Ghana : l'IA entre dans la santé, la protection des données doit entrer dans l'architecture

Un programme qui associe innovation et garanties

Le 17 mai 2026, l'Organisation mondiale de la Santé a annoncé avec le ministère ghanéen de la Santé et le Programme des Nations unies pour le développement un programme destiné à intégrer l'intelligence artificielle dans le système de santé. Financé par le gouvernement japonais à travers le Fonds des Nations unies pour la sécurité humaine, le projet vise notamment les maladies sensibles au climat, les inégalités d'accès aux soins et la résilience des services.

L'annonce est intéressante parce qu'elle ne présente pas la technologie comme un produit isolé. Le programme doit renforcer la gouvernance institutionnelle, la confidentialité et la sécurité des données, ainsi que les compétences numériques des soignants et des communautés. Cette combinaison est essentielle : un modèle performant ne peut pas compenser une base de patients exposée, un compte de clinique compromis ou une recommandation impossible à contester.

Aucun incident cyber lié à ce programme n'est signalé dans les sources consultées. L'enjeu pour Africa Cyber Review est d'identifier les conditions de sécurité que ce lancement rend urgentes, avant le passage des projets pilotes aux usages cliniques ou administratifs à grande échelle.

Les données de santé ne sont pas un jeu de données ordinaire

Au Ghana, le Data Protection Act de 2012 classe comme données personnelles spéciales les informations liées à la santé physique ou mentale, à l'état médical et à l'ADN. La loi encadre aussi la divulgation des données sanitaires. Cette protection correspond à un risque durable : un mot de passe peut être changé, mais un diagnostic, une sérologie ou une information génétique ne peuvent pas être révoqués après une fuite.

L'IA augmente la tentation de rassembler de grandes quantités de dossiers pour entraîner, tester ou améliorer un modèle. Pourtant, disposer techniquement d'une donnée ne signifie pas que tous les usages ultérieurs sont légitimes. Un hôpital peut collecter une information pour soigner un patient sans avoir automatiquement mandat pour l'envoyer à un fournisseur, l'utiliser pour entraîner un produit commercial ou la conserver sans limite.

Le premier contrôle consiste donc à documenter la finalité : quelles données sont réellement nécessaires, pour quelle décision, pendant combien de temps et sous la responsabilité de quelle institution ? Les données utilisées pour un prototype devraient être séparées des dossiers de production. Les identifiants directs doivent être retirés lorsque cela est possible, et les clés de rapprochement protégées dans un environnement distinct.

Trois scénarios de menace réalistes

Le premier scénario est le vol de comptes. Un outil d'aide clinique ou de gestion peut devenir un nouvel accès aux dossiers de patients. Si l'authentification repose sur un mot de passe partagé dans un établissement, l'IA ne crée pas seulement un risque algorithmique : elle agrandit la porte d'entrée vers le système d'information. L'identité individuelle, l'authentification multifacteur, la limitation par rôle et la détection d'accès anormaux doivent précéder le déploiement.

Le deuxième scénario est l'empoisonnement des données. Une information mal étiquetée, un appareil compromis ou un import non contrôlé peut dégrader un modèle. L'effet peut être discret et toucher davantage une région, une langue ou un groupe de patients sous-représenté. Les équipes doivent conserver la provenance des données, mesurer les changements de distribution et pouvoir revenir à une version antérieure du modèle et du jeu de référence.

Le troisième scénario est la fuite par un fournisseur ou une interface. Les API, environnements de test, journaux techniques et outils de support contiennent parfois des extraits de dossiers réels. Une politique de chiffrement n'est pas suffisante si trop de personnes possèdent les clés ou si les données apparaissent en clair dans des logs. Les contrats doivent prévoir notification d'incident, liste des sous-traitants, localisation des traitements, suppression vérifiable et restitution des données.

Le personnel doit savoir quand ne pas suivre l'IA

La littératie numérique annoncée par le programme est un contrôle de sécurité autant qu'un objectif de formation. Un professionnel doit reconnaître qu'une recommandation est une aide, vérifier les informations cliniques déterminantes et signaler un résultat incohérent. L'interface devrait afficher les limites connues, la version du modèle et les facteurs ayant influencé le résultat au lieu de présenter une réponse unique comme une certitude.

Cette vigilance est particulièrement importante lorsque les données locales sont peu représentées dans les modèles importés. Une solution entraînée dans un autre système de santé peut mal interpréter la prévalence d'une maladie, la disponibilité d'un examen ou la manière dont les symptômes sont documentés. La validation doit être menée au Ghana, sur des données représentatives, avec des professionnels capables d'évaluer les conséquences cliniques.

Les établissements doivent aussi offrir une voie de recours. Si un système classe une demande, priorise un patient ou signale une fraude, la personne concernée et le professionnel responsable doivent pouvoir obtenir une revue humaine. Sans ce mécanisme, un biais ou une erreur technique devient une décision institutionnelle difficile à corriger.

Une feuille de route sécurité pour le Ghana

• Inventorier les systèmes et les flux avant tout branchement d'un modèle : dossiers, laboratoires, pharmacie, assurance, appareils et plateformes mobiles.
• Réaliser une analyse d'impact sur la protection des données et la sécurité pour chaque usage, pas seulement pour le programme global.
• Séparer développement et production, avec des données synthétiques ou fortement minimisées dans les environnements de test.
• Tester les modèles localement pour les biais, les erreurs, les manipulations d'entrée et la dérive dans le temps.
• Surveiller les fournisseurs avec des exigences contractuelles, des journaux accessibles au client et un plan de sortie.
• Préparer un arrêt sûr : lorsqu'un modèle ou une connexion tombe, les soins doivent continuer selon une procédure connue.
• Organiser la réponse aux incidents entre ministère, établissements, autorité de protection des données, CERT et prestataires.

Une référence possible pour le continent

Le Ghana peut produire un modèle utile pour d'autres pays africains si le programme publie non seulement ses résultats, mais aussi ses méthodes de gouvernance : critères d'autorisation, exigences de sécurité, modèles de contrat, mesures de biais et procédures d'incident. Beaucoup de ministères feront face aux mêmes offres commerciales sans disposer des mêmes équipes juridiques et techniques. Des outils communs réduiraient le coût de l'adoption responsable.

La stratégie continentale de l'Union africaine insiste déjà sur une IA sûre, inclusive et adaptée au contexte local. Le programme ghanéen peut montrer comment cette orientation devient opérationnelle dans un secteur où une erreur touche directement les personnes. L'objectif ne doit pas être d'introduire le plus vite possible un maximum d'IA dans les hôpitaux, mais de choisir les usages dont le bénéfice peut être démontré et contrôlé.

Conclusion

Le lancement ghanéen relie correctement l'innovation à la confidentialité, à la sécurité et aux compétences. La prochaine étape est de rendre ces notions mesurables : droits d'accès revus, incidents détectés, délais de révocation, modèles évalués localement, sauvegardes restaurées et décisions contestables.

Dans la santé, la confiance ne naît pas d'une promesse d'IA responsable. Elle se construit par une architecture qui limite les données, prouve les accès, permet la revue humaine et maintient les soins lorsque le système numérique est indisponible.

— ◆ —