Actualité

  • US : la santé numérique en gastroentérologie génère jusqu’à 2 901 $ d’économies par patient

    Deux modèles de solutions numériques évalués

    Selon le Peterson Health Technology Institute, les dispositifs numériques en gastroentérologie réduisent les dépenses annuelles de 1 889 à 2 901 $ par patient aux US, tout en améliorant les symptômes des patients atteints de syndrome de l’intestin irritable et de maladies inflammatoires chroniques.

    L’institut a analysé l’impact clinique et économique des solutions digitales en gastroentérologie, en s’appuyant sur des entretiens patients et une revue des données disponibles. Deux catégories ont été étudiées :

    • Solutions “wraparound” : programmes complémentaires intégrant conseils nutritionnels, accompagnement comportemental et suivi des symptômes.
    • Solutions pilotées par des cliniciens : dispositifs intégrant gastroentérologues et équipes pluridisciplinaires.

    L’évaluation a été menée avec des experts en gastroentérologie, en économie de la santé et en évaluation des technologies de santé.

    Des résultats qui varient fortement selon les approches

    Les résultats montrent une efficacité différenciée selon les cas :

    • Les solutions wraparound améliorent les symptômes et la qualité de vie des patients atteints de syndrome de l’intestin irritable (IBS), mais sans bénéfice démontré pour les maladies inflammatoires chroniques de l’intestin (IBD) seules.
    • Les solutions pilotées par des cliniciens améliorent les résultats pour les patients IBS et IBD.

    Les pathologies digestives concernent environ un adulte sur cinq aux États-Unis et représentent 112 milliards de dollars de dépenses annuelles.

    Jusqu’à 2 900 $ économisés par patient

    L’analyse met en évidence des économies nettes :

    • 1 889 $ par patient et par an pour les solutions wraparound chez les patients IBS.
    • 2 901 $ en moyenne par utilisateur pour les solutions intégrées avec cliniciens, notamment pour les cas modérés à sévères d’IBD et les IBS.

    Il s’agit du premier cas où des solutions numériques combinent amélioration clinique et économies de plusieurs milliers de dollars, dépassant les gains observés dans d’autres domaines comme l’hypertension ou les troubles musculosquelettiques.

    Le rapport met en lumière plusieurs implications selon les acteurs. Pour les acheteurs, l’enjeu est d’arbitrer entre des solutions plus accessibles mais limitées, comme les approches “wraparound” ou IBS, et des dispositifs plus complets, souvent plus coûteux, qui intègrent davantage de supervision clinique (notamment pour IBS et IBD).

    Pour les entreprises de santé numérique, le défi est de renforcer le niveau de preuve, à la fois clinique et économique, et faire évoluer leurs modèles vers une tarification davantage alignée sur les résultats à long terme plutôt que sur une logique d’engagement ponctuel.

    Des limites sur les données à long terme

    Le PHTI souligne toutefois plusieurs limites :

    • Durée de suivi encore courte dans les études disponibles.
    • Manque de données sur les populations diverses.
    • Incertitudes sur l’efficacité selon les stades de la maladie.

    L’institut appelle à produire des données en conditions réelles et à démontrer des résultats durables.

    Cette évaluation marque une évolution dans l’analyse des solutions digitales : la démonstration d’un impact simultané sur les résultats cliniques et les coûts devient un critère déterminant. Elle s’inscrit dans une tendance plus large où la preuve d’efficacité et la mesure de la valeur économique sont nécessaires.

  • Data : un nouveau décret pour renforcer la sécurité de l’hébergement des données de santé (2026-209)

    Un ajustement du cadre HDS dans un contexte de montée des exigences

    Le décret modifie plusieurs dispositions réglementaires relatives à l’hébergement des données de santé, en cohérence avec les évolutions récentes du référentiel HDS et des exigences européennes.

    Historiquement, ce cadre repose sur une obligation structurante : toute donnée de santé externalisée doit être hébergée par un acteur certifié, garantissant des standards élevés en matière de sécurité, de traçabilité et de gestion des accès. Le nouveau décret vient préciser et compléter ce cadre, dans un contexte marqué par :

    • la montée en puissance des architectures cloud,
    • les enjeux de souveraineté numérique,
    • et l’intensification des risques cyber sur les systèmes de santé.

    Une clarification des périmètres et des responsabilités :

    L’un des apports du décret réside dans la clarification du périmètre des activités relevant de l’hébergement de données de santé. Cela concerne notamment les situations où des acteurs manipulent ou stockent des données pour le compte de tiers, y compris dans des architectures techniques plus complexes (cloud, infogérance, archivage).

    Le texte renforce également la lisibilité des responsabilités entre les responsables de traitement (établissements, éditeurs, professionnels de santé) et les hébergeurs certifiés, qui doivent répondre à des exigences précises en matière de sécurité et de conformité. Cette clarification répond à un enjeu opérationnel majeur : sécuriser les chaînes de traitement de données de plus en plus distribuées dans l’écosystème numérique en santé.

    Une convergence avec les exigences de souveraineté et de sécurité

    Le décret s’inscrit dans une trajectoire plus large de renforcement des exigences autour de l’hébergement des données sensibles. Le référentiel HDS a été significativement renforcé depuis 2023, avec un alignement sur les standards ISO, un encadrement accru des architectures cloud et de la sous-traitance, ainsi qu’un renforcement des exigences opérationnelles en matière de sécurité et de résilience.

    Par exemple, les nouvelles exigences introduisent des garanties renforcées concernant l’hébergement au sein de l’Espace économique européen, afin de mieux protéger les données contre les risques d’accès extra-territorial.

    Ce mouvement traduit une volonté des pouvoirs publics de mieux articuler cybersécurité, souveraineté et conformité réglementaire, dans un contexte de dépendance accrue aux infrastructures cloud.

    Un signal pour l’ensemble des acteurs du numérique en santé :

    Au-delà des ajustements juridiques, ce décret envoie un signal structurant à l’ensemble des acteurs du numérique en santé :

    • pour les éditeurs, les industriels et les établissements, il confirme que l’hébergement des données de santé n’est plus seulement une contrainte réglementaire, mais un élément central de la confiance numérique ;
    • pour les hébergeurs, il renforce la nécessité de s’aligner sur des standards élevés, dans un marché de plus en plus concurrentiel et stratégique ;
    • pour les pouvoirs publics, il marque une étape supplémentaire dans la construction d’un cadre cohérent, capable de soutenir le développement des usages numériques tout en garantissant la protection des données de santé.

    Dans un contexte de généralisation des données et de l’intelligence artificielle en santé, l’enjeu est désormais de faire du cadre HDS un socle robuste pour l’innovation, sans compromis sur la sécurité et la confiance.

  • Étude : apprendre à douter améliore la fiabilité des IA médicales (BMJ)

    Publiés dans BMJ Health & Care Informatics le 23 mars 2026, ces travaux* ouvrent la voie à des IA plus collaboratives avec les soignants.

    Une IA médicale peut se tromper… mais avec assurance. Et c’est bien là le problème.

    Une recommandation erronée, mais formulée avec aplomb, peut facilement orienter la décision d’un médecin.

    Ce biais est déjà documenté. Face à un outil perçu comme performant, les cliniciens ont tendance à faire confiance à la machine, parfois plus qu’à leur propre jugement, même quand leur intuition diverge. Dans des situations d’urgence notamment, certaines études montrent qu’une recommandation affichée avec un haut niveau de confiance est plus souvent suivie… même lorsqu’elle est fausse.

    Le problème vient en partie de la conception même des modèles. Aujourd’hui, une IA est entraînée à répondre. Pas à dire qu’elle ne sait pas. Elle ne distingue pas clairement 2 situations pourtant essentielles en médecine : quand il manque des informations et quand les données sont là, mais incertaines. Résultat : les réponses apportées sont propres, structurées… mais parfois inappropriées voire erronées.

    Une IA capable d’évaluer son niveau de certitude

    Face à ce constat, des chercheurs du MIT ont voulu changer d’approche. Leur objectif n’est plus seulement d’améliorer la performance brute, mais de rendre l’IA capable d’évaluer son propre niveau de certitude et d’adapter sa réponse. Autrement dit, transformer l’outil en véritable partenaire du clinicien. Pour cela, ils n’ont pas développé un nouveau modèle d’IA mais ont conçu une couche supplémentaire, baptisée BODHI, qui vient se greffer sur un système existant pour en modifier le comportement.

    Concrètement, le dispositif repose sur une étape intermédiaire, ajoutée avant la réponse. L’IA ne répond plus immédiatement. Elle commence par évaluer son propre niveau de certitude face au cas qui lui est soumis. Elle analyse notamment si les données sont suffisantes, si la situation est complexe ou atypique, ou si plusieurs interprétations sont possibles. Le système distingue alors deux situations clés :

    • Un manque d’informations, qui empêche de conclure.
    • Une incertitude persistante malgré des données disponibles.

    Dans le premier cas, l’IA est incitée à poser des questions ou à demander des éléments complémentaires. Dans le second, elle peut formuler une réponse, mais en signalant explicitement ses limites et les hypothèses alternatives.

    Un modèle « humble »

    Pour générer de tels comportements, les chercheurs ont intégré ce qu’ils appellent une “matrice d’activation des vertus”. Autrement dit un système qui déclenche différents comportements selon le niveau d’incertitude. Elle repose sur deux principes complémentaires :

    • La curiosité, qui pousse le modèle à chercher des informations supplémentaires.
    • L’humilité, qui l’incite à reconnaître ses zones d’incertitude.

    Le système a été testé sur 200 cas cliniques simulés, à partir de scénarios médicaux standardisés. Les chercheurs ont comparé les réponses d’un modèle classique et celles du même modèle avec BODHI, en évaluant leur qualité sur une échelle de 0 à 100. Cette évaluation repose sur une grille standardisée, appliquée par des évaluateurs humains, qui prend en compte plusieurs critères : exactitude médicale, pertinence du raisonnement et gestion de l’incertitude.

    Les résultats de cette étude ont été publiés le 23 mars 2026 dans BMJ Health & Care Informatics.

    Résultats : dans 97 % des cas, l’IA demande des informations complémentaires

    • Une amélioration nette de la qualité des réponses +17,3 points sur 100 pour un modèle, +7,4 points pour un autre, selon un score combinant exactitude médicale, raisonnement et gestion de l’incertitude.
    • Un recours massif aux questions en cas d’incertitude 97,3 % avec le système doté e BODHI contre 0 à 7 % des cas sans BODHI.
    • Des réponses plus prudentes et mieux cadrées augmentation significative des formulations nuancées : réserves explicites, hypothèses alternatives, signalement des limites.
    • Moins de réponses erronées exprimées avec assurance baisse significative des situations où le modèle se trompe tout en affichant un haut niveau de confiance.

    Quand l’IA se transforme en « co-pilote »

    Cette étude ouvre une piste : rendre les IA médicales plus utiles ne passe pas seulement par de meilleures performances, mais par une meilleure interaction avec les soignants. « Nous utilisons aujourd’hui l’IA comme un oracle, mais nous pouvons l’utiliser comme un coach. Nous pourrions en faire un véritable copilote », explique Leo Anthony Celi, chercheur au MIT, médecin au Beth Israel Deaconess Medical Center et dernier auteur de l’étude.

    L’enjeu est aussi organisationnel. Introduire ce type de système suppose d’accepter une IA qui ralentit parfois la décision pour la sécuriser, et qui incite à reconsidérer certaines situations. « C’est comme avoir un copilote qui vous dirait qu’il faut un regard neuf pour mieux comprendre un patient complexe », ajoute-t-il.

    En outre, cette approche rappelle une limite déjà souvent soulevée : une IA ne peut être aussi fiable que les données sur lesquelles elle est entraînée. Les chercheurs appellent ainsi à plus de rigueur dans leur conception. « Nous ne pouvons pas arrêter ni même ralentir le développement de l’IA, mais nous devons être plus réfléchis et plus rigoureux dans la manière dont nous la développons », souligne Leo Anthony Celi.

    Ces résultats restent toutefois préliminaires. Le système a été testé sur des cas simulés, et non en conditions réelles. Son impact devra encore être évalué en situation clinique, notamment sur la prise de décision et la charge de travail des soignants.

    *Engineering framework for curiosity-driven and humble AI in clinical decision support.

    Arslan J, Benke K, Cajas Ordones SA, Castro R, Celi LA, Cruz Suarez GA, et al. BMJ Health & Care Informatics. 2026;33:e101877. https://doi.org/10.1136/bmjhci-2025-101877

    https://informatics.bmj.com/content/33/1/e101877

     

  • Tessan ne vend plus que des consultations, mais un parcours de santé

    Tessan ne cherche pas uniquement à accélérer la prise en charge, mais à anticiper davantage et à améliorer le suivi dans la durée.

    L’entreprise annonce une réorganisation de son modèle, jusqu’ici centré sur la téléconsultation. Celle-ci est désormais intégrée dans un dispositif plus large qui vise à structurer les parcours de santé dans le temps. L’entreprise part du constat d’un manque de continuité entre l’apparition de symptômes, la consultation et le suivi, avec “peu de dispositifs intermédiaires pour accompagner les patients”.

    L’objectif est de proposer une organisation qui couvre les différentes étapes du parcours, en amont et en aval de l’acte médical, en s’appuyant sur des points d’accès physiques et des outils numériques.

    Le modèle proposé repose sur trois séquences :

    • En amont (prévention et détection).
    • Pendant (consultation et prise en charge).
    • Et après (suivi et accompagnement).

    Tessan cherche à inscrire les actes médicaux dans une logique de continuité, plutôt que dans une intervention ponctuelle.

    Ce fonctionnement s’appuie sur des technologies numériques et des dispositifs connectés, avec une supervision médicale revendiquée à chaque étape.

    Quatre composantes

    • Dispositifs de prévention et de détection : Tessan déploie des équipements de check-up connectés permettant de réaliser des bilans de santé en pharmacie ou dans d’autres lieux du quotidien. Les données collectées sont analysées et interprétées par des professionnels de santé. Des objets connectés, comme des bracelets, complètent ce dispositif pour assurer un suivi entre deux consultations.
    • Accès à la consultation : L’entreprise poursuit le déploiement de ses bornes et cabines de téléconsultation. Plus de 1 600 sites sont équipés, et permettent un accès à des médecins généralistes et spécialistes. Ces dispositifs facilitent la prise en charge rapide à partir de situations identifiées en amont.
    • Suivi post-consultation : Tessan prévoit également le lancement d’une application mobile destinée à prolonger la prise en charge. Celle-ci doit permettre le suivi des patients, la réalisation de téléconsultations à distance et le partage d’ordonnances avec les pharmacies partenaires. Des services complémentaires liés à la médication et à l’accompagnement thérapeutique sont annoncés.
    • Outils d’analyse et d’orientation : Enfin, l’entreprise développe des outils d’aide à l’interprétation médicale qui reposent sur l’IA. Ceux-ci sont destinés à exploiter les données issues des dispositifs connectés et à faciliter l’identification de situations nécessitant une intervention ou une réorientation.

    1 600 sites, 400 médecins et 1,5 million de patients

    L’infrastructure déployée par Tessan s’appuie sur un maillage territorial déjà constitué, avec plus de 1 600 lieux de santé équipés, un réseau de 400 médecins et plus de 1,5 million de patients accompagnés en France. À partir de cette base, l’entreprise indique vouloir structurer une organisation combinant dispositifs médicaux, outils numériques et présence de proximité, avec l’objectif d’étendre ce modèle à plus grande échelle dès 2026.

    Tessan souhaite intégrer différentes briques (prévention, consultation, suivi et analyse) dans une même organisation. L’enjeu est de mieux articuler les interventions médicales et les dispositifs d’accompagnement.

    En France, plus de 6 millions de personnes résident dans des zones sous-dotées en médecins généralistes, et certaines spécialités affichent des délais d’attente de plusieurs mois.

  • Cancer d’origine inconnue : l’IA génomique améliore la précision diagnostique

    Cancers d’origine inconnue : un enjeu clinique sous-estimé

    Selon l’OMS, les cancers à primitif inconnu (CUP) — métastases dont l’origine tumorale reste indéterminée — représentent 3 à 5 % des cancers, soit120 000 cas/an. Les limites diagnostiques actuelles (immunohistochimie, séquençage ciblé) entraînent :

    • Plus de 40 % de diagnostics tardifs ou erronés.
    • 50 % d’impact sur les décisions thérapeutiques.

    IA multi-omique : une biopsie moléculaire augmentée

    Caris Life Sciences (Irving, Texas, États-Unis), spécialisée en oncologie de précision, a développé Caris GPSai, un modèle d’apprentissage profond intégrant :

    • Séquençage exome (WES) et transcriptome (WTS).
    • Classification tumorale en 90 catégories.
    • Détection des tumeurs mal classifiées et CUP.

    Validation sur plus de 97 000 cas cliniques

    Les résultats de l’étude observationnelle multicentrique combinant une analyse rétrospective (entraînement et validation initiale du modèle) et une validation prospective en conditions réelles d’utilisation clinique ont été publiés dans Cancer Research Communications. Ils rapportent :

    • 95 % de précision pour identifier l’origine tumorale (hors CUP).
    • Identification de l’origine dans 84 % des CUP (cas historiquement non classables) et 96,3 % des cas connus, sur 21 549 cas rétrospectifs et 76 271 prospectifs.
    • 704 diagnostics révisés, avec un impact thérapeutique dans 86,1 % des cas.

    Vers un diagnostic in vitro guidé par l’IA

    Cette plateforme pourrait améliorer la stratification moléculaire des tumeurs, guider des thérapies personnalisées et réduire les examens invasifs et délais diagnostiques. L’intégration de l’IA et du séquençage génomique à grande échelle confirme son rôle structurant dans l’évolution du diagnostic oncologique.

     

  • Revue systématique des LLM en clinique : peu de bénéfices démontrés au lit du patient 

    Une « méta‑revue »… réalisée avec un LLM

    Les auteurs partent d’un constat simple : depuis 2022, les études sur les grands modèles de langage en médecine se multiplient à un rythme tel qu’une revue systématique classique devient difficilement gérable. Pour contourner ce problème, ils conçoivent un pipeline de revue systématique s’appuyant lui‑même sur un LLM de pointe : le modèle est utilisé pour filtrer les articles, appliquer des critères d’inclusion/exclusion et extraire automatiquement les caractéristiques des études à partir des titres et résumés.

    Concrètement, plusieurs bases de données sont d’abord « aspirées », puis un LLM (GPT‑5 en mode reasoning) est chargé de décider si chaque étude doit être incluse et de la classer dans un niveau de preuve prédéfini. Les performances de ce screening automatisé sont ensuite comparées à celles d’équipes humaines sur un sous‑échantillon afin d’estimer la sensibilité, la spécificité et les marges d’erreur, avant d’appliquer un modèle bayésien pour corriger les totaux finaux.

    Un paysage saturé d’études… mais peu de données réelles

    Entre janvier 2022 et septembre 2025, la revue identifie 4 609 études évaluant des LLM en médecine clinique, soit environ 3,2 articles par jour. Pourtant, seule une minorité repose sur des données réellement représentatives de la pratique : 1 048 études utilisent des données patient réelles, et parmi elles seulement 19 sont des essais randomisés prospectifs évaluant un système déployé en situation clinique.

    La plupart des travaux se situent dans des contextes simulés (1 857 études) ou sur des tâches de type QCM/examen (1 704 études), loin des décisions complexes et du bruit des situations de soins réelles. Les modèles d’OpenAI dominent très largement le paysage : ChatGPT et modèles apparentés représentent 65,7 % des modèles évalués, tandis que Gemini/Bard arrive loin derrière avec 13,1 %, les autres modèles se partageant une fraction marginale.

    Un cadre en quatre niveaux de preuve

    Pour rendre lisible ce foisonnement, les auteurs proposent une grille de lecture par niveaux de preuve, inspirée des classifications classiques en médecine mais adaptée aux spécificités des LLM.

    • Tier S : études « or » – évaluations prospectives de systèmes déjà déployés, en environnement clinique réel, idéalement en essais randomisés contrôlés, avec des critères de jugement cliniques.

    • Tier I : évaluations rétrospectives ou prospectives sur de vraies données cliniques non vues pendant l’entraînement, mais sans déploiement en routine ni randomisation systématique.

    • Tier II : études sur données ou scénarios simulés ou synthétiques (vignettes cliniques, cas simulés, jeux de données artificiels), permettant de tester le comportement du modèle dans un cadre contrôlé.

    • Tier III : évaluations centrées sur la restitution de connaissances (questions‑réponses, examens, quiz), souvent éloignées des situations concrètes de prise en charge.

    Faute d’un nombre suffisant d’études Tier S, celles‑ci sont fusionnées avec le Tier I pour les analyses statistiques. Le LLM utilisé pour la revue détecte 1 094 études de Tier I (incluant les Tier S), 1 767 études de Tier II et 1 727 de Tier III, révélant un déséquilibre net au profit de travaux moins proches de la pratique réelle.

    LLM vs humains : des performances très dépendantes du contexte

    Sur 1 046 études comportant une comparaison directe LLM‑humains, les modèles surpassent les cliniciens dans 33 % des cas, mais cette proportion varie fortement selon le réalisme de la tâche et le niveau de formation des humains comparés. Dans les études de Tier III (tâches de type examens et questions de connaissances), les LLM dépassent les humains bien plus souvent que dans les études Tier I centrées sur des données cliniques réelles (38,4 % contre 25,9 %, différence statistiquement significative).

    Les auteurs observent également une évolution temporelle : dans les études Tier I et II, la fréquence à laquelle les LLM surpassent les humains tend à augmenter au fil des années, ce qui reflète l’amélioration rapide des modèles. À l’inverse, dans les études Tier III (examens), les gains semblent se tasser, suggérant que les marges de progression sur des tâches de pure connaissance sont désormais limitées.

    Un pipeline de revue assistée par LLM… validé et généralisable

    Au‑delà de la cartographie du champ, l’apport clé de ce travail est méthodologique : il montre qu’il est possible d’utiliser un LLM pour construire une revue systématique à grande échelle, tout en encadrant statistiquement les erreurs. Sur le sous‑ensemble d’articles annotés manuellement, le LLM atteint une sensibilité d’environ 0,91 et une spécificité de 0,92 pour la décision d’inclusion/exclusion, avec des intervalles de confiance étroits.

    En extrapolant ces performances à l’ensemble des 4 609 études via un modèle bayésien, les auteurs estiment que l’automatisation induit quelques centaines de faux positifs et faux négatifs (environ 669 faux positifs et 386 faux négatifs, avec des intervalles d’incertitude), mais sans remettre en cause les grandes tendances. Le code et un outil d’exploration des résultats sont mis à disposition en open source, afin de permettre à d’autres équipes d’adapter ce cadre à d’autres domaines de la médecine ou à de futurs modèles.

    Ce que cela change pour la médecine de demain

    Pour les auteurs, le déséquilibre flagrant entre le nombre total de publications et la rareté des données cliniques robustes doit amener à réorienter les priorités de recherche. Les LLM ont déjà démontré leur capacité à restituer des connaissances médicales et à performer sur des scénarios synthétiques, mais les preuves de bénéfice patient‑centré restent limitées, avec très peu d’essais randomisés et une majorité d’études de petite taille (au moins un quart des études ont des effectifs inférieurs à 30 participants ou cas).

    Les auteurs proposent une feuille de route graduelle : en l’absence d’études Tier III, commencer par évaluer la compétence brute du modèle sur des tâches de connaissances, puis passer à des simulations (Tier II), avant de tester les modèles sur de vraies données (Tier I) et, in fine, en déploiement clinique contrôlé (Tier S). Selon eux, renforcer cette progression, augmenter les tailles d’échantillon et intégrer des outcomes cliniques pertinents sont des conditions indispensables pour que les LLM puissent prétendre à une place durable dans les parcours de soins.

  • L’IA expérimentée dans 11 MDPH pilotes pour l’instruction des dossiers

    L’utilisation de l’IA apparaît comme une possible solution aux problèmes rencontrés par les MDPH. Elle pourrait permettre de « gagner du temps pour mieux accompagner », conformément au premier pilier de la feuille de route IA 2025-2026 de la branche Autonomie publiée en juillet 2025. L’usage de l’IA sera donc expérimenté dans des MDPH volontaires. 

    Une recherche de solution pour désengorger les MDPH 

    Face à l’afflux de dossiers et aux délais de traitement jugés trop longs, la CNSA a lancé en mars une « task force de transformation des MDPH », associant les administrations concernées, des directeurs de MDPH, l’Association nationale des directeurs de l’action sociale et de santé (ANDASS) et le Conseil national consultatif des personnes handicapées (CNCPH).  

    Elle avait pour mission d’« améliorer les parcours des personnes en situation de handicap et de leurs aidants en recueillant parallèlement leur parole, pour faciliter l’accès aux droits et raccourcir les délais de traitement des dossiers, ainsi qu’harmoniser les pratiques sur le territoire ». Un plan d’action comportant 18 propositions a été présenté, parmi lesquelles l’usage de l’intelligence artificielle (IA) : Le déploiement de l’IA permettra d’automatiser des tâches répétitives et de sécuriser l’étape de recevabilité des dossiers, réduisant ainsi les délais de traitement. Une phase d’expérimentation est prévue. 

    Dans ce contexte, la CNSA a lancé en novembre 2025 un appel à manifestation d’intérêt ouvert à l’ensemble des MDPH et aux départements portant leurs missions. Il a recueilli 27 candidatures. 

    Tester 2 cas d’usages de l’IA  

    La CNSA demandait aux candidats de se positionner sur l’un ou les deux cas d’usage suivants : 

    • La mise en place d’un agent conversationnel (chatbot) juridique capable de répondre en langage naturel aux questions des professionnels ; 
    • L’automatisation des premières phases d’instruction des demandes MDPH (classement, contrôle de recevabilité…) grâce à une gestion documentaire assistée par l’IA. 

    Chaque candidat pouvait choisir de candidater à un seul de ces cas d’usage. S’il souhaitait se positionner sur les deux, il devait alors indiquer lequel constituait sa priorité. Chaque candidat devait proposer au moins un et jusqu’à trois systèmes d’IA (solution éditeur) par cas d’usage.  

    11 MDPH retenues  

    À l’issue d’un jury composé de la CNSA, de la Direction Interministérielle du Numérique (DINUM), de la Direction générale de la cohésion sociale (DGCS) et de la Délégation au numérique en santé (DNS), 11 MDPH ont été retenues :

    Sur le cas d’usage n°1 (chatbot) : 

    Côte-d’Or (21), Indre-et-Loire (37), Isère (38), Hautes-Pyrénées (65)

    Sur le cas d’usage n°2 (gestion documentaire) : 

    Alpes-Maritimes (06), Eure (27), Finistère (29), Meurthe-et-Moselle (54), Morbihan (56), Paris (75), Somme (80).

    Ces MDPH recevront une dotation de 10 000 euros ou 35 000 d’euros, selon le cas d’usage. Cette subvention est destinée à couvrir les surcoûts générés par l’expérimentation, en personnel et en équipement.

    Le lancement officiel de l’expérimentation aura lieu courant mars pour un démarrage effectif des tests au second trimestre 2026.

    Feuille de route stratégique IA 2025-2026 de la branche Autonomie 

    https://www.cnsa.fr/actualites/handicap-18-mesures-pour-simplifier-le-parcours-usagers-et-soutenir-les-agents-des-mdph 

    https://www.cnsa.fr/actualites/la-cnsa-lance-une-experimentation-avec-11-mdph-pour-tester-des-solutions-dintelligence 

     

  • Congrès de la SFD : les données du Diabète LAB comme rempart contre la désinformation médicale

    La lutte contre la désinformation en diabète ne peut plus reposer sur la seule parole experte, et les Assises nationales produisent justement un cadre de consultation citoyenne, de baromètre et de gouvernance de l’information pour y répondre.

    Dans ce contexte, les données de terrain du Diabète LAB apportées au congrès, annoncées le 19 mars 2026, documentent des zones de fragilité concrètes du parcours patient et de l’alliance thérapeutique.

    ​À l’occasion de ce congrès, la Fédération Française des Diabétiques met en avant plusieurs contributions issues de son dispositif de recherche participative, le Diabète LAB. Ces travaux visent à documenter l’expérience des personnes vivant avec un diabète et à alimenter les pratiques cliniques.

    Ce positionnement déplace utilement le débat : en diabétologie, sécuriser l’information suppose de comprendre où naissent la confusion, la défiance et les ruptures de parcours.

    Capteurs, applications et contenus sociaux ne produisent de valeur que s’ils sont intégrés à une gouvernance de la fiabilité, faute de quoi ils deviennent aussi des vecteurs de mésinformation clinique et réputationnelle.​​

    Deux présentations scientifiques structurent cette participation

    DiagDT1 et DiaMind objectivent les angles morts

    D’une part, l’étude DiagDT1 analyse le vécu du diagnostic du diabète de type 1 à partir d’une approche mixte. Elle s’intéresse à un moment sensible du parcours de soins et identifie des pistes pour améliorer l’accompagnement des patients lors de l’annonce.

    D’autre part, le baromètre DiaMind, présenté en communication orale, apporte des données nationales sur la santé mentale des personnes vivant avec un diabète. Ce travail documente un enjeu encore peu intégré dans les parcours de soins.

    Un cadre public aligné avec les associations

    Les données DiagDT1 et DiaMind mobilisées pour structurer la réponse publique

    La stratégie nationale lancée en janvier 2026 repose sur quatre axes, dont la consultation citoyenne, le baromètre national, la mise en place d’un comité citoyen et la création d’un observatoire de l’information en santé. Les travaux de la Fédération et du Diabète LAB s’inscrivent donc dans une séquence publique cohérente :

    Faire des associations de patients, non plus des relais de communication, mais des producteurs de preuves utiles à l’infovigilance, aux recommandations et à l’éducation thérapeutique.​

    Le rapport public sur la désinformation en santé recommande notamment un plan d’information dans chaque institution, un observatoire dédié, une infovigilance structurée et le déploiement d’un Info-Score Santé.

    Les données DiagDT1, DiaMind et les retours sur la santé connectée peuvent alimenter ces dispositifs en qualifiant les moments de doute, les besoins de preuve, les formats de messages efficaces et les contenus les plus susceptibles de briser l’alliance thérapeutique.

    Les associations de patients deviennent producteurs de données pour l’action publique​​

    La Fédération rappelle s’appuyer sur environ 100 associations et délégations locales et sur une représentation de 4 millions de personnes vivant avec n diabète, avec au congrès la participation de l’AFD 69 aux côtés du niveau national.

    C’est un point décisif pour des parcours innovants : la lutte contre la désinformation devient plus efficace quand les données issues du terrain, les retours locaux et les débats scientifiques sont articulés dans une même chaîne de décision, de modération et d’accompagnement

     

  • Prévention et santé au travail : AXESS annonce la création d’un OPP doté d’un financement annuel de 13 millions d’euros

    Un accord pour structurer la prévention à l’échelle de la branche

    Après deux années de négociations, la confédération AXESS annonce la mise en signature d’un accord qui vise à créer un Organisme Paritaire de Prévention (OPP) dans le secteur sanitaire, social et médico-social privé non lucratif.

    L’objectif est de doter la branche d’un dispositif durable et opérationnel centré sur la santé des professionnels, les conditions de travail et l’attractivité des métiers.

    L’initiative intervient dans un contexte marqué par une sinistralité élevée, plus de 17 millions de journées d’absence par an, un taux d’absentéisme supérieur à 9 % et près de 70 000 postes non pourvus.

    AXESS entend faire évoluer le dialogue social, en plaçant la prévention au cœur des priorités sectorielles.

    Un organisme paritaire doté d’un plan d’action sur cinq ans

    L’OPP reposerait sur une gouvernance paritaire qui associe les organisations syndicales et disposerait de capacités d’intervention opérationnelles au plus près des établissements.

    Son action s’inscrirait dans un plan couvrant la période 2026-2030, en articulation avec les priorités nationales de santé au travail. L’un des axes annoncés consiste à développer une culture de prévention primaire, aujourd’hui jugée insuffisamment déployée dans le secteur.

    Parmi ses missions :

    • améliorer les conditions de travail des salariés,
    • renforcer l’observation des enjeux de santé au travail,
    • accompagner les structures dans leurs démarches de prévention,
    • promouvoir des solutions adaptées aux réalités métiers,
    • favoriser le maintien dans l’emploi, notamment pour les salariés en situation de handicap.

    Un financement dédié de 13 millions d’euros par an

    L’accord prévoit la création d’une contribution spécifique équivalente à 0,05 % de la masse salariale, soit environ 13 millions d’euros annuels à l’échelle du secteur. AXESS présente ce financement comme un investissement pour :

    • réduire les accidents du travail et l’absentéisme,
    • améliorer durablement la santé des professionnels,
    • renforcer l’attractivité des métiers,
    • limiter les dépenses publiques liées à la sinistralité.

    Le dispositif pourrait être complété par d’autres financements, notamment via le Fonds d’investissement pour la prévention de l’usure professionnelle (FIPU) et des partenariats institutionnels.

    Un appel à la mobilisation des partenaires sociaux

    AXESS appelle les organisations syndicales à soutenir cet accord, présenté comme une réponse à une situation qui fragilise le secteur. Au-delà de la signature, la confédération insiste sur la nécessité d’un engagement collectif pour améliorer les conditions de travail dans un champ considéré comme essentiel à la cohésion sociale.

    Créée pour représenter les employeurs du secteur privé non lucratif, AXESS regroupe la FEHAP et Nexem et porte une stratégie de structuration du secteur auprès des pouvoirs publics et des instances nationales.

  • Inde : une plateforme nationale pour fiabiliser l’IA clinique

    Une plateforme nationale intégrée à l’infrastructure numérique

    L’Inde cible les maladies cardiovasculaires et les cancers dans l’évaluation de l’IA clinique :

    Ces limites freinent l’entraînement et la performance des modèles, surtout sur des populations hétérogènes.

    Développée par l’Indian Institute of Technology Kanpur (IIT Kanpur), avec le ministère de la Santé et le bureau régional OMS Asie du Sud-Est, la plateforme BODH :

    • Standardise et sécurise l’évaluation des algorithmes à l’échelle nationale.
      • S’intègre à l’Ayushman Bharat Digital Mission (ABDM), infrastructure nationale de santé numérique visant à numériser et interconnecter les informations médicales de tous les citoyens.
      • Sert de socle pour tester et comparer des algorithmes dans des conditions contrôlées et sécurisées.

    Un bac à sable et benchmark multi-usages

    BODH simule des conditions réelles tout en préservant la confidentialité :

    • Environnement sécurisé de test (« bac à sable »).
      • Benchmark multi-usages : imagerie, triage, décision clinique.
      • Standardisation des métriques : performance, robustesse, biais.

    Une validation multicentrique et fiabilité

    Le dispositif repose sur des données réelles issues de cohortes hétérogènes :

    • Tests sur populations nationales diversifiées.
      • Comparaisons inter-algorithmes.
      • Mesures de sensibilité, biais et transposabilité.

    Ce cadre pré-déploiement répond aux limites des datasets homogènes et renforce la fiabilité clinique des IA dans des conditions réelles, préparant le terrain pour un déploiement à grande échelle sécurisé.