Actualité

  • En 2025, la technologie médicale reste un pilier des dépôts de brevets en Europe, mais la France peine à suivre la dynamique

    Pour l’Office européen des brevets (OEB), la technologie médicale couvre l’ensemble des instruments utilisés pour le diagnostic et le traitement des maladies ainsi que pour la chirurgie. Ce champ va des instruments de vaccination aux prothèses, en passant par les robots chirurgicaux, les systèmes de tomodensitométrie et les pacemakers.

    En 2025, ces dispositifs s’inscrivent dans une dynamique globale où les demandes de brevets à l’OEB atteignent 201 974 dépôts, un niveau inédit, tiré par les technologies de santé, le numérique et les énergies bas carbone. L’OEB rappelle que ces demandes constituent un indicateur avancé des investissements en R&D, y compris dans les équipements médicaux et la santé numérique.

    Un tableau de bord qui confirme le poids des grands industriels

    Dans son Technology Dashboard 2025, l’OEB consacre un tableau de bord spécifique à la technologie médicale parmi les dix principaux domaines techniques. La page dédiée recense le volume de demandes (“Total applications”) et détaille les “Leading countries in 2025” ainsi que les “Top applicants in 2025” pour ce champ.

    Le classement des principaux déposants est établi sur une base consolidée de groupes, en agrégeant les demandes de leurs filiales identifiables, y compris lorsqu’elles sont situées dans des pays différents. Cette consolidation met en évidence le poids d’acteurs industriels qui structurent l’offre en imagerie, chirurgie assistée, dispositifs implantables et équipements connectés.

    Des entreprises comme Philips figurent parmi les demandeurs les plus actifs à l’échelle européenne, avec une part importante de leur portefeuille concentrée sur la technologie médicale. Pour les acteurs français, ce positionnement de grands groupes internationaux renforce la pression concurrentielle sur des segments clés des équipements médicaux et du numérique en santé.

    Pays d’origine : un signal pour la position française

    Le tableau “Leading countries in 2025” s’appuie sur le principe du « premier déposant nommé », qui attribue l’origine d’une demande de brevet au pays du premier demandeur mentionné dans le formulaire. En présence de plusieurs déposants, seule la résidence du premier est prise en compte, ce qui pèse sur la lecture des projets multinationaux, mais permet une comparaison standardisée entre pays.

    À l’échelle de l’ensemble des technologies, les demandes provenant d’Europe progressent de 0,4%, contre 2,1% pour celles émanant de pays non européens, notamment les États-Unis, la Chine et la Corée du Sud. Cette dynamique se retrouve dans la santé : la technologie médicale reste très demandée à l’OEB, mais la croissance est davantage tirée par les acteurs nord‑américains et asiatiques que par les déposants européens.

    Pour la France, qui demeure parmi les premiers pays européens contributeurs en brevets, ce contexte signifie que la part relative de l’Hexagone dans l’innovation santé se trouve sous pression, alors même que l’ensemble des demandes nationales allouées à la santé reculent. Les signaux publiés par l’OEB et par les analyses sectorielles convergent : l’innovation se réoriente vers des plateformes intégrées mêlant dispositifs, logiciels et données cliniques, un terrain sur lequel la France avance plus lentement que certains de ses concurrents.

    Méthodologie de l’OEB : des chiffres à manier avec prudence

    L’OEB détaille la méthodologie statistique appliquée à la technologie médicale, essentielle pour interpréter les chiffres au niveau national. D’une part, le champ inclut les demandes directes de brevet européen comme les demandes internationales PCT qui entrent en phase européenne, ce qui élargit la base aux stratégies globales des groupes pharmaceutiques et des fabricants de dispositifs.

    D’autre part, le principe du premier déposant nommé peut conduire à attribuer à l’étranger des inventions issues de collaborations impliquant des équipes françaises, lorsque le partenaire non français apparaît en premier sur la demande. Cette règle contribue à sous‑représenter certaines capacités d’innovation nationales dans les statistiques, en particulier pour les projets européens ou transatlantiques dans la santé.

    Enjeux pour les acteurs français de la santé et du numérique

    Pour les industriels français de la santé, les CHU, les start-up et les sociétés de technologie médicale, le tableau de bord “Medical technology” de l’OEB fonctionne comme un baromètre de positionnement. Il renseigne les volumes de dépôts dans les dispositifs médicaux, mais renvoie aussi à l’essor d’autres catégories techniques connexes comme l’informatique appliquée à la santé et l’IA médicale.

    Les analyses récentes signalent un ralentissement des dépôts en Europe dans l’innovation médicale et pharmaceutique, alors que les investissements se déplacent vers les technologies numériques, les données et les algorithmes. Dans ce paysage, les acteurs français qui misent encore fortement sur les infrastructures immobilières et les activités de soins traditionnelles risquent de se trouver en retrait sur les équipements, le numérique et les droits de propriété intellectuelle associés.

    Pour les décideurs publics comme pour les directions d’établissements, ces statistiques plaident en faveur d’une stratégie plus offensive d’investissement et de protection des inventions en technologie médicale, en articulation avec la santé numérique. Le suivi fin des “Top applicants in 2025” et des pays d’origine peut aider à cibler les partenariats industriels, les zones de rattrapage et les segments où l’écosystème français doit renforcer sa présence en matière de brevets.

    @Epo.org

  • Senior+ : Claude Bernard intègre BIOrecos pour améliorer la pertinence des prescriptions biologiques en médecine générale

    Lancé en janvier 2026, Senior+ by Claude Bernard IA est conçu pour accompagner les médecins généralistes dans la prise en charge des patients âgés, une population caractérisée par la polymédication et des fragilités cognitives.

    Intégré directement aux logiciels de gestion de cabinet, l’outil automatise l’affichage d’informations médicales pendant la consultation, avec l’objectif de réduire le temps consacré à la recherche documentaire et de recentrer l’échange sur le patient.

    L’apport des données BIOrecos

    Le partenariat annoncé avec BIOrecos (BIOV2) repose sur l’intégration de bases de données dédiées à la prescription d’examens de biologie médicale. Ces référentiels s’appuient sur les recommandations des autorités de santé, des sociétés savantes et de la littérature scientifique.

    Cette intégration permet d’enrichir l’assistant avec des données actualisées et contextualisées, directement mobilisables lors de la consultation.

    L’objectif est de faciliter les arbitrages cliniques en limitant les recherches manuelles et en structurant l’accès à l’information.

    L’intégration de BIOrecos répond à l’enjeu de la place de la biologie médicale dans le diagnostic. En France, elle contribue à 60 à 70 % des diagnostics.

    Dans ce contexte, l’outil propose plusieurs leviers pour les praticiens :

    • Suggestion de bilans biologiques adaptés.
    • Amélioration de la pertinence des prescriptions.
    • Réduction des examens redondants ou inutiles.
    • Optimisation du temps de diagnostic.
    • Appui à la décision fondé sur des recommandations officielles.

    Au-delà de l’aide à la prescription, le partenariat vise à améliorer la qualité du suivi des patients âgés. L’assistant entend faciliter la synthèse des informations médicales et soutenir la continuité des soins.

    Une stratégie fondée sur la fiabilité des données

    Claude Bernard inscrit ce développement dans une stratégie plus large autour de l’information médicale sécurisée, avec un hébergement des données conforme aux réglementations européennes et localisé en France.

    L’assistant doit être progressivement enrichi par de nouveaux modules, adaptés aux différentes aires thérapeutiques. BIOrecos, développé par BIOV2, apporte dans ce cadre une expertise spécifique sur la biologie médicale et la structuration des recommandations.

    De son côté, la base Claude Bernard (utilisée par plus de 150 000 professionnels de santé) constitue le socle de diffusion de ces outils au sein des pratiques de ville, hospitalières et médico-sociales.

    Une convergence entre IA et référentiels médicaux

    Ce partenariat illustre une tendance de fond : l’intégration d’IA directement dans les outils métiers, adossées à des bases de données médicales validées. L’enjeu ne porte pas uniquement sur l’automatisation, mais sur la capacité à proposer une information contextualisée, traçable et alignée avec les recommandations.

  • IA et biopsie : estimation du vieillissement cellulaire

    Selon l’OMS, la transition démographique renforce l’intérêt pour des biomarqueurs fiables. D’ici 2050, 2,1 milliards de personnes auront 60 ans ou plus, tandis que 74 % des décès dans le monde sont déjà liés aux maladies chroniques. Dans ce contexte, les télomères apparaissent corrélés au risque de pathologies associées au vieillissement.

    Situés à l’extrémité des chromosomes, les télomères protègent l’intégrité génomique. Leur raccourcissement progressif reflète le vieillissement biologique et l’exposition aux facteurs de risque.

    Les techniques de mesure actuelles, comme la PCR quantitative, restent complexes et peu adaptées à un usage à grande échelle.

    TLPath, IA et histopathologie

    Développé par le Sanford Burnham Prebys Medical Discovery Institute, TLPath repose sur l’apprentissage profond appliqué à l’imagerie histologique. Il analyse des biopsies de routine, segmente les lames en unités d’étude et extrait des signatures morphologiques prédictives. L’entraînement s’appuie sur les données du Genotype-Tissue Expression Project (NIH).

    Une validation à grande échelle

    L’étude publiée dans Cell Reports Methods repose sur une approche rigoureuse :

    • 5 263 lames utilisées pour l’entraînement.
    • 919 individus couvrant 18 types de tissus.
    • 11 tissus avec prédiction fiable de la longueur des télomères.

    Résultats : des performances supérieures aux approches classiques

    Les analyses montrent que TLPath surpasse les approches basées sur l’âge :

    • Corrélation prédictive jusqu’à r = 0,67, contre ≈0,30–0,40 pour l’âge seul.
    • Robustesse confirmée dans 11 types tissulaires.
    • Validation indépendante sur >900 individus (p < 0,001).

    Cette approche ouvre des perspectives pour exploiter les biobanques d’images en pathologie numérique, avec des applications en stratification du risque et en médecine de précision.

     

     

  • OpenAI lance GPT-Rosalind, une IA pour la biologie et la découverte de médicaments, conçue pour structurer les workflows en recherche

    OpenAI annonce GPT Rosalind, un modèle d’IA spécifiquement développé pour les sciences de la vie, qui couvre la biologie, la découverte de médicaments et la médecine translationnelle.

    Cette nouvelle série de modèles se distingue par une capacité à raisonner sur des objets complexes tels que les molécules, les protéines, les gènes et les voies biologiques.

    L’objectif est de répondre à un frein de la recherche biomédicale : la complexité des workflows scientifiques. Car les chercheurs doivent naviguer entre littérature scientifique, bases de données spécialisées, résultats expérimentaux et hypothèses évolutives. Ces processus restent fragmentés, chronophages et difficiles à industrialiser.

    GPT Rosalind est conçu pour intervenir sur plusieurs étapes :

    • Synthèse des connaissances.
    • Génération d’hypothèses.
    • Interprétation des données et conception d’expériences.

    L’ambition est d’augmenter le nombre d’hypothèses explorées et d’améliorer leur qualité dès les phases amont.

    Des performances orientées vers la recherche appliquée

    Selon OpenAI, le modèle présente des gains sur plusieurs dimensions :

    • Compréhension des mécanismes chimiques.
    • Analyse des structures protéiques et des mutations.
    • Interprétation phylogénétique des séquences ADN.
    • Planification expérimentale et analyse de résultats.
    • Utilisation d’outils scientifiques dans des workflows multi-étapes.

    Ces capacités sont testées à travers des benchmarks comme BixBench (bioinformatique) ou LABBench2 (tâches de recherche), où GPT Rosalind affiche des performances supérieures à plusieurs modèles précédents, notamment sur des tâches de conception expérimentale.

    Dans un cas d’usage avec Dyno Therapeutics, le modèle atteint un niveau supérieur au 95e percentile d’experts humains pour des tâches de prédiction de séquences ARN, et autour du 84e percentile pour leur génération.

    Accès filtré, exigences de gouvernance et intégration à 50 bases de données via Codex

    Le modèle est accessible en “research preview” via ChatGPT, Codex et API, dans le cadre d’un programme d’accès restreint. OpenAI annonce également un plugin de recherche en sciences de la vie pour Codex, qui donne accès à plus de 50 bases de données et outils scientifiques (génomique, structures protéiques, littérature, etc.).

    Ce plugin agit comme une couche d’orchestration pour structurer les workflows, avec des cas d’usage tels que :

    • La recherche bibliographique automatisée.
    • L’analyse de séquences.
    • L’identification de structures protéiques.
    • L’exploration de bases de données publiques.

    Plusieurs acteurs industriels et académiques participent aux premiers déploiements, dont Amgen, Moderna, Thermo Fisher Scientific, l’Allen Institute ou encore UCSF School of Pharmacy.

    Le déploiement de GPT Rosalind repose sur un modèle de “trusted access”. L’accès est réservé à des organisations répondant à trois critères :

    • Usage scientifique à bénéfice public.
    • Existence de mécanismes de gouvernance et de contrôle.
    • Environnement sécurisé avec accès restreint aux utilisateurs autorisés.

    Des exigences sont également posées en matière de conformité aux politiques d’usage et de gestion des risques de détournement.

    Vers une transformation des phases amont de la R&D

    GPT Rosalind s’inscrit dans une stratégie d’optimisation du cycle long de développement des médicaments. Les gains en amont se répercutent sur l’ensemble de la chaîne, avec un impact potentiel sur le taux de succès et la qualité des candidats médicaments.

    OpenAI indique poursuivre “le développement de cette série de modèles”, notamment sur des tâches de “raisonnement biochimique plus longues” et intégrant davantage d’outils. Des collaborations sont en cours avec des institutions comme le Los Alamos National Laboratory, notamment sur la conception de protéines et de catalyseurs.

    Au-delà de la performance technique, l’éditeur met en avant une approche d’intégration dans les environnements existants.

    Son nom (GPT Rosalind) rend hommage à Rosalind Franklin, chimiste dont les travaux ont contribué à la compréhension de la structure de l’ADN.

    Durant la phase pilote, l’utilisation de GPT-Rosalind n’entraîne pas de consommation de crédits. Cela permet aux chercheurs de tester le modèle sans contrainte financière immédiate.

  • Étude : L’IA performante pour diagnostiquer, mais limitée dans son raisonnement (Jama)

    Publiée le 13 avril 2026 dans la revue JAMA Network Open, l’étude* montre que si les modèles affichent une précision finale supérieure à 90 %, ils échouent à reproduire la démarche logique du médecin, notamment pour trier les pistes initiales et optimiser la plan de traitement.

    Dans la pratique médicale, un diagnostic n’est pas une simple réponse, mais l’aboutissement d’une enquête. Un clinicien doit naviguer dans l’incertitude, hiérarchiser des hypothèses et sélectionner les examens les plus pertinents pour affiner sa réflexion. L’enjeu est autant clinique qu’organisationnel : une stratégie efficace évite les examens inutiles et réduit les délais de prise en charge. Jusqu’ici, l’évaluation de l’IA s’est surtout focalisée sur sa capacité à identifier la pathologie finale. A mettre un nom sur des symptômes. On ignorait si ces modèles étaient capables de piloter cette démarche intellectuelle, pourtant indispensable à l’efficience du système de soins.

    Évaluer la logique de l’IA

    C’est pourquoi une équipe de chercheurs de Mass General Brigham — le pôle de santé et de recherche de l’Université de Harvard à Boston — a développé un nouveau cadre d’évaluation nommé PrIME-LLM. Ils ont soumis 21 modèles de langage de grande taille à des scénarios cliniques complexes, décomposés en 4 étapes clés : le diagnostic différentiel, la sélection des tests, le diagnostic final et le plan de traitement. Les modèles ont été testés sur des cas “ouverts”, où l’information est rare, puis sur des cas “fermés”, une fois les résultats d’imagerie et de laboratoire intégrés. L’objectif était de vérifier si l’IA sait construire un raisonnement progressif ou si elle dépend uniquement de la présence de données déjà structurées pour conclure.

    Les résultats de cette étude ont été publiés le 13 avril 2026 dans le JAMA Network Open

    Résultats : une précision de façade

    • Taux de succès final supérieur à 90 % pour nommer la pathologie correcte une fois le dossier patient complet.
    • Argumentation clinique imparfaite à 73,1 % en cas “fermés”, révélant des difficultés à justifier logiquement le diagnostic.
    • Effondrement à 26,3 % du score de raisonnement sur les cas “ouverts”, dès que le modèle doit réfléchir sans données d’examens préalables.
    • Échec du diagnostic différentiel avec seulement 42,6 % de réussite pour hiérarchiser les causes possibles d’un symptôme
    • Incapacité à piloter les examens avec un score de 34,5 % pour l’identification du test complémentaire le plus pertinent.
    • Incohérence décisionnelle dans 25 % des cas, où le plan de traitement proposé contredit le diagnostic identifié

    Pour Marc Succi, auteur principal de l’étude, ces résultats soulignent la nécessité de maintenir « un humain dans la boucle et une surveillance très étroite ». Il estime que le cadre PrIME-LLM doit désormais permettre aux dirigeants d’hôpitaux de « séparer la hype de la réalité » en comparant les technologies sur leur compétence clinique réelle plutôt que sur leurs promesses.

    La fin du mythe de la “bonne réponse”

    Cette étude prouve aussi qu’une IA peut avoir raison (le diagnostic final) tout en raisonnant mal. Le fossé entre la précision brute et la faiblesse de l’argumentation suggère que les modèles fonctionnent encore comme des boîtes noires statistiques, incapables de manipuler les concepts médicaux avec la rigueur d’un praticien.

    Comme le concluent les chercheurs, « l’amélioration de l’utilité clinique de l’IA dépendra moins de la puissance de calcul que de la capacité des modèles à structurer un raisonnement logique étape par étape ». Tant que ce cap n’est pas franchi, l’IA restera cantonnée à un rôle de vérificateur de second rang, laissant à l’humain la responsabilité exclusive de la stratégie diagnostique.

    * Large Language Model Performance and Clinical Reasoning Tasks.

    Rao AS, Esmail KP, Lee RS, et al.

    JAMA Netw Open. 2026;9(4):e264003. doi:10.1001/jamanetworkopen.2026.4003

    https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2847679?guestAccessKey=ef7d2c87-beca-4c8b-b6a2-85d11bcf8185&utm_source=for_the_media&utm_medium=referral&utm_campaign=ftm_links&utm_content=tfl&utm_term=041326

     

  • AAP : GRECO EXPER cible des projets en médecine interventionnelle à expérimenter sur 18 mois

    Le Tiers Lieu d’Expérimentation GRECO EXPER lance un appel à candidatures dédié aux solutions innovantes en santé numérique, avec un focus sur la chirurgie robotique et la médecine interventionnelle. Inscrit dans le programme France 2030, le dispositif vise des projets testés en conditions réelles, avec une durée d’expérimentation recommandée de 18 mois maximum.

    Les solutions attendues peuvent être numériques ou hybrides, à condition de démontrer un usage concret dans des environnements de soins.

    Cet appel s’adresse aux acteurs développant des solutions en phase d’expérimentation, avec un objectif de validation en conditions réelles et d’accompagnement dans leur trajectoire de développement.

    Calendrier et modalités de sélection

    Les porteurs de projets doivent transmettre leur dossier complet avant le 11 mai 2026 à 11h59. Les candidatures jugées recevables seront examinées par le comité d’intérêt GRECO EXPER.

    Une sélection de projets sera ensuite auditionnée le 22 mai 2026, lors de sessions organisées en visioconférence. Les dossiers incomplets ne seront pas instruits.

    Le processus repose sur plusieurs critères :

    • pertinence du projet,
    • niveau de maturité,
    • capacité à démontrer une première mise en œuvre réelle,
    • clarté des besoins d’accompagnement,
    • perspectives de développement pour l’entreprise.

    Un cofinancement encadré par la Caisse des Dépôts

    Plafonné à 250 000 € et limité à 50 % des dépenses éligibles

    Les projets sélectionnés peuvent bénéficier d’un cofinancement, sous réserve de validation par la Caisse des Dépôts. Celui-ci est plafonné à 250 000 € et limité à 50 % des dépenses éligibles.

    Ce soutien financier est réservé aux entreprises enregistrées en France et concerne uniquement des projets ayant atteint un niveau de maturité technologique d’au moins TRL 4, avec preuve de concept. À noter qu’il est possible de candidater pour un accompagnement sans exigence minimale de TRL, hors cofinancement.

    Conditions d’éligibilité et exigences spécifiques

    • Les projets doivent impérativement porter sur la chirurgie robotique ou la médecine interventionnelle. Ils doivent également s’inscrire dans une logique d’expérimentation, et non de déploiement de solutions déjà commercialisées.
    • Le dispositif exclut les projets visant uniquement à équiper des structures avec des technologies existantes, sans démarche d’évaluation ou d’amélioration.
    • Une exigence environnementale s’applique via le principe DNSH (Do No Significant Harm), excluant les projets susceptibles de porter atteinte à l’environnement.

    Modalités de candidature

    Le dossier doit comprendre au minimum un formulaire de réponse. Des éléments complémentaires peuvent être ajoutés, comme :

    • une présentation,
    • un lien vers un site internet,
    • une vidéo de démonstration.

    L’ensemble doit être transmis par mail (greco.exper@chu-amiens.fr) avant la date limite (11 mai 2026). Seuls les dossiers complets seront examinés.

    Récapitulatif

    Rubrique Éléments clés
    Objectif de l’appel Identifier des solutions en santé numérique pour la chirurgie robotique et la médecine interventionnelle, avec expérimentation en conditions réelles (≤ 18 mois).
    Financement Jusqu’à 250 000 €, maxixum 50 % des dépenses, sous validation CDC.
    Type de solutions Solutions numériques ou hybrides, avec une composante numérique centrale.
    Impacts attendus Amélioration de la qualité des soins et/ou de la qualité de vie au travail des professionnels de santé.
    Niveau de maturité (TRL) TRL ≥ 4 + preuve de concept pour cofinancement, pas de minimum pour accompagnement seul.
    Finalité des expérimentations Évaluer et améliorer la solution (pas de financement pour simple équipement de structures).
    Dispositifs médicaux numériques – Pré-CE : co-conception, préparation à l’investigation clinique.
    – Post-CE (PMCF) : données en vie réelle.
    – Post-CE : études cliniques initiales.
    – Pré-marketing : adoption et accès au marché.
    Solutions hors DM Études de co-conception, d’usage, d’impact (soins/QVT), intégration de la doctrine du numérique en santé.
    Exigence environnementale Respect du principe DNSH (exclusion des projets à impact environnemental négatif significatif).
    Porteurs éligibles Startups, entreprises, établissements de santé, professionnels de santé, associations, collectifs.
    Cofinancement CDC Réservé aux entreprises enregistrées en France.
    Dossier de candidature Formulaire obligatoire + pièces complémentaires possibles (PPT, site, vidéo).

     

  • Le projet DANTE retenu pour évaluer, sur 147 patients, la fiabilité de l’extraction par IA des données cliniques en oncologie

    Le projet DANTE a été retenu dans le cadre de l’appel à manifestation d’intérêt France 2030 « Évaluation des nouveaux outils, nouveaux usages et nouvelles approches méthodologiques de recherche clinique ». Cette sélection a été annoncée par la Filière Intelligence Artificielle & Cancers, en partenariat avec AstraZeneca, Amgen et MSD.

    À travers ce projet, les partenaires veulent documenter la qualité et la fiabilité des données cliniques en vie réelle en oncologie.

    Le protocole prévoit de comparer deux modalités de recueil des données cliniques :

    • d’un côté, une collecte manuelle ;
    • de l’autre, une extraction automatisée par IA. Un bras de référence servira de point de comparaison.

    L’évaluation portera sur environ 147 patients et sur 25 variables cliniques jugées prioritaires. L’enjeu est de mesurer, dans des conditions définies, la capacité des outils d’extraction à produire des données exploitables pour la recherche clinique et pour les usages secondaires des données de soin.

    Réduire la charge hospitalière et objectiver la qualité des données

    Les promoteurs du projet avancent plusieurs objectifs. DANTE vise d’abord à réduire la charge associée au recueil hospitalier des données, en limitant le poids des tâches manuelles. Le projet entend aussi mieux valoriser les données issues du soin courant, en oncologie, à partir d’une méthode d’évaluation formalisée.

    Autre ambition affichée : renforcer la fiabilité des données extraites par IA. À travers cette démarche, la Filière Intelligence Artificielle & Cancers veut contribuer à l’émergence d’un cadre français d’évaluation de la qualité des données cliniques produites par ces outils.

    La Filière présente DANTE comme le résultat d’un travail collectif associant industriels, experts technologiques et institutions. Cette organisation partenariale doit permettre de croiser des compétences en oncologie, en production de données et en évaluation des solutions d’intelligence artificielle.

    Au-delà de l’annonce de financement, le projet pose une question de méthode : comment comparer, avec un protocole partagé, la qualité des données extraites automatiquement à celle des données recueillies manuellement ? C’est de cette capacité à objectiver les écarts, les limites et les conditions de fiabilité que dépendra l’intégration de ces outils dans la recherche clinique et dans l’exploitation des données en vie réelle.

  • IA et cardiologie : MIRACL.ai mise sur une approche ouverte et interdisciplinaire pour structurer un nouvel écosystème de production de connaissances

    Développée à l’AP-HP sous l’impulsion du Pr Gilles Soulat et du Dr Théo Pezel, la plateforme MIRACL.ai (pour Multimodality Imaging Research Analysis and Core Laboratory)

    Les progrès technologiques récents ont conduit à une augmentation importante des volumes de données issues de l’IRM, du scanner, de l’échographie ou encore de la médecine nucléaire. Les outils d’analyse basés sur l’IA se sont développés, rendant possible une exploitation plus fine de ces données.

    Ces transformations ouvrent la voie à une approche plus individualisée en cardiologie, avec des perspectives en matière de détection précoce, de stratification du risque, de prédiction de l’évolution des pathologies et de suivi thérapeutique.

    Développée à l’AP-HP sous l’impulsion du Pr Gilles Soulat et du Dr Théo Pezel, la plateforme MIRACL.ai (pour Multimodality Imaging Research Analysis and Core Laboratory) a été conçue pour répondre à un besoin identifié dans la recherche clinique : disposer de données d’imagerie cardiovasculaire exploitables à grande échelle, dans des conditions de fiabilité et de reproductibilité.

    Structurer, harmoniser et rendre exploitables les données

    La plateforme centralise des données issues de différentes modalités d’imagerie, les structure et les harmonise afin de permettre leur utilisation par des méthodes avancées d’IA.

    Au-delà de l’infrastructure technique, MIRACL.ai propose un accompagnement opérationnel des projets de recherche.

    En amont, la plateforme intervient sur la conception des études : choix des modalités d’imagerie, définition des critères d’évaluation et des objectifs. Pendant le déroulement des projets, elle assure la gestion des données et organise une relecture centralisée des examens. Elle met également à disposition des jeux de données structurés et labellisés, permettant :

    • la validation d’outils d’analyse existants ;
    • le test de prototypes d’intelligence artificielle ;
    • le développement de nouveaux algorithmes.

    Ce positionnement la place au croisement de la recherche académique et du développement industriel, notamment pour l’identification de biomarqueurs d’imagerie.

    La plateforme a déjà contribué à la constitution de bases de données de référence sur certaines pathologies, notamment la myocardite et les polyvalvulopathies.

    À terme, MIRACL.ai ambitionne de faciliter :

    • la mutualisation des données entre équipes ;
    • le développement de projets multicentriques ;
    • les collaborations entre acteurs académiques et industriels ;
    • la valorisation scientifique des résultats.

    L’objectif est de structurer un écosystème capable d’accélérer la production de connaissances en imagerie cardiovasculaire.

    Une plateforme ouverte à un large écosystème

    MIRACL.ai s’adresse à différents profils : cliniciens (cardiologues, radiologues), chercheurs, ingénieurs en data et IA, doctorants, ainsi qu’aux industriels et start-up. Cette ouverture vise à favoriser des collaborations structurées, dans un cadre conforme aux exigences institutionnelles en matière de sécurité et de gouvernance des données.

  • IA à l’hôpital : 14,9 M€ de France 2030 pour le projet ALLIANCE SANTÉ IA du CHU de Montpellier

    À l’occasion de la 9e étape du Tour de France de l’innovation en santé à Nantes, consacrée aux données de santé, les autorités publiques ont annoncé le financement du projet ALLIANCE SANTÉ IA, premier programme structuré d’hôpital augmenté par l’IA. Porté par le CHU de Montpellier et la société ADLIN Science, il bénéficie d’un soutien de 14,9 millions d’euros dans le cadre du plan France 2030.

    Ce projet s’inscrit dans une stratégie plus large d’investissement dans l’IA en santé, qui représente près de 400 M€ cumulés depuis les programmes d’investissements d’avenir, avec un objectif : structurer une offre d’IA souveraine et intégrée aux usages cliniques.

    Un lancement officiel est prévu le 16 juin à Montpellier.

    Le projet repose sur un consortium associant plusieurs acteurs académiques, industriels et technologiques : le CINES, Inria, ANA Healthcare, Numalis, ainsi que l’hébergeur Scaleway. Il s’appuie sur une logique de co-construction entre acteurs publics et privés, avec un ancrage territorial à Montpellier, soutenu par MedVallée, la métropole et la région Occitanie.

    L’ambition est de développer une infrastructure hospitalière d’IA souveraine, dans laquelle les données de santé restent hébergées et gouvernées par l’établissement de soins. Le dispositif prévoit une plateforme sécurisée qui permet l’exploitation de données cliniques anonymisées par des acteurs autorisés, notamment pour tester des solutions d’adaptation thérapeutique.

    Tester l’IA en conditions réelles

    Le projet ALLIANCE SANTÉ IA sert de test en conditions réelles. Il a pour objectif de lever les principaux obstacles à l’intégration de l’IA dans les systèmes de santé, en mesurant concrètement ses effets sur :

    • le service médical rendu ;
    • les parcours patients ;
    • les coûts ;
    • l’empreinte environnementale.

    L’objectif est de produire des retours d’expérience exploitables en vue d’une réplication dans d’autres établissements.

    Quatre axes opérationnels

    Le programme s’articule autour de plusieurs cas d’usage ciblés :

    • Structuration et valorisation des données biomédicales : L’IA doit permettre d’exploiter des données hospitalières encore peu mobilisées, notamment pour l’identification de biomarqueurs ou de signaux faibles à partir d’imagerie ou de dossiers cliniques.
    • Déploiement d’outils d’aide aux soins : Des applications sont envisagées pour l’analyse de dossiers médicaux, l’exploitation de données textuelles, biologiques ou d’imagerie, avec un objectif d’amélioration des parcours et de gain de temps médical.
    • Garantie de souveraineté des données : Le projet repose sur un principe de non-externalisation des données, avec une gouvernance hospitalière stricte, conforme aux cadres réglementaires français et européens.
    • Évaluation systématique des impacts : Chaque solution déployée doit être mesurée selon des indicateurs multidimensionnels, incluant la valeur clinique, économique et environnementale.

    Une logique de généralisation et d’équité territoriale

    Au-delà du site pilote montpelliérain, le projet vise une diffusion nationale afin de renforcer l’équité d’accès à l’innovation en santé. L’approche retenue consiste à concevoir des modèles réplicables, capables d’être adaptés à différents contextes hospitaliers.

    Cette orientation répond à une attente récurrente du secteur : passer de l’expérimentation à l’industrialisation des solutions d’IA en santé.

  • L’IA dans les sciences de la vie : des usages encore peu générateurs de valeur (McKinsey)

    Dans les sciences de la vie, l’IA reste largement associée à des usages visibles comme la découverte de médicaments ou l’analyse clinique. Pourtant, ces applications peinent encore à produire des effets mesurables à grande échelle.

    Ce constat s’inscrit dans un phénomène plus large : selon McKinsey, près de 80 % des entreprises utilisent l’IA générative dans au moins une fonction, mais seulement 40 % déclarent un impact sur leur résultat opérationnel (EBIT), généralement inférieur à 5 %.

    Dans le même temps, les investissements se concentrent sur des projets pilotes, souvent déconnectés des infrastructures nécessaires à leur passage à l’échelle (données, architecture, intégration aux ERP, mesure de performance).

    Résultat : de nombreux cas d’usage restent à l’état expérimental.

    À rebours de ces approches exploratoires, certaines fonctions plus structurées offrent des gains immédiats. C’est le cas de la validation des systèmes informatiques en environnement réglementé (CSV/CSA), utilisée dans les activités GxP de production et de qualité.

    Ces processus reposent sur des règles définies, une documentation standardisée et des exigences d’auditabilité. Ce cadre en fait un terrain propice à l’intégration de l’IA, sans nécessiter de transformation profonde des organisations.

    Contrairement à des workflows complexes et ambigus, la validation suit des processus répétables : rédaction d’exigences, exécution de tests, traçabilité, approbations. L’IA peut ainsi s’insérer dans des processus existants, en produisant des livrables intermédiaires exploitables et vérifiables.

    Des gains concentrés sur la productivité documentaire

    La validation mobilise des volumes importants de documentation et de tâches répétitives. Dans ce contexte, l’IA agit comme un assistant opérationnel, avec des gains observés sur plusieurs dimensions :

    • Rédaction documentaire : génération de brouillons de protocoles ou de rapports, à partir de modèles standardisés.
    • Traçabilité et cohérence : alignement des processus, des tests et des preuves, détection des écarts.
    • Recherche et réutilisation : accès rapide à des documents antérieurs dans des environnements fragmentés.
    • Structuration de données : transformation de contenus hétérogènes en formats exploitables.

    Certaines tâches historiquement chronophages (40 à 80 heures) peuvent être réalisées en quelques minutes, avec un impact direct sur les délais et les coûts.

    Une condition : intégrer une gouvernance “human-in-the-loop”

    L’intégration de l’IA dans des environnements réglementés impose toutefois un cadre. La création de valeur repose sur une séparation explicite des rôles entre la machine et les professionnels. Le modèle de gouvernance repose sur plusieurs principes :

    • Décision humaine : l’IA propose, les experts valident et signent.
    • Traçabilité complète : documentation des données sources, des versions, des outils utilisés et des validations.
    • Gestion des exceptions : processus définis en cas d’erreur, d’incohérence ou de données manquantes.
    • Mesure de performance : suivi d’indicateurs tel que le temps de cycle, les reprises ou la qualité des audits.

    Un levier pour réduire le “value gap” de l’IA

    L’exemple de la validation illustre une trajectoire différente d’adoption de l’IA : plutôt que de partir de cas d’usage exploratoires, certaines organisations privilégient des processus centraux, déjà structurés et auditables.

    Cette approche permet de produire des résultats mesurables sans remettre en cause les fondations opérationnelles ni les contraintes réglementaires.

    Elle suggère également que la réduction du “value gap” ne dépend pas uniquement des performances technologiques, mais de la capacité à intégrer l’IA dans des processus existants, avec des mécanismes de contrôle et de responsabilité clairement définis.