Le glaucome, deuxième cause de cécité irréversible dans le monde [1], demeure un défi de santé publique en raison de son caractère asymptomatique aux stades précoces. Le dépistage précoce constitue donc un enjeu crucial, mais les approches actuelles, souvent opportunistes, restent limitées par un rapport coût/efficacité défavorable et par un trop grand nombre de faux positifs [2]. Les récentes avancées en intelligence artificielle (IA) et en génétique ouvrent des perspectives inédites. L’IA, notamment grâce au “deep learning” (DL), a démontré sa capacité à analyser les images du nerf optique et les champs visuels avec une performance proche, voire supérieure, à celle d’experts [3, 4]. Parallèlement, les études de génétique ont permis d’identifier plus d’une centaine de variants associés au glaucome, rendant possible la construction de scores polygéniques de risque (PRS) [5-7]. Ces outils offrent la possibilité de cibler des sous-populations à haut risque, améliorant ainsi la pertinence du dépistage et réduisant les faux positifs [8, 9]. L’intégration de l’IA et de la génétique dans une stratégie combinée représente une voie prometteuse vers un dépistage plus précis, personnalisé et équitable, bien que des défis demeurent concernant la validation, l’acceptabilité et l’applicabilité dans des populations diverses [10, 11].