Actualité

  • Étude : plus des deux tiers des médecins utilisent une IA générative, hors du cadre de gouvernance des hôpitaux (Jama)

    Publié dans le Jama Health Forum, l’article “Health Systems Govern Only the Tip of the AI Iceberg” montre un décalage entre la gouvernance institutionnelle de l’IA et ses usages réels par les médecins.

    L’IA générative à destination des médecins s’est installée dans la pratique courante. Plus de deux tiers des praticiens y recourent désormais chaque jour dans leur activité. Dans le même temps, beaucoup jugent trop lente l’adoption de ces technologies. Cette situation favorise un usage largement déployé en dehors d’un cadre institutionnel.

    Or la gouvernance de l’IA dans les établissements de santé reste conçue pour évaluer des outils associés à un usage précis. Cette approche permet de mesurer les risques potentiels d’une application donnée, puis de mettre en place des mesures d’atténuation. Elle correspond à des solutions ciblées, mais elle s’adapte mal aux plateformes d’IA générative généralistes.

    IA généralistes : une expansion des usages qui complique la cartographie des impacts

    Le problème tient à la nature même de ces plateformes. Contrairement à un outil développé pour une tâche définie, l’IA générative généraliste peut être mobilisée par les médecins dans des contextes très variés : rédaction, synthèse, aide à la communication, structuration d’informations ou appui à certaines décisions.

    Les bénéfices comme les risques ne dépendent donc pas seulement de l’outil, mais aussi de la manière dont il est utilisé.

    Dans ce cadre, les dispositifs de gouvernance classiques montrent leurs limites. Ils ont été élaborés pour des solutions dont les usages sont bornés, les effets plus facilement anticipables et les risques plus simples à quantifier. Avec les plateformes généralistes, l’éventail des conséquences possibles devient beaucoup plus large, mouvant et difficile à cartographier à l’avance.

    Deux réalités qui coexistent dans les établissements

    Il en résulte une situation paradoxale. D’un côté, les systèmes de santé exercent une supervision directe sur des outils d’IA étroitement définis, intégrés dans des processus formalisés. De l’autre, les médecins utilisent de façon diffuse et peu visible des plateformes d’IA grand public, sans véritable contrôle.

    Ces usages restent souvent en surface invisibles pour les organisations.

    L’absence d’engagement institutionnel augmente le risque

    Le manque d’implication des systèmes de santé vis-à-vis des outils grand public n’en réduit pas le risque, il l’aggrave. En laissant ces usages se développer sans cadre, les établissements se privent de visibilité sur les pratiques réelles des médecins et renoncent aux protections qu’ils pourraient mettre en place.

    Autrement dit, l’absence de politique explicite ne bloque pas l’adoption. Elle déplace simplement cette adoption hors du périmètre de gouvernance. Les médecins continuent à utiliser l’IA générative, mais sans accompagnement, sans règles stabilisées et sans dispositifs institutionnels capables de sécuriser les usages.

    Réformer l’approche de la gouvernance de l’IA

    Les auteurs estiment donc que les systèmes de santé doivent revoir leur approche. La gouvernance ne peut plus reposer uniquement sur l’évaluation d’outils spécialisés correspondant à des cas d’usage isolés. Elle doit aussi prendre en compte des plateformes généralistes dont les usages sont multiples, évolutifs et parfois informels.

    Cette réforme suppose de reconnaître l’ampleur du phénomène, d’intégrer les outils grand public dans le champ de vigilance des établissements et de construire des protections adaptées aux usages réels des médecins.

     

  • HDH : la Plateforme des données de santé a choisi Scaleway comme hébergeur de ses données

    Un choix industriel importante pour tout le numérique en santé français

    La Plateforme des données de santé (French Health Data Hub) amorce une évolution de son infrastructure en annonçant le choix de Scaleway comme futur hébergeur. Derrière cette décision technique, c’est en réalité un signal stratégique fort envoyé à l’ensemble de l’écosystème : celui d’un recentrage vers un modèle de cloud souverain, dans un contexte où les enjeux de confiance, de sécurité et de dépendance technologique sont devenus centraux.

    Le choix de Scaleway intervient à l’issue d’un processus de sélection particulièrement exigeant, intégrant plus de 350 critères techniques. Il reflète aussi une réalité : les offres de cloud européennes ont atteint un niveau de maturité suffisant pour répondre à des besoins critiques en santé. La solution française a été préférée à plusieurs autres outils, dont ceux d’OVH cloud et d’Orange business.

    Cette migration marque une inflexion importante. Pendant longtemps, les infrastructures hyperscale internationales étaient perçues comme incontournables pour gérer des volumes massifs de données de santé. La décision de la PDS suggère qu’un écosystème européen compétitif est désormais crédible, à condition d’un travail conjoint entre acteurs publics et industriels. Par ailleurs, cette migration ne se limite pas à un changement d’hébergeur : elle s’inscrit dans une logique de co-construction. Les exigences spécifiques de la PDS sont appelées à enrichir l’offre industrielle, contribuant ainsi à structurer une filière cloud adaptée aux cas d’usage les plus sensibles.

    Une réversibilité pensée dès l’origine :

    Dans son communiqué de presse la PDS explique que la plateforme avait intégré dès sa conception une logique de réversibilité, avec des travaux engagés dès 2019 pour anticiper un changement d’hébergeur. La PDS explique donc que la question de la souveraineté n’a pas été traitée a posteriori, mais bien intégrée comme une contrainte d’architecture. L’utilisation de standards cloud natifs et de mécanismes de sécurité avancés permet aujourd’hui de rendre cette transition techniquement possible, sans remise en cause de la continuité de service.

    La PDS illustre ici une approche encore trop rare dans les systèmes publics : concevoir des infrastructures capables d’évoluer avec le marché et les exigences réglementaires.

    Une migration pensée pour accélérer l’usage des données de santé

    Au-delà des questions de souveraineté, l’objectif principal reste opérationnel : fluidifier l’accès aux données et accélérer leur usage.

    La future infrastructure doit notamment permettre à la PDS de gérer de manière autonome une copie de la base principale du SNDS, entre fin 2026 et début 2027. Cette migration pourrait permettre de réduire significativement les délais d’accès aux données pour les projets de recherche et d’innovation. En creux, cela répond à une critique récurrente adressée à la plateforme : la complexité et la lenteur des processus d’accès aux données. En renforçant son autonomie technique, la PDS cherche à passer d’un modèle centralisé et contraint à une logique plus fluide et plus scalable.

  • AWS lance Amazon Bio Discovery pour accélérer la découverte de médicaments par l’IA

    Une plateforme unifiée pour industrialiser la découverte de médicaments

    AWS a annoncé le lancement d’Amazon Bio Discovery, une application d’IA destinée à accélérer la conception et l’évaluation de candidats-médicaments, en particulier dans le domaine des anticorps.

    La plateforme repose sur un catalogue de modèles biologiques de base (bioFM), entraînés sur de larges ensembles de données, capables de générer et d’analyser des molécules thérapeutiques.

    L’approche ne se limite pas à l’accès aux modèles. Amazon Bio Discovery intègre un agent d’IA permettant aux chercheurs d’interagir en langage naturel pour sélectionner les modèles pertinents, paramétrer les expériences et interpréter les résultats. Les scientifiques peuvent également affiner ces modèles à partir de leurs propres données expérimentales.

    Lever les freins à l’usage

    Malgré la multiplication des modèles d’IA en biologie, leur adoption reste limitée par plusieurs obstacles : complexité technique, nécessité de compétences en codage, difficulté à comparer les modèles et rareté des profils spécialisés en biologie computationnelle. La plateforme d’AWS vise à contourner ces freins en combinant trois briques :

    • Une bibliothèque de modèles et d’outils d’analyse calibrés.
    • Un agent d’IA pour orchestrer les workflows expérimentaux.
    • Un réseau de partenaires de laboratoire pour tester physiquement les candidats.

    Elle propose également un jeu de données de référence sur les anticorps afin d’évaluer la fabricabilité, la stabilité et les propriétés biologiques des molécules générées.

    Vers une boucle fermée entre conception numérique et expérimentation

    L’un des apports de la solution réside dans l’intégration directe avec des laboratoires partenaires.

    Une fois les candidats sélectionnés, les chercheurs peuvent les envoyer pour synthèse et tests, avec des délais et coûts annoncés en amont. Les résultats expérimentaux sont ensuite réinjectés dans la plateforme pour alimenter les cycles suivants.

    Ce fonctionnement en boucle vise à remplacer des processus aujourd’hui fragmentés, marqués par des systèmes de données cloisonnés et une coordination manuelle entre acteurs.

    Amazon Bio Discovery permet aux utilisateurs d’entraîner des modèles sur leurs propres données sans infrastructure dédiée ni développement spécifique. Les modèles affinés restent privés et accessibles uniquement à l’organisation.

    La plateforme garantit également l’isolation des données et la propriété intellectuelle des utilisateurs.

    Cas d’usage : 300 000 anticorps conçus en quelques semaines

    Dans le cadre d’un partenariat avec le Memorial Sloan Kettering Cancer Center, les équipes ont utilisé Amazon Bio Discovery pour générer près de 300 000 candidats anticorps. Parmi eux, 100 000 ont été envoyés pour tests à Twist Bioscience.

    Selon les équipes impliquées, cette phase a été réalisée en quelques semaines entre la conception et l’envoi en laboratoire.

    Outre le Memorial Sloan Kettering Cancer Center, plusieurs acteurs ont déjà adopté la solution, dont Bayer, le Broad Institute, le Fred Hutch Cancer Center et Voyager Therapeutics.

    Avec cette plateforme, AWS cherche à standardiser et accélérer les premiers phases de la découverte de médicaments, en articulant IA, données propriétaires et capacités expérimentales.

  • Étude : l’IA et les dermatologues présentent des performances comparables dans le diagnostic du mélanome

    Une méta-analyse, publiée le 25 mars 2026, compile 11 études prospectives totalisant plus de 2 500 patients et 50 dermatologues. Elle compare trois configurations : dermatologues seuls, intelligence artificielle seule, et dermatologues assistés par IA.

    Les résultats agrégés montrent une proximité des performances diagnostiques :

    • Dermatologues seuls : sensibilité 78,6 % ; spécificité 75,3 %
    • IA seule : sensibilité 80,9 % ; spécificité 75,6 %

    Aucune différence statistiquement significative n’est observée entre les deux approches. L’étude unique évaluant l’IA en assistance montre des résultats supérieurs (sensibilité 91,9 %, spécificité 83,7 %), mais reste insuffisante pour conclure. Dans les comparaisons directes, l’IA présente une spécificité plus élevée et une sensibilité comparable ou légèrement inférieure, suggérant un potentiel pour réduire les biopsies inutiles.

    De la preuve rétrospective à la validation clinique

    Jusqu’ici, la littérature reposait majoritairement sur des études rétrospectives utilisant des bases d’images sélectionnées. Cette méta-analyse se distingue en se limitant aux données prospectives, considérées comme plus proches de la pratique clinique. Elle confirme que les performances observées en conditions contrôlées ne se traduisent pas nécessairement à l’identique en situation réelle. Les auteurs soulignent notamment que :

    • Les modèles d’IA reposent quasi exclusivement sur des réseaux de neurones convolutionnels (CNN).
    • Les performances dépendent fortement de la taille et de la diversité des bases d’entraînement.
    • Les conditions cliniques introduisent une variabilité absente des jeux de données standardisés.

    L’analyse critique met en évidence plusieurs limites :

    Une sélection des patients peu représentative :  Dans 9 études sur 11, les patients étaient pré-sélectionnés (lésions suspectes, pigmentées), excluant une grande partie des cas rencontrés en routine. Conséquence : surestimation possible des performances.

    Une simplification excessive du diagnostic : La majorité des études reposent sur une classification binaire (mélanome vs non-mélanome), loin de la complexité réelle des diagnostics dermatologiques.

    Des designs hétérogènes : Certaines études utilisent : des approches patient-level plutôt que lésion par lésion (biais de performance), des critères indirects (décision d’excision plutôt que diagnostic)

    Un déséquilibre des preuves : 9 études évaluent les dermatologues, 5 évaluent l’IA, 1 seule évalue l’IA en assistance. L’impact réel de l’IA comme outil d’aide reste donc peu documenté.

    Vers un rôle d’outil d’aide à la décision

    Les résultats suggèrent plusieurs usages potentiels :

    • Réduction des actes invasifs inutiles (via une meilleure spécificité).
    • Standardisation partielle de l’évaluation dermoscopique.
    • Soutien aux praticiens moins expérimentés.

    Cependant, les auteurs insistent sur la nécessité de valider les outils sur des populations non sélectionnées, de conduire des études multicentriques à grande échelle, et de mieux documenter les usages en conditions réelles

    L’étude conclut que l’IA atteint aujourd’hui un niveau de performance comparable à celui des dermatologues, mais que son niveau de preuve reste insuffisant pour une adoption large.

    Prospective Evidence on Artificial Intelligence−Assisted Melanoma Diagnostics

     

  • AAP : l’ARS Île-de-France lance son édition 2026 en deux vagues (15 juin / 30 août), financée par le FIR, avec des priorités en périnatalité et santé mentale

    L’ARS Île-de-France poursuit en 2026 sa stratégie engagée depuis 2014 en faveur de la simulation en santé. Cet appel à projets vise à renforcer les compétences techniques et non techniques des étudiants et des professionnels, en s’appuyant sur des dispositifs pédagogiques innovants.

    L’approche attendue repose sur l’interprofessionnalité et la mutualisation des ressources, avec une attention particulière portée à l’accessibilité à l’échelle régionale.

    Typologie des projets attendus

    Deux thématiques bénéficient d’une priorisation :  périnatalité et santé mentale. L’appel cible des projets de simulation en santé interprofessionnelle sous différentes formes :

    • Simulation in situ ou délocalisée.
    • Simulation numérique.
    • Simulation chirurgicale.
    • Développement d’outils pédagogiques innovants.

    Les initiatives intégrant une logique de coopération interprofessionnelle et de mutualisation des ressources sont privilégiées.

    Critères d’éligibilité et publics concernés

    Catégorie Détails
    Publics cibles Etudiants (paramédical, filières MMOP), Professionnels en formation continue.
    Structures éligibles Instituts et écoles, établissements sanitaires et médico-sociaux, universités, associations.
    Exigences du projet Respecter les recommandations de la HAS, démontrer un impact en nombre d’apprenants, et être réalisable dans les délais contractuels

    Sélection différenciée selon la maturité des projets

    L’instruction prévoit des critères spécifiques selon le niveau de maturité :

    Projets émergents :

    • Présence d’un référent simulation formé.
    • Budget dédié à la formation des formateurs.
    • Diffusion des livrables.
    • Suivi d’indicateurs.

    Projets matures :

    • Mutualisation avec une structure émergente.
    • Développement de la formation continue.

    À qualité équivalente, une priorisation thématique est appliquée.

    Calendrier et modalités de financement

    L’appel est structuré en deux vagues de dépôt :

    • 15 juin 2026 (vague 1)
    • 30 août 2026 (vague 2)

    Les notifications sont prévues mi-août et mi-septembre 2026 selon la vague. Les projets devront être finalisés avant le 31 décembre 2027, date de remise du rapport final. Le financement repose sur le Fonds d’intervention régional (FIR), sans enveloppe précisée. Les fonds sont versés après signature des conventions.

    Les dépenses éligibles doivent être strictement liées au projet, à l’exclusion des charges structurelles et des coûts de maintenance.

    Points d’attention pour les porteurs

    • Absence de montant indicatif : nécessité d’un budget argumenté.
    • Exclusion des frais de structure des dépenses éligibles.
    • Exigence forte d’interprofessionnalité.
    • Obligation de diffusion des livrables dans une logique régionale.
    • Avantage implicite pour les projets en périnatalité et santé mentale.

    Les candidatures doivent être déposées en ligne via la plateforme officielle. 

  • Biopuce nanophotonique IA : détection rapide des microARN sanguins

    MicroARN et cancer pulmonaire, un besoin diagnostique non couvert

    Les microARN circulants constituent des biomarqueurs prometteurs, notamment dans le cancer pulmonaire non à petites cellules, mais leur faible concentration limite leur détection. Selon l’OMS :

    • ~ 2,2 millions de nouveaux cas/an.
    • ~ 1,8 million de décès/an.
    • Survie à 5 ans <20 %.

    Les techniques actuelles par PCR restent contraignantes : délais analytiques prolongés, préparation complexe et performances variables aux faibles concentrations.

    Une biopuce nanophotonique couplée à l’IA pour une analyse multiplex

    Développée par la Nanyang Technological University (Singapour), cette biopuce repose sur une nanocavité amplifiant les signaux fluorescents lors de la liaison microARN-sonde, associée à un algorithme de deep learning (Mask R-CNN) pour l’analyse automatisée. Elle permet :

    • La détection multiplex sans amplification nucléique.
    • L’analyse automatisée par IA.
    • La lecture simultanée de milliers de signaux.

    Validation expérimentale et performances analytiques

    Une étude de preuve de concept, publiée en 2026 dans Advanced Materials, a été menée sur extraits cellulaires et matrices enrichies en microARN. Les résultats indiquent :

    • Temps d’analyse : ~20 min (vs plusieurs heures en PCR).
    • Sensibilité : détection jusqu’à quelques molécules.
    • Précision : >99 % d’identification.

    Vers une translation clinique et un déploiement décentralisé

    Un prototype portable intégrant caméra et application mobile a été validé. Les prochaines étapes concernent la validation clinique à plus grande échelle et les procédures d’homologation réglementaire. Les applications envisagées incluent :

    • Le dépistage précoce en oncologie.
    • Le suivi thérapeutique personnalisé.
    • Et le diagnostic en milieux à ressources limitées.

     

  • Les coûts cachés de la non-observance estimés à plus de 9 milliards d’euros par an

    Un coût qui va au-delà du gaspillage des médicaments

    Pour comprendre l’impact économique de la non-observance, il faut regarder la partie immergée de l’iceberg. Le gaspillage direct – c’est-à-dire les médicaments remboursés mais non consommés – ne représente qu’une fraction du problème. Le véritable coût réside dans les soins induits.

    En effet, lorsqu’un traitement chronique n’est pas respecté, la pathologie s’aggrave, entraînant des passages aux urgences, des actes chirurgicaux évitables et des arrêts de travail prolongés. En France, l’étude macro-économique de référence (IMS Health) a chiffré ce coût des soins évitables à 9 milliards d’euros par an. Ce fardeau s’explique par un engorgement direct des infrastructures : la non-observance génère à elle seule 100 000 hospitalisations annuelles, cumulant un million de journées d’hôpital.

    À cela s’ajoute un coût sociétal indirect massif. Une maladie chronique mal équilibrée (comme un diabète sévère, des troubles cardiovasculaires ou une dépression) entraîne une explosion de l’absentéisme. La perte de productivité pour les entreprises et l’économie nationale alourdit encore une facture déjà insoutenable, à l’heure où les dépenses courantes de santé en France ont atteint le record de 332 milliards d’euros en 2024 (derniers chiffres de la Drees disponibles).

    De nombreuses conséquences liées également à l’antibiorésistance :

    Le coût de la non-observance se paie également sur le plan clinique collectif. L’exemple le plus frappant est celui des antibiotiques. L’arrêt prématuré d’un traitement antibiotique (dès que le patient “se sent mieux”, souvent au bout de trois jours) est l’un des moteurs principaux de l’antibiorésistance.

    En ne détruisant pas totalement la charge bactérienne, les pathogènes survivants mutent et deviennent résistants. En 2025, l’Organisation mondiale de la santé (OMS) a déclaré l’antibiorésistance comme l’une des 10 plus grandes menaces pour la santé publique mondiale, estimant qu’elle pourrait causer 10 millions de décès par an d’ici 2050 si les comportements ne changent pas.

    Un coût qui se répercute sur des soignants et des aidants sous pression

    Enfin, il existe un coût social, invisible dans les rapports comptables : l’épuisement humain.

    • Pour les professionnels de santé : La non-observance crée une frustration profonde et génère ce que l’on appelle la “cascade de prescriptions”. En voyant un patient revenir en consultation avec des paramètres cliniques dégradés, le médecin peut penser à tort que le traitement initial est inefficace. Il va alors doubler la dose ou prescrire une molécule de “seconde ligne” plus agressive, augmentant drastiquement le risque de toxicité et d’effets secondaires graves pour le patient.

    • Pour les proches aidants : L’aggravation d’une maladie chronique accélère la perte d’autonomie. Ce sont alors les familles qui doivent pallier les urgences, gérer la dépendance et réorganiser leur propre vie professionnelle pour accompagner un proche dont l’état aurait pu être stabilisé par une prise correcte de ses médicaments.

    La non-observance coûte des vies, épuise les soignants et ruine l’Assurance maladie. Face à ce constat d’échec des méthodes d’accompagnement traditionnelles, le monde de la santé se tourne vers un nouvel allié : la technologie.

    Un coût qui est également écologique 

    Que deviennent les traitements prescrits mais non consommés ? Au-delà de l’aberration économique, la non-observance est un désastre environnemental. Si une partie finit dans les placards, de grandes quantités de médicaments sont jetées à la poubelle ou dans les toilettes, polluant massivement les nappes phréatiques (résidus d’hormones, d’antidépresseurs, etc.). En France, l’association Cyclamed récupère à elle seule près de 10 000 tonnes de médicaments non utilisés (MNU) par an, ce qui ne représente qu’une fraction du gaspillage réel.

  • La non-observance, une urgence clinique et économique aux conséquences vertigineuses

    Un problème de santé publique mondial

    Le constat global est sans appel. L’Organisation mondiale de la santé (OMS) rappelle depuis plus de 20 ans que près de 50 % des patients atteints de maladies chroniques ne respectent pas leur traitement. Plus inquiétant encore, cette dégradation est extrêmement rapide. Plusieurs études – dont une sur l’adhérence thérapeutique concernant le diabète – montrent que pour la plupart des pathologies chroniques (notamment celles qui sont asymptomatiques, comme l’hypertension ou le cholestérol), l’observance chute drastiquement dès les six premiers mois de traitement.

    On décompose généralement ce phénomène en trois phases chronologiques :

    • L’initiation qui est le rejet précoce. On estime que près de 20 à 30 % des ordonnances rédigées en consultation ne sont jamais honorées en pharmacie.

    • L’implémentation qui arrive lorsque le traitement est commencé, mais que la prise devient irrégulière (erreurs de dosage, sauts de prises).

    • La persistance qui est l’abandon pur et simple du traitement avant la fin recommandée.

    Le mythe de la “tête en l’air” :

    L’idée reçue la plus tenace consiste à croire que la non-observance serait majoritairement due à un simple oubli. Or, la littérature médicale comportementale démontre que la majorité de la non-observance est en réalité intentionnelle. Il ne s’agit pas d’un défaut d’organisation, mais d’un choix conscient ou d’un mécanisme d’évitement lié à la peur des effets secondaires, au déni de la maladie ou à un manque de confiance envers le corps médical.

    Un engorgement massif du système de santé français

    La non-observance n’est pas qu’un concept statistique : elle sature physiquement nos hôpitaux. En France, les rapports de référence – comme celui du Cercle de réflexion l’industrie pharmaceutique (Crip) et celui de l’Inspection générale des affaires sociales (Igas) – estimaient déjà il y a plus de 10 ans que cette non-observance était directement responsable de 100 000 hospitalisations évitables par an. Mises bout à bout, ces admissions génèrent le chiffre vertigineux d’un million de journées d’hospitalisation. Les conséquences cliniques sont tragiques, avec environ 12 000 décès évitables chaque année, frappant en premier lieu les personnes âgées, premières victimes de la polymédication (complexité de prendre plusieurs traitements par jour).

    Sur le plan macro-économique, la même étude fondatrice d’IMS Health et du Crip y évaluait le coût global de ce fléau à 9 milliards d’euros par an (gaspillage, complications, hospitalisations). Or, il s’agit aujourd’hui d’une estimation basse. Avec l’inflation médicale record de ces dernières années et le vieillissement de la population qui porte aujourd’hui à plus de 20 millions le nombre de malades chroniques en France, selon les derniers chiffres de la Direction de la recherche, des études, de l’évaluation et des statistiques (Drees), l’addition réelle est bien plus lourde.

  • 11 études démontrent l’impact mesurable de l’IA, des applications de santé et des chatbots sur l’observance thérapeutique (revue de littérature)

    Un corpus de 11 études (2019–2026) sur la santé numérique et l’observance

    La transition démographique et le fardeau des maladies chroniques imposent l’évaluation rigoureuse des interventions numériques. Cet article synthétise et analyse les résultats de onze études publiées entre 2019 et 2026, incluant des essais contrôlés randomisés (RCT), des revues systématiques et des études observationnelles hébergées sur PubMed/PMC. Menées par des équipes de recherche mondiales (Japon, Jordanie, Chine, Royaume-Uni, Australie, etc.), ces études ont pour objectif d’identifier les avancées technologiques permettant de maintenir le patient dans son parcours de soins.

    Les études retenues couvrent des thématiques structurantes :

    • L’impact des applications santé mobile et des suivis combinés sur les paramètres physiologiques (diabète, insuffisance cardiaque) ;

    • Le rôle des agents conversationnels (chatbots) pour contrer le décrochage thérapeutique, particulièrement en santé mentale ;

    • La capacité de modélisation de l’IA pour prédire l’adhérence et évaluer l’acceptation par les patients.

    mHealth et suivis hybrides : jusqu’à 26 % d’augmentation de l’observance :

    L’efficacité des applications de santé mobile (est aujourd’hui confirmée par des méta-analyses de grande envergure. Une étude focalisée sur l’insuffisance cardiaque (PMID: 38949146, 2024) démontre que les interventions de ces applications améliorent efficacement l’observance médicamenteuse avec un risque relatif (RR) de 1.26. Plus impressionnant encore, ces outils permettent de réduire les taux de réadmission hospitalière (RR = 0.63) et la mortalité globale.

    En diabétologie, l’impact se lit directement sur les résultats biologiques. Une méta-analyse ciblant spécifiquement les patients âgés diabétiques (PMC12214694, 2025) rapporte une réduction significative du taux d’HbA1c (Hedges g = -0.40) grâce à l’utilisation d’applications. Cependant, une étude américaine de janvier 2025 (PMC11791457, 2025) apportent une nuance importante : l’association de la e-santé avec une intervention dirigée par un professionnel de santé génère des améliorations de l’HbA1c et de la qualité de vie (QoL) nettement supérieures à l’application seule, confirmant l’importance d’un modèle “hybride” (humain-machine).

    Les chatbots et l’IA conversationnelle qui permettent de multiplier par 1,8 le taux de complétion :

    L’intégration de chatbots dans les parcours de soins permet de lutter contre le sentiment d’isolement, première cause de rupture thérapeutique. Des chercheurs japonais (PMC10806906, 2024) ont testé un chatbot automatisé couplé à une thérapie cognitivo-comportementale sur internet (iCBT) pour des travailleurs souffrant de dépression. Le résultat est net : le groupe bénéficiant du chatbot a atteint un taux de complétion de 34,8 % contre 19,2 % pour le groupe standard, soit un risque ratio (RR) de 1.81. Les messages d’encouragement du chatbot maintiennent la motivation.

    Ce rôle de soutien est corroboré par une étude française (PMC6521209, 2019) en oncologie (cancer du sein), où 88 % des patientes déclarent que le chatbot “Vik” leur a fourni un soutien efficace, avec un taux de satisfaction global de près de 94 %. Deux des études les plus récentes (PMC12009506, 2025 et PMC12900317, 2026) confirment que l’IA conversationnelle n’est plus un simple outil de Q&A. Les chatbots personnalisent le soutien, favorisent le changement comportemental, et lorsqu’ils sont contrôlés par des cliniciens, ils garantissent une diffusion d’information de santé sécurisée et empathique.

    Prédiction algorithmique et perception des patients :

    Au-delà de l’interaction, l’IA modélise le risque. Une récente étude chinoise de janvier 2026 (PMC12758786, 2026) prouve que l’apprentissage automatique (machine learning) appliqué en conditions réelles permet de prédire les niveaux d’adhérence des patients face à un traitement de l’insomnie délivré par chatbot (dCBT-I). Cette prédiction clinique s’inscrit dans un cadre plus large exploré par des chercheurs brésiliens (PMC12069381, 2025) qui ont démontré que les systèmes “intelligents” (voix, vidéo, alertes) ont amélioré l’observance de 6,7 % à 32,7 % lors d’essais cliniques.

    Néanmoins, comme le soulignent de nombreux chercheurs (PMC13050224, 2026) lors d’une enquête nationale en Jordanie,  et la dernière étude en date sur le sujet (PMC12978933, 2026), l’efficacité de ces outils dépend fortement des connaissances et de l’attitude des patients face à l’IA, posant ainsi la question fondamentale des inégalités numériques en santé.

    Tableau comparatif synthétique des 11 études

    Réf. Population / Domaine Méthodologie Résultats chiffrés clés Conclusion principale
    PMID 38949146 (2024) Patients avec insuffisance cardiaque Méta-analyse RR observance = 1.26 ; RR réadmission = 0.63 Les applications de santé mobiles améliorent l’observance et réduit la mortalité et les réadmissions.

    Yasukawa et al. (2024)

     

    PMC10806906

    		 149 travailleurs (dépression sous-seuil) RCT (iCBT + Chatbot vs iCBT) Taux de complétion 34.8% vs 19.2% (RR = 1.81) Le chatbot automatisé booste significativement l’adhérence à la thérapie.

    Reis et al. (2025)

     

    PMC12069381

    		 Patients chroniques sous traitements Focused Review Amélioration de l’observance variant de 6.7% à 32.7% Les outils IA (voix/monitoring) sont efficaces pour éviter les erreurs de prise.

    Kanai et al. (2025)

     

    PMC11791457

    		 Patients maladies chroniques Méta-analyse Amélioration significative de l’HbA1c et de la QoL (court/moyen terme) La combinaison applications mobiles + intervention de professionnels est supérieure.

    Chaix et al. (2019)

     

    PMC6521209

    		 Patientes cancer du sein Étude prospective 93.9% de satisfaction globale Le chatbot soutient activement le patient et favorise le maintien du traitement.

    Merdas et al. (2026)

     

    PMC13050224

    		 Patients chroniques adultes (Jordanie) Étude transversale (Survey) Évaluation de l’acceptation clinique La perception et la connaissance de l’IA dictent le succès des outils d’observance.

    Feng et al. (2026)

     

    PMC12900317

    		 Utilisateurs e-santé Revue systématique L’IA contrôlée cliniquement garantit la sécurité Les chatbots sont d’excellents pourvoyeurs d’information et de soutien.
    PMC12214694 (2025) Patients âgés (Diabète) Méta-analyse (RCTs) Réduction significative du HbA1c (Hedges g = -0.40) Les apps mobiles sont cliniquement pertinentes même chez les seniors diabétiques.

    So et al. (2026)

     

    PMC12758786

    		 Patients souffrant d’insomnie (dCBT-I) Étude pilote (Real-world) Validation d’un modèle prédictif Le ML est capable de prédire l’adhérence à un programme mené par chatbot.

    Abbas et al. (2025)

     

    PMC12009506

    		 Médecine générale / Santé publique Revue narrative Soutien personnalisé et modifications comportementales L’IA conversationnelle est un catalyseur pour le diagnostic et le suivi.

    Al-Arkee et al. (2026)

     

    PMC12978933

    		 Acteurs de la santé / Patients Scoping review Évaluation des inégalités numériques L’IA optimise l’information médicamenteuse mais l’accessibilité reste un défi.

    Les bénéfices du numérique sur l’observance qui s’articulent autour de 3 piliers

    Il ressort de la concordance stricte de ces 11 études publiées que le bénéfice de l’intelligence artificielle et du numérique sur l’observance s’articule autour de trois piliers :

    1. La synergie humain-machine : Les applications isolées atteignent un plafond de verre. Les méta-analyses (Kanai et al.) prouvent que l’observance et les marqueurs vitaux (HbA1c) s’améliorent drastiquement lorsque les applications de santé sont couplées au suivi d’un professionnel de santé.

    2. Le chatbot comme “compagnon d’adhérence” : Qu’il s’agisse de santé mentale (dépression, insomnie) ou d’oncologie, les agents conversationnels réussissent là où la technologie échouait : ils maintiennent la motivation sur la durée et divisent par près de deux le risque d’abandon (taux de complétion doublé).

    3. La prévention algorithmique : Grâce au machine learning, l’IA permet désormais de calculer en amont le risque de décrochage, transformant l’observance d’un statut passif (constater l’échec) à un statut prédictif (anticiper la rupture), tout en soulevant l’enjeu crucial de la littératie numérique des patients (Merdas et al. ; Al-Arkee et al.).

    Bibliographie :

    • Abbas, S. A., et al. (2025). Revolutionizing Medicine: Chatbots as Catalysts for Improved Diagnosis, Treatment, and Patient Support. Cureus. PMCID: PMC12009506.

    • Al-Arkee, S., et al. (2026). Artificial Intelligence for Medicines Information: Scoping Review of Clinical Applications and Digital Health Inequalities. JMIR. PMCID: PMC12978933.

    • Chaix, B., et al. (2019). When Chatbots Meet Patients: One-Year Prospective Study of Conversations Between Patients With Breast Cancer and a Chatbot. JMIR Cancer. PMCID: PMC6521209.

    • Evaluating Effectiveness of mHealth Apps for Older Adults With Diabetes: Meta-Analysis of Randomized Controlled Trials. (2025). JMIR mHealth and uHealth. PMCID: PMC12214694.

    • Feng, S., et al. (2026). Engaging Artificial Intelligence (AI)-based chatbots in digital health: A systematic review. PLOS Digital Health. PMCID: PMC12900317.

    • Kanai, M., et al. (2025). The Effect of Combining mHealth and Health Professional–Led Intervention for Improving Health-Related Outcomes in Chronic Diseases: Systematic Review and Meta-Analysis. Interactive Journal of Medical Research. PMCID: PMC11791457.

    • A meta-analysis of effectiveness of mobile health interventions on health-related outcomes in patients with heart failure. (2024). Journal of Cardiovascular Medicine. PMID: 38949146.

    • Merdas, Z. J. H., et al. (2026). Artificial Intelligence in Medication Adherence: A National Assessment of Knowledge, Attitudes, and Perceptions Among Chronic Disease Patients in Jordan. Patient Preference and Adherence. PMCID: PMC13050224.

    • Reis, Z. S. N., et al. (2025). Artificial intelligence-based tools for patient support to enhance medication adherence: a focused review. Frontiers in Digital Health. PMCID: PMC12069381.

    • So, et al. (2026). Predicting adherence to fully-automated, chatbot-delivered digital cognitive behavioral therapy for insomnia (dCBT-I) using machine learning: A pilot real-world study. PLOS One. PMCID: PMC12758786.

    • Yasukawa, S., et al. (2024). A chatbot to improve adherence to internet-based cognitive-behavioural therapy among workers with subthreshold depression: a randomised controlled trial. BMJ Mental Health. PMCID: PMC10806906.

  • Urgences : le CHU de Martinique mise sur FollowMe pour rendre le parcours patient plus lisible

    Le CHU de Martinique a déployé, au sein du service d’accueil des urgences de l’hôpital Pierre Zobda Quitman, la solution FollowMe. Accessible via un simple SMS, l’outil permet aux patients de visualiser en temps réel les différentes étapes de leur prise en charge. Parmi les fonctionnalités proposées :

    • Suivi des étapes du parcours (infirmier d’accueil et d’orientation, médecin, imagerie, biologie).
    • Accès à des contenus pédagogiques et contextualisés.
    • Partage du suivi avec les proches.
    • Questionnaire de satisfaction à chaud, dans une logique de PREMs telle que définie par la Haute Autorité de Santé.

    Répondre aux tensions des urgences

    FollowMe vise plusieurs irritants identifiés dans le fonctionnement des urgences comme l’incertitude ressentie par les patients et leurs proches, les incompréhensions liées aux délais d’attente, les tensions qui en découlent dans les services, et le temps mobilisé par les équipes pour expliquer l’organisation.

    L’outil s’attaque à un facteur organisationnel central : le manque de visibilité sur le parcours de soins. En apportant une information en continu, il cherche à réduire les sollicitations non médicales et à améliorer l’expérience patient.

    Le projet a été élaboré avec les représentants des usagers, afin d’adapter les contenus et d’orienter les choix fonctionnels. Cette approche vise à aligner l’outil avec les attentes des patients et de leurs proches.

    Une brique dans une stratégie plus large de transformation

    Le déploiement de FollowMe s’inscrit dans une stratégie globale portée par la direction générale, dirigée par Jérôme Le Brière, et la commission médicale d’établissement présidée par Maturin Tabue Teguo. Cette stratégie repose sur plusieurs leviers :

    • renforcement des moyens humains et matériels,
    • ouverture de lits d’hospitalisation,
    • création d’une consultation non programmée de médecine générale à proximité des urgences,
    • structuration du Service d’Accès aux Soins avec les professionnels libéraux pour améliorer la régulation des appels,
    • déploiement d’outils numériques de pilotage en temps réel (activité, lits, brancardage, transport),
    • recours à des solutions d’aide à la décision médicale basées sur l’intelligence artificielle, notamment Gleamer.

    Le projet a mobilisé les équipes médico-soignantes, les fonctions support (DSI, RSSI, DPO), les représentants des usagers ainsi que les partenaires industriels, dont Enovacom.