L’INESIA vise à structurer l’évaluation et la régulation de l’intelligence artificielle en France, sans créer de nouvelle entité juridique. Il réunira plusieurs acteurs clés, notamment :
Le LNE (Laboratoire national de métrologie et d’essais),
Le PEReN (Pôle d’expertise de la régulation numérique).
Placé sous la supervision du Secrétariat général de la défense et de la sécurité nationale (SGDSN) et de la Direction générale des Entreprises (DGE), l’INESIA jouera un rôle dans l’analyse des risques, la régulation et la validation des modèles d’IA.
Vers une IA de confiance et souveraine
La création de l’INESIA s’inscrit dans le prolongement de la Déclaration de Séoul pour une IA sûre, novatrice et inclusive, signée par la France en mai 2024. Il permettra à la France de s’intégrer pleinement au réseau international des AI Safety Institutes, qui regroupe déjà des pays comme les États-Unis, le Canada, le Royaume-Uni et le Japon. L’INESIA aura pour mission d’accompagner les entreprises et les institutions dans le développement d’une IA sécurisée et transparente. L’initiative vise notamment à garantir la fiabilité des modèles utilisés dans des secteurs sensibles comme la santé, l’éducation, l’industrie et l’information.
Le dossier médical partagé, ou carnet de santé numérique, est un outil qui permet de centraliser et partager les informations de santé d’un patient entre les différents professionnels de santé qui le prennent en charge. Le dossier est informatisé, sécurisé et accessible en ligne. Il doit pouvoir être consulté par le patient et les professionnels de santé autorisés. Il a pour objectif de faciliter le suivi médical, notamment pour les patients atteints de maladies chroniques. Il s’accompagne d’importants enjeux réglementaires en termes de confidentialité des données et d’interopérabilité. L’ordonnance électronique sera liée au dossier médical partagé permettant aux professionnels de santé d’accéder facilement à l’historique médical des patients. La réussite de cette initiative dépendra fortement de l’amélioration des infrastructures technologiques, notamment dans les régions où la connectivité est limitée.
53,7M de dossiers médicaux
Le rapport fait d’abord un état des lieux de sa mise en œuvre au sein de l’IMSS via un bilan chiffré : 53,7 millions de dossiers, 722 millions de notes médicales, 1,7 milliards d’ordonnances. Le dossier patient informatique est progressivement mis en place au sein de l’IMSS depuis 1999. L’ambition du ministère de la santé est de l’étendre à l’ISSSTE et l’IMSS-Bienestar afin créer un dossier médical informatisé commun aux trois assurances santé. L’IMSS travaille actuellement avec Microsoft sur la mise en place de la norme de communication d’informations de santé HL7.
Le taux de croissance annuel composé du marché des dossiers médicaux partagés au Mexique est estimé à 4%, de 1.26 milliards en 2023 à 1.66 milliards en 2030 selon les projections. Ceci est en partie dû aux nouvelles réglementations intervenues en 2023 qui imposent le respect de la confidentialité des données et des normes d’interopérabilités. La réglementation crée un environnement favorable pour le développement des dossier de santé numérique. Sur ce marché en croissance, l’entreprise “Black Book Market Research” a réalisé, via un sondage auprès de professionnels du secteur, une enquête comparative sur les différents prestataires opérant au Mexique .
Le plan santé 2024-2030 inclut également la prise de rendez-vous en ligne et la téléconsultation. Pour la téléconsultation certaines sociétés comme MedicallHome proposent des consultations téléphoniques avec des médecins à travers tout le Mexique. Cela est particulièrement utile dans les zones rurales où consulter un médecin physiquement peut s’avérer compliqué.
Avec ses 45 millions d’habitants, l’Argentine fait face à une grande disparité d’accès aux soins selon les régions. Tandis que Buenos Aires et les grandes villes disposent d’infrastructures médicales bien développées, certaines zones rurales souffrent d’un manque de professionnels de santé et d’équipements. Autre problème, l’absence d’un dossier médical unifié, empêchant un suivi des patients d’un établissement à l’autre. En centralisant les informations médicales et en développant la télémédecine, le pays espère améliorer la continuité des soins et faciliter l’accès aux services de santé. La stratégie s’appuie sur des recommandations internationales, notamment le “National eHealth Strategy Toolkit” et la “Global Strategy on Digital Health” de l’Organisation mondiale de la santé. Parmi les initiatives de cette stratégie figurent la création du portail et de l’application de santé numérique pour les citoyens “Mi Argentina/Mi Salud”.
Une transformation numérique qui s’accélère
L’Argentine n’a pas attendu 2018 pour amorcer son virage digital. Dès 2016, la création de la Couverture Universelle de Santé (CUS) a marqué une première étape, en visant à garantir un accès équitable aux soins à travers des outils numériques. Deux ans plus tard, la Stratégie Nationale de Santé Digitale est officiellement lancée par décret. Depuis, le pays a renforcé ses infrastructures numériques. Entre 2019 et 2024, des efforts ont été faits pour mettre en place des bases de données interopérables et digitaliser les dossiers médicaux. L’objectif est désormais d’accélérer cette transformation pour offrir à chaque patient un accès centralisé et sécurisé à ses informations de santé.
Une mobilisation de tous les acteurs de santé
Le succès de cette transition repose sur une collaboration entre plusieurs institutions publiques et privées. Le ministère de la Santé, qui supervise la stratégie et définit le cadre réglementaire. La Direction Nationale des Systèmes d’Information en Santé, en charge du développement technologique et de l’interopérabilité des plateformes numériques. Les organismes de santé provinciaux et municipaux, qui assurent l’implémentation locale. Ainsi que les entreprises technologiques et startups, qui développent des solutions innovantes en télémédecine, intelligence artificielle et cybersécurité.
Un plan d’action structuré en six axes
Un cadre réglementaire : La première priorité de la stratégie argentine est de définir des normes claires pour la protection des données et l’interopérabilité des systèmes. Le gouvernement travaille à unifier les bases de données médicales et à encadrer l’usage des nouvelles technologies en santé.
La numérisation des établissements de santé : L’Argentine mise sur la généralisation du dossier médical électronique, permettant à chaque patient d’accéder à ses antécédents et résultats d’examens, quel que soit l’établissement où il est pris en charge. La télémédecine est également encouragée pour améliorer l’accès aux soins dans les zones rurales.
Une meilleure accessibilité pour les patients : Des plateformes et applications mobiles sont en cours de développement pour permettre aux citoyens de consulter leurs informations de santé, prendre rendez-vous en ligne et gérer leurs traitements.
La formation des professionnels de santé : L’un des défis majeurs de cette transition est l’acculturation des soignants aux outils numériques. Le gouvernement prévoit d’intégrer la santé digitale dans les cursus universitaires et de proposer des formations continues aux professionnels.
Une interopérabilité renforcée : L’unification des bases de données et l’adoption de protocoles communs doivent permettre aux hôpitaux et aux cliniques de partager facilement et en toute sécurité les dossiers médicaux des patients.
L’innovation au cœur du projet : L’Argentine mise sur l’intelligence artificielle pour améliorer la prévention et le diagnostic des maladies. En exploitant les données de santé à grande échelle, les autorités espèrent optimiser la prise en charge des patients et renforcer les politiques de santé publique.
Plusieurs obstacles restent à surmonter. L’accès inégal aux infrastructures numériques constitue un frein, certaines régions rurales étant encore peu connectées et sous-équipées. L’interopérabilité des systèmes de santé, encore trop fragmentée, nécessite des ajustements techniques pour assurer une transition fluide, enfin, la formation des professionnels de santé pour garantir l’adoption des outils.
La reconnaissance vocale, désormais dopée à l’intelligence artificielle, apparaît comme une solution pour optimiser la production documentaire et fluidifier le travail des soignants. Elle permet une documentation plus rapide et plus fluide des dossiers patients. À l’Hôpital Européen de Marseille, l’utilisation de Dragon Medical One a permis de gagner 25% de temps dans la documentation des patients aux urgences. Le CHR d’Orléans a lui totalement éliminé l’étape de validation des comptes-rendus, libérant ainsi un temps précieux pour les médecins et les secrétaires médicaux (Nuance, les EchosEtudes).
Des dossiers patients plus complets et précis
Selon une étude menée par le cabinet Ignetica au Royaume-Uni (Nuance, NHS, South Tees Hospitals), la reconnaissance vocale améliore la qualité, la complétude et l’efficience des dossiers patients. Confirmé par une enquête menée en France, ce constat indique que :
86% des médecins estiment que leurs notes sont complètes grâce à la reconnaissance vocale.
67% des médecins rapportent que leurs patients ne voient aucun inconvénient à l’utilisation de cette technologie.
Le temps gagné par patient sur la documentation des dossiers atteint 3,5 minutes en moyenne.
À l’Hôpital Forcilles, la reconnaissance vocale a permis aux patients de repartir avec leur compte-rendu dès la fin de la consultation, alors qu’auparavant, il fallait attendre plusieurs jours.
Une documentation médicale augmentée
Une adaptation aux spécificités médicales
Les nouvelles solutions de reconnaissance vocale, comme Dragon Medical One, intègrent un vocabulaire médical spécifique, régulièrement mis à jour. Chaque médecin peut également ajouter ses propres termes, facilitant ainsi l’intégration des nouvelles molécules ou procédures médicales. Grâce à l’IA conversationnelle, ces outils s’adaptent à la voix, l’accent et le phrasé de chaque utilisateur, précis dès la première utilisation. Ces nouvelles générations d’outils, comme Dragon Medical One, utilisent des réseaux neuronaux profonds qui garantissent précision, même en environnement bruyant. Contrairement aux anciennes solutions, la reconnaissance vocale ne nécessite plus forcement d’entraînement. Elle est immédiatement opérationnelle, sans phase d’apprentissage préalable.
Un accès facilité grâce au cloud
Grace au mode SaaS, et contrairement aux logiciels installés sur chaque poste, la reconnaissance vocale est désormais accessible depuis n’importe quel terminal, y compris les smartphones et tablettes, grâce à un hébergement Hébergeur de Données de Santé (HDS). Ce modèle permet une mise à jour continue et un déploiement rapide. Par exemple, au CHU de Toulouse, 85% des 100 médecins testeurs ont adopté la solution, grâce à son ergonomie intuitive et son intégration fluide dans le dossier patient informatisé (DPI).
Whisper d’OpenAI : quand la reconnaissance vocale transforme la réalité
Si la reconnaissance vocale en milieu hospitalier offre un gain de temps aux soignants, elle présente encore des risques. Les outils de transcription automatique, comme Whisper d’OpenAI, sont déployés dans de nombreux centres médicaux pour faciliter la documentation des consultations et réduire la charge administrative des praticiens. Plus de 30 000 cliniciens et 40 systèmes de santé, dont la clinique Mankato dans le Minnesota et l’hôpital pour enfants de Los Angeles, ont adopté des solutions basées sur cette technologie (Nabla). Malgré ses promesses, Whisper présente un défaut : il a tendance à “halluciner”, c’est-à-dire à générer des informations erronées ou inexistantes. Une étude de l’Université du Michigan a révélé des erreurs dans 8 transcriptions sur 10 analysées. Un développeur a constaté des hallucinations dans presque toutes les 26 000 transcriptions qu’il a étudiées.
Un enregistrement mentionnant un “parapluie” a été retranscrit en “un gros morceau de croix… il a tué un certain nombre de personnes”, introduisant des informations complétement erronées. Whisper a également inventé des traitements médicaux fictifs comme “les antibiotiques hyperactivés”.
Les erreurs de transcription peuvent avoir des conséquences lourdes en milieu hospitalier. Alondra Nelson, ancienne responsable de la politique scientifique à la Maison Blanche, met en garde : “Personne ne veut d’un mauvais diagnostic. Il devrait y avoir une barre plus haute.” L’utilisation de la reconnaissance vocale pose aussi des problèmes d’éthique et de transparence. L’entreprise Nabla, qui propose un outil basé sur Whisper, efface les enregistrements audios d’origine, empêchant toute vérification en cas d’erreur. Pour William Saunders, ancien employé d’OpenAI, cela pose un risque majeur : “Vous ne pouvez pas détecter les erreurs si vous enlevez la vérité du terrain.”
Face aux critiques, OpenAI affirme travailler sur l’amélioration de Whisper pour réduire ces erreurs. Les chercheurs estiment que la société doit faire de la fiabilité une priorité avant de déployer ces outils à grande échelle. Par ailleurs, les appels à une réglementation de l’IA dans les applications médicales se multiplient. Des experts demandent une supervision plus stricte pour éviter que ces technologies ne compromettent la sécurité des patients.
Un marché en croissance, porté par les données, la technologie et le cloud
Le marché mondial du traitement du langage naturel (NLP) est estimé à 31,76 milliards USD en 2024 et devrait atteindre 92,99 milliards USD d’ici 2029 (tout secteur confondu) affichant un taux de croissance annuel composé (CAGR) de 23,9 % sur cette période. Dans le secteur de la santé, selon l’étude NLP in Healthcare and Life Sciences Market (Market insight Research), le marché du NLP en santé et en sciences de la vie était évalué à 2,11 milliards de dollars en 2023 et devrait atteindre 3,42 milliards de dollars en 2029, représentant une croissance de 8,5%. Cette technologie permet d’analyser et structurer les données médicales non exploitées, représentant environ 80 % des informations disponibles, et ainsi d’optimiser les processus hospitaliers, la prise de décision clinique et la gestion des patients.
Les progrès des modèles de deep learning et de machine learning permettent d’améliorer la précision du NLP dans la reconnaissance vocale, la traduction automatique et l’analyse de texte. L’essor des assistants vocaux, des chatbots et de l’analyse de sentiments pousse les entreprises à investir dans ces solutions. Les progrès des architectures et algorithmes d’apprentissage profond ont permis des avancées dans la reconnaissance d’images et le traitement de la parole, offrant de bons résultats pour les tâches complexes, notamment en santé. L’Amérique du Nord reste la région dominante du marché grâce à un écosystème technologique avancé, des investissements massifs et une adoption rapide des solutions basées sur l’IA. L’Europe et l’Asie-Pacifique accélèrent néanmoins leur transition, portées par l’essor de la télésanté, des plateformes cloud et de la médecine de précision.
Les principaux moteurs de cette expansion sont :
L’explosion des données médicales générées par les dossiers électroniques de santé (DME) et la recherche clinique.
L’intégration croissante du NLP aux solutions cloud et aux infrastructures hospitalières.
La course à l’innovation des géants technologiques (IBM, Microsoft, Google, Oracle).
Un marché structuré autour des solutions et services NLP
Le marché du NLP en santé se divise en deux grandes catégories :
Les solutions NLP, qui représentent le segment à la croissance la plus rapide. Elles incluent des outils d’analyse de texte médical, de reconnaissance vocale et de gestion des dossiers patients.
Les services NLP, qui comprennent l’intégration de solutions, la maintenance et le conseil en gestion des données.
Trois approches technologiques se partagent le marché :
Le NLP basé sur des règles, qui repose sur des dictionnaires et des algorithmes préétablis.
Le NLP statistique, qui utilise l’apprentissage automatique et les modèles probabilistes pour analyser les données textuelles.
Le NLP hybride, combinant règles linguistiques et intelligence artificielle pour améliorer la précision des analyses.
En matière de mode de déploiement, les solutions cloud s’imposent face aux infrastructures sur site, grâce à leur flexibilité et à leur capacité à traiter de grands volumes de données.
Entre domination des Big Tech et montée des spécialistes
L’essor du NLP repose sur les grandes organisations et entreprises technologiques qui investissent massivement dans ces solutions. Des acteurs majeurs comme Google, Microsoft, IBM et Amazon dominent le marché avec des plateformes avancées de NLP intégrées dans leurs offres cloud (Google Cloud Natural Language API, Microsoft Azure AI, AWS Comprehend Medical). Les investissements se concentrent sur l’apprentissage profond et les modèles de langage de nouvelle génération, capables de traiter des volumes massifs de texte et d’améliorer la compréhension du langage naturel en contexte médical. L’open source joue un rôle, avec des modèles comme BERT, GPT et BioBERT, spécifiquement entraînés pour les sciences de la vie et la recherche médicale. Toutefois, l’adoption du NLP dans la santé reste difficile pour les petites structures, freinées par le coût élevé des solutions et les exigences réglementaires strictes en matière de protection des données. Les principaux acteurs du NLP en santé sont issus de l’intelligence artificielle, du cloud computing et des technologies médicales. Parmi eux :
1. Les géants technologiques et du cloud
Merative : propose des solutions NLP intégrées aux dossiers médicaux électroniques et aux systèmes de recherche clinique.
Azure AI : acteur du cloud, Microsoft développe des outils NLP intégrés aux DME et collabore avec des institutions médicales pour l’analyse de données en temps réel.
Google Cloud : avec des modèles avancés comme Med-PaLM2, Google optimise la gestion des données cliniques et la recherche biomédicale.
Oracle et AWS : avec leurs plateformes cloud dédiées à la santé, ils offrent des infrastructures NLP adaptées aux grands établissements hospitaliers et laboratoires pharmaceutiques.
2. Les spécialistes de l’analyse et de la gestion des données médicales
IQVIA : leader de l’analyse des données en santé, IQVIA exploite le NLP pour optimiser les essais cliniques et la veille scientifique.
SAS Institute : expert en data analytics, SAS développe des solutions NLP pour l’extraction d’informations médicales et l’analyse prédictive.
Dolbey Systems et Averbis : spécialisés dans l’automatisation du codage médical et l’intelligence clinique, ces entreprises proposent des outils NLP pour améliorer la gestion des bases de données hospitalières.
3. Les acteurs émergents et les éditeurs spécialisés
Outre les grandes entreprises, plusieurs startups et éditeurs spécialisés contribuent à l’innovation sur le marché du NLP en santé. Par exemple :
Inovalon, en partenariat avec AWS, développe des solutions NLP adaptées à la gestion des risques et à la santé de la population.
Apollo Hospitals, en collaboration avec Google Cloud, exploite des modèles d’IA générative pour analyser les consultations médicales et améliorer les services hospitaliers.
Les tendances du marché du NLP en santé
L’essor du NLP en cloud : Les solutions cloud gagnent du terrain, offrant plus de flexibilité et de puissance de calcul pour le traitement des données. Les leaders du marché, comme Google, IBM et Microsoft, investissent massivement dans l’intégration du NLP à leurs services cloud.
L’IA générative et les modèles de langage avancés : L’émergence de modèles IA comme Med-PaLM2 de Google ouvre de nouvelles perspectives pour le NLP en santé. Ces outils résument automatiquement des consultations, analyser les symptômes et générer des recommandations médicales.
L’adoption croissante du NLP en télésanté : Les technologies NLP permettent d’analyser les conversations patients-soignants, de traduire automatiquement les comptes rendus médicaux et d’améliorer la compréhension des diagnostics.
Perspectives du marché : vers une domination des grands acteurs technologiques ?
Le marché du NLP en santé est en pleine consolidation, avec une croissance continue portée par l’essor de l’IA et des services cloud. Si les grands groupes technologiques dominent actuellement le secteur, les éditeurs spécialisés et startups innovantes pourraient jouer un rôle en proposant des solutions plus ciblées et adaptées aux besoins des établissements de santé.
L’avenir du marché repose sur trois axes :
L’accélération des déploiements NLP dans les hôpitaux et laboratoires pharmaceutiques.
L’évolution des cadres réglementaires pour encadrer l’exploitation des données médicales.
Le développement d’algorithmes NLP toujours plus précis et spécialisés.
Optimiser l’analyse des données médicales avec le NLP
Une grande quantité de données est produite quotidiennement, mais 80 % d’entre elles restent non structurées. Ces données proviennent de sources diverses ; des dossiers patients électroniques (DPI), des comptes rendus médicaux, des publications scientifiques et des échanges entre professionnels de santé. Sans structuration, leur exploitation est limitée, freinant l’efficacité du système de soins et la prise de décision clinique. Le NLP permet de transformer ces documents en informations utilisables en extrayant des éléments essentiels, en les organisant et en facilitant leur recherche. Par exemple, un hôpital générant des centaines de comptes rendus d’examens quotidiens (IRM, scanners, prises de sang) peut automatiser leur classement selon les pathologies associées, permettant aux médecins d’accéder rapidement aux données pertinentes. Un laboratoire pharmaceutique analysant des milliers d’articles scientifiques peut identifier les thématiques émergentes et les tendances en matière de nouvelles thérapies.
Classer les documents pour mieux structurer l’information
Le classement de texte permet d’assigner automatiquement une catégorie à un document en fonction de son contenu. Dans le cadre médical, cette technologie permet d’organiser les informations et d’accélérer leur traitement. Dans les services hospitaliers, les dossiers médicaux des patients sont parfois difficiles à exploiter. L’intégration du NLP dans les dossiers permet par exemple de catégoriser ces documents en fonction de la spécialité médicale concernée (neurologie, cardiologie, oncologie) ou du type d’acte réalisé (consultation, imagerie, biologie). Cela facilite la récupération des antécédents médicaux et améliore la coordination entre les professionnels de santé. L’analyse des sentiments est un autre champ d’application du NLP dans le classement de texte. Les établissements de santé collectent des avis et témoignages de patients afin d’évaluer la qualité des soins. Ces retours peuvent être classés automatiquement en sentiments positifs, neutres ou négatifs, mettant en évidence les points à améliorer dans l’expérience. Les technologies employées pour ces tâches vont des algorithmes d’apprentissage automatique supervisé, comme les SVM ou les arbres de décision, jusqu’aux modèles de deep learning tels que BERT ou GPT, qui offrent une compréhension fine du langage médical.
Reconnaissance d’entités : identifier les données médicales clés
La reconnaissance d’entités nommées (NER) permet d’extraire automatiquement des informations essentielles telles que les noms de médicaments, les pathologies, les traitements et les dates clés à partir de textes médicaux. Cette technologie est utile pour les dossiers patients électroniques, où elle permet d’extraire et de structurer des informations dispersées dans les comptes rendus des consultations. Dans un hôpital, une infirmière cherchant un antécédent précis dans un dossier volumineux pourrait perdre du temps en naviguant manuellement à travers les documents. Un moteur de recherche basé sur la reconnaissance d’entités nommées permettrait d’identifier instantanément tous les passages où un traitement spécifique ou une pathologie est mentionné. La pharmacovigilance bénéficie aussi du NLP grâce à l’extraction automatique d’informations dans des publications scientifiques et des bases de données médicales. En appliquant la reconnaissance d’entités, il devient possible de repérer et d’analyser rapidement les signalements. Les approches utilisées pour cette tâche combinent des modèles basés sur des règles (dictionnaires de termes médicaux) et des algorithmes de deep learning comme les réseaux neuronaux BiLSTM ou les Transformers (BERT, RoBERTa), qui permettent une analyse fine et contextuelle des données textuelles.
Modélisation thématique : détecter les tendances en santé
La modélisation thématique regroupe automatiquement les documents médicaux selon leurs sujets principaux, facilitant l’identification de tendances émergentes en recherche médicale et en pharmacovigilance. Le NLP analyse et regroupe les thématiques spécifiques, les publications scientifiques dans un domaine précis, permettant d’identifier les axes de recherche dominants et les tendances émergentes. L’organisation des dossiers médicaux bénéficie de cette technologie. Un centre hospitalier qui cherche à mieux structurer ses archives peut utiliser la modélisation thématique pour regrouper automatiquement les comptes rendus selon les pathologies, facilitant la gestion et la recherche d’informations. Les modèles les plus couramment utilisés pour ces tâches incluent LDA (Latent Dirichlet Allocation), qui repose sur une approche probabiliste, et NMF (Non-Negative Matrix Factorization), une alternative rapide et efficace pour l’identification de thèmes.
L’extraction de relations sémantiques : identifier les liens
L’extraction de relations sémantiques est une technique qui permet d’identifier et de structurer les liens entre différentes entités dans un texte. Elle va au-delà de la simple reconnaissance d’entités en établissant des connexions sémantiques entre elles. Elle peut détecter des relations entre un médicament et ses effets secondaires, une maladie et ses symptômes, ou encore un gène et une pathologie. En s’appuyant sur des modèles linguistiques avancés et des algorithmes d’apprentissage automatique, l’extraction de relations permet d’enrichir les bases de connaissances, d’améliorer la recherche d’information et d’optimiser la prise de décision clinique.
Déjà déployées dans certains hôpitaux, laboratoires pharmaceutiques et instituts de recherche, les techniques de NLP automatisent l’analyse de dossiers patients, optimisent les diagnostics et accélèrent la recherche médicale. L’adoption à grande échelle ne va pas sans obstacles. Interopérabilité des systèmes, protection des données sensibles et réticence des professionnels de santé freinent encore son déploiement.
Les principales applications du NLP dans le secteur médical
Moins d’administratif, plus de temps pour les patients
L’une des applications les plus concrètes du NLP en santé est la reconnaissance vocale intégrée aux dossiers médicaux électroniques (DME). Ces outils permettent aux médecins de dicter directement leurs observations, évitant ainsi une saisie manuelle. L’hôpital Concord, aux États-Unis, a ainsi déployé la solution Dragon Medical One de Nuance. Résultat : 75 % des soignants ont constaté une amélioration notable de la précision et de la rapidité de leur documentation. Le temps consacré aux tâches administratives a été réduit de moitié.
Structurer les données cliniques pour une meilleure prise en charge
Les dossiers patients, comptes rendus médicaux et publications scientifiques contiennent beaucoup d’information, mais leur format souvent non structuré complique leur exploitation. Le NLP permet d’extraire ces données et de les organiser automatiquement, facilitant ainsi leur analyse. L’atout réside dans l’intégration de la reconnaissance optique de caractères (OCR), qui transforme les documents papier ou manuscrits en fichiers numériques exploitables. Ce procédé réduit les erreurs humaines et améliore l’accès aux données.
Un soutien à la prise de décision médicale
Au-delà de la documentation, le NLP joue un rôle dans l’aide à la décision clinique. En analysant les symptômes et l’historique des patients, les algorithmes peuvent proposer des recommandations médicales en temps réel. Dans les hôpitaux, cette technologie est utilisée pour anticiper les besoins en lits en analysant les motifs d’admission et les tendances pathologiques.
Automatiser le codage médical et la facturation
Le codage médical, pour la facturation et le remboursement des soins, repose traditionnellement sur le travail humain. Aujourd’hui, des solutions comme 3M 360 Encompass exploitent le NLP pour extraire automatiquement les données pertinentes des notes médicales et générer les codes d’assurance correspondants. Cette automatisation permet de réduire les erreurs de facturation, de diminuer la charge administrative des établissements de santé et d’accélérer les remboursements des soins aux patients.
Accélérer les essais cliniques et la découverte de traitements
De nombreuses études sont retardées faute de participants. Le NLP apporte une solution en analysant les dossiers médicaux et en identifiant automatiquement les candidats éligibles. La plateforme Inspirata utilise cette technologie pour filtrer les patients en fonction des critères d’éligibilité des études cliniques, accélérant ainsi le recrutement et le lancement des essais. Au-delà du recrutement, le NLP joue aussi un rôle dans la découverte de nouveaux médicaments. Des entreprises comme Lymba, basée au Texas, exploitent cette technologie pour analyser des millions de publications scientifiques et bases de données génétiques, détectant ainsi de nouvelles associations entre maladies et traitements.
Vers une médecine plus centrée sur l’expérience patient
L’amélioration de l’expérience patient passe aussi par une meilleure prise en compte des avis et ressentis. Grâce au NLP, les établissements de santé peuvent analyser automatiquement les commentaires post-consultation, les avis en ligne ou encore les témoignages sur les réseaux sociaux. Cette approche permet d’identifier les points d’insatisfaction récurrents – temps d’attente trop long, manque de communication avec les équipes médicales – et d’ajuster les services hospitaliers en conséquence.
Des défis à relever pour une adoption généralisée
Spécificité du langage médical : Le jargon médical, les acronymes et les abréviations varient d’un établissement à l’autre, rendant difficile l’entraînement des algorithmes. Par exemple, un même mot peut avoir une signification différente en fonction du contexte.
Interopérabilité des systèmes : De nombreux hôpitaux utilisent encore des systèmes d’information vieillissants, rendant complexe l’intégration des outils de NLP avec les bases de données existantes.
Sécurisation des données médicales : Le traitement automatisé des données de santé pose des questions éthiques et réglementaires. Les technologies NLP doivent garantir la confidentialité des données patients et être conformes aux réglementations comme le RGPD en Europe ou la HIPAA aux États-Unis.
Risque de biais des algorithmes : Comme toute technologie d’intelligence artificielle, le NLP peut intégrer des biais si les modèles sont entraînés sur des bases de données déséquilibrées. Par exemple, une étude a montré que les algorithmes de diagnostic pouvaient sous-évaluer les besoins des patients noirs, en raison d’un historique de dépenses médicales moindres pour cette population.
Enfin, l’acceptation par les professionnels de santé : L’IA doit être perçue comme un outil d’aide à la décision et non comme un substitut à l’expertise humaine. Des efforts sont nécessaires pour former les praticiens et leur fournir des solutions adaptées à leurs besoins quotidiens.
Malgré ces défis, le marché du NLP en santé poursuit son essor avec une adoption dans les hôpitaux et laboratoires pharmaceutiques. Les solutions de reconnaissance vocale, d’analyse de texte et de modélisation thématique se perfectionnent, offrant aux professionnels de santé des outils puissants pour optimiser leur travail et améliorer les soins aux patients. Les prochaines années verront probablement une intégration plus poussée du NLP dans les plateformes de télémédecine, les systèmes de gestion hospitalière et les programmes de santé publique.
En mai 2021, le Comité technique de l’innovation en santé de l’Article 51 a mandaté un groupe de sept experts issus du monde académique et administratif pour une réflexion prospective sur le déploiement, le financement et la régulation de la télésurveillance en France.
Ce travail s’appuie sur :
l’analyse d’expérimentations de l’Article 51,
l’étude des effets des technologies et des modèles de rémunération,
une revue de littérature,
ainsi que des échanges avec des experts internationaux.
Entre juin 2021 et février 2023, le groupe a tenu 15 séances de travail pour explorer la valeur créée par la télésurveillance et ses implications organisationnelles et économiques. Une note prospective, rédigée sous la direction de Dominique Polton et du Pr. Étienne Minvielle, propose une synthèse des travaux, soulève des questions sur les modèles de financement et d’évaluation, et esquisse des alternatives inspirées d’expériences étrangères. Sans trancher définitivement, elle vise à éclairer les décideurs sur les enjeux et évolutions possibles de la télésurveillance dans le cadre du droit commun.
Dans cet article, H&TI reviendra sur les points saillants de ce rapport, afin d’analyser ses conclusions et d’en évaluer les implications pour l’écosystème de santé numérique en France.
Une transformation organisationnelle à intégrer
La TLS n’est pas seulement une technologie, elle introduit également une réorganisation des soins. Elle permet de déléguer certaines tâches aux infirmiers et d’autonomiser les patients, ce qui réduit le recours aux consultations médicales traditionnelles. Par exemple, dans le cadre du programme CAPRI, cette approche a permis d’améliorer la qualité des soins pour les patients atteints de cancer tout en réduisant les hospitalisations, avec une économie de 669 € par patient.
Le modèle économique actuel et ses limites
En France, le financement de la TLS repose sur un double système : un forfait « opérateur » pour rémunérer les structures de soins et un forfait « exploitant » pour les éditeurs de solutions numériques. Bien que ce modèle favorise l’implémentation de la TLS, il présente plusieurs limites.
Calibrage des forfaits : Les forfaits alloués aux opérateurs sont souvent jugés insuffisants pour couvrir les coûts du personnel, tandis que les forfaits destinés aux exploitants peuvent être perçus comme déséquilibrés par rapport à leurs coûts réels.
Fragmentation des financements : Le financement par pathologie conduit à l’achat de solutions spécifiques pour chaque besoin, ce qui peut générer des coûts supplémentaires à long terme.
Risques liés à la rémunération directe : Le modèle actuel, basé sur un paiement par patient pour les industriels, pourrait entraîner des comportements inflationnistes ou créer une dépendance économique envers certains fournisseurs.
Modèles internationaux et approches alternatives
Des pays comme le Canada et les États-Unis ont adopté des approches différentes pour financer la TLS. Au Canada, la TLS est intégrée aux fonctionnalités génériques des dossiers médicaux électroniques, réduisant les coûts et favorisant une approche centralisée. Aux États-Unis, un système détaillé de codes pour chaque étape de la TLS (éducation, collecte et analyse des données, suivi) structure le financement, permettant une facturation précise et adaptée.
Vers un financement global
Une des propositions du rapport est de passer à un modèle de financement global basé sur le parcours de soins, plutôt qu’une rémunération spécifique à la TLS. Cette approche simplifierait la gestion et encouragerait une meilleure coordination entre les différents acteurs de santé. Le financement global pourrait inclure la TLS, mais aussi d’autres outils et innovations organisationnelles, en mettant l’accent sur les résultats obtenus plutôt que sur des actes spécifiques.
Une technologie en phase d’apprentissage
Le rapport indique que la TLS est encore en phase de développement. Il est essentiel de maintenir une flexibilité dans son évaluation et son financement pour permettre l’émergence des pratiques les plus efficaces. L’intelligence artificielle, par exemple, pourrait à terme redéfinir certains aspects de la TLS, en particulier dans le tri et la gestion des patients.
La télésurveillance médicale représente une méthode efficace pour moderniser les systèmes de santé et améliorer la prise en charge des patients. Son développement dépendra d’une adaptation des modèles économiques actuels, en favorisant des financements globaux et une répartition équilibrée des bénéfices entre les acteurs. L’expérimentation et l’évaluation est essentielles pour garantir un déploiement durable et optimal de cette technologie.
Des résultats prometteurs, mais variables selon les spécialités
Selon une évaluation de la Haute Autorité de Santé (HAS), la télésurveillance démontre des bénéfices mesurables sur la qualité de vie des patients, la prise en charge des pathologies chroniques et les économies hospitalières. Fondé sur une revue systématique de la littérature internationale, le rapport ; “évaluation économique de la télésurveillance pour éclairer la décision publique : quels sont les choix efficients au regard de l’analyse de la littérature” guide les décideurs publics et les professionnels de santé dans le déploiement de ces solutions. L’étude a analysé 65 publications issues majoritairement de pays anglo-saxons. Malgré une forte prédominance de recherches étrangères, les résultats sont clairs : au global, la télésurveillance est associée à des gains en termes de qualité de vie et de réduction des coûts dans plusieurs spécialités médicales.
La télésurveillance s’est révélée particulièrement efficiente, avec 72 % des études internationales montrant des gains en qualité de vie et des réductions des coûts de santé. Ces économies sont largement attribuables à la diminution des hospitalisations, à l’optimisation des consultations et à la prévention des complications évitables. En cardiologie par exemple, la télésurveillance réduit les hospitalisations pour insuffisance cardiaque aiguë de 57,8 % à 35,6 % selon l’étude SCAD (Suivi cardiaque à domicile), tout en améliorant les indicateurs de qualité de vie, mesurés en QALY (Quality Adjusted Life Years). Dans le cas des BPCO (bronchopneumopathies chroniques obstructives), des résultats similaires sont observés, avec une diminution des exacerbations graves et des admissions hospitalières. En diabétologie, les systèmes connectés, tels que les dispositifs de surveillance de la glycémie, contribuent à une meilleure gestion des patients, réduisant les complications liées à un contrôle insuffisant de la maladie. Ces bénéfices thérapeutiques se traduisent également par des impacts économiques mesurables à long terme.
Insuffisance cardiaque : des résultats probants pour les cas sévères
L’étude OSICAT, réalisée sur près de 1 000 patients en France, a mis en évidence l’impact positif de la télésurveillance sur les patients souffrant d’insuffisance cardiaque. Les résultats montrent une réduction de 20 à 30 % de la mortalité par rapport aux méthodes de suivi traditionnelles. Dans une autre étude, le taux de ré-hospitalisation est passé à 26 % pour les patients sous télésurveillance, contre 53 % pour ceux du groupe témoin. Ces données soulignent l’efficacité de la télésurveillance dans la gestion de cette maladie, mais aussi son rôle dans l’amélioration de la qualité de vie des patients, comme le rapporte la Haute Autorité de Santé (HAS). En revanche, les études menées par le New England Journal of Medicine et The Lancet ont montré des résultats moins favorables pour les systèmes de suivi asynchrone, où les alertes sont traitées avec un certain délai. Ces dispositifs n’ont pas réussi à démontrer de différence significative par rapport au suivi conventionnel, ce qui souligne l’importance de la rapidité de l’intervention et de l’accompagnement thérapeutique dans les cas d’insuffisance cardiaque sévère.
Hypertension artérielle et troubles du rythme cardiaque : l’impact de la télésurveillance sur l’HTA et les DAI
L’hypertension artérielle chronique non contrôlée bénéficie également de la télésurveillance :
L’étude TASMINH2 a démontré que la combinaison de la télésurveillance et de l’autogestion améliore le contrôle de la tension artérielle.
Après 5 ans, plus de 75% des patients sont restés observants, tant dans l’automesure que dans l’adaptation du traitement.
Une étude a montré une baisse de la pression artérielle : 18 mmHg pour la systolique et 6 mmHg pour la diastolique.
Pour les patients porteurs d’un défibrillateur automatique implanté (DAI), la télésurveillance apporte des bénéfices notables :
Réduction du nombre de chocs inappropriés, ce qui a un impact favorable sur le myocarde des patients.
Amélioration de la sécurité de l’usage du DAI.
Diminution du nombre de consultations en face à face, facilitant ainsi le suivi des patients.
Diabète : des bénéfices démontrés
La télésurveillance a montré des résultats encourageants dans le suivi des diabètes de type 1 et 2. Des études ont documenté une amélioration des niveaux d’HbA1c chez les patients bénéficiant d’un suivi régulier par télémédecine. Par exemple, les jeunes diabétiques de type 1 ont vu leur taux d’HbA1c s’améliorer en six mois, permettant d’espérer une réduction du risque de complication dégénératives d’environ 25%. En outre, pour le diabète gestationnel, la télésurveillance contribue à limiter les complications néonatales. L’impact de la télésurveillance sur le diabète est positif, avec un coût acceptable par rapport aux bénéfices. Les économies générées par la réduction des complications compensent les coûts de télésurveillance (3 300 $ d’économies par patient grâce à la réduction des complications).
Insuffisance rénale et respiratoire : amélioration de l’observance
Dans le domaine des maladies pulmonaires chroniques, la télésurveillance a été associée à une réduction des hospitalisations et à une amélioration de la capacité physique des patients. Une revue systématique a conclu que ces systèmes permettent un suivi plus efficace et une intervention rapide lors de l’apparition de symptômes aigus, ce qui est important pour cette population vulnérable. Les troubles respiratoires chroniques, tels que la BPCO (bronchopneumopathie chronique obstructive) et les apnées du sommeil, sont également des domaines où la télésurveillance montre de bons résultats. En surveillant des paramètres comme les saturations en oxygène et les flux respiratoires, la télémédecine permet une gestion plus proactive des crises et une meilleure observance des traitements.
En néphrologie la télésurveillance médicale permet :
Une détection précoce des complications, ce qui permet une intervention rapide pour éviter l’aggravation de l’état.
Une réduction des hospitalisations non programmées, grâce à un suivi continu et des alertes en cas de données critiques.
Une amélioration de la qualité de vie des patients, notamment en diminuant les déplacements fréquents pour les consultations et en renforçant leur autonomie.
La télésurveillance est efficace cliniquement, mais son coût d’implémentation reste un frein. Les coûts sont encore trop élevés pour justifier un remboursement systématique dans certains pays. Des efforts d’optimisation des dispositifs et de réduction des coûts opérationnels sont nécessaires pour améliorer l’efficience.
Oncologie : un suivi personnalisé pour une meilleure qualité de vie
Une étude récente sur l’impact de la télésurveillance en oncologie a montré que 88,4 % des patients ont constaté une amélioration d’au moins deux niveaux sur l’échelle PRO-CTCAE à 5 points. Cette étude, réalisée dans 33 centres en France et en Belgique, souligne l’importance d’un suivi régulier pour améliorer la gestion des symptômes liés au cancer. Elle a été menée sur près de 1 500 patients atteints de cancer du poumon ou du sein, et montre que le suivi à distance permet une réduction de 10 à 15 % des hospitalisations non prévues. Par ailleurs, 94,6 % des alertes concernant des symptômes graves ou en aggravation signalés ont entraîné une amélioration dans les deux semaines suivant leur activation.
@ Health and Tech Intelligence
Des bénéfices avérés mais une structuration nécessaire
L’analyse de la HAS indique que 33 études (sur 61) concluent à une efficacité accrue et une diminution des coûts grâce à la télésurveillance. Par exemple, pour l’insuffisance cardiaque, la télésurveillance permettrait une économie moyenne de 1 051€ par patient sur 6 mois. Les bénéfices économiques se traduisent notamment par :
Une réduction des hospitalisations et des consultations en présentiel.
Une optimisation du temps médical.
Une diminution des déplacements des patients.
Un modèle à stabiliser
Les études disponibles confirment une réduction des hospitalisations, une amélioration de l’observance des traitements et in fine une meilleure qualité de vie pour les patients atteints de maladies chroniques. Bien que les coûts initiaux de mise en place de ces systèmes soient parfois élevés, les économies à long terme, notamment en matière de réduction des hospitalisations et de déplacements, pourraient compenser ces investissements.
Toutefois, le rapport met en lumière une variabilité des résultats selon les pathologies et les contextes d’utilisation. La qualité méthodologique des études, bien que jugée acceptable dans plus de 60 % des cas, reste hétérogène. Des limites importantes sont relevées, notamment des horizons temporels souvent courts, un échantillonnage parfois restreint et un manque d’analyses de sensibilité. Ces lacunes nuisent à la robustesse des conclusions et compliquent leur transposition au contexte français. Une autre limite majeure est le manque de données nationales. Cela souligne l’importance de renforcer les évaluations médico-économiques dans un cadre local, pour mieux adapter les outils aux spécificités du système de santé français.
Face à ces constats, la HAS recommande une structuration renforcée du déploiement de la télésurveillance. Cela inclut une meilleure formation des professionnels de santé, une éducation adaptée des patients et une coordination efficace entre les parties prenantes – professionnels de santé, industriels et autorités publiques. Par ailleurs, une harmonisation des pratiques et des méthodologies est essentielle pour assurer des résultats comparables et maximiser les bénéfices.
En septembre 2024, le ministère de la Santé saluait “la bonne dynamique” post-généralisation avec 1 890 opérateurs engagés dans la télésurveillance.
Dans le domaine de la télésurveillance médicale, 2014 marque le lancement de l’expérimentation « ETAPES » (Expérimentation de télémédecine pour l’amélioration des parcours en santé). Soutenu par l’Assurance Maladie, ce programme a testé sur plusieurs années l’efficacité de la télésurveillance pour des pathologies spécifiques, notamment les maladies cardiovasculaires, respiratoires et rénales. Les résultats ont contribué à structurer le cadre réglementaire et le financement de la télésurveillance, notamment avec la prise en charge par l’Assurance Maladie pour certaines conditions médicales. Depuis, la télésurveillance a continué de s’étendre, portée par les avancées technologiques, la généralisation des objets connectés et la reconnaissance progressive de son utilité dans l’amélioration des parcours de soins.
@ ministre du Travail, de la Santé, des Solidarités et des Famille
Un cadre pour la télésurveillance médicale
ETAPES permet aux patients souffrant de maladies chroniques de bénéficier d’un suivi à distance grâce à des dispositifs médicaux connectés. Les technologies transmettent en temps réel des données de santé, comme la glycémie, la pression artérielle ou la fonction respiratoire, aux professionnels de santé, qui peuvent réagir rapidement en cas d’alerte.
Le programme cible cinq pathologies pour lesquelles la télésurveillance a déjà montré des résultats pertinents :
Insuffisance cardiaque chronique : un suivi à distance peut réduire les hospitalisations évitables et améliorer la qualité de vie des patients.
Insuffisance respiratoire chronique : notamment dans la BPCO (bronchopneumopathie chronique obstructive) et les apnées du sommeil, avec des dispositifs mesurant les flux respiratoires et les saturations en oxygène.
Insuffisance rénale chronique : la télésurveillance facilite la gestion des dialyses à domicile, réduisant les complications liées à l’équilibre hydrique.
Diabète : des systèmes comme Freestyle Libre ou Diabeloop permettent un meilleur contrôle glycémique et préviennent les complications à long terme.
Dispositifs médicaux implantables actifs : tels que les stimulateurs ou défibrillateurs cardiaques, permettant une surveillance continue des arythmies et une réduction des risques d’AVC.
Un dispositif centré sur les patients et les professionnels
Le programme ETAPES s’articule autour de plusieurs éléments :
Les dispositifs connectés, adaptés à chaque pathologie, permettent de collecter des données en temps réel.
Une équipe médicale dédiée analyse ces données et intervient en cas d’anomalie, évitant des complications potentielles.
Une coordination renforcée entre les différents acteurs du parcours de soins (médecins, infirmiers, spécialistes) assure une prise en charge rapide et personnalisée.
Outre l’amélioration de la qualité des soins, ETAPES répond à des objectifs organisationnels. En diminuant le nombre de consultations inutiles et les hospitalisations imprévues, il soulage les professionnels de santé.
Des progrès cliniques et organisationnels
Depuis son lancement, le programme ETAPES a montré des avancées dans plusieurs aires thérapeutiques. Par exemple, dans la gestion de l’insuffisance cardiaque, la télésurveillance synchrone a réduit de 35 % les hospitalisations liées à des décompensations cardiaques aiguës. Dans le domaine de l’insuffisance rénale, des solutions ont permis de réduire de 20 % les complications liées à la dialyse à domicile. Les patients, moins contraints par des déplacements fréquents vers les centres de dialyse, rapportent une amélioration de leur qualité de vie. En oncologie, bien que moins directement concerné par le programme ETAPES, le suivi numérique des effets secondaires a montré une augmentation de 25 % de la qualité de vie des patients.
Jusqu’en 2022, le programme a fait l’objet d’une évaluation médico-économique, avec un rapport présenté au Parlement pour décider de sa généralisation. Les indicateurs analysés incluent :
L’impact clinique : réduction des complications, hospitalisations et mortalité.
La qualité de vie des patients : satisfaction, autonomie, confort.
L’efficience économique : économies générées par la diminution des hospitalisations et des transports médicaux.
Les résultats sont encourageants mais certains défis subsistent. Les coûts initiaux d’installation des dispositifs connectés et la formation des professionnels représentent un investissement important. L’adhésion des patients nécessite un accompagnement adapté, notamment pour les populations âgées ou moins familiarisées avec les outils numériques.
ETAPES visait donc à expérimenter et évaluer la télésurveillance médicale afin de préparer son déploiement à plus grande échelle, en définissant un cadre tarifaire et organisationnel adapté. Depuis le 1er juillet 2023, la télésurveillance est remboursée en droit commun pour plusieurs des pathologies chroniques évoquées.
