Analyse

  • Chine : un essai sur 1 584 examens valide une IA d’aide au dépistage des malformations cérébrales

    Selon un essai randomisé publié dans The Lancet Digital Health le 10 septembre 2026, l’outil d’IA chinois PAICS améliore la détection de dix malformations intracrâniennes fœtales par les échographistes. L’essai a été mené entre le 6 septembre 2022 et le 1er novembre 2023 dans cinq centres de diagnostic prénatal. Il porte sur 1 584 examens de grossesses à haut risque, réalisés par 29 échographistes, et serait selon les auteurs le premier essai randomisé à évaluer une IA d’échographie prénatale.

    Pourquoi cela compte : l’essai mesure ce que l’IA apporte à l’échographiste pendant l’examen, ce que les tests sur images archivées ne permettent pas. Il répond aussi à une crainte fréquente : l’IA n’a pas réduit la détection des anomalies qu’elle ne cible pas. C’est la preuve à demander à un éditeur, valable ici en grossesse à haut risque.

    Un essai qui évalue l’échographiste assisté, pas l’algorithme seul

    Les IA d’échographie prénatale sont le plus souvent validées sur des images déjà enregistrées. Ici, pour chaque patiente, le même échographiste a posé deux diagnostics, l’un pendant l’examen, l’autre en relisant la vidéo quatre semaines plus tard. L’IA n’intervenait que dans l’un des deux, ce qui permet de comparer chaque opérateur à lui-même. La référence était l’avis d’un panel de trois experts.

    Des gains nets sur les anomalies fréquentes et au deuxième trimestre

    Avec l’IA, la sensibilité passe de 78,6 % à 87,3 % dans l’analyse par fœtus, et de 69,6 % à 81,4 % dans l’analyse par malformation. La spécificité, qui mesure la capacité à ne pas signaler une anomalie absente, reste stable. Le gain est net pour les anomalies courantes, comme la ventriculomégalie légère (+14,4 points), mais n’est pas significatif pour les plus rares. Il apparaît entre 14 et 27 semaines et chez les femmes dont l’IMC est inférieur à 25, là où l’image est de meilleure qualité. Les échographistes ont écarté 53 de ses 83 fausses alertes.

    Un marché où la France compte déjà deux acteurs

    PAICS reste un outil de recherche. Or le marché de l’IA en échographie fœtale est occupé par des entreprises disposant d’autorisations réglementaires et d’appuis industriels, dont deux start-up françaises. Sonio, autorisée par la FDA en août 2023, (qui a été rachetée par Samsung Medison en 2024) et BrightHeart, spécialisée dans le cœur fœtal.

    Transposabilité France / Europe

    En France, le dépistage repose sur trois échographies, à 11–13 SA + 6 jours, 20–25 SA et 30–35 SA, encadrées par des référentiels d’images, de compte rendu et d’audit. Les anomalies suspectées sont adressées à l’un des 48 centres pluridisciplinaires de diagnostic prénatal (CPDPN). Un outil comme PAICS s’insérerait dans une plateforme opérationnelle, hospitalière ou territoriale, utilisée pendant l’examen, en amont de l’adressage au CPDPN. Le modèle d’évaluation de PAICS est applicable en France à trois conditions. Chacune suppose de préciser un référentiel ou de désigner un référent :

    • Les dix malformations de l’essai doivent être rapprochées des référentiels de la CNEOF, et l’éditeur doit tracer chaque alerte de l’IA et chaque décision de l’échographiste.
    • Une responsabilité opérationnelle identifiée. Chaque établissement ou réseau de périnatalité doit désigner qui valide le diagnostic, qui déclare les incidents et qui décide des mises à jour de l’outil.
    • Une évaluation avec un comparateur adapté au bénéfice revendiqué. Pour un gain de détection, le comparateur est l’échographiste non assisté, comme dans l’essai. Pour un gain d’organisation, c’est le parcours actuel jusqu’au CPDPN. La grille descriptive de la HAS pour les dispositifs médicaux intégrant de l’IA offre un point d’appui.

    Source : The Lancet Digital Health, publication scientifique (10 septembre 2026) – fiabilité : publication évaluée par les pairs

  • Cancer de la prostate : une IA éviterait 18,9 % des biopsies sur les lésions PI-RADS 3

    Le 26 septembre 2026, la revue European Radiology a publié une étude comparant DeepHealth Prostate Suite, un logiciel d’IA commercialisé, à la classification PI-RADS établie par les radiologues pour détecter les cancers de la prostate cliniquement significatifs sur IRM. Menée de façon rétrospective sur 787 hommes examinés entre 2014 et 2025 en Allemagne, aux Pays-Bas et aux États-Unis, elle confronte chaque lecture au résultat de la biopsie ou de la chirurgie. Sa nouveauté tient à l’analyse lésion par lésion et à la modélisation du tri des biopsies, notamment pour les lésions équivoques classées PI-RADS 3.

    Les lésions PI-RADS 3, principal terrain d’usage

    L’échelle PI-RADS classe les lésions de 1 (cancer très improbable) à 5 (cancer très probable). La catégorie 3 regroupe les cas incertains : selon la source, leur interprétation varie fortement selon le lecteur et conduit à des recommandations de biopsie divergentes. Selon l’étude, c’est sur ces lésions que l’IA apporterait le plus. Elle a reclassé à un niveau de risque supérieur 93,1 % des lésions cancéreuses et attribué un risque faible à 24,1 % des lésions bénignes. Une stratégie ciblée sur cette catégorie aurait évité 18,9 % des biopsies tout en conservant une sensibilité de 98,4 %, c’est-à-dire en détectant toujours 98,4 % des cancers significatifs.

    Fiable pour identifier le patient, moins pour localiser la lésion

    Au niveau du patient, l’IA est jugée non inférieure aux radiologues : elle repère 97,6 % des hommes atteints, contre 92,6 %. Au niveau de la lésion en revanche, sa sensibilité est de 78,8 %, contre 88,8 % pour les radiologues. Or c’est la localisation précise de la lésion qui guide l’aiguille lors de la biopsie. Par ailleurs, au seuil retenu, l’IA classe « à risque » de nombreux patients sans cancer significatif : sa spécificité est de 19,7 %, contre 48,4 % pour un score PI-RADS supérieur ou égal à 4. Les auteurs la positionnent ainsi comme une aide au tri, la cartographie des lésions restant sous la responsabilité du radiologue.

    Un outil pour homogénéiser la lecture hors des centres experts

    Selon les auteurs, la variabilité de lecture de PI-RADS est plus marquée chez les radiologues généralistes et en cabinet de ville. En pratique, les cliniciens regroupent déjà les cinq catégories en trois, ce que l’IA produit directement. L’étude a porté sur des IRM de cinq constructeurs, un atout pour des parcs d’équipements hétérogènes. Une réserve toutefois : les radiologues de l’étude avaient généralement interprété plus de 1 000 IRM de la prostate. Le bénéfice auprès de lecteurs moins expérimentés reste donc à démontrer.

    Une preuve solide, à confirmer en conditions réelles

    L’étude présente plusieurs garanties : trois pays, des seuils de l’IA fixés à l’avance sans ajustement, et le respect des standards de publication STARD et CLAIM. Elle reste toutefois rétrospective. L’IA n’a pas été utilisée dans les soins courants et les radiologues n’avaient pas accès à ses résultats. Sur 3 745 lésions décrites par les radiologues, 1 168 ont pu être appariées et analysées avec un résultat histologique complet. Enfin, la principale cohorte (504 patients) provient de 13 centres RadNet, groupe dont DeepHealth serait une filiale. Des évaluations indépendantes permettraient de conforter ces résultats.

    DeepHealth, un modèle intégré qui consolide le marché

    DeepHealth illustre un modèle dans lequel un opérateur de centres d’imagerie développe, valide sur ses propres données et commercialise ses outils d’IA. Son module Prostate AI aurait obtenu en mai 2026 le marquage CE et l’autorisation 510(k) de l’agence américaine FDA, et la suite serait utilisée dans l’essai britannique de dépistage TRANSFORM. Le groupe aurait également racheté l’américain iCAD et le français Gleamer. Ce modèle pourrait avantager les acteurs disposant de grands volumes de données et fragiliser les éditeurs spécialisés sur un seul organe.

    Un enjeu pour un futur dépistage organisé

    L’étude porte sur des hommes déjà orientés vers une biopsie, et non sur une population dépistée. Le projet européen PRAISE-U promeut en effet un dépistage fondé sur le risque, associant dosage du PSA et IRM. Si ce modèle se diffusait, le nombre d’IRM à interpréter augmenterait et la disponibilité des radiologues deviendrait un facteur limitant, que l’IA pourrait contribuer à desserrer.

    Source : European Radiology, publication scientifique (26 septembre 2026) – fiabilité : publication évaluée par les pairs

  • UE : l’AI Act dispose d’une norme harmonisée pour le système qualité des fournisseurs d’IA

    Par la décision d’exécution (UE) 2026/2274 du 12 octobre 2026, la Commission européenne publie au JO de l’Union européenne (JOUE) la référence de la norme EN 18286:2026. Elle porte sur le système de management de la qualité des fournisseurs de systèmes d’IA. Élaborée par le Comité européen de normalisation (CEN) et le Cenelec à la demande de la Commission, elle couvre aussi la surveillance après commercialisation. Ce qui est nouveau : les fournisseurs qui appliquent la norme sont présumés conformes aux exigences correspondantes du règlement (UE) 2024/1689, à compter de sa publication au JOUE.

    Pourquoi cela compte : pour les fabricants de logiciels et de dispositifs médicaux intégrant de l’IA, la norme fournit un référentiel harmonisé pour démontrer que leur système qualité satisfait l’AI Act. Les obligations ne s’appliqueront qu’au 2 août 2028 pour l’IA intégrée à des produits réglementés, mais les fabricants peuvent dès maintenant s’y référer pour préparer leur évaluation de conformité.

    Un système qualité à compléter plutôt qu’à reconstruire

    Le règlement européen sur l’IA fixe des obligations, mais ne dit pas toujours comment les remplir. C’est le rôle des normes dites « harmonisées ». Elles sont rédigées à la demande de la Commission par les organismes européens de normalisation et traduisent la loi en exigences. Leur intérêt est juridique : selon la décision, une entreprise qui applique une norme publiée au JOUE est présumée respecter la loi. Elle n’a donc plus à démontrer seule que son organisation est conforme.

    En santé, les premiers concernés seraient les fabricants de dispositifs médicaux intégrant de l’IA. Ces dispositifs sont classés à haut risque lorsqu’ils relèvent de l’évaluation d’un organisme notifié. Selon l’éditeur Modulos, EN 18286 permettrait d’étendre le système qualité ISO 13485 que nombre de ces fabricants appliquent déjà, plutôt que d’en bâtir un second. L’intégration ne serait pas automatique : les écarts restent à identifier.

    Ce que couvre la norme

    Selon la décision, la norme répond au point 9 de la demande de normalisation adressée par la Commission au CEN et au Cenelec le 23 juin 2025 : les systèmes de management de la qualité des fournisseurs de systèmes d’IA, y compris les processus de surveillance après commercialisation. La norme elle-même, publiée par les organismes de normalisation en juillet 2026 (51 pages), précise qu’elle vise d’abord les organisations qui mettent sur le marché des systèmes d’IA à haut risque et qu’elle n’est propre à aucun secteur.

    Un référentiel disponible avant les échéances

    La présomption de conformité joue dès la publication au JOUE. Or le règlement omnibus numérique (UE) 2026/1744 a reporté les obligations visant les systèmes à haut risque. Elles s’appliqueront le 2 décembre 2027 pour les systèmes autonomes de l’annexe III et le 2 août 2028 pour l’IA intégrée à des produits réglementés comme les dispositifs médicaux. Ce décalage ouvre une fenêtre pour s’aligner sur un texte stabilisé plutôt que sur un projet encore mouvant.

    L’obligation pèse sur le fournisseur. Mais un établissement peut demander à ses fournisseurs de prouver qu’ils respectent EN 18286. Toutefois, un hôpital qui développe lui-même un outil d’IA pourrait être considéré comme fournisseur, et donc soumis aux mêmes obligations.

    Cette norme ne porte que sur l’organisation de l’entreprise. La performance des algorithmes et la qualité des données relèvent d’autres normes, encore en préparation.

    Un marché de la conformité qui se structure

    Une norme harmonisée crée un langage commun entre fournisseurs, auditeurs et prestataires de conformité. Les entreprises déjà certifiées ISO 13485 partent avec une avance.  Les États membres doivent disposer d’au moins un bac à sable réglementaire d’IA opérationnel au 2 août 2027. EN 18286 pourrait y servir de grille d’accompagnement des projets en santé, voire de condition à certains financements publics.

    Ce que cela change

    • Fabricants et HealthTech : réaliser une analyse d’écart entre le système qualité en place et EN 18286, et en budgéter le coût.
    • Établissements de santé : intégrer une exigence d’alignement sur EN 18286 dans les cahiers des charges et recenser les outils d’IA développés en interne.
    • Investisseurs : faire de la maturité du système qualité un critère d’audit préalable aux levées de fonds.

    Sur le même sujet : AI Act : où en est-on vraiment ? et France : un écosystème d’évaluation de l’IA en santé
    qui se structure entre AFNOR, marquage CE…

    Source : Commission européenne, décision d’exécution (UE) 2026/2274 (12 octobre 2026) – fiabilité : officielle

  • IA : le taux d’hallucination des grands modèles varie de 17 % à 93 %, selon Artificial Analysis

    Selon le classement « AA-Omniscience Hallucination Rate » publié par Artificial Analysis le 16 octobre 2026, le taux d’hallucination de onze grands modèles de langage s’échelonne de 17 % à 93 %. L’indicateur mesure la part de réponses fausses parmi toutes les réponses non correctes, c’est-à-dire les situations où le modèle aurait dû s’abstenir ou reconnaître qu’il ne savait pas. Grok 4.20 0309 v2 (17 %) arrive en tête, tandis que GPT-5.4 (92 %) et Gemini 3 Flash (93 %) ferment la marche.

    Pourquoi cela compte : en santé, une réponse fausse formulée avec assurance est plus risquée qu’une absence de réponse, car elle peut être reprise sans vérification. Ce classement montre que la notoriété d’un modèle ne garantit pas sa prudence. Pour les acheteurs hospitaliers, le taux d’hallucination devient un critère de sélection à inscrire dans les cahiers des charges, au même titre que la précision et le coût. Pour les éditeurs, il fixe le niveau de vérification à prévoir dans leurs outils, en cohérence avec le guide de bon usage de l’IA générative publié par la Haute Autorité de santé (HAS) en octobre 2025.

    Un critère de sélection distinct de la performance brute

    L’indicateur ne mesure pas ce que le modèle sait, mais sa manière de réagir lorsqu’il ne sait pas. Un taux de 92 % signifie que, sur 100 questions auxquelles le modèle n’a pas répondu correctement, il a donné 92 fois une réponse fausse au lieu de s’abstenir ou de signaler son incertitude.

     

    Taux d’hallucination de onze grands modèles de langage

    Part des réponses fausses lorsque le modèle aurait dû s’abstenir ou reconnaître qu’il ne savait pas (plus le taux est bas, mieux c’est).

    Rang Modèle Éditeur Taux d’hallucination
    1 Grok 4.20 0309 v2 xAI
    		17 %
    2 MiMo-V2-Pro Xiaomi
    		30 %
    3 GLM-5 Z AI
    		35 %
    4 MiniMax-M2.7 MiniMax
    		36 %
    5 Claude Sonnet 4.6 (max) Anthropic
    		48 %
    6 Gemini 3.1 Pro Preview Google
    		51 %
    7 Claude Opus 4.6 (max) Anthropic
    		63 %
    8 Kimi K2.5 Kimi
    		66 %
    9 Qwen3.5 397B A17B Alibaba
    		89 %
    10 GPT-5.4 (xhigh) OpenAI
    		92 %
    11 Gemini 3 Flash Google
    		93 %

    Plus le taux est bas, plus le modèle s’abstient au lieu de répondre faux. Source : Artificial Analysis, classement « AA-Omniscience Hallucination Rate » (16 octobre 2026).

    Deux enseignements ressortent

    D’abord, des modèles moins connus en Europe devancent des acteurs établis. Ensuite, des écarts existent au sein d’un même éditeur. Chez Google, Gemini 3.1 Pro Preview est à 51 % contre 93 % pour Gemini 3 Flash. Chez Anthropic, Claude Sonnet 4.6 est à 48 % contre 63 % pour Claude Opus 4.6. Selon Artificial Analysis, la précision d’un modèle serait fortement liée à sa taille, mais pas son taux d’hallucination. À l’inverse, un taux bas n’indique pas qu’un modèle sait davantage. Il doit donc être lu avec l’indice global publié par Artificial Analysis (14 pour Claude Opus 4.6, par exemple).

    Un fondement chiffré aux règles de supervision de la HAS

    Ces résultats donnent une mesure à un risque que les autorités sanitaires ont déjà identifié. En octobre 2025, la HAS a publié un guide de bon usage de l’IA générative structuré autour de quatre principes : apprendre, vérifier, estimer, communiquer. Elle y demande un usage conscient, supervisé et raisonné, avec une vérification des sources dès que nécessaire. Avec des taux compris entre 17 % et 93 %, la vérification ne peut pas être facultative. Son intensité pourrait toutefois être modulée selon le modèle utilisé et la gravité potentielle d’une erreur.

    Un indicateur généraliste, à compléter par des évaluations en santé

    Le classement repose sur un jeu de 6 000 questions couvrant 42 thèmes dans six domaines, dont la santé. Le score global ne dit pas comment un modèle se comporte face à une question médicale. Des référentiels spécifiques existent, comme HealthBench, conçu par OpenAI avec 262 médecins de 60 pays à partir de 5 000 conversations. Aucun de ces tests ne remplace toutefois une évaluation sur les cas d’usage propres à un établissement, avec ses documents et ses pratiques.

    Le coût réel inclut le temps de vérification

    Artificial Analysis croise également le taux d’hallucination avec le coût moyen par tâche et le volume de jetons générés. Un modèle peu coûteux mais peu prudent reporte une partie de la dépense sur le temps que les professionnels consacrent à contrôler ses réponses.

    Source : Artificial Analysis, classement (au 16 octobre 2026) – fiabilité : déclarative.

  • États-Unis : une IA conversationnelle réduirait de 80 % les fausses alertes de crise d’épilepsie

    Une équipe de l’université de Pennsylvanie a publié le 13 octobre 2026 dans Nature Medicine une plateforme qui relie l’électroencéphalogramme (EEG) de patients épileptiques à un agent conversationnel fondé sur un grand modèle de langage, accessible depuis une application pour téléphone. Testé chez 13 adultes hospitalisés en unité de surveillance de l’épilepsie, le système les informe de leurs crises détectées et de leur sommeil, et recueille leurs réponses. La nouveauté tient à ce dialogue dans les deux sens : les retours des patients servent à réentraîner le détecteur de crises.

    L’étude montre qu’un dispositif médical peut dialoguer avec le patient et apprendre de ses réponses, à condition d’être encadré par une gouvernance. Pour les établissements comme pour les industriels, les garde-fous mis en place à l’université de Pennsylvanie constituent un modèle réutilisable, sans confondre cette preuve de concept avec un produit prêt à déployer.

    Une gouvernance dédiée, préalable au contact avec les patients

    Selon l’article, l’usage de l’IA a été validé par un comité de gouvernance créé pour le projet et depuis institutionnalisé par Penn Medicine. Ce comité a imposé trois règles :

    • Réaliser tous les calculs dans une infrastructure conforme à la loi américaine sur la protection des données de santé (HIPAA).
    • Interdire contractuellement au fournisseur du modèle d’entraîner ou de conserver les données.
    • Relire chaque jour l’ensemble des échanges.

    Les retours des patients suffisent à réduire les fausses alertes (-80 %)

    Le détecteur était réentraîné toutes les trois heures à partir des réponses des patients. Dans une simulation reproduisant un usage réel, les fausses alertes ont baissé de 80,9 % avec les annotations saisies dans l’application par six patients, sans perte de sensibilité. L’enjeu est économique : l’étiquetage des données par des experts, coûteux, freine l’amélioration des algorithmes. Une relecture par des cliniciens limitée à dix segments de 90 secondes par jour a porté la baisse à 82,6 %.

    Un modèle de langage léger, cantonné à l’information

    Les auteurs ont retenu GPT-4o-mini, d’OpenAI, pour son coût et sa rapidité, en limitant son rôle à la transmission d’informations et à la consultation de données, sans jugement clinique. Chaque chiffre transmis au patient provient d’une requête enregistrée, donc vérifiable. Selon les auteurs, le temps de réponse médian était de 1,95 seconde en conversation et de 8,69 secondes pour une question sur les données. L’architecture permet de remplacer le modèle.

    1 307 messages échangés entre les patients et l’IA

    Sur 1 307 messages échangés, 31,1 % ont été initiés par les patients, qui ont répondu à 67,2 % des alertes de crise. Cinq patients sur treize ont demandé à conserver l’outil après leur sortie. Les auteurs relèvent toutefois un risque de dépendance excessive et une répartition de la responsabilité clinique qui reste à établir lorsque des décisions s’appuient sur l’IA.

    Un modèle extensible à d’autres dispositifs

    Les auteurs préparent un essai appliquant la plateforme au réglage de la stimulation cérébrale profonde dans la maladie de Parkinson, et citent les dispositifs cardiaques et les pompes à insuline. Quatre des cinq composants logiciels sont publiés sous licence libre GPL v3 ; le cinquième dépend du kit de développement propriétaire de Natus. Trois auteurs sont inventeurs d’un brevet provisoire déposé par l’université.

    Une preuve de concept aux limites assumées

    L’étude porte sur 13 patients d’un seul centre, suivis 4,87 jours en médiane, dans une unité où les traitements sont volontairement réduits. Les alertes brutes ne détectaient que 13,6 % des crises, et il resterait 2 à 4 fausses alertes par jour après réentraînement. Le modèle réentraîné n’a pas été utilisé auprès des patients. Les auteurs annoncent une étude en ambulatoire.

    Ce que cela change

    • Pour les établissements : le cadre de Penn offre une liste de contrôle pour structurer un comité IA et négocier, avec les fournisseurs de modèles, des clauses de non-entraînement et de non-conservation des données.
    • Pour les industriels du dispositif médical : la capacité à transmettre les données en temps réel devient un critère différenciant ; le brevet et la licence GPL v3 sont à analyser avant toute réutilisation.
    • Pour les HealthTech : l’annotation par le patient, complétée d’une revue experte ciblée, ouvre une voie pour améliorer un algorithme en vie réelle à moindre coût.
    • Pour les équipes soignantes : il faudra définir, avant tout déploiement, qui traite les signalements des patients et dans quels délais.

    Source : Nature Medicine, étude (13 octobre 2026) – fiabilité : publication évaluée par les pairs.

  • France Biotech propose un label « Innovation en santé » pour orienter l’épargne vers la HealthTech

    Le 9 octobre 2026, France Biotech, l’association des entrepreneurs de l’innovation en santé, a publié son enquête 2026 sur la situation financière des HealthTech et un document de propositions. Selon cette enquête, menée auprès de 120 entreprises, 87 % d’entre elles rencontrent des difficultés pour se financer ou se refinancer, contre 79 % en 2025. L’association propose notamment un label « Innovation en santé », des supports dédiés dans l’assurance-vie et le plan d’épargne retraite (PER), et un fonds de fonds spécialisé.

    • Un rebond concentré sur quelques entreprises : selon France Biotech, le capital-risque investi dans les entreprises non cotées a progressé de 70 % au premier semestre 2026, mais les opérations restent concentrées sur un nombre limité d’acteurs. La hausse des montants ne profite donc pas à tous : 70 % des entreprises cherchent des fonds ou prévoient d’en lever dans les six mois.
    • Des fonds français trop petits pour les grands tours : les fonds français, souvent de taille limitée, peineraient à financer seuls les tours de séries B à D. Les entreprises se tournent alors vers des investisseurs étrangers, au risque de déplacer la création de valeur hors de France. L’association recommande des fonds d’amorçage de 150 à 250 M€, capables de réinvestir, et un rôle de chef de file pour les fonds soutenus.
    • Un label pour rendre l’offre lisible : le dispositif repose sur un label « Innovation en santé », attribué selon plusieurs critères : part minimale d’actifs en santé, intensité de R&D, siège en France, gouvernance. Selon France Biotech, ce serait un outil de présélection, non une garantie de performance. L’association souhaite aussi que ces fonds soient reconnus « à impact » au sens de l’article 9 du règlement européen SFDR (Sustainable Finance Disclosure Regulation) sur la finance durable.
    • L’assurance-vie et le PER comme canaux de collecte : le cœur du plan consiste à créer des unités de compte dédiées, c’est-à-dire des supports logés dans les contrats d’épargne existants. Deux contraintes sont reconnues : la liquidité exigée par l’assurance-vie, peu compatible avec des investissements de 8 à 15 ans, et les exigences de fonds propres de Solvabilité II. Le PER, conservé 20 à 40 ans, paraît plus adapté. La loi Industrie verte impose déjà une part minimale de non coté dans les PER en gestion pilotée.
    • Le modèle canadien, transposable sous conditions : pour attirer des investisseurs prudents comme les family offices, l’association cite le programme canadien Venture Capital Catalyst Initiative : un euro public pour trois euros privés, les investisseurs privés étant remboursés en priorité, ce qui couvrirait environ 25 % des pertes. Sa compatibilité avec les règles européennes d’aides d’État reste à établir.
    • Attirer à Paris des fonds spécialisés en IA en santé : France Biotech juge dispersés les efforts de Bpifrance, Business France, la DG Trésor et les ambassades. Elle propose de les coordonner pour attirer des fonds internationaux de taille intermédiaire, notamment ceux spécialisés en technologies médicales et en IA appliquée à la santé.

    Source : France Biotech, communiqué de presse (9 octobre 2026) – fiabilité : déclarative.

  • Le DPI Easily des HCL référencé Ségur Vague 2, généralisation visée d’ici fin juin 2027

    Le dossier patient informatisé (DPI) Easily, développé par les Hospices civils de Lyon (HCL) et diffusé par le groupement d’intérêt économique (GIE) Hopsis, a obtenu son référencement Ségur Vague 2 pour le couloir Hôpital – DPI, selon un communiqué publié le 9 octobre 2026. Ce référencement porte, selon les HCL, sur plus de 250 exigences fonctionnelles, techniques et de sécurité. La version Ségur doit être généralisée d’ici fin juin 2027 auprès des 190 adhérents de la communauté Easily, une phase pilote étant déjà engagée.

    Le référencement est la porte d’entrée du financement public. Seules les solutions référencées sont éligibles au financement Ségur, versé directement aux éditeurs pour le compte des établissements, sans reste à charge sur le périmètre défini. La période de réalisation des prestations Ségur DPI Vague 2 s’achève le 22 juin 2027.

    Easily est un DPI né à l’hôpital, porté par un CHU et mutualisé au sein d’un GIE. Son référencement montre qu’un modèle coopératif public peut absorber une exigence réglementaire lourde.

    L’accès au DMP dépend aussi de l’établissement

    Selon le communiqué, un professionnel autorisé pourra consulter depuis Easily les documents du dossier médical partagé (DMP), puis intégrer les éléments utiles au dossier du patient, grâce à une authentification forte et des contrôles d’accès renforcés. Chaque établissement doit équiper ses soignants de moyens d’identification conformes, chantier accompagné par les programmes HOP’EN 2 et HospiConnect.

    Un référencement acquis, des usages encore à démontrer

    Le communiqué ne fournit aucune donnée d’usage : la maturité correspond à une conformité technique validée et à des pilotes en cours. Les bénéfices annoncés, comme moins de ruptures dans l’accès à l’information ou une meilleure transmission entre professionnels, restent déclaratifs. Aurélie Dossier, directrice du pôle pilotage et performance des HCL et administratrice du GIE Hopsis, le souligne : « L’essentiel commence maintenant : transformer ces exigences techniques en services simples et en usages concrets pour les professionnels et les patients. » La valeur se mesurera à des indicateurs comme le nombre de consultations du DMP.

    Une demande d’accompagnement concentrée

    Les prochains mois seront consacrés au déploiement et à l’accompagnement des établissements. Former les équipes, paramétrer les accès et intégrer les nouveaux services sans ajouter de complexité représente une charge importante sur une période courte, susceptible de mobiliser intégrateurs, consultants et fournisseurs de solutions d’authentification.

    Source : HCL et GIE Hopsis, communiqué de presse (9 octobre 2026) – fiabilité : déclarative.

  • Interopérabilité : le projet européen XiA lance une communauté de pratique pour préparer l’EEDS

    Le projet européen XiA (Xpanding Innovative Alliance) a annoncé le 28 septembre 2026 le lancement de sa communauté de pratique, un espace collaboratif consacré aux compétences en interopérabilité des données de santé. Elle s’adresse aux professionnels de santé, formateurs, chercheurs, autorités publiques, établissements de santé, industriels et organismes de normalisation. Selon XiA, l’objectif est d’aller au-delà de la production de supports pédagogiques pour constituer une alliance durable, chargée de préparer les professionnels du numérique en santé à l’espace européen des données de santé (EEDS).

    Pourquoi cela compte : l’EEDS ne se limite pas à des infrastructures nationales. Il suppose que des milliers d’établissements et d’éditeurs sachent appliquer concrètement les standards d’interopérabilité. Les acteurs qui rejoignent tôt cette communauté pourraient orienter les formations vers leurs besoins et préparer leurs équipes avant les premières échéances du règlement.

    Les compétences, condition de mise en œuvre de l’EEDS

    Le règlement européen sur l’EEDS fixe des formats et des obligations d’échange. Mais un standard ne produit de l’interopérabilité que si des équipes savent le comprendre, le paramétrer et l’adapter à leur organisation. C’est le constat de XiA : selon Henrique Martins, coordinateur du projet, l’EEDS exigera que des milliers d’hôpitaux, d’organisations de santé et d’éditeurs de logiciels mettent en œuvre l’interopérabilité dans leur pratique quotidienne. Le déficit de compétences deviendrait alors un frein au même titre que les retards techniques. Le calendrier rend le sujet pressant : selon la Commission européenne, l’échange des premières catégories prioritaires de données (synthèses médicales du patient, prescriptions et dispensations électroniques) doit s’appliquer dans tous les États membres en mars 2029.

    Ce que la communauté propose à ses membres

    Selon XiA, les membres pourront orienter les supports de formation selon leurs besoins, recevoir en priorité les informations sur les cours disponibles et y accéder de manière anticipée pour les expérimenter localement. Ce dernier point est le plus concret : un établissement pourrait tester les contenus sur ses propres systèmes avant leur diffusion large. La communauté sera activée progressivement par des consultations, des activités d’apprentissage, des temps d’échange nationaux, des webinaires et des phases de validation. Elle sera reliée à la série de webinaires « Hospitals on FHIR », aux « XiA Open Learning Sessions » et au prochain Educathon de Pise, organisé pendant les Hospitals on FHIR User Days.

    Pour les éditeurs, un enjeu de mise en conformité

    Les éditeurs de logiciels sont explicitement visés par XiA. Leur intérêt est direct : selon une analyse publiée en septembre 2025 dans la revue Frontiers in Medicine, le règlement impose aux systèmes de dossier médical électronique d’adopter des composants d’interopérabilité fondés sur le format européen d’échange (EEHRxF). En France, l’Agence du numérique en santé (ANS) indique que les spécifications de ce format seront produites en FHIR pour les catégories prioritaires, avec une phase transitoire d’accompagnement des éditeurs. Former tôt les équipes produit et intégration permettrait donc de réduire le risque d’une mise en conformité tardive et coûteuse.

    Une initiative encore en phase d’amorçage

    L’annonce ne comporte aucun chiffre : ni nombre de membres, ni établissements engagés, ni volume de personnes formées. Les modalités de participation doivent être précisées dans les prochaines semaines. Le projet, cofinancé par le programme Erasmus+, doit s’achever en décembre 2028, trois mois avant l’échéance de mars 2029. XiA a toutefois déjà organisé un premier Educathon à Berlin en octobre 2025 et publié un modèle de référence des compétences en interopérabilité dans les actes du congrès MIE 2026.

    Pour les établissements de santé, la communauté offre un moyen peu coûteux d’intégrer un volet compétences à leur feuille de route EEDS. Désigner un référent interopérabilité chargé d’y participer permettrait d’accéder aux contenus en avant-première.

    Pour les organismes de formation et les pouvoirs publics, elle ouvre la possibilité de réutiliser des contenus européens, à condition de les articuler avec les référentiels nationaux.

    À surveiller

    La publication des modalités de participation et du programme des consultations, annoncée pour les prochaines semaines.

    Source : XiA, communiqué (28 septembre 2026) ; Commission européenne, calendrier du règlement EEDS ; Agence du numérique en santé, doctrine interopérabilité ; da Silva Carvalho et al., Frontiers in Medicine (9 septembre 2025) ; Hak et al., actes MIE 2026 – fiabilité : déclarative.

  • Décryptage : aux États-Unis, 1,8 Md$ pour produire les données biologiques qui entraîneront l’IA

    Le fait

    Biohub, institut de recherche à but non lucratif basé à Redwood City (Californie), a annoncé le 7 octobre 2026 l’extension de sa Virtual Biology Initiative, lancée en avril 2026. Le programme doit produire des jeux de données ouverts et standardisés, « prêts pour l’IA », sur la façon dont les cellules réagissent à une intervention. Ces données serviront à entraîner des modèles prédictifs, souvent appelés « cellules virtuelles », capables de simuler une expérience avant de la mener en laboratoire.

    Le montant annoncé, 1,8 milliard de dollars, additionne quatre apports :

    • Biohub : un engagement fondateur de 500 millions de dollars, dont 400 millions pour de nouvelles technologies de mesure (cryo-tomographie électronique, microscopie de millions à milliards de cellules dans un tissu vivant, outils de perturbation) et 100 millions pour la recherche menée hors de l’institut.
    • Le ministère américain de l’Énergie (Department of Energy, DOE) : plus de 500 millions de dollars sur cinq ans en mesures, modélisation et calcul, au titre de sa Genesis Mission et avec les supercalculateurs de ses laboratoires nationaux.
    • Les National Institutes of Health (NIH), premier financeur public de la recherche biomédicale américaine : la mise à disposition de jeux de données existants, issus de plus de 500 millions de dollars d’investissements fédéraux antérieurs, que Biohub standardisera.
    • Google DeepMind, Isomorphic Labs et Meta : 300 millions de dollars à eux trois.

    NVIDIA apporte du calcul et des logiciels. L’Allen Institute, le Broad Institute, les Gladstone Institutes, le Human Cell Atlas, le Human Protein Atlas et le Wellcome Sanger Institute britannique participent à l’organisation scientifique.

    Ce que recouvre le chiffre

    Le 1,8 milliard n’est pas un budget nouveau versé d’un bloc. La part des NIH correspond à des investissements déjà réalisés, comptés sous forme de données. Celle du DOE s’étale sur cinq ans et mêle mesure, modélisation et calcul. L’argent frais identifiable dans l’annonce tient aux contributions du DOE et des trois industriels, soit un peu plus de 800 millions de dollars, auxquels s’ajoute l’engagement de Biohub. Le communiqué ne précise ni la licence des futures données, ni le calendrier de leur mise à disposition, ni les droits des industriels financeurs. Il invite en revanche « la communauté scientifique mondiale » à rejoindre le projet.

    Pourquoi la donnée plutôt que le modèle

    Biohub justifie l’initiative par un constat : aucune organisation ne peut produire seule les données nécessaires. Les atlas cellulaires actuels décrivent surtout des cellules au repos. Selon une analyse du Fil IA consacrée au modèle X-Cell de Xaira Therapeutics, les modèles entraînés sur CELLxGENE, base de cellules uniques maintenue par Biohub, décrivent bien les types cellulaires mais prédisent mal l’effet d’une modification génétique. Il faut pour cela des données de perturbation, coûteuses à produire. L’initiative américaine vise précisément ce goulot.

    En France et en Europe

    En France, la course se joue surtout dans le privé. Rivercell, start-up parisienne fondée par Yann Fleureau (fondateur de Cardiologs), a annoncé le 7 octobre une levée d’amorçage de 25 millions de dollars, menée par HV avec la participation de Bpifrance Digital Venture. Elle produira ses propres données de réponse cellulaire dans un laboratoire automatisé à Paris pour entraîner un modèle de cellule virtuelle. L’Institut Pasteur présente de son côté scPRINT, modèle entraîné sur plus de 50 millions de cellules, et fait des données « AI-ready » une priorité de ses infrastructures.

    À l’échelle européenne, la Commission a lancé en novembre 2025 le pilote RAISE (Resource for AI Science in Europe), un institut virtuel qui mutualise calcul, données et talents pour toutes les disciplines scientifiques. Son pilote est doté de 107 millions d’euros dans Horizon Europe. Aucun programme européen comparable, dédié aux données de perturbation cellulaire, n’est annoncé à ce jour.

    Pour qui ?

    • Équipes de recherche et plateformes de génomique : suivre les standards et identifiants communs que Biohub annonce, pour que leurs jeux de données restent réutilisables par les modèles qui s’imposeront.
    • Biotechs et start-up d’IA : anticiper l’arrivée de données ouvertes massives, qui réduira l’avantage des jeux propriétaires descriptifs ; la valeur se déplace vers les données de perturbation et les cas d’usage cliniques.
    • Financeurs publics et agences : examiner une participation européenne aux consortiums ou un programme équivalent, avant que les conditions d’accès aux données ne soient fixées sans eux.

    Pourquoi cela compte : les États-Unis organisent, avec l’État fédéral, la philanthropie et trois acteurs de l’IA, la production des données qui entraîneront les modèles de biologie. Ceux qui fixent les standards de ces données fixeront aussi les conditions d’accès des chercheurs et des industriels européens.

    Source : Biohub, communiqué (7 octobre 2026) · fiabilité : déclarative ; Commission européenne, stratégie européenne pour l’IA dans la science · fiabilité : officielle ; Rivercell, communiqué (7 octobre 2026) · fiabilité : déclarative ; Le Fil IA (24 septembre 2026) · fiabilité : presse

  • NVIDIA entre au capital de Doctolib pour accélérer ses modèles d’IA en santé

    Le fabricant américain de puces NVIDIA va entrer au capital de Doctolib avec une participation minoritaire, sans siège au conseil d’administration, a annoncé son PDG, Jensen Huang, le 13 octobre 2026 à Paris. Selon Doctolib, cet apport financera des recrutements en IA et donnera accès aux experts de NVIDIA pour entraîner ses modèles en Europe. Ni le montant ni la valorisation retenue n’ont été communiqués ; la dernière valorisation connue, 3,6 milliards d’euros, a été établie en avril 2026 lors d’une cession d’actions sur le marché secondaire, contre 5,8 milliards lors de la levée de 2022.

    Documentation clinique : un usage à grande échelle, des résultats encore déclaratifs

    Selon Doctolib, son assistant de consultation aurait déjà permis de documenter plus de 12 millions de consultations. Il repose sur un modèle de reconnaissance de la parole développé en interne et spécialisé en français médical. Ce volume fait de la rédaction automatisée des comptes rendus un usage courant en médecine de ville, et non plus un pilote. L’entreprise étend cette logique à la codification, à la facturation, au secrétariat, et prépare des assistants d’aide à la décision clinique.

    Des modèles construits sur des briques ouvertes et hébergés en Europe

    Doctolib veut accélérer la construction de modèles fondés sur des modèles ouverts (open weight et open source). Elle entend spécialiser des modèles aux paramètres publics, plutôt que de dépendre des modèles fermés d’OpenAI ou d’Anthropic. Elle veut ainsi garder la main sur ses modèles et sur les données, qu’elle dit héberger en Europe sous son seul contrôle. Aux États-Unis, NVIDIA est déjà actionnaire, par son fonds NVentures depuis 2024, d’Abridge, spécialiste de la documentation clinique.

    La gouvernance des données, condition de la confiance

    L’accès de NVIDIA aux données est la question centrale, car Doctolib dispose des rendez-vous, des parcours de soins et de données saisies par les médecins. Un statut d’actionnaire minoritaire sans siège au conseil limite l’influence sur la gouvernance, mais ne fixe pas à lui seul les règles d’accès aux données. Le sujet est sensible : Doctolib a lancé en août un programme de recherche sur les données de ses 50 millions d’utilisateurs. Selon Doctolib, ce programme s’inscrit dans la méthodologie de référence MR-004 de la CNIL, qui prévoit un droit d’opposition plutôt qu’un consentement préalable.

    Un assistant patient ouvert à tous en 2027

    Doctolib prévoit de rendre accessible à tous en 2027 un assistant IA personnel, déjà utilisé par 400 000 Français, qui répond aux questions de santé et oriente dans le parcours. La plateforme privée deviendrait le premier point de contact avant le soignant. Selon ses fonctions, un tel outil pourrait relever des dispositifs médicaux ou des systèmes d’IA à haut risque du règlement européen sur l’IA, dont les obligations s’appliqueraient au 2 décembre 2027 ou au 2 août 2028.

    Source : Doctolib, communiqué de presse (13 octobre 2026) ; valorisation : Maddyness (7 avril 2026) ; programme de recherche : Le Monde (26 juillet 2026) ; Abridge : communiqué Abridge (19 mars 2024) – fiabilité : déclarative.