Actualité

  • Health data hub : un bilan 2025 sous le signe de la consolidation stratégique

    Une montée en charge qui crédibilise enfin l’outil

    Avec 73 nouveaux projets accompagnés en 2025 (plus de 230 au total depuis sa création en 2019), le Plateforme des données de santé (PDS, ex “HDH”) confirme une accélération tangible. Surtout, 169 projets mobilisent désormais directement sa plateforme technologique. Dans un contexte où certains observateurs questionnaient son utilité réelle, cette montée en charge constitue un signal important : la plateforme n’est plus un simple symbole institutionnel, elle est utilisée. La diversification des porteurs, hôpitaux, universités, industriels, start-ups, montre qu’elle s’est progressivement insérée dans les pratiques de recherche. Pour une structure dont la valeur économique avait été fortement réévaluée à la baisse dans un rapport public en 2025, cette intensification des usages est un enjeu de crédibilité.

    Une ambition continue et structurante de fédérer l’écosystèmeautour des données de santé - @H&TI
    Une ambition continue et structurante de fédérer l’écosystème autour des données de santé – @H&TI

    Un changement de logique passant de l’accès aux données à l’ingénierie de l’appariement :

    L’autre évolution majeure tient à l’élargissement de l’entrepôt de bases partenaires (22 bases chaînées au SNDS) et au déploiement d’outils comme “Mon interface d’appariement”. Ce point est stratégique. Le débat public s’est longtemps concentré sur l’accès au SNDS. Or la valeur scientifique réside désormais dans la capacité à croiser, enrichir et structurer les données.

    En renforçant l’ingénierie d’appariement, le HDH cherche à déplacer le centre de gravité : passer d’un rôle de guichet administratif à celui d’infrastructure méthodologique. C’est probablement là que se joue sa pérennité.

    Une européanisation qui change l’échelle du projet

    L’engagement renforcé dans l’Espace européen des données de santé (EEDS), notamment via des projets comme Tehdas ou Shaiped, repositionne la plateforme. Le HDH ne peut plus être analysé uniquement à l’échelle nationale. En devenant le point d’ancrage français dans l’architecture européenne des données de santé, il acquiert une dimension stratégique nouvelle. Cette intégration européenne constitue aussi un argument politique fort au moment où sa gouvernance et son modèle ont été contestés. Autrement dit : son avenir dépend désormais autant de Bruxelles que de Paris.

    Un hub national au sein de l’Espace européen des données desanté - @HDH
    Un hub national au sein de l’Espace européen des données de santé – @HDH

    Une année qui marque “la fin de l’ère Azure”

    Enfin, 2025 marque officiellement le lancement des travaux de migration vers un hébergement souverain. Cette annonce n’est pas anodine : elle intervient après des années de critiques sur l’hébergement sous droit américain et dans un contexte géopolitique tendu.

    Le renforcement des actions citoyennes (académie des données de santé, travaux sur l’adhésion) répond à la même logique : consolider la légitimité sociale du dispositif. Ces deux chantiers, souveraineté technologique et confiance publique, sont en réalité des réponses directes aux fragilités structurelles identifiées ces dernières années.

    Une plateforme en phase de stabilisation, pas encore de transformation :

    Ce bilan 2025 montre une plateforme plus utilisée, plus intégrée, plus outillée. Il ne signe pas un succès éclatant, mais une stabilisation.

    La question n’est plus celle de la survie du Health data hub. Elle devient celle de son impact mesurable : capacité à produire des résultats scientifiques majeurs, à soutenir l’innovation industrielle et à peser dans l’architecture européenne des données. 2025 apparaît ainsi comme une année charnière : celle où le HDH cesse d’être un projet contesté pour tenter de devenir une infrastructure incontournable. Reste à savoir si cette consolidation suffira à effacer les fragilités accumulées.

  • Doctolib investit 20 millions pour s’imposer dans l’IA médicale

    Doctolib veut aller plus loin que la simple prise de rendez-vous, en développant des outils d’aide à la décision, l’entreprise entre dans le cœur de la pratique médicale et se différencie des acteurs purement administratifs. L’assistant patient envisagé s’inscrit dans une logique d’extension numérique du parcours de soins : meilleure préparation des consultations, amélioration de la compréhension thérapeutique, structuration des échanges avec le professionnel.

    Doctolib ne se limite plus à l’intermédiation entre patients et professionnels. L’entreprise cherche à structurer une offre d’IA clinique adossée à des partenaires académiques et déployable à grande échelle.

    Entre Paris, Nantes et Berlin

    Doctolib a officialisé, le 23 février, la création de son « laboratoire d’intelligence artificielle clinique », présenté comme un projet collectif structuré depuis plusieurs mois. L’entreprise prévoit d’y consacrer 20 millions d’euros en 2026.

    Le laboratoire fédère des acteurs de la recherche en IA et en santé. Outre l’Inserm, l’INRIA et le centre allemand DFKI, le dispositif associe des équipes hospitalières et des représentants des professionnels de santé.

    Le CHU de Nantes figure parmi les partenaires cliniques, aux côtés de soignants utilisateurs de la plateforme et de plusieurs sociétés savantes, dont la Société Française de Pédiatrie. Les unités de recherche sont donc réparties entre Paris, Nantes et Berlin.

    Des outils prédictifs pour anticiper certaines pathologies

    L’ambition affichée est de développer des outils d’aide à la décision clinique destinés aux médecins, ainsi qu’un « assistant de santé » pour les patients. Celui-ci aurait vocation à accompagner la préparation des consultations, à faciliter la compréhension d’un diagnostic ou d’un traitement et à encadrer les parcours avec un niveau de fiabilité médicale revendiqué élevé et des exigences de sécurité.

    Pour les professionnels, Doctolib prévoit d’étendre les fonctionnalités d’aide à l’anamnèse, à la prescription et au diagnostic. L’intelligence artificielle pourrait également être mobilisée pour prédire le risque de survenue de certaines pathologies.

    Le président de Doctolib, Stanislas Niox-Chateau, a indiqué au Figaro que les outils développés se distingueraient des assistants généralistes en “ne produisant une réponse que lorsque le niveau de confiance est jugé suffisant“. Ils seraient entraînés à partir de connaissances validées et contextualisées localement.

    Doctolib rappelle être en relation avec plus de 400.000 soignants, 1.000 établissements de santé et 90 millions de patients. L’entreprise a renforcé ses équipes pour atteindre 900 collaborateurs en recherche et développement, dont 100 dédiés aux travaux en intelligence artificielle.

    Les outils développés pourront être diffusés rapidement dans des environnements cliniques réels, au-delà d’expérimentations limitées. Les résultats des recherches conduites dans le cadre du laboratoire ont vocation à être publiés et rendus accessibles.

  • Ségur V2 : le DPI Sillage référencé par l’ANS, déploiement national visé avant juin 2027

    Un DPI public déployé dans plus de 100 établissements

    L’Agence du Numérique en Santéa confirmé, le 20 février 2026, le référencement Ségur V2 du Dossier patient informatisé Sillage 26.1, développé par Numih France. Le DPI intègre la liste nationale des solutions conformes à la vague 2 du Ségur du numérique en santé.

    Conçu pour fonctionner en environnement multi-sites, Silage vise à centraliser et structurer les données médicales du patient à l’échelle des groupements hospitaliers de territoire (GHT).

    Le DPI permet l’accès à l’ensemble des informations nécessaires à la prise en charge. Au-delà de la dématérialisation, Sillage participe à l’organisation des soins, au pilotage médico-économique, à la recherche et au déploiement de projets territoriaux ou de télémédecine. L’outil est aujourd’hui déployé dans plus d’une centaine d’établissements de santé.

    87 exigences validées et un accès renforcé aux données de Mon espace santé

    Le référencement Ségur V2 atteste de la conformité de Sillage aux 87 exigences du couloir Hôpital DPI définies par l’ANS.

    Dans la mise en œuvre de cette deuxième vague, Numih France intervient sur l’axe relatif à la consultation, par les professionnels de santé, des données issues de Mon espace santé.

    Il s’agit de permettre aux équipes hospitalières d’accéder, directement depuis leur DPI, aux informations du parcours patient, dans un cadre conforme aux référentiels nationaux. La vague 2 consolide ainsi les acquis de la première phase et élargit la circulation des données entre la ville et l’hôpital.

    Cinq établissements pilotes avant la généralisation

    La phase pilote a débuté avec cinq établissements : le CHRU de Lille, le CH d’Alençon, le GHT Mont Saint-Michel, le CH de Bayeux et le CH de Douarnenez.

    Cette étape vise à valider le fonctionnement des nouvelles fonctionnalités attendues dans le cadre de la vague 2. La généralisation à l’ensemble des établissements, hors sites pilotes, débutera à l’été 2026. L’objectif affiché est un déploiement complet avant juin 2027, conformément au calendrier national.

    Avec ce référencement, Sillage rejoint les DPI conformes au cadre Ségur V2 et entre dans une phase d’extension à grande échelle, centrée sur l’appropriation par les équipes hospitalières et la stabilisation de l’architecture numérique dans la durée.

  • US : la télémédecine stabilisée entre 6% et 7 % des consultations de soins primaires (le seuil invisible de la consultation à distance)

    • La stabilisation de la télémédecine suggère l’existence d’un seuil organique d’acceptabilité clinique et organisationnelle.
    • L’enjeu n’est plus de soutenir une croissance exponentielle, mais d’organiser un usage ciblé et pérenne.
    • La télémédecine apparaît moins comme un outil universel de santé publique que comme un service d’optimisation adapté aux modes de vie des actifs.
    • Cette évolution oblige les décideurs à abandonner une vision homogène du distanciel.

    L’usage de la télémédecine en soins primaires aux États-Unis, qui avait fortement progressé durant la pandémie de Covid-19 sous l’effet d’assouplissements fédéraux et commerciaux en matière de remboursement, a décru jusqu’à mi-2023 avant de se stabiliser.

    L’étude, publiée le 17 février 2026 par Epic Research, repose sur l’analyse de 411 millions de consultations réalisées entre juillet 2022 et octobre 2025. Les données proviennent de Cosmos, une base constituée avec une communauté de systèmes de santé utilisant les solutions d’Epic Systems. Elle agrège plus de 300 millions de dossiers patients issus de 1 800 hôpitaux et 42 000 cliniques, répartis dans les 50 États américains ainsi qu’au Canada, au Liban et en Arabie saoudite.

    Deux équipes indépendantes, chacune composée d’un clinicien et de chercheurs, ont conduit les analyses et abouti à des conclusions similaires.

    La télémédecine se fixe à environ 6 % des consultations de soins primaires

    Entre juillet 2022 et octobre 2025, la part des consultations de soins primaires réalisées en télémédecine est passée d’un peu plus de 8 % à un peu moins de 6 %, soit une diminution d’environ 30 %. Depuis 2023, elle oscille entre 6 et 7 %, suggérant l’émergence d’un nouvel équilibre entre présentiel et distanciel.

    Ces résultats interviennent dans un contexte de débats sur la pérennisation des flexibilités réglementaires mises en place pendant la crise sanitaire et sur l’impact de la télémédecine en matière d’accès et d’équité.

    Un recours deux fois plus élevé en zones métropolitaines qu’en zones rurales

    L’analyse met en évidence un différentiel constant selon la ruralité, déterminée à partir du code postal le plus récent du patient.

    Sur l’ensemble de la période étudiée, les patients résidant en zones métropolitaines ont eu recours à la télémédecine environ deux fois plus souvent que ceux vivant en zones rurales ou dans de petites agglomérations. Les zones micropolitaines se situent à un niveau intermédiaire.

    Si la proportion de consultations à distance a diminué dans toutes les catégories territoriales, l’écart relatif entre espaces urbains et ruraux est resté stable. Ce gradient interroge l’effet combiné de l’offre numérique, de la connectivité et des pratiques organisationnelles locales.

    Des écarts marqués selon l’âge

    Les enfants de 0 à 2 ans présentent une part de télémédecine inférieure à 2 % sur toute la période. À l’inverse, les adultes de 25 à 39 ans dépassent 10 % de consultations réalisées à distance.

    Les profils restent stables dans le temps : la télémédecine se concentre sur les adultes en âge d’activité professionnelle, tandis qu’elle demeure marginale pour les très jeunes enfants et les personnes les plus âgées.

    L’un des résultats les plus marqués concerne la langue préférée déclarée par les patients.

    Les patients non anglophones, notamment ceux déclarant le chinois, le portugais, le russe, le persan ou l’espagnol, présentent des taux de recours à la télémédecine nettement supérieurs à ceux des patients anglophones. Bien que les taux aient diminué dans tous les groupes, l’écart initial s’est maintenu jusqu’à la fin de la période étudiée.

    Enjeux pour la régulation et l’organisation

    Au-delà du constat d’une stabilisation autour de 6–7 % des actes, l’étude met en lumière une segmentation durable des usages selon le territoire, l’âge et la langue.

    Pour les décideurs et les opérateurs de soins, ces données fournissent des repères pour ajuster les capacités numériques, calibrer les dispositifs d’interprétariat et anticiper les effets des choix réglementaires en cours.

  • Stéthoscope IA en soins primaires : sans intégration organisationnelle, pas d’impact clinique mesurable (Essai TRICORDER au NHS)

    TRICORDER, pour Triple Cardiovascular Disease Detection with an Artificial Intelligence-enabled Stethoscope, est un essai cluster-randomisé (ouvert) conduit au sein du NHS, plus précisément dans le North West London Integrated Care System.

    L’objectif était d’évaluer, en conditions réelles, l’impact d’un stéthoscope connecté à des algorithmes d’IA sur la détection de trois pathologies souvent diagnostiquées tardivement en ville : insuffisance cardiaque, fibrillation atriale et valvulopathies.

    L’introduction d’un stéthoscope connecté à l’IA n’a pas augmenté, à 12 mois, les nouveaux diagnostics d’insuffisance cardiaque. En analyse per-protocol, les patients examinés présentaient toutefois des taux de diagnostics plus élevés et plus précoces pour les trois pathologies (résultats exposés à des biais de sélection). L’usage est resté limité et concentré, avec 40 % de cabinets non-utilisateurs à 12 mois, et les auteurs concluent que l’impact clinique dépend d’abord de l’adoption et de l’intégration au dossier et au flux de travail, au-delà des performances algorithmiques observées en conditions réelles.

    Un dispositif connecté sans intégration aux dossiers patients

    Les équipes bénéficiaient d’une visite d’onboarding d’une heure et recevaient jusqu’à six dispositifs Eko DUO (Eko Health Inc), fournis par l’Imperial College London, sponsor de l’étude.

    Le dispositif enregistrait 15 secondes d’ECG mono-dérivation et un phonocardiogramme, transmis via Bluetooth et application mobile vers le cloud (cellulaire/Wi-Fi). Trois algorithmes délivraient une sortie binaire (« oui/non ») pour :

    • FEVG ≤ 40 % (proxy d’insuffisance cardiaque à FEVG réduite),
    • Fibrillation atriale,
    • Valvulopathie (détection de souffle structurel).

    Les algorithmes disposaient d’un marquage UKCA (classe IIa, régulation MHRA) pour l’usage clinique visé. Leur utilisation restait discrète et non intégrée aux dossiers médicaux primaires ou hospitaliers, qui impliquent une saisie manuelle. Les résultats ne déclenchaient pas d’examens en cascade en dehors des recommandations en vigueur : la prise en charge suivait les parcours habituels, par exemple le dosage des peptides natriurétiques puis échocardiographie en cas d’anomalie.

    1,55 million de patients analysés via le Discover SDE du NHS

    La population couvrait 1,55 million de patients. Les critères d’issue reposaient sur le codage courant (SNOMED CT et ICD-10) dans les dossiers primaires et secondaires, via le NHS Discover Secure Data Environment (Discover SDE), actualisé mensuellement. Les auteurs ont utilisé des listes de codes validées et conduit des analyses de sensibilité avec définitions élargies. ,Les données du fabricant n’étaient liées au SDE qu’en cas d’étiquetage par identifiant NHS lors de l’examen.

    Le stéthoscope IA n’augmente pas les nouveaux diagnostics d’insuffisance cardiaque

    Au total, 205 cabinets ont été analysés : 96 dans le groupe intervention (701 933 patients) et 109 dans le groupe contrôle (851 242 patients). Les équipes du groupe intervention ont réalisé 12 725 examens, impliquant 972 utilisateurs cliniques. À 12 mois :

    • 1 342 nouveaux cas d’insuffisance cardiaque dans le groupe intervention (2,58/1000 patient-années),
    • 1 984 dans le groupe contrôle (2,76/1000 patient-années).

    L’IRR ajusté est de 0,94 (IC95 % 0,86–1,02), sans différence significative. Le coprimaire, relatif au lieu du diagnostic, est également neutre : 41 % des nouveaux diagnostics sont posés en communauté dans les deux groupes. Aucun déplacement significatif vers la ville n’est observé (community IRR ajusté 0,90 ; hospital IRR ajusté 0,92 ; p>0,05).

    Les critères secondaires sont concordants :

    • Fibrillation atriale : IRR ajusté 0,98 (0,88–1,09)
    • Valvulopathies : IRR ajusté 1,00 (0,90–1,11)

    Les analyses de sensibilité ne modifient pas ces conclusions.

    Signal en faveur du stéthoscope IA chez les patients à risque

    Une analyse per-protocol a été conduite chez les patients examinés par le stéthoscope IA, appariés 1:1 par score de propension à des contrôles ayant eu au moins une consultation en présentiel (âge, sexe, ethnie, comorbidités, précarité).

    Dans cette cohorte (n = 8 942) :

    • Insuffisance cardiaque : IRR 2,33 (1,28–4,26), p = 0,0046
    • Fibrillation atriale : IRR 3,45 (2,24–5,32), p = 0,0013
    • Valvulopathies : IRR 1,92 (1,09–3,40), p = 0,020

    Le délai au diagnostic est plus court chez les patients examinés (log-rank p<0,0001). Les auteurs soulignent toutefois les biais possibles, comme la sélection de patients à forte probabilité pré-test et résidu de confusion malgré l’appariement.

    40 % de cabinets non-utilisateurs à 12 mois : adoption limitée du dispositif

    La diffusion du dispositif dans la routine reste limitée. À 12 mois, parmi les 96 cabinets du groupe intervention :

    • 6 % sont classés « haut usage »,
    • 15 % « usage moyen »,
    • 40 % « faible usage »,
    • 40 % « non-usage ».

    Les cinq cabinets les plus actifs totalisent 34 % des enregistrements, dont 19 % pour un seul cabinet. Le volume de consultations en présentiel est comparable entre groupe, suggérant que l’écart tient à l’intégration de l’outil plutôt qu’à l’opportunité d’examen.

    Les patients examinés sont plus âgés (63,9 vs 44,3 ans), plus souvent des femmes (56 % vs 49 %) et présentent davantage de comorbidités (hypertension, diabète, insuffisance rénale chronique), cohérent avec un ciblage de patients à risque.

    Performances variables en conditions réelles

    Parmi 6 224 examens étiquetés avec identifiant patient, 77 % (5 172) présentaient une qualité de signal suffisante pour interprétation. Dans ces 5 172 examens :

    • 10 % ont déclenché un signal « insuffisance cardiaque ».

    Caractéristiques exploratoires :

    • Insuffisance cardiaque : sensibilité 0,39 ; spécificité 0,92 ; VPP 0,30 ; VPN 0,95
    • Fibrillation atriale : sensibilité 0,44 ; spécificité 0,98 ; VPP 0,64 ; VPN 0,96
    • Valvulopathies : sensibilité 0,24 ; spécificité ~0,95 ; VPP 0,10 ; VPN 0,98

    Les valeurs prédictives positives sont rapportées comme dépendantes de la faible prévalence en population non sélectionnée et du recours au codage pour définir les issues.

    Usage conditionné par l’intégration aux systèmes d’information

    Un questionnaire à 12 mois (146 répondants, 15 % des utilisateurs ; au moins une réponse dans 67 % des cabinets) indique que l’intégration au dossier/EHR est considérée comme levier prioritaire pour accroître l’usage, devant les incitations financières (61 % vs 52 % ; p = 0,015). Les répondants mentionnent des contraintes de workflow et de capture du signal.

    Les auteurs formulent une recommandation opérationnelle : l’impact clinique dépend de l’adoption et de l’alignement organisationnel, au-delà de la performance algorithmique.

    Une analyse médico-économique est annoncée. Une étude antérieure dans la même population estimait un gain d’environ 2 500 £ lorsqu’un diagnostic d’insuffisance cardiaque est posé en ville, du fait de la réduction de coûts aval. Le modèle économique attendu (licences et matériel) ne serait pertinent pour le NHS qu’en cas d’économies nettes.

    Les pistes avancées pour améliorer le rendement diagnostique incluent :

    • un ciblage augmentant la probabilité pré-test,
    • des alertes de risque intégrées à l’EHR,
    • l’optimisation des conditions d’usage (connectivité, qualité de signal),
    • l’adaptation des seuils selon le contexte clinique.

     

    Triple cardiovascular disease detection with an artificial intelligence-enabled stethoscope (TRICORDER) in the UK: a cluster-randomised controlled implementation trial https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(25)02156-7/fulltext

     

  • Sciences de la vie : +70 % d’investissements en un an (Bpifrance)

    Dans son bilan d’activité 2025, Bpifrance annonce 72 Md€ injectés dans l’économie et une création de valeur de 1,3 Md€. Dans le secteur de la santé, c’est 143M€ qui ont été investis dans des entreprises innovantes via son activité de capital-innovation en 2025. Côté capital-développement, plusieurs opérations santé sont citées, dont Softway Medical, DMS Group, Hublo, Proteor.

    Capital-innovation : 143 M€ fléchés « santé (French Care) »

    Dans la répartition thématique 2025 de son activité Capital Innovation, Bpifrance mentionne 143 M€ investis dans des entreprises innovantes de la santé, au titre de French Care. L’activité globale de capital-innovation se maintient à 559 M€ investis dans 155 entreprises (dont 43 nouvelles) malgré un marché des levées en repli.

    Au sein du capital-innovation, les pôles Sciences de la Vie et Patient Autonome totalisent 59 M€ investis en 2025, en hausse de 70% par rapport à 2024, sur 26 opérations dont 6 nouveaux investissements. Bpifrance cite notamment ADCytherix, Arthex Biotech, EG427, ainsi que Fizimed.

    Capital-développement : logiciels de santé, imagerie, medtech et services à domicile cités

    Bpifrance annonce un record en Capital Développement avec 2,5 Md€ investis dans 168 entreprises. La santé est identifiée comme une thématique présente à plusieurs niveaux d’intervention:

    • Large Cap : la banque cite la finalisation de l’investissement dans Opella, ainsi que des investissements dans Softway Medical et DMS Group (systèmes d’imagerie médicale).
    • Mid Cap : renforcement du portefeuille santé avec Proteor (prothèses orthopédiques) qui bénéficie d’un accompagnement « double » (dette privée et fonds propres), Hublo (plateforme SaaS pour établissements de santé) et Vitalaire (prestations de santé à domicile).
    • Small Cap Régions : confirmation d’investissements santé, notamment dans les logiciels, la fabrication de matériel médical et l’imagerie médicale.

     

  • À l’AP-HP, un entrepôt de données pour industrialiser l’innovation en médicaments de thérapie innovante

    Les médicaments de thérapie innovante (MTI, thérapies géniques, thérapies cellulaires, produits issus de l’ingénierie tissulaire et médicaments combinés) s’imposent dans la prise en charge de pathologies graves, rares ou sans alternative thérapeutique.

    Dans ce contexte, L’AP-HP annonce le lancement de la stratégie MTI@AP-HP, destinée à structurer et renforcer ses capacités de développement, d’évaluation, de production et de diffusion de ces biomédicaments.

    Un entrepôt de données pour accélérer recherche et soins

    Un projet d’entrepôt de données MTI inter-pathologies doit être initié au second semestre 2026. Il s’appuiera sur les registres et bases existants afin d’améliorer le suivi et l’évaluation à long terme des patients traités. L’objectif est double : documenter l’évolution clinique et la qualité de vie en vie réelle, et disposer d’éléments consolidés pour éclairer les décisions médico-économiques et organisationnelles.

    Plus de 200 essais cliniques dans le champ des MTI ont été ouverts, depuis 7 ans, au sein de l’institution. L’AP-HP figure parmi “les premiers établissements européens à avoir intégré les CAR-T dans les soins courants”, ce qui représente environ 20 % des administrations réalisées en France, notamment en onco-hématologie (lymphomes, myélomes, leucémies).

    Pour d’autres thérapies géniques, principalement pédiatriques, l’institution a organisé une diffusion accélérée en s’appuyant sur les centres nationaux de référence maladies rares, dont près de la moitié sont coordonnés par ses équipes. Des investissements ont été engagés, avec le soutien de l’État et de la région Île-de-France, dans des infrastructures de bioproduction de thérapies géniques et cellulaires.

    Franchir le cap clinique

    Avec MTI@AP-HP, l’objectif est de franchir une nouvelle étape. La stratégie vise à :

    • Accélérer le transfert au grade clinique des innovations issues des unités de recherche internes ;
    • Favoriser l’accès à coût maîtrisé à des MTI pour des indications de niche, notamment dans les maladies rares ;
    • Soutenir l’écosystème biotech et l’ingénierie biomédicale ;
    • Renforcer l’évaluation en vie réelle de l’impact clinique et de la qualité de vie des patients.

    Augmenter le volume et la valeur des essais cliniques en MTI

    La feuille de route s’articule autour de six ambitions :

    • Garantir aux patients le meilleur accès aux MTI disponibles, en recherche comme en soins, en innovant dans les parcours de prise en charge.
    • Porter jusqu’aux patients les solutions issues de la recherche endogène, avec un schéma de développement et d’exploitation adapté à chaque projet.
    • Répondre aux besoins médicaux non satisfaits en renforçant la recherche et l’innovation en lien avec les universités, l’Inserm, les instituts hospitalo-universitaires (IHU) et les bioclusters.
    • Augmenter le volume et l’impact des essais cliniques académiques et industriels dans le champ des MTI.
    • Consolider l’évaluation clinique, médico-économique et éthique des MTI en vie réelle.
    • Constituer une expertise coordonnée et structurée dédiée aux MTI, au bénéfice de la recherche et des soins, à l’échelle interne, nationale et européenne.

    Pour traduire ces ambitions, la feuille de route prévoit d’abord la conception de parcours de soins intégrant les MTI de façon sécurisée et soutenable. Un schéma directeur évolutif des pharmacies à usage intérieur et des circuits pharmaceutiques dédiés doit être structuré en coordination avec l’Agence nationale de sécurité du médicament et des produits de santé et les agences régionales de santé. La stratégie prévoit aussi d’adapter les capacités de bioproduction aux besoins de la recherche et des soins.

    Intelligence artificielle et nouvelles méthodologies d’essais

    Sur le versant recherche clinique, la stratégie prévoit d’intégrer l’intelligence artificielle dans l’accompagnement des essais, en particulier précoces. L’AP-HP entend accélérer le développement de nouvelles méthodologies et renforcer son expertise en investigation clinique des thérapies géniques et cellulaires.

    Le numérique est mobilisé pour réduire les délais globaux des projets (autorisation, démarrage, réalisation, valorisation) via des « ATMP Track » spécifiques au sein de la direction de la recherche clinique et de l’innovation, de l’AGEPS et de la direction de la stratégie et de la transformation.

    L’AP-HP prévoit l’instauration d’un codage « MTI » ad hoc des séjours hospitaliers et des essais cliniques. Ce marquage doit permettre un pilotage régulier des volumes de patients, une analyse fine de l’impact sur les structures hospitalières et la construction d’objectifs mesurables.

    Un tableau de bord partagé d’indicateurs MTI sera élaboré par une cellule dédiée. Il servira au suivi stratégique, à la valorisation du positionnement de l’institution et à l’analyse des parcours.

    @AP-HP : Médicaments de thérapie innovante : l’AP-HP lance une feuille de route ambitieuse

  • Etude : l’IA générative peut accélérer l’analyse de données biomédicales (Cell)

    Dans leurs tests, plusieurs systèmes ont atteint des performances comparables à celles d’équipes spécialisées en science des données. Les résultats de cette étude* a été publiée le 17 février 2026 dans Cell Reports Medicine.

    L’essor des modèles d’intelligence artificielle générative bouleverse déjà de nombreux secteurs, et la recherche biomédicale n’y échappe pas. Ces outils peuvent écrire du code et analyser des données à partir de simples instructions en langage naturel. Reste un obstacle majeur : traiter de vastes bases de données cliniques demande habituellement des semaines, voire des mois de travail technique. Nettoyer les données, programmer les analyses, tester les modèles… autant d’étapes qui ralentissent les projets scientifiques.

    8 outils d’IA testés pour produire du code

    Pour évaluer concrètement les capacités de l’IA générative, des chercheurs de University of California ont donc mené une étude. Concrètement, ils ont utilisé un jeu de données déjà exploité dans le cadre d’un challenge international DREAM (Dialogue on Reverse Engineering Assessment and Methods). Ce jeu regroupait les données biologiques et cliniques de plus de 1 000 femmes enceintes issues de neuf études distinctes, initialement mobilisées pour prédire le risque d’accouchement prématuré.

    Les chercheurs ont ensuite confié ces mêmes données à 8 outils d’IA générative disponibles dans le commerce. Concrètement, ils leur ont donné des consignes en langage naturel décrivant l’objectif à atteindre. Les systèmes devaient alors rédiger eux-mêmes le code d’analyse, sélectionner les variables pertinentes et construire un modèle prédictif exploitable. Les performances obtenues ont été directement comparées à celles produites par des équipes humaines spécialisées en science des données lors du challenge DREAM.

    L’étude a été publiée publiée le 17 février 2026 dans Cell Reports Medicine.

    Résultats : la moitié des IA fait aussi bien que l’humain

    • 4 systèmes sur 8 ont généré un code d’analyse fonctionnel et produit des modèles capables de prédire le risque étudié.
    • Les performances de ces modèles étaient comparables à celles obtenues par des équipes humaines spécialisées.
    • Certains outils ont généré du code inutilisable ou des analyses incorrectes, nécessitant une intervention humaine.
    • L’ensemble du projet, de la conception à la soumission de l’article, a été réalisé en environ 6 mois, un délai court pour ce type d’analyse de données biomédicales complexes.

    Ces résultats ne signifient pas que l’IA peut remplacer les équipes de science des données. La moitié des outils testés n’a pas produit de résultats exploitables et une supervision humaine restait indispensable pour vérifier le code généré et corriger certaines erreurs. L’étude ne porte par ailleurs que sur une tâche précise.

    Une solution pour accélérer la recherche ?

    Au-delà des performances obtenues, l’étude montre cependant qu’un modèle d’IA générative correctement guidé est capable de produire du code scientifique fonctionnel et de construire un modèle d’analyse comparable à ceux développés par des spécialistes. Comme le souligne Marina Sirota (UCSF), co-autrice de l’étude, ces outils pourraient lever « l’un des principaux goulets d’étranglement en science des données : la construction des pipelines d’analyse ».

    Pour les auteurs, l’enjeu est en fait avant tout méthodologique. En automatisant certaines étapes techniques (écriture du code, structuration des analyses, itérations rapides) l’IA pourrait accélérer la phase exploratoire des projets exploitant de grandes bases de données. Les auteurs estiment ainsi que l’IA générative pourrait permettre aux chercheurs « de se concentrer davantage sur les bonnes questions biomédicales » plutôt que sur le débogage du code.

    Benchmarking large language models for predictive modeling in biomedical research with a focus on reproductive health

    Sarwal, Reuben et al.

    Cell Reports Medicine, Volume 7, Issue 2, 102594

    https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(26)00011-

     

  • MICI : la Chine accélère la télésanté face à une incidence en hausse

    Chine : une incidence presque doublée depuis 1990

    Selon le Global Burden of Disease, la charge des  maladies inflammatoires chroniques de l’intestin (MICI), qui regroupae la maladie de Crohn (MC) et la rectocolite hémorragique (RCH), progresse de façon continue en Asie de l’Est. En Chine, 168 077 patients vivaient avec une MICI en 2021 et 24 941 nouveaux cas ont été recensés, pour une incidence standardisée d’environ 1,4/100 000 habitants.

    À l’échelle régionale, prévalence et incidence ont été multipliées par plus de trois depuis 1990.

    • 168 077 cas prévalents en Chine
      • 24 941 nouveaux diagnostics annuels
      • Incidence standardisée : 1,4/100 000

    mHealth : suivi connecté et personnalisé

    Les modèles conventionnels, consultations espacées, endoscopie, biomarqueurs,  peinent à capter la variabilité quotidienne des symptômes. Une équipe de spécialités en soins infirmiers et en gastroentérologie de l’université de Zhejiang, au sud de Shanghai, a analysé les interventions de santé mobile (applications, télémédecine, objets connectés, IA), montrant leur potentiel pour un suivi longitudinal centré sur l’autogestion et l’analyse de données cliniques.

    Jusqu’à 15 % de consultations évitées et suivi renforcé

    Publié début 2026 dans le Journal of Multidisciplinary Healthcare, leur travail montre :

    • Les applications de mHealth permettent un enregistrement en temps réel des symptômes digestifs, de l’observance et de l’alimentation, avec retour clinique à distance
      • Des plateformes comme MyIBDcoach réduisent de 15 % les consultations en présentiel, tout en améliorant la satisfaction et l’engagement
      • Un programme de thérapie cognitivo-comportementale mobile a réduit les scores d’anxiété de 35 % et amélioré la qualité de vie de 20 %

    Ces données confirment que mHealth, télémédecine et IA transforment le suivi, optimisent l’adhésion, préviennent les poussées et soutiennent le bien-être psychologique.

    Vers une intégration au diagnostic in vitro

    La prochaine étape repose sur des études pragmatiques, l’interopérabilité avec les dossiers médicaux électroniques et la standardisation des parcours numériques. Ces solutions s’inscrivent dans la dynamique du diagnostic in vitro, où le monitoring à distance et la stratification moléculaire deviennent stratégiques pour une gastroentérologie de précision.

  • « L’IA n’a pas vocation à se substituer à l’essai clinique, mais plutôt à en faciliter la réalisation. » Vincent Diebolt, Directeur chez Infrastructure F-CRIN.

    Pour approfondir son analyse sur la transformation digitale des essais cliniques, Health & Tech Intelligence a recueilli le témoignage de Vincent Diebolt, directeur de la plateforme nationale de réseaux F-CRIN (French Clinical Research Infrastructure Network). L’entretien explore la manière dont l’intelligence artificielle devient un prolongement naturel de la numérisation, en soutenant la conception, le recrutement et l’analyse des données au travers de nouveaux modèles d’essais in silico.

    « L’IA peut intervenir à de multiples segments » : une nouvelle grammaire de l’essai clinique

    Pour Vincent Diebolt, l’intelligence artificielle ne se résume ni à un outil monolithique ni à un simple effet de mode, mais à une série de briques qui s’insèrent tout au long du cycle de l’essai clinique. « L’IA peut intervenir à de multiples segments, de multiples points de développement de l’essai clinique », souligne-t-il, en insistant sur la continuité entre numérisation des pratiques et exploitation algorithmique. L’IA est décrite comme un continuum d’usages, depuis l’amont de la recherche jusqu’aux opérations de terrain. La numérisation des dossiers, des protocoles et des flux de données est ainsi décrite comme « un élément constitutif et un préalable pour l’utilisation de l’intelligence artificielle ». Cette vision met en lumière une transformation progressive, où l’IA vient se greffer sur des processus déjà structurés.

    Du screening à l’analyse : l’IA comme moteur de gains opérationnels

    Au plan opérationnel, l’IA est perçue comme un levier pour automatiser des tâches à forte intensité de données, en particulier le recrutement et l’analyse. « L’IA peut intervenir dans les éléments très opérationnels, par exemple pour […] faire un screening des patients », note le directeur de F-CRIN, évoquant la possibilité de croiser automatiquement critères d’inclusion et d’exclusion avec les dossiers numériques. Cette capacité de présélection algorithmique est d’autant plus stratégique que de nombreux essais butent sur des difficultés de recrutement, notamment lorsque les critères sont complexes ou très spécialisés, ce qui avec le développement des connaissances et l’hyper spécialisation des disciplines est de plus en plus fréquent. L’IA est également mobilisée en aval, « pour l’analyse de données » et la rédaction accélérée des livrables, comme les rapports d’étude. L’intervenant anticipe un rôle croissant de ces outils pour « identifier les bons patients, pour réaliser l’analyse de manière accélérée, rédiger peut-être les rapports d’étude ». Cette vision positionne l’IA comme un compagnon de route des équipes de recherche clinique, plutôt que comme un substitut direct. Elle laisse entrevoir un repositionnement des compétences : moins de temps consacré à des tâches répétitives, davantage à l’interprétation, à la validation et au dialogue avec les autorités de régulation. La valeur ajoutée de l’humain se déplace alors vers la supervision et la décision, dans un environnement où le volume et la complexité des données ne cessent de croître.

    Données synthétiques et essais in silico : un relais face aux impasses de la recherche clinique classique

    Lorsque la recherche clinique se heurte à des limites structurelles, l’IA apparaît comme un relais plutôt qu’un substitut. L’intervenant insiste sur l’intérêt des « méthodes d’extrapolation de profils de données existantes, rétrospectives, ou données synthétiques » et des « données artificielles », générées à partir de modèles expérimentaux qui reproduisent et miment le fonctionnement de l’organisme humain. L’objectif est clair : « développer le nombre de données dont on dispose par l’extrapolation de celles qui sont disponibles à travers les quelques patients dont on dispose ou la génération ex nihilo ». Cette approche est particulièrement pertinente dans les maladies rares ou en cancérologie, où l’utilisation de biomarqueurs entraîne un « effet d’attrition et de stratification des patients », avec pour conséquence de ne « pas [avoir] assez de patients pour les essais ». Dans ces contextes, « on va essayer de le fabriquer, l’essai, vraiment in silico », explique-t-il. L’idée n’est pas de remplacer l’essai clinique humain, mais de le compléter là où « la recherche clinique bute sur des obstacles majeurs ». L’IA et les données synthétiques deviennent alors des outils d’extension du champ du possible : elles permettent de tester des hypothèses, de renforcer la puissance statistique et de mieux préparer des essais physiques parfois très difficiles à conduire. Cette perspective ouvre la voie à de nouveaux modèles hybrides, associant patients réels, données simulées et bras de contrôle virtuels.

    De la méthode « artisanale » aux essais augmentés : une rupture progressive, pas une table rase

    Vincent Diebolt rappelle qu’historiquement, « on était intégré dans un bras, dans un des deux bras de randomisation d’un essai, c’est-à-dire l’essai avec un placebo ou avec le traitement de référence », sans recours particulier à des outils de numérisation ou d’IA. « Ce modèle de “Randomised clinial trial” reste le “gold sandard” de l’expérimentation en recherche clinique.” C’est comme ça que ça s’est fait depuis plusieurs dizaine d’années », résume-t-il, en soulignant que cette approche reste la référence en termes de sécurité et de robustesse. La transition actuelle ne signifie pas pour autant une mise au rebut de ces principes fondamentaux. « L’intelligence artificielle, elle n’a pas vocation […] à se substituer à l’essai clinique tel qu’il a été fait aujourd’hui dans les meilleures conditions de sécurité », insiste-t-il, mais plutôt « à aider la réalisation d’essais cliniques qui ne peuvent pas se faire ». À horizon cinq ans, prévient-il, l’IA « va être un élément d’accompagnement » mais « n’aura pas vocation […] à dire on fait table rase de l’essai clinique tel qu’il est actuellement ». Le cœur du message est celui d’une coexistence : l’essai clinique traditionnel demeure la colonne vertébrale, tandis que l’IA vient en accroître la portée, l’efficacité et la granularité, notamment dans les segments les plus complexes ou les plus contraints.

    Une transformation lente, encadrée et collaborative avec les autorités de régulation

    Si le potentiel est élevé, la dynamique de déploiement reste mesurée. « Aujourd’hui on s’aperçoit que les choses se mettent en place mais lentement », constat l’interviewé, en évoquant une phase de transition où les usages se structurent progressivement. Cette lenteur n’est pas perçue comme un frein, mais comme une condition de légitimité et de sécurité. « Les choses devront se faire de manière très pondérée, collective avec l’ensemble des acteurs, ce qui implique “nécessairement […] une démarche d’accompagnement qui va être faite », affirme-t-il. Cet accompagnement implique une collaboration étroite avec les autorités de régulation, « toujours sur les différents aspects de la recherche clinique », afin d’évaluer la sécurité des dispositifs, la robustesse méthodologique et l’éthique des nouveaux modèles. L’IA est ainsi conçue comme un champ de co-construction entre industriels, académiques, établissements de santé,  patients et régulateurs nationaux et européens, plutôt que comme une innovation imposée unilatéralement. Pour les acteurs de la santé numérique, cette perspective trace une feuille de route claire : démontrer l’utilité clinique et organisationnelle des outils, documenter leur impact, et participer activement à la définition de cadres de référence partagés. « Je crois beaucoup […] dans l’intelligence artificielle dans le domaine opérationnel », conclut-il  tout en rappelant que cela croyance s’accompagne d’une exigence de preuve, de temps long et de responsabilité collective dans la transformation de la recherche clinique.