La recherche « audit AI Act laboratoire biologie médicale »traduit une intention claire : le laboratoire ne cherche plus seulement à comprendre le règlement, il veut savoir ce qui sera vérifiable, auditable et défendable devant un responsable qualité, une direction de site, un biologiste responsable ou un évaluateur externe. L'enjeu n'est donc pas de produire un classeur théorique sur l'IA, mais de transformer les usages réels du LBM en preuves simples, datées et actionnables.
En laboratoire de biologie médicale, l'IA se cache rarement derrière un grand projet nommé « intelligence artificielle ». Elle apparaît plutôt dans un module de SIL, un middleware d'analyse, un outil de contrôle qualité, une solution documentaire, un tableau de bord de priorisation ou une fonctionnalité d'aide à l'interprétation. C'est précisément ce qui rend l'audit nécessaire : sans cartographie, le laboratoire peut sous-estimer des usages qui touchent aux données de santé, à la traçabilité ou à la décision biologique.
Objectif réaliste : disposer d'un dossier d'audit capable d'expliquer quels systèmes IA existent, qui les utilise, pourquoi ils sont maîtrisés et quelles actions restent ouvertes. La perfection documentaire vient après la visibilité.
Ce qu'un audit AI Act doit vérifier dans un LBM
Un bon audit commence par une question volontairement large : où une décision, un tri, une recommandation ou une interprétation est-elle assistée par un système algorithmique ? Le périmètre doit couvrir les outils visibles des équipes techniques, mais aussi les briques activées par les fournisseurs dans les contrats, les mises à jour logicielles et les modules optionnels. L'objectif est de distinguer trois familles : usages administratifs à faible impact, usages qualité qui influencent l'organisation du laboratoire, et usages proches du résultat patient.
Cette qualification est essentielle, car les obligations ne sont pas identiques pour un outil de planification, un assistant documentaire et un dispositif médical de diagnostic in vitro intégrant une fonction IA. Dans la plupart des cas, le LBM agit comme déployeur : il utilise un système fourni par un éditeur. Il doit alors démontrer que l'usage local respecte les instructions, que les utilisateurs sont informés, que la supervision humaine est définie et que les incidents ou dérives peuvent être remontés.
Les 6 preuves à préparer avant l'audit
1. Un registre IA vivant
Le registre est le point d'entrée. Il doit lister chaque système concerné, son fournisseur, le processus impacté, les données traitées, les utilisateurs, la finalité, la criticité patient, les preuves disponibles et la date de prochaine revue. Un tableur bien tenu vaut mieux qu'une procédure longue jamais actualisée.
2. Une qualification du rôle du laboratoire
Pour chaque outil, indiquez si le LBM est déployeur, fournisseur ou simple utilisateur d'une fonctionnalité non décisionnelle. Cette ligne évite une erreur fréquente : reprendre aveuglément les obligations de l'éditeur, ou au contraire supposer que l'éditeur porte toute la responsabilité.
3. Des preuves fournisseurs exploitables
Demandez les notices, versions, limites d'usage, performances revendiquées, modalités de mise à jour, logs, mesures de cybersécurité et contacts de vigilance. L'auditeur doit pouvoir comprendre ce que le fournisseur garantit et ce que le laboratoire vérifie localement.
4. Une supervision humaine explicite
Décrivez qui peut accepter, refuser ou contourner la recommandation d'un outil IA. Ajoutez les habilitations, consignes en cas d'alerte, limites connues et situations dans lesquelles le biologiste reprend la décision sans suivre l'automatisation.
5. Un lien avec l'ISO 15189
Rattachez les systèmes IA aux processus déjà audités : validation de méthode, gestion des changements, maîtrise documentaire, habilitation, surveillance des non-conformités, réclamations et revue de direction. L'AI Act ne doit pas vivre dans un silo séparé du système qualité.
6. Un plan d'actions priorisé
Classez les écarts en trois niveaux : risque patient immédiat, manque de preuve documentaire, puis amélioration de gouvernance. Ce tri aide la direction à financer les corrections utiles au lieu de disperser l'équipe qualité.
Questions d'audit à poser aux équipes et aux éditeurs
L'audit doit rester concret. Côté équipes, demandez quels outils produisent une suggestion, une priorisation ou une alerte qui influence le workflow. Vérifiez si les utilisateurs connaissent les limites de ces outils, si les décisions restent traçables et si une procédure existe lorsqu'un résultat semble incohérent. Côté fournisseurs, demandez une réponse écrite sur la présence d'IA, l'usage prévu, les performances annoncées, les jeux de données de validation, les mises à jour, les journaux et les incidents connus.
- Le module IA est-il activé, optionnel ou seulement prévu dans une prochaine version ?
- La fonction influence-t-elle un résultat patient, un contrôle qualité ou seulement une tâche administrative ?
- Quelles preuves permettent de vérifier la version, les paramètres, les alertes et les corrections ?
- Qui revoit périodiquement la performance et qui décide d'arrêter l'usage si le risque augmente ?
Les erreurs qui fragilisent un audit AI Act laboratoire
La première erreur est de limiter l'audit aux outils officiellement vendus comme IA. Beaucoup de fonctions sont décrites comme « aide à la décision », « scoring », « prédiction », « contrôle automatisé » ou « assistant », sans que le mot IA apparaisse dans les procédures internes. La deuxième erreur est d'accumuler les documents fournisseurs sans conclure sur l'usage local. Un certificat ou une notice ne répond pas à la question centrale : comment le laboratoire maîtrise-t-il le risque dans son propre contexte ?
La troisième erreur est de repousser le sujet au prochain renouvellement logiciel. Pour un LBM, l'effort le plus utile aujourd'hui est indépendant d'un changement d'outil : créer le registre, interroger les éditeurs, rattacher les preuves aux processus ISO 15189 et inscrire les écarts dans le plan qualité. Cette base rend les prochains arbitrages beaucoup plus rapides.
Plan 30 jours pour rendre le dossier auditable
Semaine 1 : recenser
Listez les applications du laboratoire, les modules activés et les usages déclarés par les responsables métier. Ajoutez les outils transverses utilisés avec données de santé ou données qualité, même lorsqu'ils ne sont pas connectés au SIL.
Semaine 2 : qualifier
Classez chaque usage selon son impact : administratif, qualité, pré-analytique, analytique, post-analytique ou aide à l'interprétation. Identifiez les usages proches du résultat patient et les outils sans preuve fournisseur suffisante.
Semaine 3 : documenter
Remplissez le registre IA, archivez les réponses fournisseurs, ajoutez les preuves de formation ou d'information des utilisateurs, puis rattachez chaque système au processus qualité concerné. Le dossier doit être compréhensible par une personne qui n'a pas participé au projet.
Semaine 4 : décider
Validez les écarts avec la direction et le biologiste responsable. Décidez ce qui doit être corrigé immédiatement, surveillé trimestriellement ou traité lors du prochain contrat fournisseur. Un audit utile se termine par des décisions, pas par une simple liste de documents.
Vous voulez situer rapidement votre exposition ? Commencez par le quiz gratuit AI Act LBM. Il vous aide à repérer les usages IA probables, les preuves manquantes et les priorités d'audit à traiter en premier.
Quand acheter une checklist plutôt que repartir d'une page blanche ?
Si votre objectif est de préparer une réunion qualité, un audit interne ou une première revue de direction, une checklist structurée suffit souvent pour gagner plusieurs heures. Elle force à poser les mêmes questions à chaque système, à distinguer preuve fournisseur et preuve laboratoire, et à transformer les réponses en actions traçables. C'est surtout utile lorsque le LBM a plusieurs sites, plusieurs fournisseurs ou une responsabilité qualité partagée.
Préparer votre audit AI Act LBM
Utilisez la Checklist COFRAC × IA — 45 points de contrôle pour structurer votre revue des systèmes IA, collecter les preuves utiles et prioriser les écarts avant audit interne ou revue qualité.
FAQ — audit AI Act en laboratoire de biologie médicale
Un audit AI Act est-il obligatoire pour tous les LBM ?
Le règlement n'impose pas un audit interne nommé ainsi à tous les laboratoires. En revanche, dès qu'un LBM utilise des systèmes IA, il doit pouvoir démontrer la maîtrise de ses usages, de ses fournisseurs et de ses risques. L'audit est la manière la plus simple de transformer cette exigence en preuves qualité.
Le registre IA suffit-il pour passer un audit ?
Non. Le registre donne la cartographie, mais il doit être relié à des preuves : fiches fournisseurs, instructions d'usage, habilitations, supervision humaine, traçabilité, gestion des changements et plan d'actions.
Quelle différence avec un audit ISO 15189 classique ?
L'ISO 15189 structure déjà la maîtrise qualité du laboratoire. L'audit AI Act ajoute une lecture spécifique sur les systèmes IA : rôle du laboratoire, qualification du risque, transparence, supervision humaine, preuves fournisseurs et surveillance post-déploiement.