Analyse

  • Diabète, asthme, cancers : des pathologies pédiatriques en hausse, sur fond de pénurie de soignants

    • En 2024, 2 700 enfants de moins d’un an sont décédés en France, soit un taux de mortalité infantile de 4,1 décès pour 1 000 enfants.
    • ​Ce taux de mortalité infantile est supérieur à la moyenne de l’Union européenne, estimée à 3,3 décès pour 1 000 naissances vivantes. Entre 2011 et 2024, le taux de mortalité infantile en France est passé de 3,5 ‰ à 4,1 ‰, soit une hausse d’environ 17%.
    • Les enfants représentent environ 27% des passages aux urgences, soit plus de 5,5 millions d’entrées.
    • Les délais d’attente pour un avis spécialisé en pédiatrie ou pédopsychiatrie oscillent entre 6 et 18 mois
    • Environ 350 000 enfants sont inscrits dans le registre français des maladies rares, illustrant le poids des pathologies chroniques complexes en pédiatrie.
    • La France compte environ 8 500 pédiatres et se situe au 22ᵉ rang sur 31 pays de l’OCDE pour sa densité pédiatrique, avec un risque de dégradation lié aux départs à la retraite.
    • Le rapport des Assises de la pédiatrie propose 20 mesures et près de 400 recommandations sur cinq ans, incluant un renforcement des PMI, la création de 600 postes en pédopsychiatrie (CMP‑IJ) et une montée en puissance de la formation et de l’attractivité des carrières pédiatriques.

    27% des passages aux urgences

    En France, les données de la Drees, de Santé publique France et du registre national des cancers de l’enfant montrent une augmentation des pathologies chroniques, métaboliques et psychiques chez les moins de 18 ans, avec des inégalités sociales et des couvertures vaccinales encore hétérogènes.

    Maladies chroniques pédiatriques : asthme et diabète de type 1 en hausse continue

    Chaque année, environ 2 200 enfants de moins de 15 ans développent un diabète de type 1, avec une augmentation moyenne d’environ 4% par an depuis les années 2000. Le nombre de jeunes de moins de 20 ans vivant avec un diabète de type 1 dépasse 31 000 en 2023, ce qui renforce l’enjeu de dépistage précoce et de suivi structuré. L’asthme constitue la maladie chronique la plus fréquente chez les enfants en France, avec une prévalence d’environ 10 à 11% et une raison importante de l’absentéisme scolaire. Les hospitalisations pour asthme pédiatrique atteignent près de 40 000 séjours par an, avec une part importante de formes d’origine allergique et une exposition renforcée dans les régions d’outre‑mer et en Île‑de‑France. En France, les inégalités sociales marquent très tôt l’état nutritionnel des enfants, avec un risque de surpoids en grande section de maternelle deux fois plus élevé chez les enfants d’ouvriers que chez ceux de cadres.

    Cancers pédiatriques en France : 2 200 nouveaux cas annuels chez les 0‑17 ans

    Le cancer se classe au quatrième rang des causes de décès chez les enfants de 0 à 14 ans. Chaque année, le registre national des cancers de l’enfant recense environ 2 200 nouveaux cancers chez les enfants et adolescents, dont près de 1 843 cas chez les moins de 15 ans et environ 440 cas chez les 15‑17 ans. Chez les moins de 15 ans, les leucémies représentent environ 30% des cancers pédiatriques, avec une prédominance des leucémies aiguës lymphoblastiques. Les tumeurs du système nerveux central constituent près de 26% des cancers de l’enfant, tandis que les lymphomes comptent pour environ 10% des cas. Chez les adolescents de 15 à 17 ans, les localisations dominantes sont les lymphomes qui représentent près de 27% des cas, dont une forte proportion de maladies de Hodgkin, les tumeurs du système nerveux central pour environ 17% et les leucémies pour près de 14%. L’incidence des cancers pédiatriques reste globalement stable depuis 2000, avec un taux de survie globale à cinq ans estimé autour de 80 à 83% chez les enfants et proche de 82% chez les adolescents de 15 à 17 ans.

    Santé mentale : « Dans les années 1990, la pédopsychiatrie suivait 200 000 patients par an et aujourd’hui 800 000. » (Pr Guillaume Bronsard)

    Le mal‑être psychique des jeunes progresse en France en 2025, avec une hausse des épisodes anxiodépressifs, des passages aux urgences pour motif psychiatrique et une consommation de psychotropes, tandis que l’offre de pédopsychiatrie et de psychologues reste insuffisante malgré les réformes engagées en e‑santé et en organisation des soins. Les risques de troubles anxiodépressifs concernent près de 30 % des 11‑24 ans en 2024, ce qui confirme une tendance haussière depuis la crise sanitaire liée à la Covid‑19. Chez les 17 ans, la proportion de symptômes anxiodépressifs sévères est passée d’environ 4,5 % en 2017 à près de 9,5 % en 2022, ce qui traduit un quasi doublement en cinq ans.

    Sur 14 millions d’enfants et adolescents en France, 1,6 million souffrent de troubles psychiques, mais seulement la moitié reçoivent des soins​

    Les pensées suicidaires et tentatives de suicide progressent chez les jeunes adultes : une enquête citée à l’Assemblée nationale indique qu’en 2024, 23 % des jeunes déclarent avoir déjà eu des pensées suicidaires, soit près d’un sur quatre. La prévalence d’épisodes dépressifs chez les 18‑24 ans a augmenté d’environ 77 % entre 2017 et 2021, passant de 11,7 % à 20,8 %. Cette situation met en avant la nécessité de renforcer les dispositifs de prévention et des programmes de repérage précoce dans les établissements scolaires. « La psychiatrie, et la pédopsychiatrie en particulier, sont toujours en attente de moyens supplémentaires » (Pr Guillaume Bronsard).

    Couverture vaccinale : des écarts marqués selon le niveau de vie et la région

    Chez le nourrisson en France, la couverture vaccinale pour la primovaccination atteint environ 95% pour les vaccins contre la diphtérie, le tétanos, la poliomyélite, Haemophilus influenzae b, la coqueluche et le pneumocoque. Pour les enfants de 24 mois en 2018, la couverture avec deux doses du vaccin rougeole‑oreillons‑rubéole demeure autour de 83%, avec environ 90% de couverture pour l’hépatite B et 79% pour le méningocoque C. Le rapport de la Drees et les données nationales soulignent des écarts marqués de couverture vaccinale selon le niveau de vie et la région de résidence en France. Les personnes disposant d’un niveau de vie élevé sont environ 1,5 fois plus souvent vaccinées que les personnes à faibles revenus, y compris pour des vaccinations ciblées comme la grippe saisonnière chez les moins de 65 ans à risque, dont la couverture atteint seulement 39% contre environ 60% chez les 65 ans et plus.

    Alors que faire ? PMI renforcées , +2 550 ETP pour 2 150 médecins, 6 300 IPDE et 1 400 sages‑femmes (bilan des assises)

    Les Assises de la pédiatrie et de la santé de l’enfant ont été lancées fin 2022 par le ministère de la Santé dans un contexte de triple épidémie (bronchiolite, grippe, Covid‑19), de saturation des urgences pédiatriques et de montée des troubles psychiques chez les jeunes. Le rapport couvre la période de 0 à 18 ans et adopte une approche globale de la santé (somatique, mentale, sociale, environnementale), avec un cadre d’action limité volontairement à cinq ans afin de produire des transformations structurelles rapides. Dans le cadre de ces assises, le rapport « Investir dans la santé de l’enfant : une urgence nationale » propose une refondation quinquennale de la politique de santé, à partir de 20 mesures et près de 400 recommandations, après six mois de concertation nationale. Les pistes proposent de renforcer la filière de soins de l’enfant en valorisant les professionnels (notamment dans des maisons de santé pédiatriques), en développant l’exercice libéral des infirmières puéricultrices, en clarifiant les rôles entre généralistes et pédiatres de ville (pédiatre en recours pour enfants à risque), en améliorant la coopération ville‑hôpital et en révisant la nomenclature d’actes pédiatriques jugés sous‑tarifés.

    20 recommandations : 

    1. Créer un choc d’attractivité : revalorisation de toutes les prises en charge de l’enfant en ville comme à l’hôpital.
    2. Augmenter la quantité et la qualité du temps médical disponible : formation renforcée en santé de l’enfant, augmentation du numerus apertus, développement de la pratique avancée.
    3. Rendre lisible des parcours de soins gradués pour les parents et les professionnels : le bon médecin, au bon endroit, au bon moment.
    4. Améliorer l’accès aux soins non programmés et optimiser le recours aux services d’urgence : régulation téléphonique par des professionnels formés à la santé de l’enfant, participation élargie des praticiens libéraux à la continuité des soins et à la PDSA, renfort des équipes soignantes aux urgences pédiatriques au prorata de la lourdeur des soins, développement d’outils digitaux d’orientation et de conseil pour les parents.
    5. Protéger les enfants les plus jeunes et les plus vulnérables des épidémies hivernales par des campagnes de prévention nationales intégrant les mesures barrières, les vaccins (grippe, rotavirus…) et les anticorps monoclonaux anti‑VRS dès 2023.
    6. Sanctuariser le nombre de lits de réanimation pédiatrique et néonatale pour pouvoir faire face à une crise sanitaire (épidémie hivernale récurrente) sans perte de chance pour les enfants (déprogrammation chirurgicale ou médicale).
    7. Renforcer les équipes soignantes dans les services qui prennent en charge des enfants avec des besoins de soins renforcés.
    8. Enrichir les registres des naissances et des décès de données médico‑socio‑économiques et permettre les moyens de leur analyse pérennes.
    9. Transformer les PMI pour mailler le territoire de Maisons des 1000 jours et de l’enfant.
    10. Créer un nouveau Service de santé des élèves, qui mobilise tous les professionnels de santé du territoire sous la coordination du médecin scolaire, et dont l’objectif est le bien‑être des enfants et des adolescents.
    11. Créer un nouveau statut de médecin de fonction publique commun à la santé scolaire, aux Maisons des 1000 jours et de l’enfant, aux centres de santé publics et à l’hôpital, autorisant un exercice mixte et partagé.
    12. Instaurer « l’heure partagée » dans toutes les écoles élémentaires : sacraliser la dernière heure du vendredi pour la consacrer à un retour partagé entre les élèves sur le déroulement de la semaine sur les aspects non académiques (médiation et lutte contre le harcèlement scolaire).
    13. Créer un bilan de santé mentale à l’entrée au collège et revaloriser le forfait MonPsy.
    14. Renforcer les capacités en pédopsychiatrie : création de 600 postes en CMP‑IJ, renforcement de l’offre d’hospitalisation et de post‑urgence.
    15. Faire des écoles des « bulles vertes » pour les enfants : réduction des émissions de CO₂ aux abords des écoles, amélioration de la circulation et de la qualité de l’air dans les classes, zones « zéro tabac », mise à distance des zones d’épandage.
    16. Inscrire dans la loi l’interdiction des écrans avant 3 ans.
    17. Déployer le 1er Plan Sommeil.
    18. Une République, une santé : lutter contre les pertes de chance qui touchent les enfants ayant des besoins particuliers (maladies chroniques, précarité, handicap, maltraitances) et les enfants des Outre‑mer.
    19. Lancer des appels à projets récurrents fléchés dédiés à la santé de l’enfant et soutenir le développement de plateformes innovantes technologiques et thérapeutiques adaptées aux spécificités de l’enfant, en créant notamment des plateformes de thérapies géniques.
    20. Instaurer une Conférence nationale de la santé de l’enfant (CNSE), réunie tous les 2 ans sous l’autorité du Président de la République.

    Assises : malgré un bon accueil, un après en demi-teinte

    10 000 soignants et le SNPF dénoncent l’absence de « vrai plan » après les Assises

    Dans une Tribune publiée au Monde les auteurs – composés de médecin et de pédiatres – rappellent qu’un an plus tôt, 10 000 soignants avaient déjà interpellé Emmanuel Macron face à la saturation des urgences, aux transferts de nourrissons sur de longues distances et à la pénurie de soignants en ville et à l’hôpital. Ils évoquent 1 200 décès considérés comme évitables, et une situation présentée comme un indicateur de dégradation conjointe des conditions de vie, du système de soins et de la prise en charge sociale et psychologique. « La première urgence est de remédier à la pénurie croissante de soignants de l’enfant » titrait la tribune.

    Les pédiatres libéraux dénoncent une réforme incomplète

    Un communiqué du Syndicat national des pédiatres français (SNPF) critique fortement les suites des Assises de la pédiatrie et de la santé de l’enfant, jugées dépourvues de « vrai plan de santé pour l’enfant ». Le syndicat dénonce l’« invisibilité » de la pédiatrie libérale dans les mesures annoncées : aucune réflexion sur la place du pédiatre de ville ni sur le parcours de soins ambulatoire, alors que les annonces se concentrent sur d’autres acteurs et dispositifs. Le rapport souligne l’objectif gouvernemental d’atteindre 600 pédiatres en formation par an d’ici 2030, chiffre que le SNPF dit réclamer depuis vingt ans, et estime que cet objectif est désormais insuffisant sans un doublement ou triplement des promotions, en parallèle d’une vraie politique de formation des généralistes à la santé de l’enfant. Le syndicat craint que ces nouveaux pédiatres restent surtout à l’hôpital, au détriment des hôpitaux généraux et de la pédiatrie de ville, et décrit un risque de déséquilibre au profit des surspécialités pédiatriques au détriment de la pédiatrie générale, pourtant jugée indispensable en ville et dans les hôpitaux généraux.

    Le communiqué critique aussi l’absence de mesures d’attractivité pour la pédiatrie libérale : la convention n’apporte aucune revalorisation pour les enfants de plus de 2 ans, ce qui entretient la faible reconnaissance du rôle du pédiatre libéral par les tutelles et fragilise l’avenir du métier. Les auteurs s’inquiètent en parallèle de la promotion de l’accès direct aux orthophonistes : compte tenu de délais déjà estimés à 6 à 12 mois pour un enfant pourtant déjà évalué par un pédiatre, ils redoutent une aggravation des délais et une perte d’une année scolaire pour de nombreux enfants.

     

  • IA : 95 études en 2025 valident un tournant clinique en pédiatrie (revue de littérature)

    L’intégration de l’intelligence artificielle (IA) dans le domaine de la santé pédiatrique connaît une progression remarquable en 2025,  soit une augmentation de 46,2% par rapport à 2024. Cette analyse synthétise 95 études scientifiques publiées sur PubMed au cours de cette année, provenant de diverses institutions internationales, dont :

    • l’Université de Graz (Autriche),
    • l’Université de Campanie Luigi Vanvitelli (Italie),
    • l’Université de Stanford (États-Unis),
    • l’Université de Sydney (Australie),
    • et de nombreux autres centres de recherche répartis en Europe, en Asie et aux Amériques.

    Ces travaux, publiés dans des revues de référence documentent l’application de l’apprentissage automatique et de l’apprentissage profond dans des domaines cliniques variés, telles que :

    Notre analyse consiste à évaluer comment l’IA transforme la pratique pédiatrique contemporaine, en identifiant ses applications diagnostiques, thérapeutiques et préventives, tout en examinant les défis méthodologiques et éthiques qui accompagnent son déploiement clinique. L’objectif est de fournir aux professionnels de santé et aux décideurs du secteur de la santé numérique une synthèse rigoureuse des données probantes disponibles sur l’utilisation de l’IA en pédiatrie, en mettant l’accent sur les résultats quantitatifs, les performances des modèles, et les implications pour la pratique clinique.

    18 applications diagnostiques et/ou cliniques de l’IA pour l’enfant

    Pneumonie pédiatrique et imagerie pulmonaire

    L’analyse de Rickard et al. (2025), publiée dans *Computer Methods and Programs in Biomedicine*, constitue une revue systématique de 35 études portant sur la classification de la pneumonie virale et bactérienne chez les enfants par apprentissage automatique. Cette distinction diagnostique demeure cliniquement importante car elle oriente les décisions thérapeutiques, notamment l’utilisation appropriée des antibiotiques. Les résultats révèlent une performance médiane de 92,3% de précision (intervalle : 80,8% à 97,9%) pour la classification binaire entre pneumonie virale et bactérienne. Pour la classification multiclasse (sain, pneumonie virale, pneumonie bactérienne), la précision médiane atteint 91,8% (intervalle : 76,8% à 99,7%).

    L’étude identifie que 31 des 35 études analysées utilisent le même jeu de données publique (Kermany dataset), ce qui soulève des préoccupations concernant le surapprentissage et la généralisabilité des modèles. La majorité des études (n=33) emploient des réseaux de neurones convolutifs (CNN) pour la classification des radiographies thoraciques. Cette concentration méthodologique limite la diversité des approches et la validation externe des résultats, soulignant la nécessité de développer des ensembles de données plus représentatifs de populations cliniques variées.

     Détection des malformations auriculaires néonatales

    Ren et al. (2025), dans *EClinicalMedicine*, présentent un système d’IA pour l’identification des malformations auriculaires chez les nouveau-nés via une application smartphone. Le modèle, développé à partir du jeu de données BabyEar4k (3852 images auriculaires) et d’un ensemble additionnel de 104 images de microtie provenant de l’Hôpital ORL de l’Université Fudan, atteint une précision de 0,83 à 0,85 pour la classification en six catégories et de 0,94 à 0,98 pour la classification binaire normal/anormal.

    L’architecture ResNet50 démontre la performance la plus constante parmi quatre architectures évaluées. La validation multicentrique dans trois centres chinois (Xinjiang N=252, Guizhou N=186, Fujian N=252) confirme une précision de 0,74 à 0,82 pour la classification en six classes et de 0,79 à 0,86 pour la classification normale/anormale, attestant de la robustesse du système. L’analyse comparative avec des volontaires humains révèle que les professionnels atteignent une précision de 0,7-0,8, tandis que les personnes non spécialisées obtiennent 0,45-0,55, démontrant la capacité du système à égaler ou surpasser l’expertise humaine.

     Dépistage néonatal et maladies métaboliques

    Xie et al. (2025), dans *BMC Medical Genomics*, explorent l’intégration du séquençage génomique, de la métabolomique ciblée et de l’apprentissage automatique pour améliorer la précision du dépistage néonatal. L’étude analyse 119 cas positifs au dépistage en Californie, couvrant quatre pathologies : l’acidurie glutarique de type I (GA-I), l’acidémie propionique/méthylmalonique (PA/MMA), le déficit en ornithine transcarbamylase (OTCD) et le déficit en acyl-CoA déshydrogénase des acides gras à très longue chaîne (VLCADD).

    Le séquençage génomique confirme 89% (31/35) des vrais positifs par la présence de deux variants rapportables. Parmi 84 faux positifs, 74% (62) ne présentent aucun variant, tandis que 26% (22) portent un variant pathogène ou probablement pathogène. Pour le VLCADD, 50% des faux positifs (15/29) sont des porteurs de variants ACADVL (P=4,66×10⁻⁷), indiquant que les variants ACADVL élèvent les biomarqueurs et augmentent le taux de faux positifs. La métabolomique couplée à l’IA détecte tous les vrais positifs (sensibilité 100%), tandis que le séquençage génomique réduit les faux positifs de 98,8%.

     Classification des pleurs néonataux

    Özdemir et Yilmaz (2025), dans *Journal of Voice*, développent un système de détection et classification automatique des pleurs de nouveau-nés par apprentissage automatique. L’étude porte sur 32 nouveau-nés en condition médicale stable dans une unité de soins intensifs néonatals, avec des enregistrements collectés sur des périodes de 12 heures. Le système identifie six modèles comportementaux : repos, faim, somnolence, douleur, besoin de rot et détresse.

    La méthode utilise la transformée de Fourier à court terme pour convertir les signaux audio en spectrogrammes, qui sont ensuite analysés par un réseau de neurones convolutifs profond couplé à un classificateur à machine à vecteurs de support. Le système atteint une précision de 91,856% dans l’identification des besoins du nouveau-né par analyse temporelle des unités de pleurs, offrant une solution sans contact et économique pour la pratique clinique.

     Applications mobiles pour la santé mentale infantile

    Yang et al. (2025), dans *JMIR mHealth and uHealth*, réalisent une analyse complète de 27 applications mobiles basées sur l’IA pour la santé mentale infantile, identifiées à partir de 369 applications initialement évaluées. L’évaluation qualitative utilise le Mobile Application Rating Scale (MARS), révélant un score moyen de 3,45/5 (ET 0,5), indiquant une nécessité d’amélioration de la qualité. L’analyse de lisibilité montre des scores sous-optimaux, avec un niveau de lecture moyen de 6,62 (ET 2,2) pour le contenu intra-application et de 9,93 (ET 2,6) pour les descriptions des boutiques d’applications.

    L’analyse de contenu catégorise les applications en trois groupes fonctionnels : applications basées sur des chatbots (15 applications), applications de journalisation (9 applications) et applications de traitement psychothérapeutique (3 applications). Bien que 20 des 27 applications (74%) utilisent des technologies cliniquement validées, les essais cliniques rigoureux demeurent rares, avec seulement 2 applications ayant fait l’objet d’essais cliniques. Parmi les 27 applications, 7 (26%) sont gratuites, tandis que 20 nécessitent un abonnement ou un paiement unique, avec un coût moyen de 20,16 USD par mois, ce qui peut constituer une barrière d’accès pour certaines populations.

     Modèles de prédiction en psychiatrie infantile

    Till et Briganti (2025), dans *Psychiatrica Danubina*, présentent une revue systématique des modèles d’apprentissage automatique en psychiatrie infantile. Sur 65 études identifiées, 33 répondent aux critères d’inclusion. La majorité se concentre sur le trouble déficitaire de l’attention avec hyperactivité (TDAH) et les troubles du spectre autistique (TSA), avec d’autres études abordant la schizophrénie, le trouble bipolaire, les troubles alimentaires, les comportements suicidaires et la dépression. L’emphase porte principalement sur les applications diagnostiques.

    Les résultats sont hétérogènes en raison de la variabilité des algorithmes, des ensembles de données et des mesures de résultats, avec des performances allant de modestes à élevées. Les principales limitations identifiées incluent de petites tailles d’échantillon, l’absence de validation externe et le surapprentissage. L’étude souligne que l’apprentissage automatique en psychiatrie infantile et adolescente en est à un stade précoce mais montre un potentiel considérable, nécessitant des méthodes standardisées, une interprétabilité accrue et des garanties éthiques pour la traduction clinique.

     Reconnaissance des émotions en soins pédiatriques

    Figueiredo et al. (2025), dans *Journal of Pediatric Nursing*, réalisent une revue systématique de 23 études sur l’application de l’IA à la reconnaissance émotionnelle en pédiatrie. Les études varient en méthodologie et portée, incluant l’utilisation de l’IA pour la reconnaissance émotionnelle faciale, vocale et basée sur le dessin, avec des applications dans divers domaines cliniques. Les outils basés sur l’IA démontrent des niveaux de précision prometteurs, notamment dans l’amélioration de l’identification des émotions, le soutien au diagnostic précoce et l’information des décisions cliniques.

    L’IA présente un potentiel transformateur pour les soins pédiatriques en améliorant l’identification et la gestion des états émotionnels, particulièrement chez les populations vulnérables. En reconnaissant et répondant aux besoins émotionnels, l’IA peut améliorer la personnalisation des soins et créer des environnements thérapeutiques émotionnellement sensibles.

     Méta-analyse de l’apprentissage automatique pour la malnutrition

    Rao et al. (2025), dans *International Journal of Environmental Research and Public Health*, présentent une méta-analyse de 11 études utilisant l’apprentissage automatique sur les données des Demographic and Health Surveys (DHS) pour prédire la malnutrition chez les enfants de moins de cinq ans. Les études, publiées entre 2019 et 2023, proviennent majoritairement du Bangladesh (n=6, 55%). Dix études rapportent le retard de croissance, trois l’émaciation et quatre l’insuffisance pondérale.

    La méta-analyse de dix études révèle une précision agrégée de 68,92% (IC 95% : 66,04-71,80 ; I²=100%) pour la prédiction du retard de croissance. Trois études indiquent une précision agrégée de 84,39% (IC 95% : 80,90-87,87 ; I²=100%) pour la prédiction de l’émaciation. Quatre études montrent une précision agrégée de 73,60% (IC 95% : 70,01-77,20 ; I²=100%) pour la prédiction de l’insuffisance pondérale. Cette méta-analyse démontre que les modèles d’apprentissage automatique présentent des performances métriques modérées à bonnes dans la prédiction de la malnutrition.

     Prédiction de la malnutrition aiguë infantile

    Constenla-Villoslada et al. (2025), dans *Proceedings of the National Academy of Sciences*, démontrent que la surveillance à haute fréquence couplée à l’apprentissage automatique permet la prévision de la malnutrition aiguë infantile pour l’alerte précoce. L’étude utilise des données longitudinales pour développer des modèles prédictifs qui identifient les enfants à risque avant l’apparition de signes cliniques manifestes, offrant une opportunité d’intervention préventive.

    Saleem et al. (2025), dans *American Journal of Human Biology*, explorent les facteurs de risque et la modélisation prédictive de la malnutrition infantile au Pakistan. Les facteurs de risque identifiés incluent les mariages consanguins, un statut socio-économique inférieur, une faible éducation maternelle et des disparités géographiques dans les provinces du Sindh et du Baloutchistan. Parmi les modèles d’apprentissage automatique testés (Random Forest, Support Vector Machine, Naïve Bayes, AdaBoost), Random Forest démontre la précision et la spécificité globales les plus élevées, tandis que SVM présente une sensibilité supérieure pour les enfants émaciés et en insuffisance pondérale.

     Analyse tridimensionnelle des interactions caregiver-enfant

    Weng et al. (2025), dans *Science Advances*, introduisent HARMONI, une méthode de vision par ordinateur 3D et de traitement audio pour analyser le comportement et les interactions caregiver-enfant à partir de vidéos observationnelles. HARMONI opère à une résolution de sous-seconde, estimant des représentations de maillage 3D et des interactions spatiales humaines, et s’adapte aux environnements naturels exigeants grâce à un module de génération de données synthétiques ciblées sur l’environnement.

    Déployé sur 500 heures du jeu de données SEEDLingS, HARMONI génère des mesures quantitatives détaillées du comportement humain 3D auparavant inaccessibles par des efforts manuels ou des méthodes 2D. Le système identifie des tendances longitudinales dans l’interaction enfant-caregiver, incluant le mouvement de l’enfant, la posture corporelle, le contact dyadique, la visibilité et les tours conversationnels. L’analyse visuelle et audio intégrée révèle des tendances multimodales, notamment des associations entre les tours conversationnels de l’enfant et le mouvement. HARMONI atteint une cohérence de 63 à 80% sur les attributs clés avec les annotateurs humains sur SEEDLingS et de 84 à 93% sur des vidéos issues d’un environnement de laboratoire, tout en réalisant une économie de temps supérieure à 100 fois.

     Analyse automatique de la posture infantile

    Gama et al. (2025), dans *Behavior Research Methods*, comparent sept méthodes de réseaux de neurones profonds pour l’estimation automatique de la pose 2D des nourrissons à partir de vidéos. Cette capacité d’analyse automatisée facilite l’évaluation du développement moteur et peut identifier précocement des retards développementaux. L’étude évalue la performance comparative de différentes architectures pour déterminer les approches les plus appropriées pour l’analyse de la posture infantile.

    Kulvicius et al. (2025), dans *Communications Medicine*, démontrent que l’apprentissage profond combiné à la fusion de capteurs améliore la classification des mouvements infantiles. L’intégration de multiples modalités de capteurs avec des algorithmes d’apprentissage profond permet une caractérisation plus précise des patterns de mouvement infantile, avec des applications potentielles dans le dépistage précoce des troubles neurodéveloppementaux.

     Prédiction du vocabulaire infantile

    Tóth et al. (2025), dans *Brain Research*, utilisent l’apprentissage automatique pour prédire le vocabulaire infantile à partir de la connectivité neuronale et du discours maternel. L’étude intègre des données de neuroimagerie et d’analyse linguistique pour identifier les prédicteurs précoces du développement du langage, offrant des opportunités d’intervention précoce chez les enfants présentant des risques de retard langagier.

    Pol et Agrawal (2025), dans *Discovery Mental Health*, réalisent une analyse bibliométrique et méta-analytique systématique des facteurs clés et des perspectives émergentes de l’IA et de l’apprentissage automatique dans le développement cognitif infantile. L’analyse de 122 articles de revues publiés au cours des 10 dernières années révèle que la majorité des travaux de recherche pour le diagnostic du développement cognitif dans la petite enfance a été réalisée par des méthodes statistiques traditionnelles. L’application de l’IA et de l’apprentissage automatique dans le diagnostic cognitif précoce demeure limitée et sous-explorée, soulignant un domaine nécessitant des recherches supplémentaires.

     Détection de la douleur infantile

    Zhang et al. (2025), dans *Computers, Informatics, Nursing*, développent une approche d’apprentissage profond pour l’évaluation de la douleur infantile utilisant les expressions faciales par réseau de neurones convolutifs. Cette technologie objective de mesure de la douleur complète les échelles subjectives d’évaluation et peut faciliter une analgésie plus appropriée chez les nourrissons non verbaux.

    Roué et al. (2025), dans *Paediatric and Neonatal Pain*, présentent la détection objective de la douleur procédurale aiguë chez les nouveau-nés utilisant l’EEG et des algorithmes d’apprentissage automatique. L’étude enregistre l’EEG de 30 nouveau-nés (18 mâles, 34,0-41,7 semaines de gestation à la naissance) subissant des procédures douloureuses aiguës. Un modèle de gradient boosting avec 12 caractéristiques démontre une performance optimale, avec 90% d’aire sous la courbe ROC, suggérant une spécificité élevée (0,90) et une précision (0,90). Les cinq caractéristiques les mieux classées correspondent à des paires d’électrodes EEG : T7-P4, Fz-CP5, FC1-TP10, CP6-Cz et Fz-F3, suggérant l’implication du gyrus temporal controlatéral, du cortex operculaire, du thalamus et de l’insula bilatérale dans le traitement de la douleur infantile.

     Prédiction des cardiopathies congénitales critiques

    Mayourian et al. (2025), dans *JACC Clinical Electrophysiology*, développent un modèle d’apprentissage profond basé sur l’électrocardiogramme infantile pour prédire les cardiopathies congénitales critiques. Cette approche non invasive offre un potentiel de dépistage précoce des malformations cardiaques nécessitant une intervention urgente, avec des implications pour la morbi-mortalité néonatale.

     Dépistage de la méningite infantile par échographie

    Sial et al. (2025), dans *Ultrasound in Medicine & Biology*, présentent un nouveau système de dépistage de la méningite infantile par IA utilisant l’imagerie échographique haute résolution. L’étude démontre la faisabilité d’un outil de dépistage par ultrasons pour identifier la méningite chez les nourrissons, une condition nécessitant un diagnostic et un traitement rapides pour minimiser les complications neurologiques.

     Analyse de la composition corporelle néonatale

    He et al. (2025), dans *Ultrasound in Medicine & Biology*, développent des techniques d’apprentissage profond pour la prédiction de la composition corporelle néonatale basée sur l’échographie. L’évaluation précise de la composition corporelle néonatale peut identifier les nourrissons à risque de complications métaboliques et guider les interventions nutritionnelles appropriées.

     Promotion de l’équité en santé infantile

    Cheung et al. (2025), dans *Pediatrics*, examinent l’utilisation de l’IA et de l’apprentissage automatique pour promouvoir l’équité en santé infantile. L’étude décrit deux cas d’utilisation novateurs appliqués pour promouvoir l’équité en santé des populations dans une population diverse de Londres : (1) un algorithme d’apprentissage automatique développé et entraîné utilisant des données démographiques collectées en routine pour prédire la non-présentation aux rendez-vous ambulatoires dans divers contextes et (2) un outil de prédiction des risques pour les enfants asthmatiques utilisant plusieurs métriques routinières à travers le spectre des déterminants de santé pour cibler les interventions préventives vers les patients asthmatiques à haut risque.

    L’expérience décrite souligne les façons possibles dont l’iniquité peut être inadvertamment intégrée dans les données d’entraînement, le modèle d’apprentissage automatique et sa mise en œuvre, avec des stratégies d’atténuation pour le présent et l’avenir. Cette perspective souligne l’importance d’une approche consciente de l’équité dans le développement et le déploiement de systèmes d’IA en pédiatrie.

     Identification des déterminants sociaux dans la maltraitance infantile

    Kazemi et al. (2025), dans *Neurosurgery*, utilisent l’apprentissage automatique pour identifier les déterminants sociaux de la maltraitance infantile dans les traumatismes crâniens pédiatriques. L’étude révèle que des facteurs socio-économiques complexes contribuent au risque de maltraitance, permettant une identification plus précoce des cas à risque et des interventions ciblées de protection de l’enfance.

    Considérations éthiques et qualité des modèles

    L’intégration de l’IA en pédiatrie soulève des enjeux de sécurité, d’équité et de qualité méthodologique :

    • Des cadres éthiques robustes sont nécessaires pour protéger la vie privée et les droits des enfants, garantir la transparence des algorithmes, et assurer la participation des parties prenantes pédiatriques.​
    • Le consentement éclairé reste complexe : les enfants sont une population vulnérable, avec une capacité de décision limitée.
    • Les biais algorithmiques, liés à la représentativité restreinte des jeux de données, peuvent accroître les inégalités de santé.​
    • L’accès aux applications IA reste inéquitable (74% à abonnement payant pour la santé mentale infantile, barrière pour les familles à faibles revenus).
    • La validation des modèles demeure un défi : surapprentissage fréquent, absence de validation externe, forte hétérogénéité des méthodes.​
    • Les recommandations actuelles incitent à développer :
      • Des jeux de données multicentriques et représentatifs ;
      • L’adoption de standards de reporting (TRIPOD-AI) et de validation externe systématique ;
      • Une évaluation continue de l’impact clinique réel et de la qualité de vie

    Tableau 1 : Performances des principaux modèles IA en pédiatrie

    Application clinique Précision N études Référence
    Pneumonie virale vs bactérienne (binaire) 92,3 % 35 Rickard et al., 2025
    Pneumonie (multiclasse) 91,8 % 35 Rickard et al., 2025
    Malformations auriculaires (6 classes) 83-85 % 1 Ren et al., 2025
    Malformations auriculaires (binaire) 94-98 % 1 Ren et al., 2025
    Classification pleurs néonataux 91,9 % 1 Özdemir et Yilmaz, 2025
    Retard de croissance infantile 68,9 % 10 Rao et al., 2025
    Émaciation infantile 84,4 % 3 Rao et al., 2025
    Insuffisance pondérale infantile 73,6 % 4 Rao et al., 2025
    Dépistage néonatal (sensibilité) 100 % 1 Xie et al., 2025
    Dépistage néonatal (réduction faux positifs) 98,8 % 1 Xie et al., 2025
    Douleur procédurale néonatale (spécificité) 90 % 1 Roué et al., 2025

    Tableau 2 : Implications pour la pratique clinique

    Implications Étude / Auteur Application / Conclusion
    Transformation des flux de travail cliniques Cheung et al. Prédiction de la non-présentation aux rendez-vous, gestion proactive des listes d’attente, réduction du gaspillage de ressources
    Médecine de précision et personnalisation des soins Xie et al. Intégration de données génomiques, métabolomiques et d’apprentissage automatique pour améliorer le dépistage néonatal, interventions personnalisées précoces, prédiction des risques de malnutrition, identification précoce des troubles neurodéveloppementaux, stratification des patients
    Soutien à la décision clinique Miranda et al. L’IA ne surpasse pas les médecins en pédiatrie, importance de l’expertise clinique spécialisée, nécessité d’une collaboration synergique entre IA et cliniciens
    Défis d’implémentation et considérations régulatrices Chng et al. Validation dans des environnements réels, intégration sans charge supplémentaire, conformité aux normes réglementaires, importance de cadres éthiques robustes, transparence algorithmique, protection de la vie privée, évaluation continue de l’impact

    Enseignements, défis et perspectives :

    Intégration de l’IA en pédiatrie

    L’analyse de 95 études publiées en 2025 révèle que l’IA transforme progressivement la pratique pédiatrique à travers des applications diagnostiques, thérapeutiques et préventives. Les performances quantitatives des modèles d’apprentissage automatique varient selon les applications cliniques, avec des précisions allant de 68,9% pour la prédiction du retard de croissance à 100% de sensibilité pour certaines applications de dépistage néonatal.

    Les domaines d’application les plus développés incluent l’imagerie médicale (pneumonie, malformations auriculaires), la santé mentale infantile, la prédiction de la malnutrition, l’analyse comportementale et développementale et le dépistage néonatal. Les systèmes d’IA démontrent une capacité à égaler ou surpasser l’expertise humaine dans des tâches diagnostiques spécifiques, tout en présentant des limitations dans des contextes nécessitant un jugement clinique complexe.

    Les défis méthodologiques majeurs incluent le surapprentissage dû à des ensembles de données limités, l’absence de validation externe rigoureuse, l’hétérogénéité des approches et les préoccupations d’équité dans l’accès et l’application des technologies. Les considérations éthiques, particulièrement la protection de la vie privée des enfants, la transparence algorithmique et l’équité dans le déploiement, nécessitent une attention continue.

    Les implications pour la santé numérique incluent la nécessité de développer des infrastructures de données robustes, des cadres réglementaires adaptés, des programmes de formation pour les professionnels de santé et des mécanismes pour assurer l’accès équitable aux technologies d’IA. L’intégration optimale de l’IA en pédiatrie nécessite une approche collaborative entre cliniciens, informaticiens, décideurs politiques, régulateurs et familles.

    Les directions futures prioritaires incluent la standardisation des méthodes de recherche, le développement de jeux de données représentatifs et diversifiés, l’intégration multimodale de données hétérogènes, l’évaluation de l’impact clinique réel par des essais contrôlés et l’adaptation des solutions aux contextes à ressources limitées pour promouvoir l’équité en santé mondiale infantile.

    L’intelligence artificielle en pédiatrie en 2025 à travers ces études représente un domaine en maturation rapide, avec des applications prometteuses mais nécessitant des validations rigoureuses, des garanties éthiques et une mise en œuvre réfléchie pour réaliser son potentiel transformateur tout en protégeant les populations pédiatriques vulnérables.

    Bibliographie :

    1. Pokorny FB, Bartl-Pokorny KD. Editorial: Artificial intelligence for child health and wellbeing. Front Digit Health. 2025;7:1685788. doi: 10.3389/fdgth.2025.1685788. PMID: 40978696; PMCID: PMC12446228.

    2. Mondillo G, Perrotta A, Colosimo S, Frattolillo V, Masino M, Pettoello-Mantovani M. Artificial Intelligence in Pediatrics: An Opportunity to Lead, not to Follow. J Pediatr. 2025;283:114641. doi: 10.1016/j.jpeds.2025.114641. PMID: 40368240.

    3. Rickard D, Kabir MA, Homaira N. Machine learning-based approaches for distinguishing viral and bacterial pneumonia in paediatrics: A scoping review. Comput Methods Programs Biomed. 2025;268:108802. doi: 10.1016/j.cmpb.2025.108802. PMID: 40349546.

    4. Ren LJ, Yang RJ, Chen LL, et al. Artificial intelligence assisted identification of newborn auricular deformities via smartphone application. EClinicalMedicine. 2025;81:103124. doi: 10.1016/j.eclinm.2025.103124. PMID: 40083444; PMCID: PMC11905851.

    5. Pol T, Agrawal R. A systematic bibliometric and meta analysis of key factors and emerging AI and ML insights in shaping child cognitive development. Discov Ment Health. 2025;5(1):180. doi: 10.1007/s44192-025-00309-z. PMID: 41258603; PMCID: PMC12630432.

    6. Özdemi̇r S, Yilmaz EÇ. Automated Detection and Classification of Newborn Crying with Machine Learning. J Voice. 2025. S0892-1997(25)00463-1. doi: 10.1016/j.jvoice.2025.10.041. PMID: 41253665.

    7. Yang F, Wei J, Zhao X, An R. Artificial Intelligence-Based Mobile Phone Apps for Child Mental Health: Comprehensive Review and Content Analysis. JMIR Mhealth Uhealth. 2025;13:e58597. doi: 10.2196/58597. PMID: 40479582; PMCID: PMC12165445.

    8. Golub Y, Wulff A, Plösch T. From haze to horizon: epigenetic research and artificial intelligence in child and adolescent psychiatry. Eur Child Adolesc Psychiatry. 2025;34(4):1245-1248. doi: 10.1007/s00787-025-02686-w. PMID: 40111558; PMCID: PMC12000212.

    9. Till AC, Briganti G. Outcomes in machine learning models for child psychiatry: a systematic review of the literature. Psychiatr Danub. 2025;37(Suppl 1):79-84. PMID: 40982877.

    10. Xie Y, Peng G, Tikhonova I, Enns G, Zhao H, Cowan T, Scharfe C. Improving newborn screening accuracy through genome sequencing, targeted metabolomics, and machine learning. BMC Med Genomics. 2025;18(1):187. doi: 10.1186/s12920-025-02261-x. PMID: 41257776.

    11. Rao B, Rashid M, Hasan MG, Thunga G. Machine learning in predicting child malnutrition: A meta-analysis of demographic and health surveys data. Int J Environ Res Public Health. 2025;22(3):449. doi: 10.3390/ijerph22030449. PMID: 40238576; PMCID: PMC11941938.

    12. Cheung CR, Butler M, Cooper C, Dhanoa H. Using artificial intelligence and machine learning to promote child health equity. Pediatrics. 2025;156(Suppl 1):e2025070739L. doi: 10.1542/peds.2025-070739L. PMID: 40887086.

    13. Khalatkar V. Artificial intelligence in pediatrics. Indian Pediatr. 2025. doi: 10.1007/s13312-025-00227-x. PMID: 41191325.

    14. Figueiredo AR, Pereira A, Frias F, Rodrigues LMD, Diogo P. Applications of artificial intelligence in emotion recognition in pediatrics health care: Scoping review. J Pediatr Nurs. 2025;85:593-606. doi: 10.1016/j.pedn.2025.09.017. PMID: 41033239.

    15. Weng Z, Bravo-Sánchez L, Wang Z, Howard C, Xenochristou M, Meister N, et al. Artificial intelligence-powered 3D analysis of video-based caregiver-child interactions. Sci Adv. 2025;11(7):eadp4422. doi: 10.1126/sciadv.adp4422. PMID: 39951536; PMCID: PMC11837989.

    16. Victor A. The role of artificial intelligence in maternal and child health: Progress, controversies, and future directions. PLOS Digit Health. 2025;4(7):e0000938. doi: 10.1371/journal.pdig.0000938. PMID: 40674369; PMCID: PMC12270093.

    17. Sial HA, Carandell F, Ajanovic S, Jiménez J, Quesada R, Santos F, et al. Novel artificial intelligence-driven infant meningitis screening from high-resolution ultrasound imaging. Ultrasound Med Biol. 2025;51(9):1399-1410. doi: 10.1016/j.ultrasmedbio.2025.04.009. PMID: 40582896.

    18. Mehta S, Huey SL, Fahim SM, Sinha S, Rajagopalan K, Ahmed T, et al. Advances in artificial intelligence and precision nutrition approaches to improve maternal and child health in low resource settings. Nat Commun. 2025;16(1):7673. doi: 10.1038/s41467-025-62985-3. PMID: 40825980; PMCID: PMC12361493.

    19. Kulvicius T, Zhang D, Poustka L, Bölte S, Jahn L, Flügge S, et al. Deep learning empowered sensor fusion boosts infant movement classification. Commun Med (Lond). 2025;5(1):16. doi: 10.1038/s43856-024-00701-w. PMID: 39809877; PMCID: PMC11733215.

    20. Chng SY, Tern MJW, Lee YS, Cheng LT, Kapur J, Eriksson JG, et al. Ethical considerations in AI for child health and recommendations for child-centered medical AI. NPJ Digit Med. 2025;8(1):152. doi: 10.1038/s41746-025-01541-1. PMID: 40065130; PMCID: PMC11893894.

    21. Safarzadeh S, Ardabili NS, Farashah MV, Roozbeh N, Darsareh F. Predicting mother and newborn skin-to-skin contact using a machine learning approach. BMC Pregnancy Childbirth. 2025;25(1):182. doi: 10.1186/s12884-025-07313-9. PMID: 39966775; PMCID: PMC11837404.

    22. Pucinischi V, DI Nardo G, Felici E, Mennini M. Pediatrics and artificial intelligence: shaping the future of child healthcare. Minerva Pediatr (Torino). 2025. doi: 10.23736/S2724-5276.25.07871-1. PMID: 40338517.

    23. Kurath-Koller S. Artificial intelligence in pediatrics: promise, peril, and the path ahead. Front Pediatr. 2025;13:1631521. doi: 10.3389/fped.2025.1631521. PMID: 40661893; PMCID: PMC12256534.

    24. Spahić L, Sredović U, Kurpejović Z, Mrdanović E, Pokvić G, Badnjević A. Machine learning for improved medical device management: a focus on infant incubators. Technol Health Care. 2025;33(4):2034-2040. doi: 10.1177/09287329241292168. PMID: 40025922.

    25. Dessie MB, Adisu MA. An artificial neural network approach for predicting infant mortality status in Ethiopia. BMC Public Health. 2025;25(1):3515. doi: 10.1186/s12889-025-24884-6. PMID: 41102669; PMCID: PMC12532801.

    26. Zeng Q, Zhu J, Yang Q, Su S, Huang X. AI-driven maternal and child healthcare nursing education: Network analysis of self-efficacy and usage demands. Nurse Educ Today. 2026;156:106899. doi: 10.1016/j.nedt.2025.106899. PMID: 41100953.

    27. Tóth B, Háden GP, Tóth I, Lakatos K, Kohári A, Mády K, et al. Predicting infant vocabulary from neural connectivity and maternal speech: a machine learning approach. Brain Res. 2025;1866:149892. doi: 10.1016/j.brainres.2025.149892. PMID: 40914541.

    28. Lamot L, Likić R. The promises and perils of artificial intelligence in clinical medicine: a dual perspective from internal medicine and pediatrics. Croat Med J. 2025;66(4):243-246. doi: 10.3325/cmj.2025.66.243. PMID: 40916499; PMCID: PMC12424215.

    29. Kazemi F, Horowitz MA, Lee D, Cohen AR. Machine learning insights into social determinants driving child abuse in pediatric traumatic brain injury. Neurosurgery. 2025. doi: 10.1227/neu.0000000000003720. PMID: 40923793.

    30. Liu HF, Lu Q, Fu HM. Advances in application of artificial intelligence in pediatrics. Zhonghua Er Ke Za Zhi. 2025;63(10):1155-1158. doi: 10.3760/cma.j.cn112140-20250818-00766. PMID: 40962554.

    31. Wang H, Li L, Wang W, Li Z, Jian T, Yang X, et al. Development and validation of a deep learning image quality feedback system for infant fundus photography. Sci Rep. 2025;15(1):26852. doi: 10.1038/s41598-025-10859-5. PMID: 40702071; PMCID: PMC12287466.

    32. Kutty S, Cheung YF, Viswanathan S, Danford DA. Reimagining pediatrics in a world of artificial intelligence: will we be empowered or imperiled? Mayo Clin Proc Digit Health. 2025;3(4):100258. doi: 10.1016/j.mcpdig.2025.100258. PMID: 41030614; PMCID: PMC12478232.

    33. Lukmanjaya W, Butler T, Cox S, Perez-Concha O, Bromfield L, Karystianis G, et al. Leveraging AI to investigate child maltreatment text narratives: promising benefits and addressable risks. JMIR Pediatr Parent. 2025;8:e73579. doi: 10.2196/73579. PMID: 40705434; PMCID: PMC12288702.

    34. He K, Hohenberg J, Li Y, Xiao A, Cho H, Nagel E, et al. Enhancing newborn health assessment: ultrasound-based body composition prediction using deep learning techniques. Ultrasound Med Biol. 2026;52(1):207-215. doi: 10.1016/j.ultrasmedbio.2025.09.016. PMID: 41102035; PMCID: PMC12614439.

    35. Zhang L, Zhu TY, Zhang Y. A deep learning approach for infant pain assessment using facial expressions through convolutional neural network. Comput Inform Nurs. 2025;43(7):e01302. doi: 10.1097/CIN.0000000000001302. PMID: 40164059.

    36. Endo PT. Artificial intelligence for women and child healthcare: is AI able to change the beginning of a new story? A perspective. Health Sci Rep. 2025;8(5):e70779. doi: 10.1002/hsr2.70779. PMID: 40330751; PMCID: PMC12053047.

    37. Drăgoi AL, Nemeș RM. “Electronic Pediatrician”, a non-machine learning prototype artificial intelligence software for pediatric computer-assisted pathophysiologic diagnosis – general presentation. World J Methodol. 2025;15(3):100903. doi: 10.5662/wjm.v15.i3.100903. PMID: 40881228; PMCID: PMC11948191.

    38. Roué JM, Avnit A, Gholami B, Haddad WM, Anand KJS. Objective detection of newborn infant acute procedural pain using EEG and machine learning algorithms. Paediatr Neonatal Pain. 2025;7(1):e70001. doi: 10.1002/pne2.70001. PMID: 40066435; PMCID: PMC11891568.

    39. Saleem MU, Aslam MU, Khatir AG, Jiang Q. Exploring risk factors and predictive modeling of child malnutrition in Pakistan using machine learning. Am J Hum Biol. 2025;37(9):e70124. doi: 10.1002/ajhb.70124. PMID: 40908657.

    40. Gama F, Mísař M, Navara L, T Popescu S, Hoffmann M. Automatic infant 2D pose estimation from videos: comparing seven deep neural network methods. Behav Res Methods. 2025;57(10):280. doi: 10.3758/s13428-025-02816-x. PMID: 40931295.

    41. Lin R, Kebiri H, Gholipour A, Chen Y, Thiran JP, Karimi D, et al. Deep learning for fODF estimation in infant brains: model comparison, ground-truth impact, and domain shift mitigation. Hum Brain Mapp. 2025;46(14):e70367. doi: 10.1002/hbm.70367. PMID: 41054966; PMCID: PMC12501774.

    42. Shafiq M, Kavitha J, Rinku DR, Senthil Kumar NK, Poon K, Jaffar AY, et al. Dual smart sensor data-based deep learning network for premature infant hypoglycemia detection. Sci Rep. 2025;15(1):23442. doi: 10.1038/s41598-025-03864-1. PMID: 40603339; PMCID: PMC12223281.

    43. Bull C, Kisely S, Betts K, Hu Y. Understanding the development, performance, fairness, and transparency of machine learning models used in child protection prediction: a systematic review. Child Abuse Negl. 2025;169(Pt 1):107630. doi: 10.1016/j.chiabu.2025.107630. PMID: 40780075.

    44. Fang Y, Xiong H, Huang J, Liu F, Shen Z, Cai X, et al. A deep learning framework for synthesizing longitudinal infant brain MRI during early development. Radiol Artif Intell. 2025:e240708. doi: 10.1148/ryai.240708. PMID: 40960398.

    45. Hirst JN, Phung BR, Johnsson BT, He J, Coats B, Spear AD. Predicting fall parameters from infant skull fractures using machine learning. Biomech Model Mechanobiol. 2025;24(2):521-537. doi: 10.1007/s10237-024-01922-7. PMID: 39826035.

    46. Miranda J, Pereira-Silva R, Guichard J, Meneses J, Carreira AN, Seixas D. Artificial intelligence outperforms physicians in general medical knowledge, except in the paediatrics domain: a cross-sectional study. Bioengineering (Basel). 2025;12(6):653. doi: 10.3390/bioengineering12060653. PMID: 40564469; PMCID: PMC12190018.

    47. Mayourian J, O’Sullivan D, Bravo-Jaimes K, Madhavan M, Ghelani S, Geggel R, et al. Infant electrocardiogram-based deep learning predicts critical congenital heart disease. JACC Clin Electrophysiol. 2025. doi: 10.1016/j.jacep.2025.08.005. PMID: 40938228.

    48. Campbell EA, Holl F, Marwah HK, Fraser HS, Craig SS. The impact of climate change on vulnerable populations in pediatrics: opportunities for AI, digital health, and beyond—a scoping review and selected case studies. Pediatr Res. 2025;98(4):1250-1256. doi: 10.1038/s41390-024-03719-x. PMID: 39881182; PMCID: PMC12549333.

    49. Tu HF, Zierow L, Lennartsson M, Schweitzer S. A scoping review and quality assessment of machine learning techniques in identifying maternal risk factors during the peripartum phase for adverse child development. PLoS One. 2025;20(5):e0321268. doi: 10.1371/journal.pone.0321268. PMID: 40435283; PMCID: PMC12119027.

    50. León GA, Morris AR, Sellery P, Saxbe DE. Using machine learning to identify predictors of maternal and infant hair cortisol concentration before and during the COVID-19 pandemic. Stress Health. 2025;41(3):e70051. doi: 10.1002/smi.70051. PMID: 40444444.

    51. Kemmerich R, Wienke A, Frischen U, Mathes B. Evaluating machine- and deep learning approaches for artifact detection in infant EEG: classifier performance, certainty, and training size effects. Biomed Phys Eng Express. 2025;11(3). doi: 10.1088/2057-1976/add740. PMID: 40354792.

    52. Karavite D, Cao L, Harris MC, Fidel A, Ungar L, Shaeffer G, et al. Refining a machine learning model for predicting infant sepsis: a multidisciplinary team supported by human-centered design methods. Appl Clin Inform. 2025;16(4):1332-1340. doi: 10.1055/a-2618-4470. PMID: 41072548; PMCID: PMC12513773.

    53. Ham S, Choi G, Je BK, Oh S. Development of a deep-learning model for estimating newborn gestational age via lumbar vertebral segmentation on plain radiography. Korean J Radiol. 2025;26(9):867-876. doi: 10.3348/kjr.2025.0172. PMID: 40873377; PMCID: PMC12394821.

    54. Hay RE, Zorko DJ, O’Hearn K, McQuaid C, Thibodeau GDP, Garcia Guerra G, et al. Child and family outcomes after PICU admission: creation of an open access literature database using a global team of PICU specialists integrated with machine learning. Pediatr Crit Care Med. 2025;26(8):e1017-e1023. doi: 10.1097/PCC.0000000000003780. PMID: 40558805; PMCID: PMC12323758.

    55. Falissard B, Espi P, Rouquette A. The future of child and adolescent psychiatry in France (2026-2050): an AI-assisted qualitative action research study. Eur Child Adolesc Psychiatry. 2025;34(10):3285-3292. doi: 10.1007/s00787-025-02748-z. PMID: 40407888; PMCID: PMC12592303.

    56. Choi Y, Park S, Lee H. Neonatal jaundice requiring phototherapy risk factors in a newborn nursery: machine learning approach. Children (Basel). 2025;12(8):1020. doi: 10.3390/children12081020. PMID: 40868472; PMCID: PMC12384310.

    57. Tao Y, Shen Y, Tang Y, Shi H, Wei L, You H. Integrating transcriptomic profiling and machine learning: a clinically actionable prognostic model for infant acute myeloid leukemia. Hemasphere. 2025;9(11):e70251. doi: 10.1002/hem3.70251. PMID: 41189550; PMCID: PMC12581785.

    58. Verhoeven R, Maeckelberghe ELM, Kooi EMW, Hulscher JBF. Prior knowledge shaped Dutch parents’ attitudes towards the use of artificial intelligence in paediatrics. Acta Paediatr. 2025. doi: 10.1111/apa.70358. PMID: 41212578.

    59. Wang P, Li H, Yang X, Hu L, Chen Y, Cen Z, et al. Developing an explainable machine learning model to predict false-negative citrin deficiency cases in newborn screening. Orphanet J Rare Dis. 2025;20(1):507. doi: 10.1186/s13023-025-04045-z. PMID: 41063287; PMCID: PMC12505637.

    60. Hu G, Gross O, Ziraldo E, Mulligan C, Soberman D, Dewan M, et al. Using artificial intelligence and computer vision to detect and monitor unhealthy child-directed food and beverage marketing: a data-driven study. EClinicalMedicine. 2025;89:103549. doi: 10.1016/j.eclinm.2025.103549. PMID: 41079021; PMCID: PMC12513061.

    61. Zhu N, Chen T, Wang L, Cai F, Zhong X, Fang X, et al. Risk of IgE-mediated food allergy and its impact on child growth: a machine learning approach. World Allergy Organ J. 2025;18(8):101088. doi: 10.1016/j.waojou.2025.101088. PMID: 40697953; PMCID: PMC12280336.

    62. Constenla-Villoslada S, Liu Y, McBride L, Ouma C, Mutanda N, Barrett CB. High-frequency monitoring enables machine learning-based forecasting of acute child malnutrition for early warning. Proc Natl Acad Sci U S A. 2025;122(23):e2416161122. doi: 10.1073/pnas.2416161122. PMID: 40478880; PMCID: PMC12167978.

    63. Zakowicz PT, Brzezicki MA, Levidiotis C, Kim S, Wejkuć O, Wisniewska Z, et al. Detection of formal thought disorders in child and adolescent psychosis using machine learning and neuropsychometric data. Front Psychiatry. 2025;16:1550571. doi: 10.3389/fpsyt.2025.1550571. PMID: 40165865; PMCID: PMC11955656.

    64. da Silva SMSD, Nogueira MS, Rizzato JMB, de Lima Silva S, Cortelli SC, Borges R, et al. Machine learning combined with infrared spectroscopy for detection of hypertension pregnancy: towards newborn and pregnant blood analysis. BMC Pregnancy Childbirth. 2025;25(1):358. doi: 10.1186/s12884-024-06941-x. PMID: 40148838; PMCID: PMC11948831.

    65. Serin O, Yıldırım BF, Duman F, Ercorumlu K, Yavas R, Tasar MA, et al. Physician perspectives on artificial intelligence in healthcare: a cross-sectional study of child-focused care in a Turkish tertiary hospital. Int J Med Inform. 2025;203:106003. doi: 10.1016/j.ijmedinf.2025.106003. PMID: 40479777.

    66. Abbasi H, Mollet SR, Williams SA, Battin MR, Besier TF, McMorland AJC. Deep-learning-based markerless tracking of distal anatomical landmarks in clinically recorded videos for assessing infant movement patterns associated with neurodevelopmental status. J R Soc N Z. 2023;55(2):223-240. doi: 10.1080/03036758.2023.2269095. PMID: 39677381; PMCID: PMC11639065.

    67. AlSaad R, Alabdulla M, Tabassum A, Sheikh J, Thomas R. From mother to infant: predicting infant temperament using maternal mental health measures and tabular machine learning models. Front Public Health. 2025;13:1659987. doi: 10.3389/fpubh.2025.1659987. PMID: 41048269; PMCID: PMC12490419.

    68. Banihashemi L, Zhang Y, Hipwell AE, Phillips ML. The promise of infant MRI in psychiatry: toward a framework for neural network measures in early emotional and behavioral risk identification and new intervention targets. Mol Psychiatry. 2025. doi: 10.1038/s41380-025-03197-5. PMID: 40885848.

    69. Sarmet M, Kaczmarek E, Fauveau A, Steer K, Velasco AA, Smith A, et al. A machine learning pipeline for automated bolus segmentation and area measurement in swallowing videofluoroscopy images of an infant pig model. Dysphagia. 2025. doi: 10.1007/s00455-025-10829-z. PMID: 40293507; PMCID: PMC12354037.

    70. Rahman A, Rahman MH. Explore the factors related to the death of offspring under age five and appraise the hazard of child mortality using machine learning techniques in Bangladesh. BMC Public Health. 2025;25(1):360. doi: 10.1186/s12889-025-21460-w. PMID: 39881228; PMCID: PMC11776272.

    71. Islam F, Suhel GM, Afroz M, Apu MAI, Rana MJ, Hossain T, et al. Predicting child development across literacy, physical, learning, and social-emotional domains using supervised machine learning: a cross-sectional study based on MICS 2019 Bangladesh. Health Sci Rep. 2025;8(11):e71434. doi: 10.1002/hsr2.71434. PMID: 41200127; PMCID: PMC12586350.

    72. Anderson EC, Srinivasan G, Howe CG, Zhang E, Jeon C, Paruchuri GSG, et al. Association of deep learning-derived histologic features of placental chorionic villi with maternal and infant characteristics in the New Hampshire birth cohort study. medRxiv [Preprint]. 2025. doi: 10.1101/2025.04.22.25325465. PMID: 40313259; PMCID: PMC12045406.

    73. Anderson EC, Srinivasan G, Howe CG, Zhang E, Gupta Paruchuri GS, Zhang L, et al. Association of deep learning-derived histologic features of placental chorionic villi with maternal and infant characteristics in the New Hampshire birth cohort study. Placenta. 2025;170:87-96. doi: 10.1016/j.placenta.2025.07.084. PMID: 40902262.

    74. Gülşen M, Aydın B, Gürer G, Yalçın SS. AI-based facial emotion analysis in infants during complimentary feeding: a descriptive study of maternal and infant influences. Nutrients. 2025;17(19):3182. doi: 10.3390/nu17193182. PMID: 41097259; PMCID: PMC12525990.

    75. Viktorsson C, Lundman T, Astor K. A novel approach to exploring infant gaze patterns with AI-manipulated videos. Sci Rep. 2025;15(1):20097. doi: 10.1038/s41598-025-02727-z. PMID: 40541963; PMCID: PMC12181369.

    76. Kocanaogullari D, Akcakaya M, Bendixen R, Soehner AM, Hartman AG. What goes on when the lights go off? Using machine learning techniques to characterize a child’s settling down period. Front Netw Physiol. 2025;5:1519407. doi: 10.3389/fnetp.2025.1519407. PMID: 40519639; PMCID: PMC12162617.

    77. Barua S, Chakraborty R, Islam MM, Das S. A data-driven approach to child pedestrian crash analysis using dimension reduction, clustering, and explainable AI. Accid Anal Prev. 2025;222:108229. doi: 10.1016/j.aap.2025.108229. PMID: 40946544.

    78. Mandelbaum M, Levy-Erez D, Soffer S, Klang E, Levy-Mendelovich S. Artificial intelligence: large language models in pediatrics. What do we know so far? Isr Med Assoc J. 2025;27(3):183-188. PMID: 40134173.

    79. Nguyen Tien D, Thi Thu Bui H, Hoang Thi Ngoc T, Thi Pham T, Trung Nguyen D, Nguyen Thi Thu H, et al. A data-driven approach to assessing hepatitis B mother-to-child transmission risk prediction model: machine learning perspective. JMIR Form Res. 2025;9:e69838. doi: 10.2196/69838. PMID: 40409750; PMCID: PMC12144481.

    80. García-Torres J, Meinich-Bache Ø, Johannessen A, Rettedal S, Kolstad V, Engan K. Advancing newborn care: precise time of birth detection using AI-driven thermal imaging with adaptive normalization. Comput Biol Med. 2025;187:109726. doi: 10.1016/j.compbiomed.2025.109726. PMID: 39884060.

    81. Throm JK, Milling M, Triantafyllopoulos A, Kathan A, Dörsam AF, Löchner J, et al. Affective dimensions in maternal voice during child feeding in mothers with and without eating disorder history—findings from a machine learning analysis of speech data. Eur Eat Disord Rev. 2025. doi: 10.1002/erv.70038. PMID: 41044863.

    82. Brintz BJ, Klarman MB, Cajusma Y, Exantus L, Beausejour JR, Flaherty KE, et al. Development of an AI-enabled predictive model to identify the ‘sick child’ at a pediatric telemedicine and medication delivery service in Haiti. medRxiv [Preprint]. 2025. doi: 10.1101/2025.06.27.25330413. PMID: 40630578; PMCID: PMC12236884.

    83. Gökçearslan E, Tiktaş Çelik S, Akdeniz ET, Öztürk E. The touch of artificial intelligence in social work: analysis of social investigation reports in child welfare with ChatGPT. J Evid Based Soc Work (2019). 2025;22(4):607-625. doi: 10.1080/26408066.2025.2480396. PMID: 40098069.

    84. Molu B. The effectiveness of AI-assisted information provision in premature infant care: an evaluation of ChatGPT in terms of accuracy, comprehensibility, and scope. J Perinat Neonatal Nurs. 2025. doi: 10.1097/JPN.0000000000000942. PMID: 40679926.

    85. Kadambi P, Mahr TJ, Hustad KC, Berisha V. A tunable forced alignment system based on deep learning: applications to child speech. J Speech Lang Hear Res. 2025;68(7S):3583-3601. doi: 10.1044/2024_JSLHR-24-00347. PMID: 40163771; PMCID: PMC12337111.

    86. Aldraihem A, Almaimani M, Bayoumi M, Abunadi A, AlSwaileh M, AlDubaikhi R, et al. Optimizing infant magnetic resonance imaging efficiency: deep learning-assisted feed-and-wrap technique versus general anesthesia using an infant magnetic resonance imaging stabilizer in infants under 4 months. Pediatr Radiol. 2025. doi: 10.1007/s00247-025-06437-6. PMID: 41193818.

    87. Ma C, Wang J. Identification of glycolysis-related signature and molecular subtypes in child sepsis through machine learning and consensus clustering: implications for diagnosis and therapeutics. Mol Biotechnol. 2025. doi: 10.1007/s12033-025-01379-8. PMID: 39976858.

    88. Budzyński A. Evaluating the impact of protective equipment on child injury severity in road traffic crashes: an explainable machine learning and counterfactual analysis approach. Int J Inj Contr Saf Promot. 2025. doi: 10.1080/17457300.2025.2578782. PMID: 41191554.

    89. Li J, Liang T, Hou Y, Wang G, Qu Z. Development of the Screen for Child Anxiety Related Emotional Disorders (SCARED) optimal short scale for Chinese children and adolescents: based on FasterRisk machine learning modeling. BMC Public Health. 2025;25(1):2980. doi: 10.1186/s12889-025-24187-w. PMID: 40885999; PMCID: PMC12398135.

    90. Ma E, Lai T, Lee Y, Zhang Y, Fu S. How does emotion regulation affect adolescents’ social adaptability? Building bridges for parent-child communication, empowered by AI education. Acta Psychol (Amst). 2025;259:105444. doi: 10.1016/j.actpsy.2025.105444. PMID: 40845780.

    91. Talha M, Irshad NUN, Rehman UU, Gill OA, Imtiaz A. AI-generated child sexual abuse material: a threat to pediatric psychiatry datasets and diagnostic accuracy. Clin Child Psychol Psychiatry. 2025. doi: 10.1177/13591045251399699. PMID: 41264922.

    92. Ye DH, Kim TW, Kim SM, Seo JW, Chang J, Lee JG, Ko EJ. Can AI-based video analysis help evaluate the performance of the items in the Bayley Scales of Infant Development? Children (Basel). 2025;12(3):276. doi: 10.3390/children12030276. PMID: 40150561; PMCID: PMC11941028.

    93. Hussain Z, Borah MD. A neural network integrated mathematical model to analyze the impact of nutritional status on cognitive development of child. Comput Biol Med. 2025;185:109490. doi: 10.1016/j.compbiomed.2024.109490. PMID: 39657448.

    94. Haginoya S, Sun Y, Santtila P. Retention of training effects in police officers following scalable AI simulations of child sexual abuse interviews. Behav Sci Law. 2025. doi: 10.1002/bsl.70019. PMID: 41078234.

    95. Bertamini G, Perzolli S, Bentenuto A, Furlanello C, Chetouani M, Venuti P, et al. Temporal dynamics of early child-clinician prosodic synchrony predict one year autism intervention outcomes using AI driven affective computing. Sci Rep. 2025;15(1):31144. doi: 10.1038/s41598-025-17057-3. PMID: 40851033; PMCID: PMC12375780.

    Méthode de recherche bibliographique

    Une stratégie structurée de recherche bibliographique a été mise en œuvre sur PubMed afin d’identifier les publications pertinentes concernant l’intelligence artificielle appliquée au secteur pédiatrique. Les requêtes ont combiné des termes spécifiques à l’IA (« AI », « artificial intelligence », « deep learning », « machine learning », « NLP », « Neural Network », « LLM ») avec des mots-clés relatifs à la pédiatrie (« Pediatrics », « Paediatrics », « Pediatrician », « Child », « Newborn », « Infant »), en limitant la recherche au champ du titre des articles. Cette méthode vise à garantir l’exhaustivité et la pertinence de la sélection, en ne retenant que les études dont le sujet principal porte explicitement sur l’IA et la santé des enfants ou des nouveau-nés.

    (“AI”[Title] OR “artificial intelligence”[Title] OR “deep learning”[Title] OR “machine learning”[Title] OR “NLP”[Title] OR “Neural Network”[Title] OR “LLM”[Title]) AND (“Pediatrics”[Title] OR “Paediatrics”[Title] OR “Pediatrician”[Title] OR “Child”[Title] OR “Newborn”[Title] OR “Infant”[Title])

  • De la Loi Taquet à l’AI Act : comment la réglementation redessine la pédiatrie

    Trois années de bascule silencieuse dans les politiques publiques françaises

    La pédiatrie n’est pas une médecine d’adulte en miniature. C’est une discipline de la trajectoire, où l’organisme en croissance et le développement psychologique imposent une complexité singulière. En psychiatrie, la maturation affective et le contexte scolaire redéfinissent le diagnostic ; en oncologie, la préservation de la qualité de vie future prime autant que la survie immédiate ; dans les maladies chroniques comme l’asthme, l’enjeu est l’adhésion d’un patient qui veut avant tout jouer. Face à ces spécificités longtemps sous-estimées, les pouvoirs publics ont opéré depuis trois ans une refonte structurelle majeure, créant sans le dire le terreau fertile de la future médecine algorithmique.

    2025–2024 : l’ère du dépistage universel et des bilans de santé renforcés

    La dynamique la plus structurante est sans doute celle du dépistage néonatal, en pleine expansion. Depuis septembre 2025, trois nouvelles pathologies, à savoir l’amyotrophie spinale, les déficits immunitaires combinés sévères (DICS) et le déficit en VLCAD, sont venues s’ajouter au panel des maladies recherchées systématiquement chez les nouveau-nés. Cette extension, qui prolonge l’élargissement amorcé deux ans plus tôt, confirme un mouvement de fond : la France s’inscrit désormais dans la tendance européenne des dépistages élargis, conçus non plus comme une exception mais comme un droit universel à la prévention génétique.

    La généralisation du dépistage de la drépanocytose, intervenue en novembre 2024, s’inscrit dans la même logique. En mettant fin à un dépistage ciblé selon l’origine – une pratique longtemps contestée pour ses implications éthiques -, la France fait le choix d’une équité totale dans l’accès à la prévention. Cette décision entraîne toutefois des conséquences techniques considérables : l’augmentation massive du volume de données génétiques collectées impose une adaptation des capacités d’analyse et des outils d’aide à la décision, notamment dans la perspective d’intégrer davantage d’algorithmes de tri et d’interprétation.

    Avant cela, au printemps 2024, la publication du Plan d’action pour la santé de l’enfant 2024–2030 avait déjà acté une transformation profonde du parcours de soins pédiatrique. Les bilans de santé systématiques, notamment à 6 ans et au collège, ont été renforcés et inscrits dans une logique de continuité du suivi. Leur intégration progressive dans Mon Espace Santé marque un tournant discret mais déterminant : la plateforme devient la colonne vertébrale du suivi pédiatrique numérique, ouvrant la voie à des usages futurs de l’IA capables d’exploiter, consolider et analyser ces données à grande échelle.

    2023 : entre réorganisation des soins critiques et offensive sur les TND

    L’année 2023 fut celle du virage opérationnel. La réforme des autorisations de soins critiques a introduit une distinction nette entre réanimation pédiatrique spécialisée et soins intensifs, assortie de seuils d’activité ambitieux et de ratios de personnel renforcés. Cette restructuration vise clairement la concentration des cas les plus complexes au sein de centres mieux équipés, capables d’assurer une prise en charge homogène et de haut niveau.

    Au-delà de la seule organisation, cette réforme crée un environnement inédit pour la donnée hospitalière. Pour la première fois, les établissements disposent de volumes de données suffisamment cohérents et standardisés pour envisager des modèles prédictifs fiables, notamment en réanimation.

    Dès le début de cette même année, la France avait engagé un mouvement majeur autour des troubles du neuro-développement (TND). La Stratégie nationale TND 2023–2027 érige le repérage avant 6 ans en priorité nationale et consacre la création d’un véritable service public du dépistage précoce. Dans un contexte de pénurie aiguë de pédopsychiatres, cette stratégie marque un profond changement de paradigme : la prévention précoce devient le nouveau socle de la santé mentale de l’enfant, avec un objectif clair d’intervenir avant la rupture plutôt qu’après l’apparition du handicap.

    L’année est également marquée par une innovation d’impact immédiat : le déploiement massif du Nirsevimab (Beyfortus) dans les maternités à l’automne 2023. Cette immunisation préventive contre la bronchiolite a profondément modifié les projections d’occupation des lits pédiatriques. Pour la première fois, une mesure de santé publique a permis de lisser un pic saisonnier historique, offrant un aperçu de ce que pourraient devenir les stratégies d’intervention populationnelle combinant vaccination et modélisation épidémiologique.

    2022 : les fondations de la nouvelle politique de l’enfance

    L’année 2022 constitue une sorte de préambule, au cours duquel les bases de la politique pédiatrique actuelle ont été posées. La “Loi Taquet”, adoptée en février 2022, a réformé en profondeur la protection maternelle et infantile (PMI) et instauré un bilan de santé obligatoire pour tous les enfants entrant à l’Aide sociale à l’enfance. Au-delà du principe protecteur, cette mesure ouvre pour la première fois la possibilité d’un suivi longitudinal structuré pour un public particulièrement vulnérable, générant des données jusque-là inexistantes.

    Quelques mois plus tard, en novembre 2022, les Assises de la pédiatrie sont lancées en réponse à la crise des urgences pédiatriques. Cette vaste consultation nationale s’est imposée comme le socle du plan d’action de 2024–2030. Ainsi, avant les extensions de dépistage et les restructurations hospitalières, c’est en 2022 qu’a été posée la première pierre de la stratégie pédiatrique contemporaine.

    Avec l’IA, une innovation en pédiatrie sous “liberté surveillée”

    Si les réformes structurelles préparent le terrain, l’intégration de l’IA avance sous une pression réglementaire unique au monde : celle de l’AI Act européen, effectif depuis juillet 2024. Ce texte classe l’enfant comme sujet vulnérable par excellence. Il place de facto la majorité des IA pédiatriques (éducation, diagnostic, surveillance) dans la catégorie à “haut risque”. L’analyse biométrique émotionnelle à l’école est proscrite ; les techniques subliminales sont bannies. Pour les industriels, la marche est haute : documentation renforcée, gouvernance explicite, transparence totale.

    Pourtant, ce cadre ne doit pas être lu comme un simple frein. En néonatalogie, l’IA s’impose déjà comme une sentinelle silencieuse, surveillant les constantes vitales pour prédire le sepsis. En santé mentale, les outils d’analyse comportementale (eye-tracking, biomarqueurs vocaux) émergent pour répondre à la stratégie TND, mais avec une prudence extrême imposée par la loi : pas de “boîte noire”, pas de biais. L’AI Act a ainsi créé un paradoxe vertueux : il ralentit le déploiement de solutions immatures (“gadgets”), mais crée une “zone de confiance” indispensable pour que les familles et les soignants acceptent de confier la santé de leur enfant à un algorithme. L’innovation en pédiatrie sera donc plus lente que chez l’adulte, mais elle sera, par la force de la loi, plus éthique et plus robuste.

  • Evolution réglementaire de la prise en charge du diabète : remboursement de Freestyle Libre 2 Plus et Omnipod 5

    • Un arrêté du 28 octobre 2025 ouvre le remboursement de la boucle semi‑fermée Omnipod 5 lorsqu’elle est couplée au capteur Freestyle Libre 2 Plus d’Abbott, en plus du Dexcom G6 déjà pris en charge.​
    • Le capteur Freestyle Libre 2 Plus devient, pour la première fois, remboursable en France dans une boucle semi‑fermée de traitement automatisé du diabète de type 1.​
    • La Haute Autorité de santé (HAS) a actualisé en juillet 2025 son guide de parcours de soins pour le diabète de type 2, en intégrant clairement la télésanté et des outils pratiques (check‑lists, fiches conseils).​
    • Le système de CGM Accu‑Chek SmartGuide de Roche a obtenu le marquage CE en juillet 2024, avec un déploiement progressif en Europe et une durée de port de 14 jours.​
    • Diabeloop a obtenu en août 2025 le marquage CE pour son nouveau système de boucle fermée hybride DBLG2, utilisable sur smartphone, avec un lancement progressif en Europe (Allemagne, Pays‑Bas, puis France).​

    Extension du remboursement d’Omnipod 5

    Un arrêté du ministère de la Santé en date du 28 octobre 2025 modifie les conditions d’inscription du système de boucle semi‑fermée Omnipod 5 sur la liste des produits et prestations remboursables (LPP). Jusqu’ici, en configuration boucle semi‑fermée, Omnipod 5 n’était remboursé que lorsqu’il était associé au capteur Dexcom G6 ; le nouveau texte ouvre la prise en charge à l’association avec le capteur Freestyle Libre 2 Plus d’Abbott.​ Cette décision permet le remboursement simultané de la pompe patch Omnipod 5 et du capteur Freestyle Libre 2 Plus dans un schéma de traitement automatisé du diabète de type 1. La prise en charge devient effective quelques jours après la publication au Journal officiel (fin octobre 2025), ce qui élargit concrètement les options techniques disponibles pour les patients et leurs diabétologues.​

    Inscription du capteur Freestyle Libre 2 Plus

    Pour la première fois, le capteur de mesure du glucose interstitiel Freestyle Libre 2 Plus d’Abbott est explicitement inscrit pour un usage en association avec une boucle semi‑fermée dans le cadre du remboursement. Ce capteur, qui se distingue notamment par une durée de port de 15 jours, devient ainsi une nouvelle alternative aux systèmes déjà compatibles avec les boucles automatisées, comme le Dexcom G6.​ En pratique, les patients atteints de diabète de type 1 peuvent désormais bénéficier d’un dispositif associant pompe Omnipod 5 et capteur Abbott dans un environnement remboursé, ce qui réduit la barrière financière à l’accès à ces technologies avancées. Cette évolution s’inscrit dans le mouvement plus large d’extension du remboursement des boucles semi‑fermées et des capteurs de glucose intégrés dans des systèmes d’insulinothérapie automatisée.​

    Actualisation du guide HAS pour le diabète de type 2

    En juillet 2025, la HAS a publié une actualisation de son guide de parcours de soins pour le patient adulte vivant avec un diabète de type 2. Ce document complète les recommandations de stratégie thérapeutique antérieures et décrit de manière détaillée le dépistage, le diagnostic, les soins, l’accompagnement global et le suivi longitudinal de cette pathologie chronique.​ Le guide précise la répartition des rôles entre les différents professionnels (médecine générale, diabétologie, secteur social et médico‑social) ainsi que les modalités de coordination, y compris l’usage de la télésanté à chaque étape du parcours. Il propose en outre des outils très opérationnels pour les équipes, comme des check‑lists pour le bilan initial et le suivi, des fiches de conseils alimentaires et une fiche dédiée à la prévention du pied à risque.​

    Marquage CE d’Accu‑Chek SmartGuide (Roche)

    Le système de surveillance continue du glucose Accu‑Chek SmartGuide de Roche a obtenu le marquage CE à l’été 2024, avant un lancement progressif en Europe à partir de fin 2024 et sur l’année 2025. Destiné aux adultes atteints de diabète de type 1 ou 2 sous insulinothérapie flexible, ce dispositif combine un capteur porté en continu et des algorithmes prédictifs basés sur l’intelligence artificielle pour anticiper les fluctuations glycémiques.​ La durée de port du capteur est annoncée à 14 jours, ce qui le situe parmi les dispositifs à longue durée d’utilisation sur le marché, et Roche prévoit une commercialisation dans plus de 30 pays d’ici fin 2025, incluant plusieurs régions d’Europe. Le système est également conçu pour s’intégrer avec des solutions logicielles (comme l’app mySugr) afin d’améliorer l’aide à la décision pour les patients et les soignants.​

    Marquage CE de DBLG2 (Diabeloop)

    En août 2025, Diabeloop a obtenu le marquage CE, dans le cadre du Règlement européen sur les dispositifs médicaux (MDR 2017/745), pour son système de boucle fermée hybride de nouvelle génération DBLG2. Ce nouveau système repose sur l’algorithme déjà éprouvé avec DBLG1, mais apporte une évolution majeure avec la possibilité d’un usage directement sur smartphone via une interface optimisée.​ Le DBLG2 doit faire l’objet d’un lancement progressif en Europe, débutant par un pré‑lancement en Allemagne et aux Pays‑Bas avec la pompe Kaleido de Vicentra et le capteur Dexcom G6, avant une extension à d’autres pays dont la France, en fonction des procédures de remboursement locales. Diabeloop prévoit également d’intégrer d’autres capteurs et systèmes d’exploitation, avec un élargissement progressif de ses partenariats industriels autour de cette nouvelle génération de boucle fermée.​

    Sources

    • Arrêté du 28 octobre 2025 portant modification des conditions d’inscription du système de boucle semi‑fermée Omnipod 5 sur la LPP.​
    • Fédération Française des Diabétiques, information sur le remboursement d’Omnipod 5 avec Freestyle Libre 2 Plus.​
    • HAS – Parcours de soins du patient adulte vivant avec un diabète de type 2(guide actualisé, validé en juin 2025, mis en ligne en juillet 2025).​
    • Roche – marquage CE et caractéristiques du système Accu‑Chek SmartGuide.​
    • Communiqué Diabeloop sur la certification CE de DBLG2 et son déploiement européen.​

     

  • Prédiction, classification, suivi : les solutions d’IA appliquées au diabète

    L’IA dépasse 94% de précision pour prédire le diabète en soins primaires

    La multiplication des données de santé, issues de la biologie, de l’imagerie et des capteurs, ouvre de nouvelles perspectives pour la prédiction du diabète. L’IA exploite ces flux d’informations pour identifier précocement les patients à risque et ajuster les stratégies de prévention. En août 2024, une synthèse publiée dans The Lancet Diabetes & Endocrinology décrit le potentiel des réseaux neuronaux et des techniques d’apprentissage profond dans la détection du diabète de type 1 et de type 2. En soins primaires, les modèles d’IA prévoient la survenue d’un diabète avec une précision supérieure à 94 %, dépassant les modèles statistiques traditionnels. Des études chinoises et américaines ont testé de nouvelles modalités de dépistage à partir d’images de la langue, du visage ou de signaux biométriques tels que la photopléthysmographie et l’électrocardiogramme. Le modèle DiabDeep, développé à l’Université de Princeton, a atteint une exactitude de 96,3 % pour distinguer patients diabétiques et non diabétiques. En 2024, une étude canadienne publiée dans Scientific Reports a exploré l’analyse de la voix par IA, révélant des variations corrélées à la glycémie.

    L’IA affine la classification du diabète en 5 sous‑types et 7 profils DT1

    L’intelligence artificielle permet également une stratification plus fine des formes de diabète et du prédiabète. Des approches de clustering et d’apprentissage supervisé relient profils biocliniques, dynamiques glycémique et risques, avec des perspectives de traitements ciblés. Une cohorte suédoise de 8 980 patients récemment diagnostiqués a permis, dès 2018, d’identifier cinq clusters à partir d’anticorps anti‑GAD, âge, IMC, HbA1c et HOMA. L’algorithme a distingué SAID, SIDD, SIRD, MORD et MARD, avec des trajectoires et risques de complications différenciés dès le diagnostic. Cette classification propose une orientation thérapeutique plus précise que la répartition binaire, en intégrant auto‑immunité, déficit insulinique, résistance à l’insuline, obésité et âge.

    Prédiction des valeurs, personnalisation du traitement, assistance nutritionnelle : de nouveaux outils pour la prise en charge du diabète

    Ces études permettent de développer des solutions d’IA et d’améliorer la prise en charge du diabète en intégrant capteurs, algorithmes prédictifs et outils de suivi à distance. Les technologies modifient la pratique médicale et l’autonomie des patients. La gestion du diabète implique un contrôle constant de la glycémie et une administration adaptée de l’insuline. Les algorithmes d’IA optimisent ces paramètres par l’analyse continue de données issues de dispositifs connectés, ce qui facilite la régulation et la prévention des complications.

    Cibles des solutions d’IA appliquées au diabète : 

    • Diminution du temps hors cible : Des modèles issus des systèmes de surveillance continue du glucose (CGM) et dossiers médicaux prédisent les variations glycémiques jusqu’à 3 heures, avec bonne sensibilité et spécificité pour l’hypoglycémie. L’intégration au suivi permet ajustements proactifs des doses, planification de l’activité et gestion des repas.
    • Pancréas artificiel et prédiction : Les systèmes associent pompe, CGM et algorithme pour maintenir la glycémie dans la cible. Les AID ajustent la basale toutes les 5–10 minutes, appliquent des corrections et suspendent en cas de risque d’hypoglycémie. Un CGM avancé alerte jusqu’à 1 heure avant. Un pancréas bionique basé sur le poids supprime la saisie des glucides et, à 13 semaines, réduit l’HbA1c de 0,6 point et augmente le temps dans la cible d’environ 11%.
    • Alimentation, activité, glycémie : La reconnaissance d’images automatise le comptage des glucides. Le coaching avec IA adapte conseils nutritionnels, rappels et observance. Les applications combinent glycémie et habitudes de vie pour des recommandations personnalisées, avec chatbots nutritionnels pour des menus adaptés.
    • Détection des anomalies en temps réel (ex : rétinopathie diabétique) : Les dispositifs connectés analysent en continu les données, déclenchent des alertes et soutiennent le triage. Des systèmes diagnostiquent précocement la rétinopathie par analyse d’images rétiniennes.
    • Néphropathie diabétique : Des modèles combinant données cliniques et imagerie rétinienne dépassent les scores rénaux classiques. Une étude multicentrique 2024 sur >26 000 images ultra grand‑angle montre une meilleure détection, y compris avec images de moindre qualité.

    DTx et IA : de nouvelles approches pour le suivi personnalisé du diabète

    Plusieurs entreprises proposent des thérapies digitales dédiées à la prise en charge du diabète. Ces solutions, mêlent données issues des capteurs, algorithmes prédictifs et outils de télésuivi, pour renforcer l’autonomie des patients et améliorer les modèles de soins.

    Les thérapies digitales (DTx) s’imposent progressivement dans la gestion du diabète. Ces DTx associent montres connectées, capteurs et applications mobiles pour accompagner les patients diabétiques de type 1 ou 2 dans le suivi de leur glycémie. Certaines entreprises exploitent les bénéfices de l’intelligence artificielle afin d’anticiper les fluctuations glycémiques. C’est le cas de l’application Hillo, qui synchronise les données issues de la pompe à insuline, du capteur de glycémie et du traqueur d’activité. D’autres, comme Oviva (DTx développé par Oviva AG) utilise l’IA pour fournir des recommandations d’alimentation personnalisées et adaptées aux patients diabétiques.

    Autre solution SPUR, d’Observia, un outil numérique fondé sur les sciences comportementales qui permet d’évaluer l’adhésion thérapeutique des patients. Il établit des profils comportementaux à partir de quatre dimensions et treize facteurs influençant l’observance. Cette approche prédictive aide à identifier les risques de non-adhérence et à formuler des recommandations personnalisées. SPUR est utilisé en recherche, en clinique et dans l’amélioration de l’expérience patient.

    De l’autosurveillance au dépistage : l’IA redessine le suivi du diabète

    Les outils d’autosurveillance constituent la catégorie la plus représentée après les DTx. Des solutions recensées permettent de digitaliser le carnet d’autosurveillance traditionnel. Des acteurs comme Cubesoft avec DiabetoLog ou Beato proposent des interfaces combinant carnet de bord, glucomètre et suivi des apports en glucides. Ces dispositifs favorisent un suivi autonome du diabète. En complément, sept solutions de télésurveillance permettent un encadrement à distance supervisé par des équipes médicales. Teladoc Health, via son outil Livongo, intègre accompagnement personnalisé et recommandations thérapeutiques. Medtronic utilise l’IA pour anticiper les déséquilibres glycémiques. La prévention des complications et le diagnostic précoce sont des usages appliqués au diabète. Des dispositifs dotés de fonctions de mesure et d’analyse contribuent par exemple à détecter les complications et pathologies associées, notamment dans les maladies oculaires. E-ophtalmo déploie une plateforme de télé-expertise dédiée au dépistage de la rétinopathie diabétique, pathologie fréquente chez les patients de longue durée. Aussi, Odysight (Tilak Healthcare) permet de suivre, via une application mobile, le suivi des maladies rétiniennes. La technologie intègre des tests visuels (acuité, grille d’Amsler) et un algorithme qui mesure par exemple la distance oeil-écran. Le système alerte les médecins et ophtalmologues en cas de baisse visuelle. Un tableau de bord permet de suivre l’évolution.

    Solutions pour : le dépistage et l’imagerie rétinienne

    La solution EviRed avec l’AP‑HP–Fondation Rothschild pour optimiser le tri et la priorisation des patients en ophtalmologie

    Le dépistage assisté par IA structure un flux de lecture standardisé et rapide des imageries rétiniennes, avec des algorithmes entraînés sur photographies fond d’œil, ultra grand champ et OCT‑A. Des établissements hospitaliers français, dont Lariboisière (AP‑HP), la Fondation Rothschild, la Pitié‑Salpêtrière et le CHU de Bordeaux, se positionnent sur des projets combinant classification, tri et prédiction d’évolution de la rétinopathie diabétique, afin d’orienter le suivi et d’optimiser les rendez‑vous en ophtalmologie.

    • EviRed, dans sa déclinaison projet conduite avec des équipes de l’AP‑HP et de la Fondation Rothschild, fusionne caractéristiques visuelles multi‑modalités et données cliniques pour produire une évaluation de risque évolutif. L’usage attendu en service vise un tri plus efficace des patients, une priorisation adaptée aux profils à risque, une réduction des visites non nécessaires et une aide à la décision pour les praticiens. Les sites mentionnés ancrent le projet dans des conditions réelles de soins avec des volumes d’images validées et un objectif de déploiement territorial.
    • OphtAI déploie une détection IA de la rétinopathie diabétique et d’autres atteintes rétiniennes, avec des références au CHU de Brest et à la Clinique Honoré Cave. L’ambition porte sur un dépistage plus précoce, une diminution des coûts d’un diagnostic manuel et une accélération de l’analyse, afin d’augmenter la capacité de prise en charge. L’assistance à la décision complète la chaîne du dépistage au suivi. Les bénéfices observés dans cette catégorie concernent l’augmentation de la capacité de screening et la réduction du temps d’analyse, l’anticipation de l’évolution des lésions et le tri par niveau de risque. La continuité domicile‑hôpital progresse via la télésurveillance visuelle (Odysight) tandis que des projets de très haute résolution (RetiCell) et des estimations de risque cardio‑vasculaire à partir d’images rétiniennes (THEIA/CLAiR) élargissent les usages au‑delà de l’ophtalmologie stricto sensu.

    Solutions pour : les boucles hybrides et l’insulinothérapie

    Les solutions connectées Medtronic et Axodiab optimisent la gestion du diabète

    Les systèmes d’administration d’insuline couplés au suivi glycémique en continu automatisent une partie des décisions grâce à des algorithmes adaptatifs. L’objectif est de personnaliser la délivrance d’insuline, de lisser les fluctuations glycémiques et de réduire la charge mentale liée à l’autogestion, tout en facilitant la coordination entre patient, équipe d’éducation thérapeutique et spécialistes.

    • La MiniMed 780G de Medtronic combine pompe, CGM et algorithme SmartGuard pour ajuster l’insuline toutes les cinq minutes avec une cible paramétrable jusqu’à 100 mg/dL. Des bénéfices attendus incluent un temps dans la cible, moins d’hyper et d’hypoglycémies, ainsi qu’un allègement du quotidien pour les patients et leurs aidants.
    • Axodiab, orientée vers les professionnels en diabétologie, soutient la gestion des patients DT2 sous schéma basal‑bolus, avec une collaboration au CHU de Reims pour l’interprétation experte à distance. La solution vise une organisation plus structurée des parcours multi‑injections et une articulation plus fluide entre équipes de terrain et expertise spécialisée.  Les bénéfices résident dans l’automatisation sécurisée et la personnalisation thérapeutique, traduites par des gains d’indicateurs glycémiques et une réduction de l’effort cognitif sur la gestion quotidienne. L’intégration aux dispositifs connectés et la remontée de données en temps quasi réel favorisent les ajustements rapides et la continuité de prise en charge entre ville et hôpital.

    Solutions pour : les thérapies numériques et l’observance

    SPUR et Smart Reports améliorent l’adhésion et l’autogestion thérapeutique en diabétologie

    Les solutions numériques thérapeutiques et les outils d’observance se concentrent sur l’éducation, l’accompagnement et la personnalisation des recommandations, appuyés par des moteurs ML/NLP et l’intégration de données cliniques et comportementales. L’enjeu est d’améliorer l’adhésion, de rendre les messages médicaux actionnables, et de fournir aux soignants des informations exploitables dans le temps contraint de la consultation.

    • SPUR d’Observia propose un profilage de l’adhérence à partir de quatre dimensions et treize facteurs, afin d’estimer le risque de non‑adhérence et de générer des recommandations ciblées pour réduire les abandons et améliorer l’alignement entre prescriptions et comportements quotidiens.
    • Smart Reports de Medicus AI interprète des résultats de laboratoire et fournit des explications adaptées au patient grâce à un moteur cardio‑métabolique et à une intégration via API/SDK côté laboratoire. Les effets recherchés couvrent une meilleure compréhension, et un engagement plus fort. Les bénéfices de la catégorie portent sur la réduction des coûts de non‑adhérence, l’amélioration de l’autogestion et la traduction de données techniques en informations utilisables. Les portails cliniciens et les rapports structurés facilitent la décision et resserrent la relation soignant‑patient.

    Solutions pour : la télésurveillance et le suivi à domicile

    Odysight permet un suivi à domicile avec alertes patient‑médecin et dashboard

    La télésurveillance rend possible un suivi fréquent et standardisé des paramètres fonctionnels ou des trajectoires cliniques, avec alertes et tableaux de bord pour les équipes. Elle vise une détection précoce des dégradations et une meilleure préparation des rendez‑vous.

    • Odysight propose des tests visuels à domicile pour pathologies rétiniennes, avec contrôle automatisé de la distance œil‑écran et de la luminosité, notifications vers le patient et l’ophtalmologiste, et un tableau de bord médical. Une étude citée (TIL‑002) documente la concordance des mesures avec les standards ETDRS, et la solution est présentée en classe I.
    • SOPHIA Weight Trajectory Predictor, développé autour de cohortes du CHU de Lille et de validations multi‑sites, calcule une courbe personnalisée de perte de poids sur soixante mois après chirurgie bariatrique à partir de sept variables préopératoires. L’outil accessible en ligne soutient la préparation et le suivi, en ciblant les écarts de trajectoire qui signalent un besoin d’ajustement clinique. Les bénéfices de la catégorie incluent un passage d’actes ponctuels à une observation continue, un repérage plus précoce des signaux faibles et une priorisation plus fine des ressources. La coordination domicile‑hôpital gagne en efficacité grâce aux notifications automatisées et à la visualisation de tendances utilisables en consultation.

    Solutions pour : la prévention et le dépistage populationnels

    Colive Voice analyse la voix pour repérer le DT2

    Les approches de prévention et de dépistage à large échelle exploitent des modalités non invasives ou peu contraignantes, afin d’identifier précocement des sujets à risque métabolique et cardio‑vasculaire. L’objectif est de réduire les barrières d’accès, le coût unitaire de dépistage et les délais d’orientation vers le diagnostic et le soin.

    • Colive Voice s’appuie sur des biomarqueurs vocaux et des algorithmes d’apprentissage pour un dépistage du DT2 non invasif, avec un ancrage au Luxembourg Institute of Health. L’usage visé concerne des populations larges et des contextes où l’accessibilité des examens classiques est limitée, pour une première stratification des risques.
    • THEIA/CLAiR, déployé au Middlemore Eye Hospital (Auckland), automatise, en quelques secondes, l’analyse rétinienne pour signes de diabète et propose une estimation du risque cardio‑vasculaire à cinq ans. Les effets attendus incluent une hausse de la capacité de screening et une réduction des coûts de main‑d’œuvre, avec un positionnement à l’interface entre ophtalmologie et prévention cardio‑métabolique. Les bénéfices de la catégorie se matérialisent par des trajectoires de soins plus courtes entre repérage et confirmation diagnostique, un tri précoce des individus à haut risque et une meilleure allocation des capacités cliniques. La complémentarité avec les chaînes d’imagerie et de télésurveillance renforce l’efficacité populationnelle des parcours.

     

    @helene-barberoussedeuxiemeavis-fralth & Tech Intelligence

    <span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span><span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span><span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span>

  • Diabète & IA : 315 études publiées en 2025 confirment l’essor des usages cliniques à grande échelle (revue de littérature)

    315 études : l’IA s’installe à tous les étages du parcours diabétique 

    Ce corpus mondial illustre un écosystème de recherche actif, où se côtoient études cliniques, analyses de performance, innovations algorithmiques et revues de littérature. La répartition thématique des travaux publiés en 2025 se structure autour de six grandes catégories :

    • Dépistage et diagnostic automatique : près de 45 % des publications portent sur l’usage du deep learning pour l’interprétation d’images médicales — principalement la rétinopathie diabétique, mais aussi la néphropathie, les lésions cutanées et les anomalies cardiovasculaires. Ces études valident la capacité de l’IA à égaler, voire dépasser, les performances humaines dans le tri des images de dépistage.
    • Prédiction, pronostic et stratification du risque : environ 25 % des articles explorent l’IA pour anticiper les hypo-/hyperglycémies, la progression des complications ou le risque cardiovasculaire. Les modèles les plus utilisés : random forest, XGBoost et réseaux neuronaux récurrents appliqués aux données de suivi glycémique en continu (CGM).
    • Optimisation thérapeutique et médecine personnalisée : près de 15 % des publications visent à adapter les traitements insuliniques ou oraux grâce à des modèles prédictifs intégrant CGM, nutrition et activité. Les systèmes en boucle fermée (“closed-loop”) dominent cette catégorie, avec des essais cliniques associant IA et pompes connectées.
    • Surveillance, télémédecine et parcours connectés : environ 10 % des études décrivent des dispositifs de télésurveillance intelligente, d’aide à la décision clinique ou de coaching numérique pour le suivi quotidien. Ces solutions combinent souvent machine learning et traitement du langage naturel pour l’analyse des journaux de soins.
    • Sciences des données, équité et gouvernance : autour de 5 % du corpus interroge la qualité des données, les biais algorithmiques, la transparence et les cadres réglementaires. On y retrouve des analyses méthodologiques, des travaux sur l’explicabilité (explainable AI) et des études d’acceptabilité clinique.
    • IA générative et modèles de langage (LLM) : une minorité mais en forte croissance (environ 3 % des articles, contre moins de 1 % en 2024) explore les usages des modèles génératifs pour créer des données synthétiques, simuler des trajectoires glycémie-insuline ou concevoir des assistants cliniques conversationnels.

    Rétinopathie : l’IA dépasse la performance humaine

    La rétinopathie diabétique (DR) reste le terrain le plus avancé. Une méta-analyse publiée dans Frontiers in Medicine (Tahir HN et al., 2025) compare plus de 80 modèles de dépistage automatisé et conclut à une sensibilité moyenne de 0,90 et une spécificité de 0,94, soit une performance équivalente, voire supérieure, à celle des ophtalmologistes en lecture manuelle. Les architectures dominantes : réseaux de neurones convolutionnels (CNN) et Vision Transformers, couplés à des modules explicables (Grad-CAM, LIME).

    Dans une autre revue systématique (International Ophthalmology, Rahmati M et al., 2025), l’intégration de l’IA dans les programmes de dépistage nationaux améliore de +89 % la prise de rendez-vous de suivi post-triage. Au-delà du diagnostic, ces outils participent donc à l’adhésion au parcours de soin.

    Enfin, Survey of Ophthalmology (Alshammari RD et al., 2025) souligne la montée des modèles hybrides CNN + transformers : plus explicables, ils atteignent une précision moyenne de 94,8 % sur des jeux d’images multicentriques, tout en répondant aux exigences de validation externe imposées par la FDA et la CE.

    Pied diabétique : l’imagerie devient prédictive

    Deux revues systématiques en 2025 confirment l’intérêt de l’IA pour le pied diabétique, un domaine historiquement peu exploré. L’étude d’Álvaro-Afonso FJ et al. (Applied Sciences, 2025) évalue un modèle ResNet-50 entraîné sur des radiographies pour détecter l’ostéomyélite. Résultat : sensibilité 92,8 %, valeur prédictive positive 0,97, mais spécificité 4,4 %, montrant la nécessité d’affiner la détection des faux positifs. Une autre revue (Am J Lifestyle Medicine, Fernandez A et al., 2025) recense plus de 25 études de classification automatique d’ulcères à partir de photos : les modèles EfficientNet et DenseNet atteignent une précision moyenne de 88 % pour le repérage des stades lésionnels. Ces travaux annoncent l’émergence de la télésurveillance photo-assistée, prometteuse pour les soins de proximité.

    Monitoring glycémique : des modèles prédictifs de précision

    La revue Cureus (Zhao Y et al., 2025) analyse les modèles de deep learning utilisés pour la prévision de la glycémie à court terme via les capteurs CGM (Continuous Glucose Monitoring). Les algorithmes récurrents (RNN, LSTM) atteignent un RMSE moyen de 12 mg/dL sur des horizons de 30 minutes, contre 18 mg/dL pour les modèles classiques. Dans Journal of Diabetes Science and Technology (Chen L et al., 2025), un modèle d’ensemble XGBoost + CNN prédit les hypoglycémies imminentes avec une AUC de 0,87 et alimente déjà plusieurs projets de boucle fermée intégrée aux pompes à insuline. L’enjeu : passer de la simple prédiction à la personnalisation thérapeutique, en intégrant nutrition, sommeil et activité physique.

    Médecine personnalisée : l’IA comme copilote clinique

    Dans Cureus (Ghosh K et al., 2025), la revue narrative Artificial Intelligence in Personalized Medicine for Diabetes montre que l’IA permet de combiner données CGM, imagerie, et profils comportementaux pour recommander des ajustements thérapeutiques individualisés.
     Les modèles Random Forest, LightGBM et réseaux profonds multimodaux sont les plus utilisés. Les bénéfices : réduction de 18 % des épisodes d’hypoglycémie et gain de 12 % d’atteinte des cibles HbA1c, selon les essais comparatifs inclus. Au-delà des capteurs, certaines études (Li Q et al., Endocrine Practice, 2025) explorent des assistants de prescription basés sur des modèles de langage (LLM) intégrant les recommandations ADA 2025 pour proposer des ajustements thérapeutiques en temps réel.

    Générative et LLM : la nouvelle couche d’intelligence

    L’année 2025 marque l’entrée de l’IA générative dans le champ du diabète. Une revue publiée dans iScience (Generative Artificial Intelligence in Diabetes Healthcare, Kumar S et al., 2025) décrit l’usage des GAN et des modèles de diffusion pour créer des données synthétiques d’imagerie rétinienne et de capteurs glycémiques. Ces jeux de données artificiels réduisent les biais démographiques et améliorent la robustesse des modèles existants. De son côté, Annals of Translational Medicine (Bianchi F et al., 2025) recense les premières applications des Large Language Models (LLM) en diabétologie : génération automatique de comptes-rendus de consultation, tri de littérature scientifique et accompagnement virtuel des patients via assistants conversationnels.
     Les auteurs appellent toutefois à une gouvernance renforcée : traçabilité des sources, validation clinique et supervision humaine obligatoire.

    Équité et transparence : une exigence renforcée

    La revue systématique Healthcare (Basel) (Al-Qaysi Z et al., 2025) passe en revue 33 études sur l’IA en diabète pédiatrique et souligne des biais récurrents liés à l’âge, au sexe et à l’origine ethnique. Moins de 40 % des publications analysées mentionnent un protocole d’audit de biais, et seules 18 % utilisent des méthodes d’IA explicable (XAI). Les auteurs appellent à la standardisation des rapports selon les cadres CONSORT-AI et TRIPOD-AI. Ces recommandations s’imposent progressivement comme critères d’évaluation dans les appels d’offres hospitaliers et les projets européens Horizon Health 2025.

    Adhésion thérapeutique : un levier d’efficience mesurable

    L’étude systématique Technology and Health Care (Martinez R et al., 2025) montre comment le machine learning prédit les ruptures d’observance médicamenteuse chez les diabétiques T2D.
     Les modèles les plus performants (SVM, XGBoost) atteignent une AUC de 0,89 pour identifier les patients à risque de non-adhésion dans les 3 mois suivant l’initiation du traitement.
     Les variables prédictives : fréquence des renouvellements d’ordonnance, messages non lus sur les plateformes, et enregistrements d’autosurveillance glycémique.
     Résultat : les interventions ciblées fondées sur ces prédictions réduisent de 23 % les décompensations aiguës hospitalières.

    Bibliographie — Sélection 2025 (revues de littérature et études citées)

    • Tahir HN et al. Artificial Intelligence versus Manual Screening for the Detection of Diabetic Retinopathy: A Systematic Review and Meta-Analysis. Front Med. 2025. doi: 10.3389/fmed.2025.01432.

    • Rahmati M et al. AI Improves Follow-Up Appointment Uptake in Diabetic Retinopathy Screening. Int Ophthalmol. 2025. doi: 10.1007/s10792-025-03128-8.

    • Alshammari RD et al. Diagnostic Accuracy of AI or Deep Learning-Enhanced Technologies in Diabetic Retinopathy Detection. Survey Ophthalmol. 2025. doi: 10.1016/j.survophthal.2025.101028.

    • Álvaro-Afonso FJ et al. Using Artificial Intelligence for Detecting Diabetic Foot Osteomyelitis in Plain Radiographs. Appl Sci. 2025. doi: 10.3390/app15158583.

    • Fernandez A et al. AI for Diabetic Foot Ulcer Classification: A Systematic Review. Am J Lifestyle Med. 2025. doi: 10.1177/1559827625134868.

    • Zhao Y et al. Deep Learning Models for Glycemic Prediction Using Continuous Glucose Monitoring Data: Systematic Review. Cureus. 2025. doi: 10.7759/cureus.62417.

    • Chen L et al. Machine Learning for Prediction of Hypoglycemia in Type 1 Diabetes: A Systematic Review. J Diabetes Sci Technol. 2025. doi: 10.1177/1932296825132015.

    • Ghosh K et al. Artificial Intelligence in Personalized Medicine for Diabetes Mellitus: A Narrative Review. Cureus. 2025. doi: 10.7759/cureus.61743.

    • Li Q et al. AI-Assisted Therapeutic Decision Support in Diabetes Care. Endocr Pract. 2025. doi: 10.1016/j.eprac.2025.09.011.

    • Kumar S et al. Generative Artificial Intelligence in Diabetes Healthcare. iScience. 2025. doi: 10.1016/j.isci.2025.110893.

    • Bianchi F et al. Generative AI and LLMs in Predictive Analysis of Diabetes and Its Complications: A Review. Ann Transl Med. 2025. doi: 10.21037/atm-25-1998.

    • Al-Qaysi Z et al. Transparency and Validity of AI Applications in Pediatric Diabetes: A Systematic Review. Healthcare (Basel). 2025. doi: 10.3390/healthcare15231542.

    • Martinez R et al. AI-Based Predictive Tools for Identifying Type 2 Diabetes Patients at High Risk of Non-Adherence: A Systematic Review. Technol Health Care. 2025. doi: 10.3233/THC-240198.

     

  • Diabète : 4,36 millions de patients, 6,48 % de la population… une épidémie silencieuse, polypathologique et coûteuse

    En France, plus de 4 millions de personnes vivent aujourd’hui avec un diabète, une proportion passée de 5,6 % en 2015 à 6,48 % de la population en 2023. Pathologie chronique au cœur des inégalités sociales et territoriales, le diabète se présente désormais comme une maladie « polypathologique », associée à de multiples comorbidités et à des complications lourdes, avec plus de 10,9 milliards d’euros de dépenses pour l’Assurance maladie en 2023.

    • 537 millions d’adultes vivaient avec un diabète dans le monde en 2021, et la Fédération internationale du diabète projette 783 millions en 2045.
    • Un article récent évoque déjà 589 millions de personnes diabétiques en 2024 dans le monde, avec 853 millions attendues d’ici 2050.
    • 4 364 820 personnes étaient prises en charge pour un diabète en France en 2023, soit 6,48 % de la population.
    • En parallèle, plus de 3,8 millions de personnes étaient traitées par médicament pour un diabète en 2023 (5,6 % de la population).
    • Le diabète représente 10,925 milliards d’euros de dépenses remboursées par l’Assurance maladie en 2023, dont 8,889 milliards pour les soins de ville.
    • Le diabète a été responsable de plus de 33 902 décès en 2024 en France, avec un âge moyen au décès de 80 ans, et plus de 85 000 morts en 2021 selon une autre source.
    • Chez les personnes de 45 ans et plus traitées pour un diabète, les complications podologiques entraînent 981 hospitalisations pour plaies du pied et 286 amputations de membre inférieur pour 100 000 personnes en 2023.
    • Le diabète multiplie par 2 à 4 le risque de complications cardiovasculaires, et la rétinopathie diabétique est première cause de cécité chez les moins de 65 ans en France.
    • 54 % des Français déclarent n’avoir jamais réalisé de dépistage du diabète, et 35 % des personnes diabétiques estiment que leur diagnostic a été tardif (57 % chez les 15-34 ans).

    Une épidémie mondiale qui se renforce et se chronicise

    Le diabète est défini comme une maladie chronique caractérisée par une hyperglycémie – un excès de sucre dans le sang – liée à un défaut de sécrétion ou d’action de l’insuline. Au niveau mondial, la Fédération internationale du diabète estimait à 537 millions le nombre d’adultes (20-79 ans) atteints de diabète en 2021, soit 10,5 % de la population mondiale de cette tranche d’âge, avec une projection à 783 millions en 2045. D’autres estimations récentes évoquent 589 millions de personnes diabétiques en 2024, pour 853 millions en 2050, illustrant l’ampleur croissante de ce fardeau. La progression touche tous les continents, y compris des régions longtemps moins concernées comme l’Afrique, l’Asie ou l’Amérique latine. Cette dynamique globale se traduit directement en France, où la maladie s’inscrit dans la durée, avec une incidence en hausse et une espérance de vie améliorée des personnes diabétiques : davantage de cas, et des patients qui vivent plus longtemps avec la maladie.

    6,48 % de la population touchée en 2023 : un « effet épidémie » bien installé

    En France, le nombre de personnes vivant avec un diabète augmente régulièrement depuis des années. Selon la Fédération Française des Diabétiques, plus de 4 millions de personnes étaient atteintes en 2023, la prévalence passant de 5,6 % en 2015 à 6,48 % en 2023.

    Les données de l’Assurance maladie confirment cette tendance :

    • 4 364 820 patients ont été pris en charge pour un diabète en 2023,
    • Soit une prévalence de 6,48 % tous âges et tous sexes confondus.

    Santé publique France, de son côté, rapporte que plus de 3,8 millions de personnes étaient traitées par médicament pour un diabète en 2023, ce qui représente 5,6 % de la population. La différence entre ces chiffres reflète notamment la diversité des sources (prise en charge globale vs traitement pharmacologique, définitions utilisées). Les projections sont inquiétantes : si les tendances observées entre 2015 et 2021 se poursuivent, 520 000 personnes supplémentaires pourraient être atteintes par le diabète en 2027 par rapport à 2021, dont 500 000 par un diabète de type 2 et 20 000 par un diabète de type 1.

    Disparités d’âge, de sexe et de territoire

    Les données de prévalence mettent en lumière de fortes disparités :

    • Le pic de prévalence se situe entre 80 et 84 ans : 25,60 % des hommes et 17,98 % des femmes de cette tranche d’âge vivent avec un diabète.
    • Globalement, 55 % des personnes diabétiques sont des hommes et 45 % des femmes.
    • Dans les départements et régions d’outre-mer (DROM), cette tendance s’inverse : les femmes sont plus touchées, avec par exemple 59 % de femmes parmi les personnes diabétiques en Guadeloupe et en Martinique.

    Les disparités régionales sont marquées :

    • Les prévalences les plus élevées sont observées dans les DROM, les Hauts-de-France et l’Occitanie, avec des valeurs pouvant atteindre 11,72 % en Guadeloupe, presque le double de certaines régions métropolitaines.
    • À l’inverse, des régions comme la Bretagne (4,81 %), les Pays-de-la-Loire (5,47 %) ou l’Île-de-France (5,89 %) présentent des prévalences plus faibles.

    Ces données confirment que le diabète est une maladie de plus en plus fréquente, mais aussi une pathologie profondément ancrée dans les contextes démographiques, sociaux et territoriaux.

    Le diabète, maladie polypathologique par excellence

    Le diabète de type 2, qui représente plus de 90 % des cas, est étroitement associé au surpoids, à l’obésité, à la sédentarité, à des habitudes alimentaires déséquilibrées et parfois à des troubles du sommeil. Il coexiste souvent avec d’autres facteurs de risque cardiovasculaires : hypertension artérielle, hypercholestérolémie, tabagisme, consommation excessive d’alcool. Le ministère de la Santé souligne qu’au-delà de 45 ans, le diabète est la maladie la plus fréquente dans un cumul de maladies, illustrant son caractère fortement polypathologique. Les données de la CNAM détaillent cette polypathologie : parmi les personnes prises en charge pour un diabète en 2023, les principales comorbidités sont :

    • Maladie coronaire chronique : 15 %
    • Maladies respiratoires chroniques (hors mucoviscidose) : 12 %
    • Traitements antidépresseurs ou thymorégulateurs : 10 %
    • Traitements anxiolytiques : 10 %
    • Troubles du rythme ou de la conduction cardiaque : 10 %
    • Affections de longue durée pour d’autres causes : 7 %
    • Artériopathie périphérique : 5 %
    • Insuffisance cardiaque chronique : 4 %

    Cette liste illustre à quel point le diabète s’inscrit dans un paysage de multimorbidité : maladies cardiovasculaires, troubles respiratoires, souffrance psychique et autres affections chroniques se superposent chez un même patient. Les inégalités sociales renforcent ce caractère polypathologique : la prévalence du diabète est 1,3 fois plus élevée chez les hommes et 1,7 fois plus élevée chez les femmes vivant dans les communes les moins favorisées, par rapport aux communes plus aisées. Chez les moins de 60 ans, le diabète est deux fois plus fréquent chez les bénéficiaires de la Complémentaire santé solidaire.

    Complications chroniques : cœur, reins, yeux, pieds, bouche…

    L’hyperglycémie chronique abîme les vaisseaux sanguins de gros et de petit calibre, ainsi que les nerfs, exposant à toute une série de complications.

    Complications cardiovasculaires

    Les personnes vivant avec un diabète ont 2 à 4 fois plus de risque de développer une complication cardiovasculaire. Le ministère de la Santé rappelle que les maladies cardiovasculaires sont la première cause de décès chez les personnes diabétiques.

    • En 2023, parmi les personnes de 45 ans et plus traitées pour un diabète :
    • Les accidents vasculaires cérébraux (AVC) représentent un taux d’incidence standardisé de 589 hospitalisations pour 100 000 personnes.
    • Les infarctus du myocarde transmural (avec sus-décalage du segment ST) atteignent 223 hospitalisations pour 100 000 personnes.

    Complications rénales

    Les complications rénales liées au diabète (néphropathies diabétiques) favorisent l’élévation de la pression artérielle, aggravent les dommages rénaux et augmentent le risque cardiovasculaire. Le diabète, associé à l’hypertension artérielle, représente l’une des premières causes de maladies rénales chroniques.

    Complications oculaires

    La rétinopathie diabétique est une complication majeure :

    • elle constitue la première cause de cécité en France chez les moins de 65 ans,
    • elle touche environ 50 % des personnes vivant avec un diabète de type 2.

    Non dépistée à temps, elle peut évoluer vers un œdème maculaire diabétique, avec des troubles visuels graves et irréversibles.

    Complications podologiques et amputations

    Les complications au niveau des pieds sont fréquentes :

    • 20 à 25 % des personnes diabétiques présenteront une plaie du pied au cours de leur vie,
    • Environ 10 000 amputations par an en France sont liées au diabète, avec un risque d’amputation pour 10 % des personnes vivant avec la maladie.

    Les données 2023 de Santé publique France confirment cette lourde charge : chez les personnes de 45 ans et plus diabétiques, on observe 981 hospitalisations pour plaie du pied et 286 amputations de membre inférieur pour 100 000 personnes.

    Complications bucco-dentaires

    Enfin, environ une personne diabétique sur deux souffre d’une maladie parodontale (gingivite, parodontite). Ces infections des gencives sont à la fois cause et conséquence d’un déséquilibre glycémique, et leur prévention fait partie intégrante de la prise en charge. Sur le plan de la mortalité, la Fédération Française des Diabétiques indique que le diabète a été responsable de plus de 33 902 décès en 2024, avec un âge moyen au décès de 80 ans. Une étude Ifop pour Sanofi évoque plus de 85 000 décès en 2021, soulignant l’ampleur du phénomène selon les définitions retenues pour l’attribution des décès.

    Un dépistage encore trop tardif malgré la progression de la maladie

    Si le diabète progresse, le dépistage ne suit pas. L’étude Ifop pour Sanofi, réalisée en 2023, montre que :

    • 54 % des Français déclarent ne jamais avoir réalisé de dépistage du diabète,
    • la part de personnes ayant déjà fait un test est passée de 56 % en 2009 à 46 % en 2023,
    • Un quart des Français a déjà évité ou repoussé un test (VIH, diabète, cancer…) par peur du diagnostic.

    Ce recul du dépistage a des conséquences directes sur la prise en charge :

    • 35 % des personnes diabétiques estiment que le diagnostic de leur diabète a été tardif,
    • Ce sentiment grimpe à 57 % chez les 15-34 ans.

    La Fédération Française des Diabétiques souligne qu’environ 28 % des patients atteints de diabète de type 2 sont diagnostiqués au stade des complications nécessitant une hospitalisation.

    En parallèle, Santé publique France met en évidence la hausse du diabète de type 1 chez les moins de 20 ans :

    • De 20 300 jeunes en 2012 à 31 400 en 2023,
    • Soit une augmentation continue, justifiant l’importance du diagnostic précoce pour éviter les formes graves comme l’acidocétose ou le coma.

    L’Observatoire de prévention de l’acidocétose de l’AJD rapporte qu’en 2023, plus de 4 enfants ou adolescents sur 10 de moins de 15 ans ont été diagnostiqués « trop tard », avec une acidocétose modérée (24,9 %) ou sévère (17,5 %), voire un coma diabétique (3 %).

    10,9 milliards d’euros de dépenses CNAM et des parcours de soins à réinventer

    Pour l’Assurance maladie, le diabète représente en 2023 :

      • 10 925 millions d’euros de dépenses totales remboursées, dont 8 889 millions d’euros de soins de ville (consultations, médicaments, biologie, soins infirmiers, transports…),
      • 891 millions d’euros pour les hospitalisations,
      • 1 146 millions d’euros de prestations en espèces (indemnités journalières…).

    Un article consacré au centre Diabet’ reprend un ordre de grandeur similaire : le diabète représente « près de 10,9 milliards d’euros de dépense nationale annuelle », confirmant le poids économique de la pathologie. Au-delà du coût, le parcours de soins reste complexe. Le médecin généraliste à l’origine du Pôle Diabet’, premier centre de santé pluridisciplinaire dédié intégralement au diabète en Europe, rappelle que le suivi d’un patient diabétique représente en théorie quatre rendez-vous par an, mais que la séparation des spécialités et les délais peuvent faire monter ce chiffre jusqu’à treize consultations annuelles. Le centre Diabet’ rassemble au même endroit des spécialistes de la rétinopathie, de la néphropathie, de la podologie et d’autres complications, afin de :

    • Simplifier le parcours de soins,
    • Réduire les délais entre examens et consultations,
    • Désengorger les hôpitaux en assurant le suivi des patients qui ne nécessitent pas une prise en charge lourde.

    Prévenir et retarder les complications : un enjeu structurant de santé publique

    La prévention du diabète et de ses complications est intégrée aux grandes politiques nationales de santé :

    • La Stratégie nationale de santé 2018-2022 et le plan « Priorité prévention » posent le cadre de lutte contre les maladies chroniques, avec un accent sur la promotion de la santé (alimentation saine, activité physique, réduction de la sédentarité) et la réduction des inégalités de santé.
    • Le Programme national nutrition santé (PNNS4) et la Stratégie nationale sport-santé soutiennent la mise en place d’environnements favorables aux comportements protecteurs.
    • L’activité physique adaptée (APA) est reconnue comme une thérapeutique non médicamenteuse : la loi permet de la prescrire aux personnes atteintes d’affections de longue durée, dont le diabète. Des référentiels spécifiques existent pour le diabète de type 1 et de type 2.

    Sur le terrain, ces stratégies se heurtent toutefois à la réalité d’une pathologie silencieuse, souvent méconnue, marquée par un dépistage tardif et une forte charge en comorbidités.

  • Financement européen pour SMARTDIABETES et procédure de sauvegarde pour Diabeloop

    • Diabeloop a levé 25 millions d’euros en 2024-2025 pour accélérer sa croissance, tout en engageant une procédure de sauvegarde pour rééchelonner sa dette.​
    • EIT Health a accordé une subvention de 1,15 million d’euros au consortium SMARTDIABETES pour déployer une solution de gestion intégrée du diabète dans plusieurs pays européens.​

    Diabeloop : relance sous contrainte

    L’entreprise grenobloise Diabeloop se trouve dans une phase de transition financière et opérationnelle depuis le changement de direction en mars 2024. Après une perte de son principal partenaire stratégique en 2022-2023, la société a mis en œuvre un plan de retournement qui s’est concrétisé par une levée de fonds de 25 millions d’euros répartie en plusieurs tours, dont un de 15 millions annoncés au printemps 2024. Malgré une progression du chiffre d’affaires de +60% sur un an et l’obtention de la certification CE MDR en août 2025,  Diabeloop reste confrontée à un niveau d’endettement élevé accumulé principalement avant 2024. La direction a ainsi sollicité la procédure de sauvegarde auprès du tribunal de commerce de Grenoble en octobre 2025 pour renégocier l’échéancier de la dette et préserver la dynamique de croissance, avec l’objectif affiché de réaliser 40 millions d’euros de chiffre d’affaires d’ici 2030.​

    SMARTDIABETES : financement européen pour la transformation des soins

    EIT Health, dans le cadre de son appel à projets Flagships 2025, a alloué 1,15 million d’euros au projet SMARTDIABETES pour déployer une approche de gestion intégrée du diabète adossée à la plateforme numérique SocialDiabetes. Cette subvention permettra de tester, sur quatre systèmes de santé européens, un modèle fondé sur la valeur (value-based healthcare) visant à améliorer les résultats cliniques tout en maîtrisant les coûts. Le consortium regroupe plusieurs partenaires industriels, experts en santé et représentants de patients, sous la coordination de SocialDiabetes et d’Air Liquide Healthcare.​

     

  • IA : 56,5 millions d’euros pour la structuration nationale de l’Institut d’Intelligence Artificielle en Santé (JDS AP-HP 2025)

    La conférence thématique « Institut d’Intelligence Artificielle en Santé : une structure, des projets concrets » animée par le Pr Vincent Vuiblet s’est tenue lors de la première Journée de la donnée de santé 2025, organisée par l’Assistance Publique – Hôpitaux de Paris (AP-HP) le 7 novembre 2025. L’intervention, dédiée à l’Institut d’Intelligence Artificielle en Santé, a permis de structurer les enjeux, avancées et perspectives stratégiques de l’IA en santé, au sein d’un paysage marqué par les nouvelles réglementations européennes et la nécessité d’une innovation collaborative à l’échelle nationale.

    L’IA en santé est une nécessité stratégique

    La conférence s’ouvre sur un constat : la création de l’Institut d’Intelligence Artificielle en Santé (IIAS) répond à une ambition large en matière de transformation du secteur de la santé. Selon le Pr Vincent Vuiblet, il s’agit de répondre à des enjeux multiples :

    « Il faut commencer à entendre parler de l’inclusion sortie en santé, de ce qu’on peut en faire, des grands enjeux, c’est-à-dire des enjeux éthiques, des enjeux liés aux données de santé, des enjeux liés au maintien de l’expertise humaine et d’esprit critique, aux enjeux de transformation de la formation et puis bien sûr aux autres enjeux qui sont ceux de la soutenabilité environnementale, la propriété économique, la souveraineté évidemment ».​

    Les freins historiques évoqués sont principalement le cloisonnement des acteurs, la fragmentation des initiatives, et le manque de mutualisation des expériences. Ce contexte amène progressivement à un changement de paradigme, où l’IA n’est plus abordée uniquement sous l’angle technique mais comme levier systémique pour la qualité, l’efficience et la transformation des soins.

    Un des objectifs de l’institut est de dépasser l’éclatement des initiatives

    L’IIAS se positionne comme réponse à la dispersion passée des initiatives numériques :

    « Rien de tout cela n’aurait de sens ni ne pourrait finalement prendre son essor si on n’avait pas une approche collective […] en allant ensemble, en convergeant nos efforts, en mutualisant nos actions et en conduisant des projets collectifs, qu’on peut réussir à développer des sujets d’envergure qui peuvent aussi nous repositionner en termes de leadership au niveau européen ».

    L’appartenance à des réseaux interrégionaux et nationaux ainsi qu’à la fédération scientifique des données de santé sont cités en exemple.​

    Le Pr Vuiblet explique qu’il est très important d’intégrer les établissements non universitaires et la médecine de ville/ambulatoire pour avoir une vision complète du parcours de soins des patients, au-delà du seul cadre du CHU.

    Gouvernance de la donnée et conformité européenne

    La qualité des données, leur accessibilité, leur vérification et l’expertise locale sont au cœur de la démarche de l’Institut :

    « Les données, c’est le cœur du réacteur de l’IA. Si on a des données de qualité, on peut produire de l’IA de qualité ».

    L’institut a mis en place un entrepôt de données de santé (EDS) qui dépasse la logique de simple stockage pour englober la structuration, la validation et l’intégration interétablissements, favorisant l’interopérabilité et le recours à des plateformes communes.​

    Il est également souligné que cette démarche doit s’étendre au-delà du seul secteur hospitalier universitaire pour inclure la médecine libérale, les établissements spécialisés et les réseaux externes.

    Par ailleurs, les nouvelles réglementations européennes rendent la formation et la montée en compétence obligatoires, impactant les cadres de pratiques et de gouvernance.

    Nouveaux modèles de formation : hybridation, international et accompagnement

    L’IIAS cible deux axes de formation : initiale (étudiants, futurs médecins, paramédicaux) et continue (professionnels en activité), dont le programme PROMESSE. L’institut anime aussi des séminaires dans 8 pays, renforçant l’hybridation des compétences et l’internationalisation des bonnes pratiques.

    Un accent est mis sur la transformation des métiers à l’ère de l’IA, où l’objectif n’est pas de faire de tous des data scientists, mais de permettre l’appropriation des nouveaux enjeux, bonnes pratiques et points de vigilance. Ce cadre inclusif vise à garantir la capacité critique des utilisateurs et la traçabilité des impacts de l’IA sur leurs pratiques.

    Cas d’usage et transformation des pratiques cliniques et organisationnelles

    L’Institut a développé différents types de projets, répartis en « projets structurants » et « projets applicatifs », couvrant 3 axes majeurs : amélioration des soins, optimisation des fonctions support et transformation du système de santé.

    Projet Catégorie Objectifs / Description Partenaires / Usage
    Inopath Structurant / Amélioration des soins Plateforme de pathologie numérique : validation des lames, comptes structurés, entraînement IA Orange, Novakum, société savante, >55 labos pathologie
    DrIA, Flammèche, PROMESSE Structurant / Amélioration des soins Génération d’algorithmes IA sans connaissance code, outils AutoML, explicabilité et bibliographie Formation et recherche, professionnels santé
    Schwanodeep Applicatif / Amélioration des soins Diagnostic quantitatif tumeurs angle cérébelleux, volumétrie automatisée en 2 min, suivi longitudinal Prise en charge chirurgicale, praticiens
    DeepCath Applicatif / Amélioration des soins Prédiction infection cathéters par analyse photo, prévention à l’hôpital et en ambulatoire Infirmières, hôpital, domicile
    SimplIA Applicatif/ Amélioration des soins Simulateur vocal interactif pour la formation des étudiants en santé Environnements proches du réel, étudiants santé
    FG4H Structurant / Support aux activités de soins Modèle génératif IA souveraine sur données françaises/hospitalières, usage commun numérique Communauté de santé, usages applicatifs
    SynthelAx Applicatif / Support aux activités de soins Optimisation des fonctions supports Équipes supports
    HD4C Structurant / Transformation système Intégration données extra-CHU pour visibilité territoriale Territoires, établissements
    ConcilIA Applicatif / Transformation système Orientation conciliation médicamenteuse, ciblage des patients à risque, augmentation du nombre de conciliations Praticiens, pharmaciens
    CoagIA Applicatif / Transformation système Prédiction risque accident hémorragique chez patients sous anticoagulants, optimisation prévention et prise en charge Spécialistes, praticiens

     

    Adoption, transformation des pratiques et limites rencontrées

    L’intégration des outils dans les parcours de soins implique des transformations organisationnelles et professionnelles majeures, mais soulève également des limites et des freins « terrain », tels que la maturité des solutions, la perte potentielle de certaines compétences, et la nécessaire formation continue :

    « Cet esprit critique vient à la fois de la maturité de ces solutions, mais aussi vient de la formation »

    Impact économique et valeur générée pour l’écosystème

    Création de 2 nouvelles startups

    La valorisation s’articule autour :

    • Accompagnement de la création d’entreprises et de start-ups issues des projets portés par l’institut.
    • Soutien aux acteurs industriels dans la commercialisation et la maintenance des technologies IA : « Notre incubateur PETILLANTeS est en train de créer deux start-ups qui s’appuient sur des projets qu’on a créés ».​

    50M€ levés à travers des appels à projets nationaux et européens

    L’institut est majoritairement financé par des fonds exogènes et des contrats industriels, avec une levée de fonds considérable sur 2024 et début 2025 : « On a levé 50 millions d’euros […] ce qui nous permet de développer l’accompagnement et une plateforme technologique ». Ce financement favorise l’accompagnement et l’expérimentation en conditions réelles (tiers-lieu PEPS) avant la diffusion systémique des innovations.

     « On veut que nos algorithmes qu’on utilise tous les jours soient expérimentés dans des conditions de vie réelle. C’est le socle de notre tiers-lieu d’expérimentation qui s’appelle PEPS »

    Stratégies de preuve de concept et expérimentation réelle

    Comme pour un médicament, les algorithmes sont expérimentés dans des conditions de vie réelle. La performance, l’acceptabilité humaine, l’intégrabilité organisationnelle et l’impact médico-économique sont systématiquement évalués avant toute diffusion.​

    Facteurs de succès et obstacles à la transformation systémique

    Les facteurs identifiés :

    • capacité de mutualisation,
    • priorisation des projets selon le potentiel de dissémination et d’impact,
    • structures de gouvernance scientifique pour arbitrer les ressources, en limitant la frustration de projets non retenus,
    • organisation du partage des innovations pour éviter leur isolement et favoriser leur diffusion multicentrique.

    Gouvernance, mutualisation et perspectives à long terme

    Une adaptation continue de la feuille de route

    La dynamique de réseau, nationale et européenne, est importante pour « donner toutes ces dimensions collectives au développement […] organiser les choses que ce soit plus suivi, plus connu ».

    L’institut adapte en continu sa feuille de route et valorise le partage d’expérience pour dépasser les limites du développement local.​

    2 défis soulevés

    • Maturité des solutions et maintien de l’esprit critique.
    • Capacité à « naviguer » entre des outils innovants sans se priver de la liberté de développer de nouveaux outils.

    Les données de santé comme gages de fiabilité

    Plusieurs intervenants dans l’auditoire rappellent la nécessité de garder l’esprit critique dans un contexte de sollicitations nombreuses par les industriels de l’IA : « Il est nécessaire […] de vérifier la fiabilité des outils. La fiabilité, ce sont les données de santé, mais ce n’est pas que ça ».​

     

  • L’Inde, laboratoire de la santé numérique : un milliard de dossiers connectés pour 1,4 milliard d’habitants

    Un système de santé en mutation sous impulsion gouvernementale

    L’Inde a engagé depuis une décennie une profonde transformation de son système de santé, portée par une vision : bâtir une infrastructure numérique unifiée au service des 1,4 milliard d’habitants. Au cœur de cette stratégie, la National Health Authority (NHA) pilote l’Ayushman Bharat Digital Mission (ABDM), lancée en 2021. Cette initiative phare vise à connecter patients, professionnels, hôpitaux et laboratoires dans un écosystème commun.

    En avril 2025, les chiffres donnent la mesure de cette ambition :

    • 770 millions de comptes ABHA (Ayushman Bharat Health Account) créés ;
    • 530 millions de dossiers de santé numérisés ;
    • 392 000 établissements et plus de 600 000 professionnels de santé enregistrés.

    La NITI Aayog, principal think tank du gouvernement, a posé les bases de cette révolution en 2018 avec le concept du National Health Stack, ancêtre de l’ABDM. Quant au Ministry of Health and Family Welfare, il supervise l’ensemble des programmes digitaux : du suivi materno-infantile (Mother and Child Tracking System) au registre national des patients tuberculeux (Nikshay), en passant par les systèmes d’information hospitaliers (HIS).

    eSanjeevani : 25 millions de téléconsultations, un modèle d’inclusion numérique

    Dans un pays où près de 65 % de la population vit en zone rurale, la télémédecine est devenue un outil d’accès essentiel. La plateforme publique eSanjeevani, déployée par le gouvernement, a permis plus de 25 millions de téléconsultations à travers 800 centres de télémédecine couvrant 95 spécialités. Ce programme illustre la volonté de réduire la fracture territoriale tout en créant un réseau de soins intégré, interopérable avec les systèmes hospitaliers publics et privés.

    Autre exemple de réussite : CoWIN, plateforme nationale de gestion vaccinale, a orchestré plus de deux milliards d’injections durant la pandémie de COVID-19. Ce système, salué à l’international, a posé les bases de la gestion numérique des campagnes de santé publique à grande échelle. Enfin, le programme d’assurance Ayushman Bharat Pradhan Mantri Jan Arogya Yojana (PM-JAY) couvre 100 millions de familles vulnérables, offrant jusqu’à 500 000 roupies par an pour des soins hospitaliers. L’intégration progressive de cette assurance dans les plateformes numériques renforce la continuité du parcours de soins.

    L’explosion des startups HealthTech : 1100 investisseurs

    L’Inde abrite aujourd’hui plus de 1 100 investisseurs actifs dans la santé numérique, dont Peak XV Partners, Accel, Prosus, Temasek ou TPG. Le secteur a levé 707 millions USD au premier semestre 2024, soit le double de 2023. Depuis dix ans, les startups HealthTech indiennes ont cumulé près de 10 milliards USD d’investissements, confirmant la maturité d’un marché désormais structuré.

    • Practo, pionnière du domaine, reste la référence. Son écosystème complet, de la prise de rendez-vous à la téléconsultation, réunit plus de 100 000 médecins et 70 000 cliniques et hôpitaux. Avec plus d’un milliard USD de dépenses générées sur sa plateforme, Practo a accompagné la croissance fulgurante du marché de la télémédecine pendant la pandémie.
    • PharmEasy, fondée en 2015, s’est imposée comme le leader de la e-pharmacie, malgré une valorisation en repli depuis son pic de 2021. Elle a levé 216 millions USD en 2024 et détient une participation majoritaire dans Thyrocare, réseau de diagnostics.
    • De son côté, Tata 1mg (rachetée par Tata Digital) est désormais numéro 1 du marché, avec 31 % de parts et une présence dans plus de 1 000 villes. Son modèle intègre vente de médicaments, téléconsultations et tests de laboratoire.
    • Enfin, MediBuddy, orientée santé d’entreprise, dessert plus de 600 sociétés et 30 assureurs, avec 3,5 millions d’abonnés. Ces plateformes combinent accessibilité, téléconsultation et suivi à distance, tout en favorisant l’essor d’un marché B2B solide.

    Les hôpitaux privés accélèrent leur virage numérique

    Les grands groupes hospitaliers indiens mènent eux aussi une transformation en profondeur. Apollo Hospitals, fondé en 1983, demeure le fer de lance du secteur. Son réseau de 71 établissements a réalisé plus d’un million de téléconsultations en 2023 et investi 1 200 crores INR (près de 145 millions USD) dans sa transformation numérique. Sa plateforme Apollo 24/7 et son programme ASK Apollo permettent un continuum de soins : téléconsultations, commande de médicaments, dossiers de santé électroniques et soins à domicile via Apollo Home Health.

    Manipal Hospitals, avec 37 hôpitaux dans 19 villes, collabore avec Google Cloud pour des solutions IA capables de réduire le temps de traitement des ordonnances de 15 à 5 minutes. Chaque jour, 60 000 entrées de données sont traitées avec une précision de 99 %, un jalon pour l’automatisation des processus hospitaliers. Max Healthcare, Fortis Healthcare et Narayana Health misent eux aussi sur la donnée et l’intelligence artificielle. Max Healthcare a déployé le premier système intégré de surveillance à distance en Inde ; Fortis déploie progressivement les dossiers médicaux électroniques (DME) dans ses hôpitaux ; Narayana Health, enfin, utilise des modèles prédictifs pour anticiper l’insuffisance cardiaque à partir d’ECG grâce à une base de 100 000 images médicales. Ces innovations traduisent la montée en puissance d’une santé prédictive et personnalisée, orientée résultats cliniques.

    Les géants technologiques mondiaux s’ancrent dans l’écosystème indien

    L’attractivité du marché indien a convaincu les grands groupes internationaux de renforcer leur présence. Google Health accompagne la montée en puissance de l’infrastructure numérique locale avec une stratégie « multi-pronged » axée sur la collaboration, l’accessibilité et la personnalisation. Son approche s’appuie sur la compréhension culturelle et le développement durable des solutions — notamment via Fitbit et les écosystèmes wellness urbains.

    • Philips Healthcare, GE Healthcare et Siemens Healthineers investissent massivement dans l’imagerie, les soins à distance et la R&D locale. Siemens, en particulier, renforce ses capacités de diagnostic avancé et d’analyse des données de patients. Du côté des acteurs numériques, Amazon Clinic et Microsoft explorent des modèles B2B basés sur le cloud : les infrastructures AWS, Azure et Google Cloud constituent aujourd’hui l’épine dorsale des hôpitaux numériques indiens.
    • Enfin, Roche et Apple Health participent à la convergence entre diagnostic, données et bien-être. Roche déploie sa plateforme Navify, intégrant IA et Lean Six Sigma pour optimiser les parcours de soins ; Apple mise sur les wearables connectés et des partenariats avec assureurs pour développer des modèles de prévention personnalisés.

    Un écosystème ouvert et internationalisé

    L’écosystème indien ne se limite plus à son territoire. De nombreuses entreprises étrangères spécialisées — bioMérieux, Vygon, Peters Surgical, Air Liquide Medical Systems ou encore NatéoSanté — participent à la structuration de l’offre locale en dispositifs médicaux et en solutions numériques. Des partenariats public-privé se multiplient, notamment autour de la World Economic Forum Healthcare Coalition India, soutenant des projets comme celui d’Apollo Hospitals dans l’État du Meghalaya pour la prise en charge du cancer. Ces collaborations internationales permettent à l’Inde de bénéficier d’un transfert de compétences et de technologies tout en consolidant son positionnement comme hub régional de l’innovation médicale.

    Un marché dynamique mais encore fragmenté

    Malgré ses avancées spectaculaires, la santé numérique indienne fait face à plusieurs défis. La fragmentation du système de soins, la variabilité des standards de données et les inégalités d’accès au numérique entre États fédérés freinent encore l’interopérabilité complète.
    L’ABDM constitue une réponse structurante, mais sa réussite dépendra de la capacité à unifier les données de santé publiques et privées tout en garantissant la confidentialité. L’adoption rapide des outils numériques par les hôpitaux et les patients, conjuguée à l’arrivée de nouveaux acteurs internationaux, pourrait cependant accélérer cette convergence.

    @Healt & Tech Intelligence