Actualité

  • Maladies neurodégénératives : Synapticure finance son expansion avec une levée de 25 millions de dollars

    Synapticure étend ses services grâce à un financement record

    Avec le vieillissement de la population, les maladies neurodégénératives sont en hausse. Aux États-Unis, 6,2 millions de personnes sont atteintes de la maladie d’Alzheimer, avec une incidence annuelle d’environ 450 000 nouveaux cas. La maladie de Parkinson est la deuxième maladie neurodégénérative la plus courante aux États-Unis et touche environ 1 million d’Américains. Les projections indiquent une croissance continue du nombre de cas dans les décennies à venir. Dans le même temps, les soins neurologiques ne peuvent pas suivre le rythme (pénurie de neurologues).

    Synapticure, entreprise spécialisée dans les soins virtuels pour les maladies neurodégénératives, a obtenu un financement de 25 millions de dollars pour étendre ses services et ses partenariats avec les systèmes de santé, les payeurs et les fournisseurs, le tout dans 50 États.

    Le tour de table de série A (destiné à financer l’accélération et la croissance interne et externe d’une entreprise), mené par B Capital, comptait CommonSpirit Health, CVS Health Ventures, RA Capital Management, Nexus NeuroTech Ventures, Google Ventures, Optum Ventures et Rock Health Capital. La société améliorera également ses offres en faisant progresser les diagnostics alimentés par l’IA, la surveillance à distance et l’assistance 24 heures sur 24, 7 jours sur 7. Ce financement permettra aussi à un plus grand nombre de patients d’accéder à des traitements et à des essais émergents, tout en soulageant les aidants des tâches de coordination, de prise de rendez-vous, de suivi, etc.

    Des solutions numériques pour mieux accompagner Alzheimer et Parkinson

    D’autres entreprises investissent également dans ce secteur. Harmonic Health et Isaac Health développent des solutions similaires pour des pathologies comme la maladie d’Alzheimer et la maladie de Parkinson. Synapticure ambitionne de redéfinir la gestion des maladies neurodégénératives, en mettant l’accent sur une prise en charge continue et un soutien aux patients et à leurs aidants.

    Cette approche, associée aux avancées en santé numérique, pourrait devenir un levier pour répondre aux besoins d’une population vieillissante et aux limites actuelles des systèmes de santé. À long terme, Synapticure vise à « redéfinir la façon dont les maladies neurodégénératives sont gérées, en veillant à ce que chaque patient et soignant se sente soutenu à chaque étape du parcours », a ajouté Sandra Abrevaya (cofondatrice et CEO de Synapticure).

    Au total, Synapticure a levé 40 millions de dollars ces dernières années.

     

  • IA : vers une voie collective des usages au service de la santé mondiale ? (Rapport USAID)

    Une technologie porteuse de solutions globales

    En pleine expansion, L’IA offre un potentiel inédit pour transformer les systèmes de santé, notamment dans les PRFI. Elle pourrait résoudre des problèmes structurels en optimisant les ressources, renforçant les systèmes de soins et élargissant l’accès à des services de qualité : e l’assistance virtuelle aux professionnels de santé à la prévention des épidémies, ses applications ouvrent des perspectives fascinantes.

    Cependant, ces innovations doivent être adaptées aux réalités locales pour éviter le déploiement de solutions inefficaces ou inadaptées. C’est dans ce contexte que l’agence américaine de développement international, USAID, publie le rapport  “Artificial Intelligence in Global Health. Defining a Collective Path Forward“, avec l’ambition de définir une voie commune pour la généralisation de l’impact de l’IA en santé, partout dans le monde.

    Des cas d’usage prometteurs identifiés :

    Quatre grands domaines d’application de l’IA ont été identifiés comme ayant un fort potentiel d’impact et de scalabilité :

    1. santé publique assistée par IA : surveillance des maladies et gestion des populations à risque ;
    2. assistants virtuels pour les professionnels de santé : soutien au diagnostic et à l’éducation sanitaire en zones rurales ;
    3. assistants virtuels pour les patients : suivi personnalisé et orientation dans les parcours de soins.
    4. outils d’aide à la décision clinique : soutien des médecins via des analyses sophistiquées de données médicales.

    Ces innovations, si bien déployées, pourraient révolutionner l’accès aux soins tout en réduisant les coûts.

    Cadre des cas d'usage de l'IA en santé - @ USAID
    Cadre des cas d’usage de l’IA en santé – @ USAID

    Freins à la montée en puissance de l’IA dans les PRFI :

    USAID prévoit que “deux défis actuels seront résolus à mesure que la technologie évoluera et que les taux de pénétration technologique dans les PRFI continueront d’augmenter”. Pour elle, “les lacunes dans les éléments de base de l’IA et les lacunes dans l’infrastructure nécessaire pour l’IA (comme la pénétration des smartphones et l’accès à la 4G) devraient être comblées dans les années à venir grâce aux avancées technologiques et aux efforts d’autres projets mondiaux de santé et de développement”.

    Quant aux défis identifiés comme “clés” dans le rapport, bon nombre d’entre eux ne sont pas spécifiques à l’IA, mais constituent des obstacles à l’extension des technologies de santé numérique en général. Ainsi, USAID souligne plusieurs obstacles majeurs qui limitent l’adoption de l’IA, notamment :

    • la qualité et la disponibilité des données : des infrastructures numériques insuffisantes entravent l’analyse ;
    • la viabilité économique : des modèles commerciaux adaptés aux PRFI manquent ;
    • les défis éthiques et réglementaires : gestion des données, confidentialité, et intégration dans les cadres juridiques ;
    • et le manque de confiance et de normes : scepticisme face à des technologies nouvelles, combiné à l’absence de critères d’évaluation clairs.
    Défis auxquels l'IA fait face dans la santé mondiale - @ USAID
    Défis auxquels l’IA fait face dans la santé mondiale – @ USAID

    Le rapport conclut que ces défis exigent une intervention concertée pour créer un écosystème favorable à un déploiement efficace de cette technologie dans la santé à l’échelle mondiale.

    7 priorités pour accélérer l’intégration de l’IA en santé mondiale

    Bien qu’elle ne soit pas une panacée, l’IA offre des solutions concrètes aux défis de santé mondiale. En veillant à son adoption éthique et durable, les acteurs de la santé peuvent transformer durablement les systèmes de soins dans les régions les plus vulnérables du monde. Avec ce rapport comme feuille de route, l’agence américaine propose une collaboration étroite entre gouvernements, bailleurs de fonds et innovateurs. Une démarche essentielle, selon elle, pour maximiser l’impact de l’IA.

    Afin d’accélérer l’intégration de l’IA en santé mondiale, le rapport identifie sept priorités :

    • soutenir une innovation responsable et durable ;
    • appuyer le passage à l’échelle des solutions ;
    • produire des preuves concrètes de retour sur investissement ;
    • renforcer la collecte et l’interopérabilité des données ;
    • construire des écosystèmes numériques collaboratifs ;
    • soutenir les gouvernements locaux dans leur appropriation de ces technologies ;
    • mais aussi coordonner les parties prenantes pour maximiser l’impact.

     

  • Mammographie : GE Healthcare annonce son nouvel outil Pristina Via

    Une réponse face à la pénurie de manipulateurs radio

    Selon l’American Society of Radiologic Technologists (ASRT), les taux de vacance en mammographie sont passés de 6 % en 2020 à 18 % en 2024. GE HealthCare, spécialiste des technologies de santé et de l’imagerie médicale, annonce le lancement de son nouveau système de mammographie : Pristina Via. Cette technologie vise à améliorer l’expérience de dépistage tout en rationalisant le flux de travail des professionnels de santé.

    Pristina Via, intégrée à la plateforme Senographe Pristina de GE HealthCare, propose une série d’outils destinés à optimiser les flux de travail. L’outil introduit des fonctionnalités qui simplifient les tâches répétitives et augmentent l’efficacité opérationnelle. Par exemple, l’acquisition automatisée des images, sans intervention manuelle, permet d’accélérer les dépistages. De plus, la possibilité de comparer des images antérieures provenant de différents systèmes réduit le temps nécessaire à l’analyse des examens passés. Ces innovations permettent aux professionnels de santé de consacrer davantage de temps à l’interaction avec les patientes.

    Améliorer les soins grâce à l’intelligence artificielle

    Pristina Via s’inscrit dans une tendance plus large visant à intégrer l’intelligence artificielle (IA) dans l’imagerie médicale. GE HealthCare a récemment collaboré avec DeepHealth pour développer des outils d’IA comme SmartTechnology, qui répondent à des enjeux comme la réduction des délais d’interprétation, l’amélioration de la collaboration entre les équipes soignantes et l’optimisation des performances opérationnelles. La société a lancé CareIntellect for Oncology, une application cloud qui centralise les données patient provenant de plusieurs systèmes pour offrir une vue unifiée grâce à l’IA générative.

    Une concurrence technologique croissante

    Le développement de Pristina Via s’appuie sur des retours d’expérience recueillis auprès des radiologues et des manipulateurs radio. Plus de 250 entretiens et observations ont permis d’identifier leurs priorités : maintenir la précision des diagnostics tout en répondant aux contraintes des flux de travail modernes. Ce développement intervient dans un secteur marqué par une concurrence technologique accrue. Par exemple, Siemens Healthineers a récemment obtenu l’approbation de la FDA pour son système de tomosynthèse tridimensionnelle Mammomat B.brilliant. Cette technologie, combinée à des outils avancés de reconstruction d’image illustre la course à l’innovation dans le domaine de l’imagerie mammaire.

     

  • Santé mentale des jeunes : une application TCC ralentit les symptômes dépressifs à court terme

    Prévenir la dépression chez les jeunes adultes à risque élevé

    La santé mentale des adolescents et des jeunes adultes est devenue une préoccupation majeure en matière de santé publique. La dépression par exemple, touche un nombre croissant de jeunes. Une tendance observée à la fois en Europe et dans le monde. Selon Santé publique France, 20,8 % des 18-24 ans présentaient des symptômes dépressifs, une prévalence en augmentation. Face à cette problématique, les dispositifs numériques comme les applications mobiles suscitent un intérêt en raison de leur accessibilité et de leur capacité à toucher un large public. Toutefois, peu d’entre elles ont fait l’objet d’essais approfondis sur le long terme.

    L’étude EcoWeb PREVENT, financée par la Commission européenne, a évalué l’efficacité de trois types d’applications mobiles dans la prévention des symptômes dépressifs chez les jeunes de 16 à 22 ans. Les participants, issus de plusieurs pays européens (Allemagne, Belgique, Espagne et Royaume-Uni), ont été répartis aléatoirement pour tester :

    • Une application d’auto-assistance en compétences émotionnelles ;
    • Une application d’auto-assistance basée sur la thérapie cognitivo-comportementale (TCC) ;
    • Une application d’auto-surveillance.

    Résultats de l’étude : la TCC comme outil temporairement efficace

    L’essai, publié dans The Lancet Digital Health, a inclus 1 262 jeunes présentant une vulnérabilité accrue à la dépression, mais sans antécédents d’épisodes dépressifs caractérisés. Après trois mois, l’application basée sur la thérapie cognitivo-comportementale a permis de ralentir la progression des symptômes dépressifs par rapport à l’application d’auto-surveillance. Une différence significative de -1,2 point a été observée sur le score PHQ-9, utilisé pour mesurer la sévérité de la dépression. Cet écart n’était plus significatif après un an de suivi. Les deux autres applications, y compris celle dédiée aux compétences émotionnelles, n’ont pas démontré d’efficacité significative, que ce soit sur la prévention des symptômes dépressifs ou sur d’autres critères secondaires tels que l’anxiété, le bien-être mental ou la qualité de vie.

    Applications numériques : limites et perspectives

    L’étude met en lumière plusieurs enjeux concernant les outils numériques en santé mentale :

    • Efficacité limitée à court terme : Bien que prometteuse, l’application de TCC n’a pas montré de bénéfices durables après un an.
    • Faible validation scientifique des applications disponibles : Parmi les applications en santé mentale recensées, peu ont été rigoureusement évaluées dans des essais cliniques de grande envergure.

    Ces constats soulignent la nécessité de développer des interventions numériques mieux adaptées, personnalisées et soutenues par des données probantes. Les chercheurs estiment toutefois que l’impact potentiel de la TCC via une application reste intéressant, notamment en raison de sa facilité de déploiement et de son coût réduit.

    Bien-être mental chez les jeunes en bonne santé : résultats mitigés

    Une étude parallèle, EcoWeb PROMOTE, a évalué les mêmes outils auprès de 2 532 jeunes en bonne santé. Après trois mois, aucune des applications n’a montré de bénéfices significatifs sur le score WEMWBS, une échelle mesurant le bien-être mental. Ces résultats confirment les limites des interventions numériques généralistes pour améliorer de manière mesurable le bien-être mental des jeunes en l’absence de vulnérabilité spécifique. Les chercheurs appellent à des travaux supplémentaires pour identifier des approches plus efficaces et mieux ciblées.

     

  • Dossiers médicaux électroniques en Asie du sud-est : où en est l’adoption ?

    Une revue comparative sur 15 ans

    Les chercheurs des universités de Malaisie Sabah (UMS) et Utara Malaisie (UUM) ont mené une étude approfondie sur les défis liés à l’adoption des dossiers médicaux électroniques (DME). Ces systèmes, comparés aux dossiers papier, offrent une meilleure précision des données, réduisent les erreurs médicales, et permettent une traçabilité accrue des maladies infectieuses, ainsi qu’une surveillance épidémiologique en temps réel. L’étude, en pre print sur les plateformes Sciety Labs et Authorea​, analyse 15 ans de données (2008-2023) issues de 20 études qualitatives menées dans quatre pays : Malaisie, Indonésie, Vietnam et Thaïlande. Bien que les initiatives numériques progressent, les dossiers papier restent majoritaires, avec des disparités selon les pays :

    • Thaïlande : 70 % des hôpitaux urbains utilisent des DME parmi les 1 000 hôpitaux publics, 9 700 cliniques.
    • Malaisie : 60 % des hôpitaux urbains ont adopté les DME parmi les 3 000 établissements publics et privés, dont 145 hôpitaux publics. Cependant, les infrastructures restent limitées en zones rurales.
    • Indonésie : Seuls 20 % des centres de santé (10 000 centres primaires, 2 900 hôpitaux) utilisent des DME.
    • Vietnam : Seulement 5 à 10 % des établissements (1 531 hôpitaux, 11 000 centres communautaires) disposent de DME.

    4 obstacles à l’adoption

    Malgré des efforts croissants, quatre obstacles freinent l’intégration des DME :

    • Infrastructures limitées : Connexions Internet insuffisantes, manque d’ordinateurs et coupures électriques fréquentes.
    • Coûts élevés : Jusqu’à 500 000 dollars par hôpital pour des systèmes de base.
    • Sécurité des données : Faible protection de la vie privée et des informations sensibles.
    • Manque de formation : Personnel technique insuffisant et absence de programmes d’apprentissage adaptés.

    3 leviers à activer

    Les chercheurs proposent plusieurs solutions :

    • Centralisation des plateformes de DME à l’échelle nationale pour garantir l’efficacité et l’interopérabilité des systèmes.
    • Renforcement des cadres réglementaires pour sécuriser les données et protéger la vie privée des patients.
    • Audits réguliers pour contrôler la qualité des données collectées.

     

  • Gen AI : France 2030 choisit le projet Partages porté par le HDH pour alléger les tâches des professionnels de santé

    Démocratiser l’IA générative pour améliorer la qualité des soins

    L’essor de l’intelligence artificielle générative (Gen AI) représente une opportunité cruciale pour le secteur de la santé, où la charge administrative et les défis d’organisation impactent directement la qualité des soins. Dans le cadre du projet France 2030, l’État français a choisi le projet Partages coordonné par le HDH comme lauréat de l’AAP “Communs numériques pour l’IA générative” pour mettre la Gen AI au service des professionnels de santé et “leur faire gagner un temps médical précieux”. Ce projet se concentre sur le développement d’applications concrètes pour répondre aux besoins des professionnels, comme la transcription automatique des consultations, l’aide à la décision clinique ou la simplification des démarches médico-administratives. Inspiré de modèles de langue tels que GPT, ce projet ambitionne de libérer du temps médical et de favoriser une interaction plus humaine entre soignants et patients.

    Aux États-Unis, l’IA générative est déjà utilisée dans plusieurs applications médicales, notamment la transcription des consultations et l’analyse des données cliniques pour des prises de décision rapides. De grands acteurs comme Epic Systems et des start-ups innovantes intègrent ces technologies dans les hôpitaux, ce qui a permis de démontrer leur potentiel pour réduire la charge administrative et améliorer les soins. Avec Partages, la France ambitionne de rattraper ce retard technologique, tout en s’appuyant sur une approche souveraine et éthique.

    Une mobilisation nationale

    Le projet rassemble 32 partenaires issus des domaines public, privé et académique. Des hôpitaux, comme l’AP-HP, les CHU de Bordeaux, Toulouse et Lille, collaborent avec des acteurs de la recherche, comme le CNRS, avec des laboratoires de recherche, comme le laboratoire interdisciplinaire des sciences du numérique, ainsi qu’avec des deeptech de la Gen IA, notamment Mistral AI.

    L’objectif du consortium est de développer des solutions pratiques et innovantes à travers six cas d’usage majeurs :

    • un outil de pseudonymisation automatique des données textuelles de santé, afin que l’ensemble de l’écosystème puisse bénéficier d’un outil standardisé pour cette étape préalable à toute utilisation secondaire des données de santé ;
    • deux outils visant à assister les praticiens de santé sur des tâches médico-administratives (codage DIM et résumé structuré de comptes-rendus) afin de libérer du temps médical ;
    • un cas d’usage permettant la génération de contenus pédagogiques pour tous les étudiants en médecine en France ;
    • deux outils facilitant l’analyse et la structuration automatique des informations médicales  afin de soutenir la recherche clinique, en particulier en oncologie.

    Cette collaboration multidisciplinaire garantit que les outils développés seront directement utilisables et adaptés aux besoins variés des professionnels de santé.

    Une IA accessible à tous

    L’un des piliers du projet Partages est l’open source : les modèles, outils et ressources développés seront mis à disposition pour encourager une large adoption et stimuler l’innovation dans tout l’écosystème de la santé. Cette approche permet de démocratiser l’accès à ces nouvelles technologies, tout en garantissant une souveraineté française sur les outils développés.

    Le HDH à la tête de nombreux projets pour l’IA :

    Partages s’inscrit dans une dynamique plus large portée par le HDH pour promouvoir l’utilisation de l’IA en santé. Un autre projet clé, Shaiped, complète cette initiative en se concentrant sur la pseudonymisation et le partage sécurisé des données de santé, deux enjeux cruciaux pour faciliter l’innovation tout en respectant la vie privée des patients. Ces projets, portés par la stratégie France 2030, confirment l’ambition de la France de devenir un leader européen de l’IA en santé.

    Les 32 partenaires du projet Partages :

    Sans compter le HDH qui est chef de file du projet, voici les 32 partenaires du projet Partages :

    Laboratoires de recherche associés :

    • Laboratoire interdisciplinaire des sciences du numérique (LISN) – Université Paris-Saclay, CNRS
    • Laboratoire d’informatique, de traitement de l’information et des systèmes (GreyC) – Université de Caen Normandie, CNRS, École Nationale Supérieure d’Ingénieurs de Caen
    • Laboratoire d’informatique de Grenoble (LIG) – Université Grenoble-Alpes, CNRS, Grenoble INP, INRIA Grenoble Rhône-Alpes
    • Laboratoire d’informatique médicale et d’ingénierie des connaissances en e-santé (LIMICS) – Inserm, Sorbonne Université
    • Laboratoire informatique d’Avignon (LIA) – Avignon Université
    • Laboratoire des sciences du numérique de Nantes (LS2N) – Nantes Université, Centrale Nantes, CNRS, IMT Atlantique
    • Laboratoire d’informatique et des systèmes (LIS-lab) – Aix-Marseille Université, CNRS, Université de Toulon
    • Université numérique en santé et en sport (UNESS)
    • Bordeaux population health – Université de Bordeaux

    Organismes de recherche associés :

    • Centre national de la recherche scientifique (CNRS)
    • Institut national de recherche en informatique et en automatique (INRIA) – Équipe-projet Soda

    Établissements de santé associés :

    • Assistance publique – hôpitaux de Paris (AP-HP)
    • Centre Léon Bérard
    • Centre hospitalier universitaire (CHU) de Rouen
    • Groupement de coopération sanitaire (GCS) HOURAA – CHU Clermont-Ferrand, CHU Grenoble, Hospices Civils de Lyon, CHU Saint-Étienne
    • Institut Gustave Roussy
    • Institut Curie
    • Hôpitaux Saint-Joseph et Marie-Lannelongue
    • Hôpital Foch
    • ELSAN
    • Centre hospitalier universitaire (CHU) de Toulouse
    • Centre hospitalier universitaire (CHU) de Bordeaux
    • Centre hospitalier universitaire (CHU) Amiens-Picardie
    • Centre hospitalier universitaire (CHU) de Brest
    • Centre hospitalier universitaire (CHU) de Lille
    • Centre hospitalier régional universitaire (CHRU) de Nancy
    • Centre hospitalier universitaire (CHU) de La Réunion

    Deep tech associées :

    • reciTAL
    • Mistral AI

     

  • IA : l’intégration des modèles de langage en oncologie entre promesses et vigilance (The Lancet)

    Un potentiel prometteur freiné par des défis complexes

    L’introduction de l’intelligence artificielle (IA) dans l’oncologie suscite des attentes considérables, en particulier grâce à l’avancée des technologies de traitement du langage naturel (NLP). Les grands modèles de langage (LLM), capables de traiter et d’analyser de vastes ensembles de données narratives issues des dossiers médicaux, promettent de transformer la manière dont les décisions cliniques sont prises. De la recommandation de traitements adjuvants à l’identification de patients éligibles pour des essais cliniques, ces outils pourraient jouer un rôle clé dans l’amélioration de la prise en charge des patients. Cependant, malgré ces avancées, l’intégration de ces technologies dans les pratiques cliniques quotidiennes reste un défi majeur. Les préoccupations liées à leur efficacité, leur biais potentiel, ainsi qu’aux enjeux éthiques et techniques freinent leur déploiement à grande échelle.

    Cette étude, publiée dans la rubrique “Personal view” du numéro de novembre du journal The Lancet Regional Health – Europe, explore les résultats et les recommandations pour assurer une adoption sûre et bénéfique des modèles de langage en oncologie. En soulignant la nécessité d’évaluations prospectives et de validations rigoureuses, elle propose des solutions pour garantir que ces innovations contribuent véritablement à améliorer les soins aux patients, tout en minimisant les risques associés.

    Les risques cachés des modèles de langage en santé

    Les LLM apportent des avancées significatives, mais leur déploiement en santé comporte des risques importants. Ils consomment énormément d’énergie et de ressources, accentuant leur empreinte écologique. Les biais discriminatoires, notamment liés au genre, à l’origine ou aux stéréotypes, persistent dans leurs résultats, influençant négativement les recommandations médicales ou éducatives. De plus, ces modèles peuvent perpétuer ces biais dans les outils dérivés, notamment dans les startups en santé. Les mécanismes non transparents et non reproductibles des LLM compliquent l’évaluation rigoureuse de leurs performances. Enfin, leur usage intensif peut modifier la relation médecin-patient en déplaçant les décisions vers des recommandations biaisées ou mal interprétées, impactant la confiance et l’équité des soins :

    • impact environnemental (consommation élevée d’énergie et d’eau, contribution à l’épuisement des matériaux et à la pollution des sols, modèles génératifs plus énergivores que les systèmes spécifiques) ;
    • travail aliénant (dépendance au travail de “click workers” dans des conditions souvent précaires et invisibles) ;
    • prolifération disproportionnée (multiplication des LLMs avec plus de 200 nouveaux modèles en 2023, formation redondante et influence des contextes politiques sur les données utilisées) ;
    • discrimination de genre (association stéréotypée des femmes à des rôles familiaux et des hommes à des sphères professionnelles, conséquences sur des suggestions automatisées comme les choix éducatifs) ;
    • origine démographique et stigmatisations (propagation de biais liés à l’origine, à la religion ou aux handicaps, diffusion de préjugés médicaux basés sur la race ou inégalités dans les recommandations de soins) ;
    • distractions des modèles (utilisation d’informations inattendues ou inadéquates pour des prédictions, comme des annotations textuelles dans des images médicales) ;
    • transmission de biais aux modèles dérivés (formation de nouveaux modèles à partir de données synthétiques, amplifiant les biais des modèles d’origine) ;
    • influence sur les humains (intériorisation des biais par les utilisateurs, même après le retrait de l’IA) ;
    • problèmes de reproductibilité (variabilité des résultats selon les exécutions dues à des outils non déterministes et au parallélisme des opérations) ;
    • évaluation impossible (limitations des données de santé pour des évaluations généralisées, benchmarks saturés ou surutilisés réduisant leur pertinence) ;
    • perturbation de la relation médecin-patient (impact négatif des recommandations biaisées sur les décisions partagées, interaction de facteurs humains et sociaux renforçant ces biais).

    Rrecommandations pour maximiser l’impact positif des modèles de langage en santé

    Pour garantir un usage efficace et éthique des modèles de langage en santé, des mesures précises sont nécessaires à chaque étape, de la collecte des données à leur déploiement. Ces recommandations visent à limiter les biais, préserver la confidentialité des données, réduire l’empreinte écologique et renforcer la relation médecin-patient. Voici les points clés :

    • collecte et nettoyage des données : assurer une qualité irréprochable des données et identifier et réduire les biais dans les données publiques ou synthétiques ;
    • formation des modèles : prioriser l’utilisation de modèles pré-entraînés ou ajustés (fine-tuning) pour minimiser les ressources nécessaires, mais aussi évaluer l’impact écologique et la pertinence d’entraîner un nouveau modèle ;
    • sélection des résultats attendus : définir des objectifs utiles pour la clinique en consultant des experts en statistiques, et considérer les impacts des prédictions sur les utilisateurs ;
    • validation externe : tester les modèles sur des données externes pour évaluer leur généralisation et garantir leur performance réelle ;
    • partage des données : favoriser la transparence tout en respectant strictement la confidentialité des données des patients ;
    • apprentissage fédéré : permettre l’entraînement décentralisé des modèles pour protéger les données sensibles, malgré des défis techniques ;
    • évaluation de la performance et de la généralisation : mesurer les performances sur des données inédites, en tenant compte des biais culturels ou régionaux ;
    • déploiement des outils : intégrer les modèles aux systèmes existants avec une formation des utilisateurs pour préserver la relation médecin-patient ;
    • gestion des dérives de calibration : surveiller et ajuster régulièrement les prédictions après le déploiement pour maintenir leur précision ;
    • suivi des variations des données : détecter les changements dans les données qui pourraient nuire aux performances du modèle ;
    • exigences réglementaires : consulter des experts pour respecter les normes en vigueur, notamment en matière de reproductibilité ;
    • impact écologique : évaluer et minimiser l’empreinte écologique grâce à des pratiques comme l’IA frugale ou des analyses de cycle de vie ;
    • relation médecin-patient : renforcer une communication centrée sur le patient pour éviter une dépendance excessive aux recommandations des IA.

    Le défi de l’évaluation des modèles de langage

    L’évaluation des modèles de langage dans le domaine de l’oncologie reste entravée par des difficultés liées à la reproductibilité, l’accès aux données et les limitations des benchmarks existants. Ces obstacles freinent leur adoption pour des usages cliniques.

    • problème de reproductibilité : les modèles doivent être testés sur des bases de données externes pour détecter des biais (culturels, linguistiques, etc.) et garantir leur fiabilité dans des contextes variés ;
    • accès limité aux données cliniques : les données narratives en oncologie sont difficiles d’accès, et les bases publiques anonymisées ne couvrent souvent pas les besoins spécifiques du domaine ;
    • saturation des benchmarks publics : les ensembles de données standard atteignent leurs limites (surentraînement des modèles), soulignant la nécessité d’évaluations spécifiques et prospectives ;
    • besoin d’essais cliniques dédiés : seuls des essais en conditions réelles peuvent valider les performances des modèles pour des tâches oncologiques précises, comme le diagnostic ou les recommandations thérapeutiques.

    Imaginer les futurs essais pour l’IA en oncologie

    Les essais prospectifs jouent un rôle clé pour valider l’impact des modèles IA dans des conditions réelles. Ces études, en comparant les performances des IA à celles des médecins ou en mesurant leurs effets sur les résultats cliniques, sont essentielles pour établir la fiabilité des outils en oncologie.

    • Études non interventionnelles récentes : comparaisons préliminaires entre IA et médecins pour le diagnostic et les recommandations (exemple : cancers gastro-intestinaux), avec des résultats optimistes mais des erreurs critiques dans certains cas ;
    • Importance des essais interventionnels : ces essais, standard en médecine, évaluent l’impact clinique réel, par exemple en mesurant la survie ou les effets secondaires (exemple : validation de l’IA dans le dépistage du cancer du sein.
    • Focus actuel sur l’imagerie : la majorité des études IA se concentrent sur l’imagerie médicale (50% des essais actifs), les méthodes NLP sont encore sous-représentées (3 études en cours) ;
    • Obstacles spécifiques au NLP : les designs classiques (randomisation) ne conviennent pas toujours, nécessitant des approches innovantes pour évaluer les outils NLP.

    Le développement de l’IA en oncologie nécessite des essais cliniques innovants adaptés à des applications comme les recommandations thérapeutiques ou le suivi des patients. Ces essais doivent surmonter des défis méthodologiques importants pour garantir un impact clinique mesurable et pertinent.

    Les cas d’usage de l’IA en oncologie incluent des applications telles que la recommandation de traitements adjuvants pour les cancers hormonodépendants, l’estimation du pronostic et le suivi des risques médicaux, ainsi que le matching des patients aux essais cliniques à l’aide du NLP. Toutefois, plusieurs défis méthodologiques doivent être surmontés, notamment la nécessité d’un recrutement ciblé et de mesures adaptées à l’application évaluée. Il est également essentiel d’effectuer une comparaison rigoureuse entre les groupes interventionnels et témoins, avec des analyses statistiques préalablement planifiées. La conception de ces essais nécessite la mobilisation d’équipes multidisciplinaires pour garantir leur robustesse et leur pertinence. Enfin, les essais basés sur des biomarqueurs peuvent inspirer la conception d’évaluations pour les nouveaux outils NLP en oncologie.

    L’avenir prometteur mais exigeant du NLP en oncologie

    Selon cet article du Lancet, malgré un potentiel considérable, les modèles NLP nécessitent une validation clinique approfondie avant de pouvoir être déployés à grande échelle en oncologie. Leur adoption dépendra de leur capacité à prouver leur fiabilité, leur sécurité et leur bénéfice pour les patients.

    Les auteurs estiment que les modèles de langage peuvent surpasser les médecins pour estimer le pronostic, prédire les risques médicaux et identifier les essais cliniques adaptés à un patient. Mais le manque de validation freine leur utilisation, alors que des essais prospectifs en conditions réelles sont essentiels pour évaluer leur impact et éviter les biais. Ils soulignent, par ailleurs, qu’informer les médecins sur les atouts et limites de l’IA est indispensable pour une adoption éclairée, sécurisée et bénéfique en oncologie.

     

     

    * Artificial intelligence in oncology: ensuring safe and effective integration of language models in clinical practice

    Verlingue, Loïc et al.

    The Lancet Regional Health – Europe, Volume 46, 101064

     

  • Un nouvel outil d’IA prédictif multidimensionnel pour prévenir les récidives de thrombose

    Un outil d’IA face à la récidive de MVTE

    Un groupe de chercheurs hospitaliers développe un outil d’intelligence artificielle (IA) inédit pour prévenir les récidives de Maladie Veineuse Thrombo-Embolique (MVTE) sans cause identifiable. Une avancée majeure dans la lutte contre la troisième cause de mortalité cardiovasculaire en Europe. Les récidives, qui touchent 40 % des patients après l’arrêt des anticoagulants, entraînent une mortalité dans 10 % des cas et des séquelles chroniques graves (hypertension artérielle, troubles respiratoires, douleurs persistantes) chez 30 % des patients.

    Limites des approches actuelles

    Les outils conventionnels — scores cliniques, marqueurs biologiques (troponines, protéine C réactive) et imageries (échographie, angiographie, scanner) — montrent des limites majeures :

    • Précision insuffisante pour prédire les risques individuels.
    • Dépendance à des facteurs statistiques.
    • Absence de prise en compte des données génétiques et morphologiques complexes.
    • Négligence des facteurs psychosociaux affectant l’adhésion au traitement.

    Morpheus : un projet collaboratif français soutenu par l’Union européenne

    Financé par le programme Horizon-Health 2022 de l’Union européenne, Morpheus est piloté par le CHU de Brest en collaboration avec des partenaires tels que l’Inserm, le réseau Innovte (Investigation Network On Venous Thrombo-Embolism) et les universités de Bordeaux et Bretagne Occidentale. Ce projet rassemble des experts de huit pays européens (France, Pays-Bas, Allemagne, Espagne, la Suisse, la Pologne, la Suède et le Danemark). Son originalité repose sur :

    • Intégration multi-niveaux : analyse combinée de données cliniques, biologiques, morphologiques et socio-anthropologiques.
    • Base de données unique : fusion de 14 cohortes européennes comprenant 20 000 dossiers cliniques, 10 000 données biologiques et 400 imageries avancées.
    • IA et machine learning : identification de modèles complexes pour des recommandations personnalisées.
    • Décision partagée : outil interactif intégrant prédictions cliniques et préférences des patients.

    L’essai clinique de validation débute le 1er décembre 2024

    Le 1er décembre 2024, un essai clinique sera lancé sur 2 400 patients dans 40 centres européens. Ce nouvel outil IA prédictif multidimensionnel vise à optimiser les traitements anticoagulants, éviter les interventions inutiles et réduire les récidives et complications. Une avancée majeure pour personnaliser la prise en charge de la MVTE.

     

  • Etude : la télésanté, une option à ne pas négliger pour prévenir le risque de suicide (Jama)

    Soins virtuels : un manque de données sur les idées suicidaires

    En France, près de 9000 décès par suicide sont enregistrés chaque année. Fort heureusement, ce chiffre diminue depuis une trentaine d’années mais comme le souligne France Assos Santé, la part de la mortalité attribuable au suicide chez les moins de 35 ans est en augmentation. Notamment depuis la pandémie de Covid 19. Au niveau mondial, plus de 700 000 personnes par an mettent fin à leur jour.

    Or, si plusieurs essais cliniques randomisés ont démontré que les traitements de télésanté psychiatrique via vidéoconférence ont une efficacité équivalente à celle des traitements psychiatriques en personne, notamment dans le traitement du trouble de stress post-traumatique, de la dépression, ou encore de l’anxiété sociale, les données faisaient défaut concernant les idées suicidaires. En la matière, la prudence était de mise. “Historiquement, les patients à haut risque étaient considérés comme inadaptés aux soins virtuels en raison des préoccupations liées au risque et à la responsabilité,” a expliqué Justin Baker, psychologue clinicien à l’université de Boston. C’est justement pour cette raison qu’il a participé à la réalisation d’une étude de cohorte rétrospective.

    Une étude en plein Covid :

    Entre mars 2020 au 31 décembre 2021, en pleine épidémie de Covid, une équipe de chercheurs du Centre Médical Wexner et de la Faculté de Médecine de l’Université d’État de l’Ohio a analysé 66 387 données provenant de 16 236 anciens combattants libérés de leurs obligations militaires. Ces hommes – pour la plupart- avaient reçu au moins deux diagnostics liés à la dépression majeure, au trouble de stress post-traumatique ou à un trouble lié à l’utilisation de substances. Et ils avaient bénéficié soit d’une thérapie cognitive et comportementale brève soit d’une thérapie centrée sur le présent. Les patients ont eu en moyenne 2,2 visites par mois, avec une combinaison de visites virtuelles, téléphoniques et en présentiel.

    Les résultats de cette étude ont été publiés le 5 novembre dans le Jama Network Open.

    Résultats : + de visites virtuelles = – d’actes suicidaires

      • 929 événements liés au suicide (tentatives de suicide, automutilation ou décès) ont été recensés, soit 1,4 % de l’échantillon.
      • 44,6 % des consultations totales en santé mentale ont été délivrées virtuellement.
      • Une augmentation de 1 % des visites virtuelles était associée à une réduction de 2,5 % des événements liés au suicide.

    Ce résultat suggère donc que les services de santé mentale virtuels pourraient avoir un effet protecteur en matière de prévention du suicide. Les auteurs de l’étude formulent plusieurs hypothèses pouvant expliquer de tels bénéfices. Tout d’abord, la télésanté rend les soins de santé mentale plus accessibles. Les professionnels de santé mentale n’étant pas présent partout. Mais cette plus grande accessibilité pourrait aussi être due à une réduction de la stigmatisation. Prendre un rendez-vous en face à face avec un professionnel de la santé mentale reste encore une étape difficile à franchir pour une partie de la population. Enfin, « le fait de se trouver dans un environnement familier, comme son domicile, renforce le sentiment de sécurité psychologique », avancent les chercheurs.

    Préliminaires, ces résultats ont besoin d’être confirmés, notamment auprès d’un public différent. L’étude n’a en effet été menée que chez des vétérans. Sa généralisation reste donc à expérimenter.

     

     

    * Virtual Mental Health Care and Suicide-Related Events.

    Tenso K, Strombotne K, Garrido MM, Lum J, Pizer S.

    JAMA Netw Open. 2024;7(11):e2443054. doi:10.1001/jamanetworkopen.2024.43054

     

  • Maladies chroniques : en quoi consiste Charles.co, la clinique numérique dédiée à la santé masculine ?

    Répondre aux problématiques spécifiques de la santé masculine

    Sur les 3 à 4 millions d’hommes en France concernés par des troubles érectiles, seuls 800 000 bénéficient d’un suivi médical structuré. Et il en va de même pour beaucoup de pathologies chroniques du domaine de la santé masculine, notamment les problèmes de sommeil, la chute des cheveux, l’obésité ou l’éjaculation précoce. Ces pathologies, parfois perçues comme taboues, conduisent beaucoup d’hommes à éviter les consultations médicales, souvent par gêne ou manque de solutions accessibles. Cette situation ce couple à la faible disponibilité de spécialistes tels que les sexologues, dont la France ne compte que 300 praticiens.

    Face à ces défis, Charles.co a été fondée en 2019. Cette jeune entreprise parisienne souhaite proposer une alternative simple et accessible à travers sa clinique médicale virtuelle. Accessible sous la forme d’une plateforme internet, Charles.co permet aux hommes peuvent de consulter des médecins spécialisés par visioconférence, appel téléphonique ou messagerie sécurisée. Cette solution permet une prise en charge personnalisée, avec un suivi continu allant de l’identification du problème jusqu’à la résolution, le tout encadré par des experts dans chaque domaine concerné.

    Plus de 100 000 patients en 5 ans

    Depuis sa création en 2019, Charles.co est devenue un acteur clé de la santé masculine,  grâce à une approche mêlant innovation technologique et proximité. Plus de 100 000 hommes ont déjà utilisé cette clinique digitale pour prendre en main leur santé, bénéficiant d’un accès simplifié à des services de soins complets et sécurisés. En 2023, 95 % des patients ont déclaré être satisfaits de leur expérience, notamment pour la clarté des diagnostics et la qualité de l’accompagnement médical. Plus de 9 patients sur 10 affirmaient aussi que les traitements proposés ont répondu à leurs attentes, et 87 % d’entre eux se disaient prêts à recommander la plateforme à leur entourage.

    Une entreprise ouverte sur les réseaux sociaux :

    Charles.co ne se limite pas aux consultations : la plateforme sensibilise également un large public à travers des contenus éducatifs diffusés sur plusieurs canaux. Avec 500 000 abonnés sur Tiktok, une chaîne Youtube suivie par plus d’un million de spectateurs mensuels, et un blog lu par 500 000 visiteurs chaque mois, elle s’adresse à toutes les générations et contribue à briser les tabous autour de la santé masculine. Ce succès repose également sur un modèle économique accessible, avec des consultations à partir de 35 euros, bien en dessous des prix moyens observés en cabinet.

    Un acteur qui plaide pour la généralisation du remboursement de la téléconsultation

    Pour améliorer la prise en charge des patients, Charles.co collabore avec des pharmacies partenaires afin de faciliter la livraison de traitements. Les patients peuvent commander leurs médicaments via un espace sécurisé sur la plateforme après une téléconsultation, avec des options de livraison rapide.

    L’entreprise plaide aussi activement pour que les téléconsultations soient incluses, de manière généralisée, dans le cadre de remboursement de la Sécurité sociale. Aujourd’hui, la réglementation impose une relation préalable entre le médecin et le patient, ce qui exclut de nombreuses consultations réalisées à distance. Charles.co travaille à démontrer que ses services digitaux répondent à des besoins réels et critiques, en particulier pour des pathologies sensibles et souvent taboues. Cette démarche vise à démocratiser davantage l’accès aux soins, notamment pour les patients qui hésitent encore à franchir le cap d’une consultation physique​.