : CoCIS Makerere University