La frontière de la gouvernance : intégrité algorithmique, responsabilité de l'entreprise et transition des wrappers prédictifs vers les solutions d'IA profonde

Le secteur de la santé se trouve à un carrefour volatile au début de 2025, marqué par un moment charnière à l'intersection des soins cliniques et de l'intelligence artificielle. Pendant des années, le récit de l'IA en entreprise a été dominé par l'adoption rapide des grands modèles de langage et d'applications « wrapper » de couche mince conçues pour optimiser les flux de travail administratifs. Cependant, l'effondrement catastrophique de l'algorithme nH Predict de UnitedHealth Group — aboutissant à une procédure de recours collectif fédéral en février 2025 — a exposé les risques létaux inhérents au déploiement d'outils prédictifs en « boîte noire » sans gouvernance rigoureuse, validation causale et supervision centrée sur l'humain.¹ Ce livre blanc, présenté par Veriprajna, examine les défaillances systémiques de l'incident UnitedHealth afin de définir un nouveau standard pour les solutions d'« IA profonde ». En tant que cabinet de conseil positionné à l'avant-garde de l'intégrité algorithmique, Veriprajna soutient que l'ère du wrapper LLM simpliste touche à sa fin ; à sa place doit émerger un cadre d'intelligence causale, d'architecture explicable et de gouvernance d'entreprise robuste.⁴

Anatomie d'une défaillance systémique : la crise de nH Predict

La crise entourant UnitedHealth Group (UHC) et sa filiale, NaviHealth, constitue l'étude de cas définitive du « problème d'alignement » en IA d'entreprise. Au centre de la controverse se trouve nH Predict, un algorithme prédictif acquis par la division Optum d'UHC en 2020 pour plus de $1 billion.⁷ Commercialisé comme un outil de gestion des soins, l'algorithme a été conçu pour prédire la durée de séjour et les besoins médicaux des patients Medicare Advantage dans des cadres de soins post-aigus, tels que les établissements de soins infirmiers spécialisés et les centres de réadaptation.⁹

La défaillance fondamentale de nH Predict n'était pas seulement technique, mais architecturale. Il s'appuyait sur une base de données de 6 millions de dossiers patients pour corréler de manière croisée les résultats historiques et générer une date de sortie « cible ».¹¹ Cependant, le modèle fonctionnait comme une boîte noire guidée par les corrélations, sans tenir compte des réalités vécues des patients individuels — comme l'absence d'un aidant à domicile, l'instabilité financière ou des complications cliniques spécifiques —, facteurs essentiels pour déterminer la nécessité médicale selon les normes de Medicare.¹²

Le coût quantitatif de la friction algorithmique

L'opérationnalisation de nH Predict a entraîné une hausse statistiquement anormale des refus de couverture. En recourant à l'« autorisation préalable assistée par machine », UHC a cherché à accélérer le processus d'examen, réduisant de six à dix minutes le temps requis pour que les professionnels de santé évaluent les demandes.³ Si cela a augmenté le débit, cela a simultanément découplé le processus décisionnel de la nuance clinique.³

Métrique opérationnelle	Référence 2019/2020	Niveau déclaré en 2022	Écart statistique
Taux de refus PAC post-aigus	8.7% - 10.9%	22.7%	Augmentation de 108% - 160%
Refus en établissement de soins infirmiers spécialisés	Référence standard	9x le niveau de référence	Augmentation de 800%
Taux d'erreur sur les refus contestés	N/A	90%	9 sur 10 infirmés
Pourcentage de patients qui font appel	N/A	0.2%	Profondément étouffé
Chiffre d'affaires de UnitedHealth Group	$240bn (2019)	$300bn (2024)	Projection de $340bn (2025)

La statistique la plus accablante émanant du Sous-comité permanent des enquêtes du Sénat (PSI) et du litige en cours est le taux d'erreur de 90% sur les refus contestés.² Neuf fois sur dix, lorsqu'un juge administratif ou un médecin interne examinait le refus de l'algorithme, la décision était infirmée.¹² Cependant, l'avantage stratégique d'UHC résidait dans le fait que seuls 0.2% des patients âgés ou en situation de handicap possédaient les ressources cognitives, physiques ou financières pour naviguer dans le processus d'appel complexe.³ Cela a créé une incitation économique perverse où un algorithme inexact restait hautement profitable parce que la « friction administrative » qu'il générait dissuadait avec succès la vaste majorité des demandes légitimes.¹⁵

Coercition algorithmique et érosion de la discrétion clinique

Un pilier central du recours collectif de février 2025 est l'allégation selon laquelle UnitedHealth n'a pas simplement utilisé l'IA comme un « guide », mais comme une directive obligatoire qui a supplanté le jugement humain.³

Cette transformation d'un outil d'aide à la décision en un gardien automatisé représente l'effondrement total de la sauvegarde « humain dans la boucle » (HITL) ostensiblement exigée par les Centers for Medicare & Medicaid Services (CMS).⁷

Le mandat de variance : de 3% à 1%

Des enquêtes internes et des témoignages de lanceurs d'alerte ont révélé que les responsables de NaviHealth fixaient des objectifs rigides pour les employés cliniques. Les gestionnaires de cas ont reçu pour instruction de maintenir les durées de séjour des patients dans une variance étroite par rapport à la projection de l'algorithme.⁸ Initialement fixé à 3%, cet objectif a ensuite été ramené à 1%.⁸ Les coordinateurs de soins de première ligne ont été dirigés pour caler leurs revues de progrès précisément sur la date de sortie prédite par l'algorithme, « ingénierant » de fait le calendrier clinique pour l'adapter au modèle.¹¹

La conséquence de ce mandat a été la « coercition algorithmique ». Les employés qui s'écartaient des projections de nH Predict pour prendre en compte les besoins médicaux réels d'un patient s'exposaient à des mesures disciplinaires ou à un licenciement.⁸ Cet environnement a forcé des cliniciens expérimentés — médecins et infirmiers dont le devoir premier est le bien-être du patient — à agir comme des « tampons en caoutchouc » pour un modèle mathématique défectueux.⁷ Le résultat a été ce que les experts appellent l'effet « HAL au ralenti », où un système coupe méthodiquement le « support vital » de la couverture d'assurance indépendamment de l'issue humaine.¹⁷

Conséquences concrètes : l'affaire Clemens

Le coût humain de cette défaillance de gouvernance est illustré par l'expérience de patients comme Carol Clemens. Après un épisode grave de méthémoglobinémie — un trouble sanguin potentiellement mortel —, Clemens a nécessité des soins infirmiers spécialisés intensifs.⁸ Malgré les preuves cliniques de son besoin continu de réadaptation, les projections de nH Predict ont été utilisées pour mettre fin à sa couverture, forçant sa famille à payer plus de $16,768 de sa poche pour empêcher sa sortie prématurée.⁸ Le litige allègue qu'UHC a « misé » sur les conditions dégradées et le manque de ressources de patients comme Clemens pour les empêcher de contester ces déterminations sans fondement.¹⁶

Le tournant juridique : l'arrêt du 13 février 2025

Le litige intitulé Estate of Gene B. Lokken v. UnitedHealth Group a atteint un jalon critique le 13 février 2025, lorsque le juge de district des États-Unis John R. Tunheim a statué que le recours collectif pouvait se poursuivre.¹ Cet arrêt est un jalon pour la jurisprudence de l'IA, car il perce le « bouclier de préemption » que de nombreuses Medicare Advantage Organizations (MAOs) ont historiquement utilisé pour échapper aux recours de droit étatique.¹

Si le tribunal a rejeté les demandes pour négligence et violations de la protection des consommateurs au niveau étatique — les jugeant préemptées par la Medicare Act fédérale —, il a autorisé les demandes pour rupture de contrat et rupture du pacte implicite de bonne foi et d'équité à se poursuivre.¹ Le raisonnement était profond : les propres documents de police d'UHC promettaient que les décisions de couverture seraient prises par le « personnel des services cliniques » et des « médecins ».⁷ En remplaçant ces humains par un algorithme d'IA qui dictait effectivement le résultat, l'entreprise a potentiellement violé sa promesse contractuelle envers les assurés.⁷

La dispense d'épuisement des voies administratives

Dans une décision significative, le tribunal a dispensé les plaignants de l'obligation d'épuiser leurs recours administratifs avant de déposer une action.¹ Typiquement, les bénéficiaires de Medicare doivent franchir plusieurs niveaux d'appel avant de demander un contrôle juridictionnel. Cependant, le tribunal a estimé que, compte tenu du « préjudice irréparable » auquel les patients étaient confrontés (tels qu'être expulsés des établissements de soins) et de la « futilité » de former un appel auprès d'un système présentant un taux d'erreur de 90%, la classe pouvait passer directement au litige.¹ Cet arrêt crée un précédent : si un système d'IA est fondamentalement défaillant, le système juridique n'exigera pas des victimes qu'elles « participent à la mascarade » d'un processus d'appel truqué.⁷

IA profonde vs wrappers LLM : une différenciation stratégique

La crise de nH Predict met en lumière le danger de l'« IA Thin » ou « IA wrapper » — des solutions qui appliquent une couche superficielle d'automatisation sur un moteur central sans comprendre la logique sous-jacente ni contrôler le biais.⁴ Veriprajna se positionne comme fournisseur d'« IA profonde », spécifiquement pour traiter les vulnérabilités inhérentes à ces modèles banalisés.⁵

Le piège de l'économie du wrapper

Comme l'ont noté le Google India Accelerator et d'autres analystes du secteur, les entreprises « wrapper » sont de plus en plus perçues comme des passifs dans les industries réglementées.⁵ Ces entreprises « enveloppent » souvent un moteur d'IA existant (comme GPT d'OpenAI ou Gemini de Google) dans une interface personnalisée.⁵

Catégorie de risque	Solutions wrapper LLM	Solutions d'IA profonde (Veriprajna)
Défendabilité	Facilement répliquées ; pas de PI propriétaire.4	Modèles propriétaires et logique causale.5
Verrouillage fournisseur	Vulnérables aux changements d'API de tiers.4	Architecture hybride ; indépendantes d'un fournisseur unique.5
Conformité	Logique en boîte noire ; impossible à auditer.4	IA explicable (XAI) et pistes d'audit.22
Atténuation des biais	Hérite du biais des modèles fondationnels.4	Inférence causale pour neutraliser les variables proxy.25
Responsabilité	La responsabilité incombe au déployeur.4	Gouvernance au niveau du conseil d'administration et cartographie des risques.28

Les solutions d'IA profonde exigent de passer au-delà de la reconnaissance probabiliste de motifs vers l'IA causale.⁶ Alors qu'un modèle prédictif pourrait conclure que « les patients avec le diagnostic X restent généralement 14 jours », un modèle causal demande : « quels facteurs font qu'un patient a besoin de plus de temps, et comment le retrait de la couverture provoque-t-il une rechute ? ».²⁵ Cette transition du « quoi » au « pourquoi » est le fondement d'une intelligence digne de confiance.⁶

L'horizon réglementaire : conformité en 2025 et 2026

L'environnement réglementaire a basculé agressivement vers la responsabilité algorithmique. Les organisations ne peuvent plus déployer l'IA dans des environnements à forts enjeux sans satisfaire des normes spécifiques et rigoureuses fixées par la FDA, l'OMS et le NIST.³⁰

Cadre d'évaluation de la crédibilité en 7 étapes de la FDA

En janvier 2025, la FDA a publié un projet de lignes directrices (FDA-2024-D-4689) établissant un cadre obligatoire pour les modèles d'IA utilisés dans la prise de décision médicale et réglementaire.³³ Ce cadre est essentiel pour tout déploiement d'IA de niveau entreprise.

1.​ Définir la question d'intérêt : Articuler clairement la décision exacte que l'IA est destinée à traiter.³⁴

2.​ Définir le contexte d'utilisation (COU) : Spécifier le rôle du modèle, les données d'entrée et le flux de travail qu'il occupe.³⁴

3.​ Évaluer le risque du modèle : Évaluer l'« influence du modèle » (quelle autorité l'IA possède) et la « conséquence de la décision » (la gravité du préjudice si l'IA se trompe).³⁴

4.​ Élaborer le plan de crédibilité : Décrire les stratégies de validation, les métriques et les critères d'acceptation.³⁴

5.​ Exécuter le plan : Mener des tests rigoureux, y compris des tests de stress pour les cas limites.³⁴

6.​ Documenter les résultats : Créer un « rapport de crédibilité » qui met en évidence tout écart par rapport au plan.³⁴

7.​ Déterminer l'adéquation : Validation finale de l'aptitude du modèle à sa finalité clinique spécifique.³⁴

Le système nH Predict a échoué à chaque étape de ce cadre. Il manquait d'un COU clair, son évaluation des risques ignorait les conséquences potentiellement mortelles des soins refusés, et sa « validation » était axée sur la maîtrise des coûts plutôt que sur l'exactitude clinique.²

Éthique de l'OMS et EU AI Act

L'Organisation mondiale de la santé (OMS) a spécifiquement ciblé le « biais d'automatisation » — la tendance des humains à s'en remettre à un algorithme même lorsqu'il contredit leurs propres perceptions.³¹ Les lignes directrices 2024 de l'OMS sur les grands modèles multimodaux (LMM) avertissent que l'IA peut conduire à une « dégradation des compétences » chez les médecins qui cessent d'exercer un examen critique.³¹

Concurremment, l'EU AI Act a commencé son application progressive en 2025.¹ Aux termes de cet Acte, les systèmes d'IA utilisés en santé sont classés comme « à haut risque », exigeant des évaluations de conformité obligatoires, des divulgations de transparence et une supervision humaine.³⁷ Les pénalités élevées en cas de non-conformité (jusqu'à 7% du chiffre d'affaires mondial) font de la gouvernance algorithmique un impératif financier au niveau du conseil d'administration.³⁷

Ingénierie de la confiance : le mandat de l'IA explicable (XAI)

Pour prévenir une répétition de l'effondrement de UnitedHealth, les solutions d'IA profonde doivent être « explicables dès la conception ».²² L'IA explicable (XAI) comble l'écart entre les poids mathématiques complexes et une justification lisible par l'humain.³⁹

Méthodes techniques : SHAP et LIME

Dans l'aide à la décision clinique, les outils XAI tels que SHAP (SHapley Additive exPlanations) et LIME (Local Interpretable Model-Agnostic Explanations) sont critiques.⁴¹

●​ SHAP fournit une vue globale de l'importance des caractéristiques. Dans le contexte de l'assurance, il peut révéler si un refus a été principalement motivé par l'« Âge » ou le « code postal » (souvent un proxy de la race), permettant aux auditeurs de signaler des biais discriminatoires.²⁴

●​ LIME fournit une explication locale pour une décision unique. Pour une patiente comme Carol Clemens, LIME aurait mis en évidence que l'IA ignorait ses « taux d'oxygène sanguin dangereusement bas, potentiellement mortels » au profit de son « temps de récupération moyen fondé sur le diagnostic ».⁸

En intégrant ces outils, Veriprajna garantit que les cliniciens ne sont pas des « destinataires passifs » de la sortie de l'IA, mais plutôt des partenaires qui peuvent évaluer et valider la logique.⁴⁰

La mise en œuvre du scoring de confiance

Une caractéristique clé de l'IA profonde est le scoring de confiance — une métrique qui indique à l'utilisateur humain le degré de fiabilité d'une prédiction particulière.²³ Si un patient présente une affection rare mal représentée dans les données d'entraînement, l'IA doit explicitement signaler sa propre incertitude et orienter le dossier vers un examen humain immédiat (routage humain-dans-la-boucle).²³

Gouvernance algorithmique : une responsabilité de la direction générale et du conseil d'administration

L'ère où l'IA était un « projet informatique » est révolue. D'ici 2025, 72% des entreprises du S&P 500 ont divulgué des risques matériels liés à l'IA dans leurs dépôts annuels auprès de la SEC.³⁷ Le risque réputationnel est désormais la préoccupation la plus citée, car une seule défaillance de l'IA peut se viraliser et déclencher un contentieux massif.²⁹

Le rôle du comité d'éthique et de conformité de l'IA

Pour que les organisations construisent de la résilience, elles doivent établir des comités de gouvernance de l'IA transversaux.²⁸ Ces comités devraient inclure des leaders cliniques, des conseillers juridiques et des représentants de la sécurité des patients, dotés de l'autorité pour :

●​ Définir les critères d'approbation pour tous les cas d'usage de l'IA.⁴⁷

●​ Tenir un registre central de l'IA qui catalogue chaque modèle dans la pile de l'organisation.²⁸

●​ Faire appliquer la gestion des changements de modèle avec des options de « coupe-circuit » ou de rollback si la performance se dégrade ou si une « dérive » est détectée.³⁰

Opérationnaliser le cadre de gestion des risques de l'IA du NIST (RMF)

Le NIST AI RMF 1.0 (publié en 2023 et mis à jour en 2025) fournit le plan directeur de cette gouvernance.³² Il s'articule autour de quatre fonctions :

1.​ GOVERN: Bâtir une culture sensible au risque où la direction est directement responsable des résultats de l'IA.²⁸

2.​ MAP: Cataloguer où l'IA interagit avec des données sensibles (PHI) et identifier les « scénarios de préjudice » potentiels comme un diagnostic erroné ou un triage biaisé.³²

3.​ MEASURE: Suivre en continu des KPI tels que la sensibilité, les taux de faux négatifs et l'« équité démographique ».³²

4.​ MANAGE: Mettre en œuvre des contrôles, tels qu'exiger une supervision humaine pour les décisions à haut risque et mener régulièrement des « exercices de réponse aux incidents d'IA ».³²

Conclusion : le standard Veriprajna pour l'IA profonde

L'effondrement de l'algorithme nH Predict de UnitedHealth sert d'avertissement sombre : lorsque les algorithmes sont utilisés pour optimiser une « efficacité théorique » plutôt que des « résultats cliniques réels », le coût humain est catastrophique et la responsabilité juridique est absolue.² Le recours collectif de février 2025 représente plus qu'un simple procès ; c'est le premier rejet majeur de l'ère de la « boîte noire » dans la gestion des soins de santé.

En tant que fournisseur de solutions d'IA profonde, Veriprajna rejette l'approche « wrapper ». Une véritable IA d'entreprise exige :

●​ Validation causale : Comprendre pourquoi une décision est prise, pas seulement la probabilité de sa survenue.⁶

●​ Architecture explicable : Fournir aux cliniciens et aux auditeurs les « devoirs » derrière chaque sortie.³⁹

●​ Gouvernance éthique : Garantir que l'« humain dans la boucle » est habilité à outrepasser la machine, et non discipliné pour l'avoir fait.³⁵

●​ Alignement réglementaire : Satisfaire de manière proactive le cadre de crédibilité en 7 étapes de la FDA et les mandats de transparence de l'EU AI Act.³⁰

La voie à suivre pour l'entreprise ne se trouve pas dans davantage d'automatisation, mais dans une Meilleure Intelligence. En passant des wrappers prédictifs à des systèmes causaux profondément gouvernés, les organisations peuvent reconquérir la promesse de l'IA : renforcer le jugement humain, protéger les plus vulnérables et construire un système de santé aussi efficient qu'il est compatissant..⁵

Ouvrages cités

1. Lawsuit over AI usage by Medicare Advantage plans allowed to ..., consulté le 6 février 2026, https://www.dlapiper.com/insights/publications/ai-outlook/2025/lawsuit-over-ai-usage-by-medicare-advantage-plans-allowed-to-proceed

2. The Biggest AI Fails of 2025: Lessons from Billions in Losses - NineTwoThree Studio, consulté le 6 février 2026, https://www.ninetwothree.co/blog/ai-fails

3. UnitedHealthcare accused of relying on AI algorithms to deny Medicare Advantage claims, consulté le 6 février 2026, https://www.foxbusiness.com/markets/unitedhealthcare-accused-relying-ai-algorithms-deny-medicare-advantage-claims

4. Risks of AI Wrapper Products and Features - Kader Law, consulté le 6 février 2026, https://www.kaderlaw.com/blog/risks-of-ai-wrapper-products-and-features

5. AI Wrapper Economy Risks Highlighted by Google India Accelerator - AI CERTs News, consulté le 6 février 2026, https://www.aicerts.ai/news/ai-wrapper-economy-risks-highlighted-by-google-india-accelerator/

6. Integrating predictive modeling and causal inference for advancing medical science, consulté le 6 février 2026, https://www.chikd.org/journal/view.php?id=10.3339/ckd.24.018

7. Lawsuit alleging UnitedHealthcare used faulty AI to deny coverage advances in federal court - Insurance News | InsuranceNewsNet, consulté le 6 février 2026, https://insurancenewsnet.com/oarticle/lawsuit-alleging-unitedhealthcare-used-faulty-ai-to-deny-coverage-advances-in-federal-court

8. Minnesota judge: lawsuit over UnitedHealth use of AI can continue - The C.O.R.E. Group, consulté le 6 février 2026, https://coregroupusa.com/minnesota-judge-lawsuit-over-unitedhealth-use-of-ai-can-continue/

9. nH Predict - Wikipedia, consulté le 6 février 2026, https://en.wikipedia.org/wiki/NH_Predict

10. UnitedHealth faces lawsuit over AI, Medicare Advantage care denials, consulté le 6 février 2026, https://www.beckerspayer.com/payer/unitedhealth-faces-lawsuit-over-medicare-advantage-care-denials/

11. STAT “Denied by AI” series a model of solid investigative journalism ..., consulté le 6 février 2026, https://healthjournalism.org/blog/2024/10/stats-denied-by-ai-series-a-model-of-solid-investigative-journalism/

12. When Faulty AI Falls Into the Wrong Hands: The Risks of Erroneous ..., consulté le 6 février 2026, https://ijoc.org/index.php/ijoc/article/download/23994/4992/90761

13. AI-driven insurance decisions raise concerns about human oversight | Stanford Report, consulté le 6 février 2026, https://news.stanford.edu/stories/2026/01/ai-algorithms-health-insurance-care-risks-research

14. Senate report slams Medicare Advantage insurers for using predictive technology to deny claims | Healthcare Dive, consulté le 6 février 2026, https://www.healthcaredive.com/news/medicare-advantage-AI-denials-cvs-humana-unitedhealthcare-senate-report/730383/

15. New AI tool counters health insurance denials decided by automated algorithms | US healthcare | The Guardian, consulté le 6 février 2026, https://www.theguardian.com/us-news/2025/jan/25/health-insurers-ai

16. Lawsuit accuses UnitedHealth Group of using faulty AI to deny Medicare patient claims, consulté le 6 février 2026, https://www.startribune.com/lawsuit-accuses-unitedhealth-group-of-using-faulty-ai-to-deny-medicare-patient-claims/600319883

17. UnitedHealthcare's AI Use to Deny Claims is Center of Industrywide Debate - HFS Research, consulté le 6 février 2026, https://www.hfsresearch.com/news/unitedhealthcares-ai-use-to-deny-claims-is-center-of-industrywide-debate/

18. UnitedHealth Lawsuit: Can AI Deny Healthcare Services? - Haven Health Management, consulté le 6 février 2026, https://havenhealthmgmt.org/unitedhealth-lawsuit-can-ai-deny-healthcare-services/

19. Estate of Gene B. Lokken et al. v. UnitedHealth Group, Inc. et al., consulté le 6 février 2026, https://litigationtracker.law.georgetown.edu/litigation/estate-of-gene-b-lokken-the-et-al-v-unitedhealth-group-inc-et-al/

20. Judge Decides Class Action Can Proceed Against UnitedHealth for Use of AI, consulté le 6 février 2026, https://www.legalhie.com/judge-decides-class-action-lawsuit-can-proceed-against-unitedhealth-for-use-of-ai/

21. Reviewing the 5 Major AI Risks (Part II of II) | The Volkov Law Group - JDSupra, consulté le 6 février 2026, https://www.jdsupra.com/legalnews/reviewing-the-5-major-ai-risks-part-ii-8779464/

22. Explainable AI For Insurance - Meegle, consulté le 6 février 2026, https://www.meegle.com/en_us/topics/explainable-ai/explainable-ai-for-insurance

23. Explainable AI (XAI) in Insurance: Benefits and Use Cases - A3Logics, consulté le 6 février 2026, https://www.a3logics.com/blog/explainable-ai-in-insurance/

24. How AI Bias Is Impacting Healthcare - InformationWeek, consulté le 6 février 2026, https://www.informationweek.com/machine-learning-ai/how-ai-bias-is-impacting-healthcare

25. Correlation vs. Causation: How Causal AI is Helping Determine Key Connections in Healthcare and Clinical Trials - DIA Global Forum, consulté le 6 février 2026, https://globalforum.diaglobal.org/issue/october-2024/correlation-vs-causation-how-causal-ai-is-helping-determine-key-connections-in-healthcare-and-clinical-trials/

26. Who Benefits Most from Causal AI in Healthcare? - BeeKeeperAI, consulté le 6 février 2026, https://www.beekeeperai.com/blog/107341-who-benefits-most-from-causal-ai-in-healthcare

27. AI governance and risk management for regulated industries - Torry Harris, consulté le 6 février 2026, https://www.torryharris.com/insights/articles/ai-governance-risk-management-regulated-industries

28. AI governance: A guide to responsible AI for boards - Diligent, consulté le 6 février 2026, https://www.diligent.com/resources/blog/ai-governance

29. Governing the Ungovernable: Corporate Boards Face AI Accountability Reckoning, consulté le 6 février 2026, https://www.jdsupra.com/legalnews/governing-the-ungovernable-corporate-1075132/

30. FDA Guidance on AI-Enabled Devices: Transparency, Bias, & Lifecycle Oversight, consulté le 6 février 2026, https://www.centerwatch.com/insights/fda-guidance-on-ai-enabled-devices-transparency-bias-lifecycle-oversight/

31. WHO Releases AI Ethics and Governance Guidance for Large Multimodal Models | Insight, consulté le 6 février 2026, https://www.bakermckenzie.com/en/insight/publications/2024/01/who-releases-ai-ethics-and-governance-guidance

32. Understanding the NIST AI Risk Management Framework - databrackets, consulté le 6 février 2026, https://databrackets.com/blog/understanding-the-nist-ai-risk-management-framework/

33. Artificial Intelligence for Drug Development | FDA, consulté le 6 février 2026, https://www.fda.gov/about-fda/center-drug-evaluation-and-research-cder/artificial-intelligence-drug-development

34. FDA's AI Guidance: 7-Step Credibility Framework Explained | IntuitionLabs, consulté le 6 février 2026, https://intuitionlabs.ai/articles/fda-ai-drug-development-guidance

35. The Ultimate AI Compliance Checklist for 2025 - NeuralTrust, consulté le 6 février 2026, https://neuraltrust.ai/blog/ai-compliance-checklist-2025

36. Ethics and governance of artificial intelligence for health. Guidance on large multi-modal models, consulté le 6 février 2026, https://iris.who.int/server/api/core/bitstreams/e9e62c65-6045-481e-bd04-20e206bc5039/content

37. AI Risk Disclosures in the S&P 500: Reputation, Cybersecurity, and Regulation, consulté le 6 février 2026, https://corpgov.law.harvard.edu/2025/10/15/ai-risk-disclosures-in-the-sp-500-reputation-cybersecurity-and-regulation/

38. NIST AI Risk Management Framework: A simple guide to smarter AI governance - Diligent, consulté le 6 février 2026, https://www.diligent.com/resources/blog/nist-ai-risk-management-framework

39. The Role of Explainable AI (XAI) in Building Trust in Healthcare - Nitor Infotech, consulté le 6 février 2026, https://www.nitorinfotech.com/blog/the-role-of-explainable-ai-xai-in-building-trust-in-healthcare/

40. From Insights to Impact: Exploring Explainable AI's Contribution to Healthcare Decision-Making, consulté le 6 février 2026, https://dr.lib.iastate.edu/bitstreams/f7b0f5bf-56a6-484e-9c51-9d8adc2a8884/download

41. Interpretable AI for bio-medical applications - PMC, consulté le 6 février 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC10074303/

42. Fostering trust and interpretability: integrating explainable AI (XAI) with machine learning for enhanced disease prediction and decision transparency - PMC - NIH, consulté le 6 février 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12465982/

43. A Comparative Analysis of LIME and SHAP Interpreters With Explainable ML-Based Diabetes Predictions - Diva-portal.org, consulté le 6 février 2026, https://www.diva-portal.org/smash/get/diva2:1886442/FULLTEXT02.pdf

44. Explainable artificial intelligence - Wikipedia, consulté le 6 février 2026, https://en.wikipedia.org/wiki/Explainable_artificial_intelligence

45. Responsible AI in Health Care: What Providers and AI Vendors Must ..., consulté le 6 février 2026, https://www.bakerdonelson.com/responsible-ai-in-health-care-what-providers-and-ai-vendors-must-do-now

46. "From Disclosure to Defense: A Strategic AI Governance Blueprint" - Shumaker, Loop & Kendrick, LLP, consulté le 6 février 2026, https://www.shumaker.com/insight/from-disclosure-to-defense-a-strategic-ai-governance-blueprint/

47. NIST Cybersecurity Framework for AI Risk in Healthcare | Censinet, Inc., consulté le 6 février 2026, https://censinet.com/perspectives/nist-cybersecurity-framework-ai-risk-healthcare