Analyse

  • Mesure des résultats en santé : la clé de la transformation vers une santé axée sur la valeur

    Vos patients sont-ils vraiment satisfaits de leurs soins ?

    Avec les PROMs et PREMs, pour la première fois, nous pouvons utiliser des chiffres pour décrire dans quelle mesure, par exemple, une prothèse de hanche aide une personne à marcher ou un traitement d’oxygène long-terme permet à une personne de retrouver une qualité de vie.  En associant ces PROMs et PREMs aux indicateurs cliniques, il devient possible d’obtenir une vision complète de l’état de santé global des patients créant ainsi une Valeur en Santé. 

    Réinventer la qualité des soins : vers des indicateurs centrés sur les patients

    Offrir des soins de qualité tout en maintenant la viabilité financière des systèmes de santé est un défi commun à tous les acteurs du secteur. Traditionnellement, la qualité des soins a été mesurée par des indicateurs de processus qui capturent la conformité aux directives de pratiques médicales, mais ceux-ci sont souvent insuffisants pour refléter les véritables résultats qui comptent pour les patients, comme la récupération fonctionnelle ou l’amélioration de la qualité de vie. Ces indicateurs de processus ne différencient pas véritablement les centres de soins, ce qui limite les incitations à l’amélioration. De plus, améliorer la conformité aux processus de 95 % à 98 % n’a que peu d’impact sur les résultats d’état de santé des patients.

    Quel que soit le pays, lorsque l’on voit une mesure systématique des résultats en santé, on constate une amélioration de ces résultats. Pourtant, la majorité des centres de soins (ni les caisses d’assurance maladie) ne suivent ni les résultats ni les coûts par pour les patients individuels par condition médicale. Par exemple, dans la démarche QualiScope de l’HAS, les indicateurs de qualité en médecine, chirurgie, obstétrique sont la planification du suivi post AVC, la qualité de la lettre de liaison post AVC entre autres, alors que les patients veulent connaître s’ils auront des séquelles, s’il retrouveront une activité normale, s’ils auront une fatigue accrue, de la douleur, des disturbations dans leur sommeil. Ils veulent connaître l’évolution de leur état de santé et grâce à la collecte de ces indicateurs, des parcours personnalisés peuvent être proposés.

    Adapter les soins aux besoins des patients diabétiques

    Prenons l’exemple phare en Valeur en Santé pour illustrer ce propos : Diabeter, un regroupement des cliniques spécialisées dans le traitement du Diabète type 1 au Pays Bas, stratifié un large groupe de patients diabétiques grâce à des mesures recueillies dans leur base de données électronique. Tandis que la plupart des patients pédiatriques suivent un protocole de traitement intensif standardisé, ceux présentant un diabète secondaire suivent des voies de soins alternatives. Par exemple, les 7 % des patients de Diabeter atteints de diabète causé par fibrose kystique, le diabète de type MODY (Maturity Onset Diabetes of the Young), le diabète monogénique et le diabète secondaire à des traitements glucocorticoïdes à haute dose ont des protocoles de traitement spécifiques adaptés à l’étiologie sous-jacente de leur diabète. Cela s’applique aussi aux patients ayant des comorbidités ou complications, pour lesquels une thérapie individualisée est mise en place pour gérer ces conditions supplémentaires. De plus, à mesure que Diabeter a commencé à suivre un plus grand nombre de jeunes adultes, des parcours de soins spécifiques à l’âge et au mode de vie ont aussi été développés. Un des principes clés de la Valeur en Santé est la stratification des patients en fonction de leurs caractéristiques de base et leurs besoins. 

    La collecte et publication des ces résultats permettent aux différents établissements de santé de se comparer sur une même base et à adopter les meilleures pratiques, ce qui conduit à une amélioration des résultats. Les résultats ne sont pas strictement liés aux spécialités individuelles ou aux procédures ; ils reflètent les soins globaux d’une condition médicale chez un patient, généralement impliquant plusieurs spécialités. Ce qui compte généralement pour les patients, ce sont des résultats qui couvrent l’ensemble du cycle de soins, y compris l’état de santé atteint (par exemple, survie, statut fonctionnel, qualité de vie), le temps, les complications et la souffrance associés aux soins, ainsi que la durabilité des avantages obtenus (par exemple, le délai avant récidive).

    Lors de plusieurs conférences, Michael Porter a partagé une idée simple mais pleine de sens pour expliquer pourquoi une approche de Valeur en Santé pourrait nous sortir de la crise dans laquelle nos systèmes de santé s’enfoncent :

    “Une bonne qualité coûte moins cher en raison d’un diagnostic plus précis, de moins d’erreurs de traitement, de taux de complications plus faibles, d’une récupération plus rapide, d’un traitement moins invasif et de la minimisation du besoin de traitement. De manière générale, une meilleure santé coûte moins cher que la maladie.”

    — Michael E. Porter, Redefining Health Care: Creating Value-Based Competition on Results

    L’évaluation des résultats de santé : les PROMs et PREMs

    Dans la Valeur en Santé, les résultats qui importent aux patients pour une condition médicale particulière se répartissent en trois niveaux ou tiers:

    • Le premier niveau inclut les résultats relatifs à la santé obtenue après les soins, tels que la survie, le statut fonctionnel ou la qualité de vie. 
    • Le deuxième niveau concerne les processus et complications durant le traitement, y compris le temps nécessaire, les complications et la souffrance liée à la prise en charge.
    • Enfin, le troisième niveau se concentre sur la durabilité des résultats obtenus, comme la période sans récidive après le traitement.

    La mesure de ces résultats devrait couvrir l’ensemble du cycle de soins pour une condition médicale donnée et suivre l’état de santé du patient une fois les soins terminés. 

    La mise en œuvre des PROMs et PREMs : Défis et solutions

    L’implémentation des PROMs et PREMs constitue un défi majeur avec deux grandes types de barrières : 

    • Les barrières technologiques : pour administrer rapidement les enquêtes, calculer les scores et analyser les résultats, les données doivent être électroniques. Il n’y a tout simplement pas de temps pour recueillir et transcrire manuellement des données écrites à la main.
    • Les barrières opérationnelles : même si la technologie fonctionne parfaitement, il faut convaincre les patients, le personnel des cliniques et les cliniciens, déjà très occupés, de collaborer pour faire des PROMs une réalité. Le risque étant de causer une surcharge de travail liée à la collecte systématique des données.

    Des institutions comme la Mayo Clinic, la Cleveland Clinic et la Martini-Klinik ont surmonté ces défis en adoptant des solutions technologiques et opérationnelles innovantes et en standardisant leurs outils de mesure. Par exemple, ces institutions ont mis en place des plateformes numériques intuitives à l’utilisation et ont réduit la longueur des questionnaires pour améliorer les taux de réponse et la qualité des données collectées; en particulier pour la collecte des données auprès des patients. De plus, l’intégration de ces données dans les systèmes électroniques de dossiers de santé, comme cela a été fait à la Cleveland Clinic, facilite leur collecte et utilisation en temps réel.

    Des stratégies variées, telles que des questionnaires en ligne, des applications mobiles ou des entretiens directs, ont été mises en place pour simplifier ces processus. Pour limiter la surcharge de travail et pour engager des patients, des équipes dédiées à la gestion des PROMs et PREMs ont été constituées. Dans leur expérience, la clé pour motiver les patients à répondre aux questionnaires PROM est que leurs médecins examinent réellement les réponses. Lorsqu’ils perçoivent que leurs réponses contribuent à améliorer leur prise en charge, ils sont plus enclins à répondre. Cependant, si ce n’est pas le cas, ils se désengagent rapidement.

    Ces acteurs ont relevé le défi de la mise en œuvre des PROMs et PREMs leur permettant de se positionner comme des références mondiales d’une médecine d’excellence, humaine et performante aussi sur le plan des ressources. 

    Acteurs d’excellence dans l’analyse des données de santé

    Le défi de la collecte et de l’analyse des données est souvent considéré comme la principale barrière de mise en place de PROMs et PREMs. C’est pour cela, qu’il me semblait pertinent d’exposer brièvement des acteurs qui ont surmonté ce défi et fait une ouverture sur l’état des lieux en France. 

    Le défi de la collecte et analyse des données de santé ne se limite pas à la collecte des PROMs et PREMs. Dans ce cadre, des organisations comme Optum et Kaiser Permanente ont intégré dans leur modèle une collecte systématique des données cliniques, résultats rapportés par les patients et déterminants sociaux de santé. Cela leur permet l’analyse des données à grande échelle, particulièrement en matière de santé des populations. 

    Optum, filiale d’UnitedHealth Group, est un modèle d’excellence dans la collecte et l’analyse des données cliniques et subjectives. Grâce à sa capacité à intégrer, analyser et exploiter des données massives provenant de diverses sources, y compris des résultats auto-rapportés, Optum est capable de proposer une personnalisation des parcours de soins et une optimisation des soins, maîtrisant les coûts et améliorant les résultats de santé. 

    Dans un autre style, Kaiser Permanente, est l’un des systèmes de santé les plus intégrés aux États-Unis, combinant une compagnie d’assurance, un réseau de soins de santé et une organisation de prestataires. Cette intégration complète leur donne un avantage unique dans la gestion des soins à grande échelle et l’analyse des données de santé. Avec sa large base de patients et ses systèmes avancés de dossiers médicaux électroniques, Kaiser Permanente est en mesure de suivre et d’analyser les données de santé à l’échelle des populations avec une précision et une continuité exemplaires. Ils sont également reconnus pour l’utilisation proactive des données pour prévenir les maladies, améliorer les soins chroniques et surveiller les résultats des patients. 

    Au-delà de ces deux exemples majeurs, pour la grande majorité d’acteurs dans le monde, l’intégration de PROMs et PREMs reste soumise à des nombreuses contraintes. Des acteurs comme Epic Systems, à travers son outil Epic Cosmos, ou Cerner, qui sont déjà des agrégateurs des données de millions de patients dans des centaines d’institutions ont commencé à intégrer la collecte des données d’auto-évaluations des patients. 

    En France, les initiatives en matière de santé numérique s’inscrivent dans une dynamique ambitieuse, portée par des acteurs publics et privés ainsi que par des plans stratégiques majeurs, tels que la Feuille de route du numérique en santé. Cette feuille de route vise à systématiser et démocratiser les usages du numérique dans le domaine de la santé, avec un accent particulier sur la prévention personnalisée, la simplification des parcours de soins et l’inclusion numérique. Au cœur de cette transformation, des outils comme Mon Espace Santé jouent un rôle central. Cette plateforme intègre progressivement des technologies permettant de recueillir des PROMs et des PREMs. L’intégration de ces mesures dans des plateformes comme Mon Espace Santé contribue à la personnalisation des soins, en permettant aux professionnels de santé de suivre de manière proactive les symptômes rapportés par les patients, leur qualité de vie, et d’ajuster les traitements en conséquence.

    Pour relever le défi de la collecte d’information, la Feuille de route du numérique en santé met un fort accent sur l’interopérabilité des systèmes, avec l’objectif de faciliter l’accès des professionnels de santé à l’ensemble des données cliniques et des résultats patients en temps réel.

    Les initiatives françaises, bien qu’en forte accélération, restent davantage axées sur la mise en place d’infrastructures nationales qui cherchent à démocratiser l’accès et l’usage des outils numériques de santé, tout en favorisant l’inclusion des populations les plus vulnérables. Là où des acteurs comme Kaiser Permanente ont déjà atteint un niveau d’intégration avancé des soins et des données à l’échelle locale et régionale, la France, avec son approche nationale, se concentre sur la généralisation des usages à travers une vaste population de citoyens, tout en cherchant à rendre ces outils accessibles à tous, y compris aux personnes les moins familières avec les technologies numériques.

    Enfin, bien que la France se distingue par son souci d’inclusion numérique et d’équité, elle reste en phase de montée en puissance concernant l’analyse prédictive des données de santé à grande échelle, un domaine où Optum et Kaiser Permanente ont déjà pris de l’avance en exploitant les capacités de l’intelligence artificielle et du machine learning. Cependant, la centralisation et l’harmonisation des données de santé dans des outils comme le Health Data Hub pourraient permettre à la France de combler cette avance en créant une infrastructure solide pour les prochaines étapes de l’innovation en santé numérique. 

    Le rôle de l’ICHOM dans la standardisation des résultats de santé

    L’International Consortium for Health Outcomes Measurement (ICHOM) joue un rôle central dans la standardisation des PROMs par condition médicale. Jusqu’à présent, la mesure des résultats a souvent été réalisée de manière isolée, chaque organisation recréant ses propres indicateurs. Cela a conduit à un patchwork de mesures et de définitions incohérentes utilisées par divers établissements de soins, sociétés spécialisées, payeurs, pays, voire des cliniciens individuels. Il n’existait pas de mécanismes efficaces pour standardiser les mesures de résultats au niveau régional ou national, et encore moins au niveau mondial.

    Pour contrecarrer, les équipes d’ICHOM développent des questionnaires, en s’appuyant sur des registres et des experts internationaux. Ce consortium rassemble des leaders cliniques du monde entier pour élaborer les PROMs, tout en collectant et en diffusant les meilleures pratiques en matière de collecte, de vérification et de rapport des données. A mesure que l’adoption de ces questionnaires standardisés se répand rapidement, des outils et des méthodes pour les mettre en œuvre de manière efficace sont en cours de développement avec des solutions logicielles pour automatiser la collecte et l’agrégation des données de résultats, et commencent à intégrer les questionnaires standards dans les dossiers médicaux électroniques.

    Vers une santé basée sur les résultats : mesurer ce qui compte vraiment pour les patients

    La mesure des résultats de santé est un élément clé de la transformation vers une santé axée sur la valeur, car elle permet de mieux évaluer l’impact des soins sur ce qui compte vraiment pour les patients : la qualité de vie, la récupération fonctionnelle et la durabilité des résultats. Les PROMs et PREMs jouent un rôle central en traduisant des données subjectives en informations exploitables, et leur mise en œuvre nécessite de surmonter des barrières technologiques et organisationnelles. En s’inspirant des meilleures pratiques d’acteurs comme Mayo Clinic ou Kaiser Permanente, les systèmes de santé peuvent non seulement améliorer la qualité des soins mais aussi rendre ces derniers plus personnalisés et économiquement viables. L’adoption généralisée des mesures standardisées, comme celles promues par l’ICHOM, favorisera une transformation mondiale vers des systèmes de santé basés sur des résultats concrets et comparables, tout en optimisant les coûts et les ressources.

    Références

    “Redefining Health Care: Creating Value-Based Competition on Results.” Michael E. Porter and Elizabeth Olmsted Teisberg, Harvard Business School Press, 2006.

    “The Strategy That Will Fix Health Care.” Michael E. Porter and Thomas H. Lee, Harvard Business Review, 2013.

    “What Is Value in Health Care.” Michael E. Porter, New England Journal of Medicine, 2010; 363:2477-2481

    What we talk about when we talk about value-based care optum.com

    “Standardizing Patient Outcomes Measurement” Michael E. Porter, Ph.D., M.B.A., et al. New England Journal of Medicine, 2016  374;6

    “Implementing patient reported outcomes” Neil Wagle M.D, MBA, Partners Health, Care Redesign 2016

    “Exploring unmet needs and preferences of young adult stroke patients for post-stroke care through PROMs and gender differences”, Sarah I. et al.,Frontiers in Stroke, 3, (2024).

     

  • Revue de littérature : quels défis et quelles avancées de l’IA en radiologie interventionnelle ?

    👨🏻‍⚕️Le potentiel de l’IA dans la radiologie interventionnelle (RI)

    Comme dans les autres disciplines d’imagerie, l’intelligence artificielle (IA) offre plusieurs  perspectives pour la radiologie interventionnelle, mais son adoption est plus complexe qu’en radiologie diagnostique en raison de la nature des procédures, de l’utilisation d’outils thérapeutiques ainsi que de l’hétérogénéité et du manque de standardisation dans le domaine. En effet, la RI utilise des données non structurées issues de plusieurs étapes : pré-procédurales, procédurales, et post-procédurales. Les techniques de machine learning (ML) et l’augmentation des données permettent de surmonter ces limites en générant des exemples d’entraînement synthétiques et en réduisant la quantité de données nécessaires.

    Des défis liés à l’évolutivité de la pratique :

    L’adoption ralentie de l’IA est donc due à cette nature hétérogène de la RI, qui propose des solutions mini-invasives pour diverses pathologies et systèmes d’organes. L’imagerie procédurale ou intra-opératoire est souvent opérateur-dépendante, ce qui complique la création de jeux de données standardisés et exige une flexibilité de l’IA. De plus, la RI reste un sous-domaine jeune de la radiologie et en constante évolution.

    La recherche sur l’IA en RI en est encore à ses débuts, et les études actuelles sont principalement des études pilotes ou des preuves de concept (Poc), ce qui laisse une grande marge pour des explorations futures. Publiée dans le journal officiel de la Société européenne de radiologie, cette narrative review, intitulée “Artificial intelligence in interventional radiology: state of the art”, explore les applications actuelles de l’IA en RI, ses défis et ses futures opportunités.

    Tous les aspects de la RI sont concernés :

    Le potentiel transformateur de l’IA dans ce contexte serait énorme, notamment dans :

    • l’aide à la décision ;
    • la prédiction des résultats ;
    • et les améliorations en fluoroscopie, échographie, scanographie ou tomodensitométrie (TDM) et imagerie par résonance magnétique (IRM).

    L’IA s’avère également prometteuse pour :

    • la fusion d’images ;
    • la réalité simulée ;
    • la robotique ;
    • les interactions sans contact ;
    • et la biopsie virtuelle.

    🩻Les champs d’application étudiés

    L’IA en RI pourrait révolutionner la prise de décision, la prédiction des résultats et les méthodes d’imagerie utilisées pour guider les interventions. Les outils actuels montrent déjà des améliorations notables en termes de précision et d’efficacité dans plusieurs domaines.

    Prise de décision et prédiction des résultats :

    • Les modèles de machine learning surpassent les systèmes traditionnels dans des applications comme la prédiction de réponse au traitement par chimio-embolisation pour le carcinome hépatocellulaire (précision de 74,2 %).
    • Des études montrent également une précision allant jusqu’à 93 % pour prédire la survie tumorale post-intervention.

    Applications en échographie, TDM et IRM :

    • L’échographie assistée par IA améliore la localisation des aiguilles avec une précision de 99,6% grâce à des modèles tels que Faster R-CNN.
    • En TDM et IRM, l’IA améliore l’ablation tumorale en compensant les mouvements respiratoires et les déformations tissulaires, avec des techniques comme la création d’images synthétiques.

    Fusion d’imagerie et réalité simulée :

    • L’IA facilite la fusion d’images multimodales, et des essais montrent son efficacité pour réduire le temps de fluoroscopie, notamment dans des procédures comme la vertébroplastie.

    Assistance robotique et interaction sans contact :

    • L’IA permet une meilleure navigation autonome des cathéters, et des systèmes de téléopération robotisée offrent un contrôle accru. L’utilisation de la reconnaissance gestuelle et vocale dans les suites de RI améliore également l’efficacité clinique.

    Biopsie virtuelle :

    • Grâce aux techniques de radiomique, l’IA extrait des caractéristiques tissulaires à partir des données d’imagerie, proposant une alternative potentielle aux biopsies traditionnelles.

    📊Résultats :

    Champ d’application Résultats disponibles et perspectives
    Aide à la décision et prédiction des résultats
    • Morshid et al. ont développé un modèle pour prédire la réponse au traitement par TACE dans le carcinome hépatocellulaire.
    • Sinha et al. ont créé des modèles d’IA prédisant précisément le pneumothorax et la durée de séjour après les interventions.
    • Daye et al. prédisent la progression tumorale locale et la survie dans les métastases surrénaliennes.
    • L’IA a surpassé les biomarqueurs radiologiques traditionnels pour prédire les résultats des traitements des AVC.
    • Nielsen et al. évaluent un modèle d’apprentissage profond, ou deep learning, pour la notation objective TICI dans les traitements d’AVC.
    Fluoroscopie
    • Yang et al. ont proposé la segmentation des vaisseaux en angiographie coronaire avec des modèles de deep learning.
    • Ambrosini et al. ont introduit la segmentation automatique des cathéters avec U-Net.
    • Gao et al. ont réduit les artefacts de mouvement en angiographie par soustraction grâce à l’IA.
    • Les unités de fluoroscopie équipées d’IA ont diminué l’exposition aux radiations lors des procédures endoscopiques.
    Échographie
    • Mwikirize et al. ont amélioré la localisation des aiguilles et la précision du positionnement dans les procédures guidées par échographie.
    TDM et IRM
    • Les techniques de deep learning ont amélioré la segmentation, l’enregistrement et l’évaluation de la couverture tumorale lors d’ablation thermique.
    • L’IA a généré des images de scanner synthétiques à partir de la technique cone-beam (scanner 3D), facilitant ainsi la guidage par imagerie.
    Fusion d’images et réalité simulée
    • L’IA facilitera la fusion d’images multimodales, comme proposé dans d’autres domaines.
    • Auloge et al. ont démontré l’efficacité de l’IA dans la vertébroplastie percutanée, montrant une précision comparable à la fluoroscopie standard avec un temps réduit de fluoroscopie.
    Robotique
    • L’IA a aidé à traiter des données multimodales dans des applications de détection robotique.
    Interaction sans contact
    • Schwarz et al. ont utilisé l’IA pour améliorer les taux de reconnaissance des gestes corporels.
    Biopsie virtuelle
    • Barros et al. ont développé un modèle d’IA pour la mammographie numérique, atteignant une grande précision dans la classification des carcinomes canalaires in situ, des carcinomes invasifs et des lésions bénignes.

    🎯Révolutionner la RI pour une médecine de précision

    L’adoption de l’IA en RI est encore à ses balbutiements : les défis techniques et éthiques, ainsi que le manque de standardisation, freinent son déploiement à grande échelle. La littérature actuelle sur le sujet est encore à un stade préliminaire. Les chercheurs estiment cependant que des approches collaboratives, comme l’apprentissage fédéré (ou federated learning), pourraient favoriser une meilleure adoption tout en respectant la confidentialité des données des patients.

    Le potentiel de l’IA est donc considérable pour révolutionner la radiologie interventionnelle, concluent les auteurs de cette revue de la littérature. Ceci en augmentant la précision, l’efficacité et l’autonomie des interventions, notamment à travers l’amélioration de la prise de décision et la prédiction des résultats cliniques, comme démontré dans la prédiction des réponses au traitement du carcinome hépatocellulaire ou des complications post-procédurales. L’IA optimise également l’imagerie guidée par fluoroscopie, l’échographie, la TDM et l’IRM, tout en réduisant l’exposition aux radiations et en améliorant la localisation des aiguilles. Des avancées en robotique et en biopsie virtuelle témoignent, par ailleurs, de d’une transformation déjà entamée de cette discipline radiologique.

     

    * Artificial intelligence in interventional radiology: state of the art.

    Glielmo, P., Fusco, S., Gitto, S. et al.

    Eur Radiol Exp 8, 62 (2024). https://doi.org/10.1186/s41747-024-00452-2

     

  • DRIMBox : vers une accélération du partage sécurisé des données d’imagerie médicale

    Le Ségur pour moderniser la filière imagerie

    Amorcé en 2021 par le gouvernement français, le Ségur du numérique vise à moderniser les systèmes d’information en santé. À travers un programme de financement, ce plan vise à favoriser l’acquisition et l’intégration d’équipements numériques pour les établissements de santé. Le projet est structuré en plusieurs phases de financement, appelées « vagues ». Les systèmes d’information radiologique (RIS) sont concernés. L’Agence du numérique en santé (ANS) définit les RIS comme un outil assurant “l’ensemble des fonctions suivantes : gestion des rendez-vous patients, programmation des modalités d’imagerie, génération et envoi des comptes rendus radiologiques”. Les listes de travail doivent respecter le format “Dicom Modality Worklists”, “HL7” (de type ADT, ORU et ORM).

    🩺Téléradiologie, limitation des prescriptions, détection plus précise : les ambitions de la vague 2 du Ségur

    Là où la première vague, qui posait les bases, était dédiée au système d’information radiologique, la vague 2 vise à renforcer l’interopérabilité des systèmes d’informations et des solutions d’imagerie médicale. Cela inclut la standardisation des formats d’image, l’amélioration des plateformes de partage et le renforcement de la cybersécurité pour garantir la confidentialité des données. Le Ségur du numérique vise aussi à réduire les redondances dans la prescription d’examens, limitant ainsi les coûts et l’exposition inutile des patients aux radiations.

    @Health & Tech Intelligence

    L’implémentation des solutions proposées par le Ségur numérique dans la vague 2 permet :

    • un meilleur partage des images entre les professionnels de santé. Les données d’imagerie (IRM, scanner, échographies, etc.) peuvent être partagées de manière sécurisée à travers des plateformes interopérables, permettant ainsi une continuité dans le parcours thérapeutique ;
    • une prise en charge plus rapide des patients grâce à la disponibilité immédiate des examens d’imagerie, ce qui est utile dans les cas d’urgence, pour les patients en suivi chronique, ou bien dans les zones en sous-offre (grâce à la téléradiologie) ;
    • l’amélioration de la qualité des diagnostics. Grâce à des outils d’intelligence artificielle (IA) intégrés dans les systèmes d’imagerie, il est possible d’effectuer des analyses plus fines et précises, notamment pour le dépistage de certaines pathologies.

    🩻Le partage des imageries grâce au DRIMBox

    Le dispositif Drimbox (associé au DRIM-M) consiste à créer un réseau de partage d’images médicales entre établissements pour permettre aux professionnels de santé d’accéder aux examens d’imagerie via des pointeurs stockés dans le DMP. Ces pointeurs permettent de retrouver les images sur les systèmes des hôpitaux, garantissant un accès rapide aux données d’imagerie. Deux fonctions principales caractérisent le Drimbox :

    • DRIMBox Source : produit le pointeur (manifeste COS) à partir des images médicales et du compte rendu d’imagerie rédigé par le radiologue. Ce pointeur est envoyé au DMP, et les images restent stockées dans le PACS de l’établissement.
    • DRIMBox Consommateur : permet aux professionnels de santé d’accéder aux images via le DMP en téléchargeant le pointeur. Le système permet d’afficher ou télécharger les images médicales pour un traitement plus approfondi sur des stations de travail spécialisées.

    Un professionnel, via un système informatique hospitalier (DPI), peut accéder aux images médicales en s’identifiant avec Pro Santé Connect. Une fois authentifié, il peut récupérer les images depuis la DRIMBox source. Un lien intégré dans le compte rendu d’imagerie permet aux professionnels de santé ou aux patients de consulter les images via un simple clic. Afin de mutualiser les ressources et de faciliter l’adoption du système (surtout pour les petits établissements), il est prévu que plusieurs établissements puissent utiliser une même DRIMBox installée en mode SaaS (cloud). Ce dispositif de cloud permettra de réduire les coûts en matière d’infrastructure locale.

    Schéma cas usage Projet Drim-M

    🌐Interopérabilité : l’élément clé du dispositif 

    La DRIMBox s’appuie sur des standards d’interopérabilité (comme le format DICOM utilisé pour les images médicales) afin de garantir que les systèmes différents (PACS, RIS, DPI) communiquent efficacement. L’accès rapide aux images est un critère clé, avec un objectif d’affichage des images en moins de 5 secondes pour garantir une utilisation fluide, notamment dans des contextes d’urgence médicale. Pour garantir la sécurité des échanges, la DRIMBox fonctionne dans un “espace de confiance” :

    • Toutes les DRIMBox déployées (source ou consommateur) doivent s’identifier dans un registre national géré par l’ANS.
    • Les échanges entre DRIMBox sont chiffrés et se font avec des certificats de sécurité.
    • Pro Santé Connect est utilisé pour l’authentification des professionnels de santé, garantissant ainsi l’identité des personnes qui accèdent aux images.
    • Un service de “météo des services” est aussi proposé, permettant de suivre l’état de fonctionnement des DRIMBox déployées (pour savoir si elles sont opérationnelles ou non).

    1er trimestre 2025 : début d’un usage généralisé

    Le déploiement des DRIMBox a commencé avec des projets pilotes en 2024 comme la solution Experio DRIMBox de Medsquare. Les premiers établissements devraient pouvoir utiliser la DRIMBox à partir du premier trimestre 2025, avec une généralisation pour mi-2026. Cependant, les éditeurs de logiciels doivent adapter leurs systèmes pour intégrer cette nouvelle fonctionnalité (ex : RIS, PACS, DPI). Les hôpitaux devront également s’assurer que leurs infrastructures techniques (réseaux, stockage, etc.) sont prêtes à accueillir la DRIMBox.

    Dispositif SONS : un soutien financier pour moderniser les solutions numériques de santé

    L’arrêté du 11 août 2021 (relatif à un programme de financement destiné à encourager l’équipement numérique des établissements et médecins radiologues) inscrit dans le cadre du Ségur de la santé stipule que les financements sont attribués via un système ouvert, géré par l’Agence du Numérique en Santé (ANS), qui référence les solutions logicielles répondant à des critères techniques précis :

    • Conformité technique : respect des normes d’interopérabilité (DICOM, IHE) pour la gestion des données de santé.
    • Ergonomie : solutions faciles à utiliser, adaptées aux besoins des professionnels de santé.
    • Vérification de conformité : tests de validation des fonctionnalités via un référentiel d’exigences (REM-RAD-RIS-Va1).
    • Référencement par l’ANS : les solutions doivent être officiellement référencées après vérification.
    • Sécurité des données : conformité avec le RGPD et le Code de la santé publique, garantissant la sécurité des informations médicales.
    • Convention avec l’ANS : signature obligatoire d’une convention encadrant les droits et obligations de l’opérateur.

    Les opérateurs de logiciels peuvent demander à être référencés et, une fois cette étape franchie, ils peuvent bénéficier de financements pour équiper les établissements en solutions informatiques radiologiques. L’arrêté stipule également que l’ANS est responsable de la gestion technique, administrative et financière du programme et doit rendre compte régulièrement à l’État. Des contrôles sont prévus pour vérifier la conformité des opérateurs.

    Afin d’aider les établissements à intégrer les outils du Ségur du numérique, le dispositif SONS (Système Ouvert et Non Sélectif) du Ségur numérique est un mécanisme mis en place par l’État pour financer la mise à jour des logiciels de santé des établissements, ou bien des services tels que l’installation, la configuration et la formation. Ce financement s’adresse aux établissements qui commandent ces prestations directement auprès des éditeurs de logiciels, lesquels doivent être préalablement référencés par l’ANS. En général, une avance de 40 % est versée à l’éditeur au début du projet, avec un solde de 60 % une fois la prestation entièrement réalisée. Le montant exact peut différer selon les projets et la taille de la structure bénéficiaire.

    En France, 80 millions d’actes d’imagerie sont réalisés chaque année.

     

  • La valeur en santé : révolution ou évolution pour un avenir de qualité ?

    Une approche centrée sur les résultats

    Le concept de la valeur en santé ou value-based healthcare (VBHC) propose une méthode novatrice d’évaluation des soins, tant à l’échelle individuelle qu’à l’échelle populationnelle. 

    Depuis près de 20 ans, de nombreuses équipes à travers le monde présentent des cas concrets en oncologie (1), chirurgie cardiaque, cataractes (2), diabétiques (3), etc., démontrant les bénéfices de cette approche tant d’un point de vue patient, pour les soigneurs mais aussi, pour les payeurs. Son adoption varie d’un pays à l’autre, mais il représente une tendance importante visant à améliorer la qualité et l’efficacité des soins de santé à l’échelle mondiale. 

    La VBHC a pour objectif de transformer les soins de santé en mettant l’accent sur la valeur, c’est-à-dire l’obtention de meilleurs résultats pour les patients à des coûts raisonnables.

    Mesurer les résultats de santé : une approche globale

    Aujourd’hui, la qualité des soins est souvent mesurée via des processus standardisés et des indicateurs de performance traditionnels : 

    • indicateurs de volume : nombre de lits occupés, nombre de procédures… 
    • indicateurs financiers : coût par patient, rentabilité des services…
    • indicateurs opérationnels : taux d’occupation des lits, temps d’attente, durée moyenne de séjour… 
    • indicateurs de qualité de processus : taux d’erreurs médicales, taux d’infections nosocomiales…

    Cependant, ces critères ne reflètent pas toujours l’efficacité réelle des interventions. Le VBHC propose des indicateurs davantage centrés sur la valeur des soins pour le patient et les résultats de santé:

    • résultats cliniques spécifiques : réduction des symptômes, les taux de guérison, et la gestion des complications ;
    • qualité de vie liée à la santé: par exemple douleur ressentie après une intervention, niveau de mobilité, retour à une vie quotidienne normale ;
    • coût global par épisode de soins : coût total sur l’ensemble du parcours de soins pour un patient atteint d’une pathologie spécifique, en prenant en compte les complications, réhospitalisations et soins de suivi ;
    • expérience et satisfaction du patient : par exemple satisfaction par rapport aux soins de fin de vie ou à la gestion de la douleur; expérience en termes de services reçus et de communication avec le personnel médical, de compréhension du traitement, et de participation aux décisions.

    Les indicateurs de performance permettent non seulement de repérer les traitements inappropriés, mais aussi de réduire les soins inutiles et, par conséquent, de diminuer les coûts. Au-delà des indicateurs classiques comme l’espérance de vie, les patients rapportent des résultats plus personnels, tels que la récupération fonctionnelle ou la qualité de vie après une intervention. Les indicateurs traditionnels sont souvent orientés vers l’efficacité des hôpitaux et des systèmes de santé, tandis que le VBHC met le patient au centre de l’évaluation. Ces éléments sont essentiels à la transition vers une médecine véritablement axée sur la valeur.

    Une transformation de fond, pas une simple mode

    Introduit par Michael Porter et Elizabeth Teisberg dans Redefining Health Care (4), ouvrage publié en 2006, le VBHC repose sur un rapport simple : les résultats qui importent aux patients, divisés par le coût nécessaire pour les atteindre.

    @ Institut français Valeur en santé
    @ Institut français Valeur en santé

     

    Les résultats incluent des éléments essentiels comme la survie, la récupération fonctionnelle, la qualité de vie, tandis que les coûts englobent l’ensemble du parcours de soins, du diagnostic à la guérison. Selon le VBHC, si l’on se contente uniquement d’indicateurs cliniques sans intégrer les Patient-Reported Outcome Measures (PROMs) et les Patient-Reported Experience Measures (PREMs), soit les résultats perçus directement par les patients, la valeur créée est limitée et ne permet pas de créer un modèle en alignant les intérêts des patients et soigneurs, mais aussi des acteurs comme les industriels ou les payeurs privés et publiques. En combinant des mesures qui parlent à tous les acteurs du système de santé, il est possible d’obtenir une évaluation plus complète et pertinente de la qualité des soins, et donc, d’améliorer le soin tant à l’échelle populationnelle qu’à l’échelle individuelle. 

    Un exemple concret au cœur de Paris :

    L’Assistance Publique – Hôpitaux de Paris (AP-HP) a lancé un programme pilote de VBHC dans le cadre de la cancérologie sénologique à l’hôpital européen Georges-Pompidou 5. Ce projet aligne les incitations sur la qualité des soins: le cancer du sein bénéficie généralement d’un bon pronostic, mais souvent les traitements peuvent entraîner des répercussions sur la qualité de vie physique, sexuelle et psychologique des patientes. Malheureusement, cet aspect est souvent négligé dans le choix des traitements qui leur est proposée. En recueillant systématiquement des PROMs et en les croisant avec des Clinical Reported Outcome Measures (CROMs), le programme mise en place les Dr Nguyen Xuan et Dr Koural permet une évaluation globale et personnalisée des effets des traitements sur la qualité de vie des patientes par le recueil des PROMs avant et après la chirurgie, avec un suivi pouvant aller jusqu’à 10 ans. Les difficultés d’implémentation rencontrées en termes d’interopérabilité ont limité le nombre des données; cependant les entretiens menés lors des consultations de suivi ont révélé une réelle volonté des patientes de voir leur satisfaction et leur qualité de vie prises en compte. De même, le recueil des PROMs a sensibilisé les professionnels de santé à l’importance de considérer cet aspect crucial lors de la prise en charge, ce qui a permis d’ajuster les traitements en fonction de leur impact réel sur la vie des patientes. 

    Une révolution nécessaire, pas une mode passagère

    La Valeur en Santé n’est pas une mode éphémère, mais une réponse pragmatique et nécessaire aux défis structurels que rencontrent les systèmes de santé à travers le monde. Face au vieillissement de la population et à la prévalence croissante des maladies chroniques, cette approche offre une solution durable. En centrant les soins sur les résultats qui importent réellement aux patients et en optimisant les ressources disponibles, la VBHC s’impose comme une évolution incontournable pour assurer la pérennité des systèmes de santé. Loin d’être une simple tendance, elle constitue une révolution essentielle pour conjuguer qualité des soins et maîtrise des coûts, garantissant un avenir plus équitable et efficace pour tous.

     

     

    Bibliographie :

    (1) van Erning FN et al., “Achievements in colorectal cancer care during 8 years of auditing in The Netherlands”. Eur J Surg Oncol. Sept 2018

    (2) Katz G, “PromCat – Valorisation de la transparence et de la pertinence pour la chirurgie de la cataracte” Journal Officiel de la République Française, Nov 2023

    (3) Nano J. el al., “A standard set of person-centred outcomes for diabetes mellitus: results of an international and unified approach”. Diabet. Med. 2020

    (4) Porter M., Teisberg E., “Redefining Health Care: Creating Value based Competition on Results”, 2006

    (5) Nguyen Xuan et al. “Cancérologie sénologique. Un programme pilote VBHC de l’APHP”. Revue hospitalière de France. Mars-Avril 2024

  • Les apports du numérique au bien-vieillir : moins 20% de chutes chez les personnes âgées

    Des usages tout au long du parcours de vie

    Le numérique prend une place de plus en plus grandissante dans les stratégies de bien-vieillir. Il contribue, sur plusieurs plans, à l’amélioration de l’état de santé et du bien-être, tant des seniors que de leurs aidants, leurs proches et les professionnels de santé qui les prennent en charge, notamment :

    • l’autonomie ;
    • la prévention ;
    • le suivi médical et la gestion des soins ;
    • la qualité de vie ;
    • ainsi que le soutien de l’entourage et la socialisation.

    Dans cet article, Health & Tech Intelligence recense les principaux apports du numérique rapportés dans la littérature scientifique.

    Autonomie et suivi médical à distance :

    Le numérique permet aux seniors de surveiller leur santé à distance grâce à des dispositifs connectés (capteurs, montres intelligentes, applications de santé). Cela facilite le suivi des maladies chroniques et améliore la prévention des complications médicales.

    Les travaux sur la télésurveillance des personnes âgées ne sont pas nouveaux. Une étude d’il y a plus de 10 ans (Pecina et al., 2013) explore les effets de la télésurveillance sur la qualité de vie des personnes âgées atteintes de maladies chroniques. Elle montre comment la télémédecine améliore les résultats de santé tout en réduisant les hospitalisations (1).

    Une autre étude (Jahromi et al., 2023) analyse les effets de la télémédecine sur la qualité de vie des personnes âgées, en particulier en matière de sécurité et de soutien à domicile, où elle permet une plus grande indépendance pour les seniors (2).

    Prévention des chutes et sécurité :

    Les technologies numériques, telles que les systèmes de surveillance intelligents et les capteurs, contribuent à la prévention des chutes, qui représentent un risque majeur pour les seniors. L’usage de capteurs domestiques et de systèmes d’alerte en cas de chute améliore la sécurité des personnes âgées vivant seules, réduisant ainsi l’anxiété liée à la mobilité et aux accidents à domicile​.

    L’étude (Delbaere et al., 2021) sur le programme StandingTall en Australie a montré que, bien que le programme d’exercice d’équilibre basé sur une application numérique n’ait pas eu d’effet significatif sur les résultats primaires (taux de chutes et proportion de personnes ayant fait une chute après 12 mois), il a permis de réduire de 16 % le taux de chutes et de 20 % le nombre de chutes avec blessures sur une période de deux ans. Les participants ont aussi montré des améliorations modestes en équilibre debout et qualité de vie, avec une bonne adhésion au programme, mais les différences après 12 mois n’étaient pas statistiquement significatives (3).

    Amélioration de la qualité des soins :

    Le numérique permet une gestion plus précise des soins grâce à des plateformes de suivi des traitements, des applications pour rappeler les prises de médicaments et des téléconsultations avec les professionnels de santé.

    ​Une étude (Ienca et al., 2021) sur les interventions numériques pour un vieillissement en bonne santé montre que ces technologies peuvent améliorer la sécurité et l’autonomie des personnes âgées, contribuant ainsi à une meilleure qualité des soins en favorisant leur maintien à domicile plus longtemps. Cependant, elle souligne également que pour être efficaces, ces solutions doivent être bien adaptées aux capacités des utilisateurs, en particulier en ce qui concerne la littératie numérique et les préférences individuelles ​(4).

    Socialisation et lutte contre l’isolement :

    Les plateformes numériques permettent de maintenir le lien social à travers des appels vidéo, des réseaux sociaux, ou des applications dédiées aux seniors, réduisant ainsi l’isolement social, un facteur aggravant de la détérioration de la santé mentale chez les personnes âgées. L’utilisation de technologies comme les tablettes et les applications de messagerie pour les seniors favorise le maintien des interactions sociales, réduisant ainsi les sentiments de solitude et améliorant la qualité de vie globale des personnes âgées​.

    Une étude (Alison et al., 2023) de la Johns Hopkins University montre que l’isolement social est un facteur de risque important pour la démence chez les personnes âgées. Elle suggère que des technologies simples, comme l’utilisation de téléphones mobiles ou d’e-mails, peuvent significativement réduire ce risque. Le recours à ces technologies de communication a permis de réduire l’isolement social chez les personnes âgées vivant à domicile, ce qui a contribué à une baisse de 31 % du risque d’isolement (5).

    Soutien aux aidants et professionnels de santé :

    Les technologies de santé numérique permettent aussi de soulager les aidants en leur offrant des solutions de surveillance à distance des seniors, ainsi que des informations en temps réel sur l’état de santé de leurs proches. Les systèmes de télésurveillance et de notifications en temps réel allègent considérablement la charge mentale et physique des aidants familiaux, leur permettant de concilier plus facilement leurs responsabilités quotidiennes avec l’accompagnement des seniors​.

    Une autre étude (Hongtu Chen et al., 2023) publiée dans Frontiers explore les innovations technologiques pour aider les aidants des personnes âgées. L’utilisation de technologies de l’information et de la communication (TIC), comme les systèmes numériques de formation et de soutien, aide les aidants à acquérir des compétences pour mieux gérer les patients atteints de troubles cognitifs, tout en améliorant leur propre bien-être. Ces technologies permettent une meilleure communication et un meilleur accès aux informations sur les soins (6).

    Rééducation et maintien des capacités cognitives :

    Le numérique permet également des activités de rééducation cognitive via des jeux interactifs, des applications d’entraînement cérébral, et des outils de stimulation cognitive, essentiels pour prévenir les maladies neurodégénératives. L’utilisation régulière d’applications de stimulation cognitive par les seniors aide à ralentir le déclin cognitif chez les personnes à risque de démence et d’Alzheimer, améliorant ainsi leur autonomie et qualité de vie.

    Selon une étude (Dequanter et al., 2021) portant sur l’utilisation des technologies mobiles, les outils numériques tels que les appels vidéo et les réseaux sociaux améliorent l’engagement cognitif des personnes âgées, réduisant ainsi les sentiments de solitude et contribuant à maintenir leurs capacités mentales. Cette utilisation des technologies contribue à une meilleure qualité de vie et à une réduction des symptômes de dépression chez les personnes âgées isolées (7).

    Bibliographie :

    • (1) Impact of telemonitoring on older adults health-related quality of life: the Tele-ERA study. Pecina, J.L., Hanson, G.J., Van Houten, H. et al. Qual Life Res 22, 2315–2321 (2013). https://doi.org/10.1007/s11136-013-0361-5
    • (2) Eslami Jahromi, M., Ayatollahi, H. Impact of telecare interventions on quality of life in older adults: a systematic review. Aging Clin Exp Res 35, 9–21 (2023). https://doi.org/10.1007/s40520-022-02294-7
    • (3) Delbaere K, Valenzuela T, Lord SR, Clemson L, Zijlstra GAR, Close JCT, Lung T, Woodbury A, Chow J, McInerney G, Miles L, Toson B, Briggs N, van Schooten KS. E-health StandingTall balance exercise for fall prevention in older people: results of a two year randomised controlled trial. BMJ. 2021 Apr 6;373:n740. doi: 10.1136/bmj.n740. Erratum in: BMJ. 2021 Aug 17;374:n1908. doi: 10.1136/bmj.n1908. PMID: 33824131; PMCID: PMC8022322.
    • (4) Ienca, M., Schneble, C., Kressig, R.W. et al. Digital health interventions for healthy ageing: a qualitative user evaluation and ethical assessment. BMC Geriatr 21, 412 (2021). https://doi.org/10.1186/s12877-021-02338-z
    • (5) Social isolation and 9-year dementia risk in community-dwelling Medicare beneficiaries in the United States Alison R. Huang PhD, David L. Roth PhD, Tom Cidav MS, Shang-En Chung ScM, Halima Amjad MD, MPH, PhD, Roland J. Thorpe Jr. PhD, Cynthia M. Boyd MD, MPH … See all authors First published: 11 January 2023
    • (6) Technological innovations to address social isolation and loneliness in older adults. Hongtu Chen, Sue E. Levkoff, Helianthe Kort, Quentin A. McCollum, Marcia G. Ory. Editorial article, Front. Public Health, 06 February 2023, Sec. Aging and Public Health, Volume 11 – 2023
    • (7) The effectiveness of e-Health solutions for ageing with cognitive impairment: a systematic review. Dequanter S, Gagnon M-P, Ndiaye M-A, Gorus E, Fobelets M, Giguére A, et al. Gerontologist. (2021) 61:e373–94. doi: 10.1093/geront/gnaa065

     

  • Usage du numérique par les seniors : Impliquer les utilisateurs dés la conception des outils

    Le “double visage” de la Silver Tech ?

    Le vieillissement croissant de la population entraine de nouveaux enjeux sociétaux et socio-économiques, notamment en termes d’adaptabilité des technologies, qui interpellent de nombreux scientifiques. Plusieurs projets et travaux de recherche sur la numérisation de la santé des personnes âgées sont menés dans différents pays. Une numérisation parfois considérée comme ayant un double visage, ou un « visage de Janus » (divinité romaine de la dualité qui a deux visages), pour illustrer la dualité des avantages et des inconvénients ou défis des technologies numériques.

    L’idée qui veut que les personnes âgées soient souvent perçues comme ayant du mal à s’adapter aux avancées technologiques est pourtant en train de changer. De plus en plus de seniors adoptent et bénéficient des nouvelles technologies. Les outils de santé numérique offrent de nombreux avantages pour améliorer leur prise en charge, leur qualité de vie, leur autonomie et leur bien-être :

    en 2017 déjà, une enquête réalisée par Odoxa montrait que 60 % des personnes âgées étaient positives quant au potentiel de l’intelligence artificielle (IA), contre 51 % des actifs seulement ;

    en 2024, le Baromètre du numérique 2023 rapporte que, désormais, 64 % des personnes âgées de 70 ans ou plus sont internautes.

    Principaux bénéfices perçus :

    Lorsqu’ils les adoptent, les utilisateurs finaux des technologies de santé du grand âge peuvent en percevoir de nombreux avantages, dans au moins cinq domaines :

    • autonomie : les objets connectés (IoT), comme les capteurs de chute, ou la domotique permettent aux personnes âgées de vivre de manière plus autonome en réduisant leur dépendance vis-à-vis des aidants ou des membres de leur famille ;
    • sécurité et santé : les outils de télésurveillance médicale ou de téléassistance peuvent aider les seniors à surveiller leur état de santé en temps réel (tension artérielle, rythme cardiaque, prises de médicaments, etc.), permettant à leurs soignants de suivre leur évolution et d’intervenir rapidement si besoin ;
    • socialisation et inclusion : les réseaux sociaux, les robots compagnons et les outils de communication immersifs permettent à la personne âgée de rester en contact avec ses proches et de lutter contre l’isolement social, un problème fréquent notamment dans les établissements médicosociaux ;
    • stimulation cognitive : la réalité virtuelle (VR), les jeux numériques et les tablettes interactives adaptées aux seniors représentent des opportunités pour eux de rester actifs mentalement et découvrir de nouvelles formes de divertissement ;
    • simplification du quotidien : les assistants vocaux, les robots et les chatbots peuvent faciliter la gestion des tâches quotidiennes et répondre aux questions de santé pour rassurer ou orienter, le cas échéant, les personnes âgées dans leur parcours de soin.

    Défis à l’adoption des technologies :

    Les innovations de santé au service des personnes âgées font face aux mêmes défis que les technologies des autres champs de la vie des personnes âgées. Plusieurs obstacles freinent ainsi leur adoption et leur inscription dans les usages routiniers :

    • littératie numérique : n’étant, pour la plupart d’entre eux, pas digital natives, les seniors peuvent être intimidés par l’utilisation de certains dispositifs numérique, leur crainte de mal utiliser ces outils ou de commettre des erreurs peut limiter leur adoption ;
    • complexité des interfaces : les interfaces utilisateur de certaines technologies ne sont pas toujours adaptées aux seniors, en particulier pour ceux ayant des problèmes de vision, de motricité ou de compréhension, la complexité perçue des appareils peut décourager leur utilisation régulière ;
    • freins psychologiques : selon un retour d’expérience des Relais numériques d’Emmaüs Connect, certaines personnes âgées peuvent présenter des signes de démotivation, d’anxiété ou “des performances moindres lors de l’apprentissage du numérique en conséquence de l’intégration du stéréotype négatif sur les seniors vis-à-vis du numérique”, cela s’accompagne parfois de “signes de dépression : un sentiment d’inutilité, de solitude, d’abandon, d’être une charge pour les autres et la société” ;
    • manque de formation et de soutien : les seniors peuvent se sentir démunis face à un manque de formation ou de soutien technique pour utiliser ces technologies, sans accompagnement personnalisé, leur adoption est souvent partielle ou temporaire ;
    • coûts et modèles économiques : bien que prometteuses, les solutions de Silver Tech peuvent être coûteuses et donc considérées comme inaccessibles par beaucoup de seniors disposant de revenus modestes, surtout s’ils ne bénéficient pas d’aides financières ;
    • préoccupations liées à la vie privée : comme chez tous les groupes démographiques, l’utilisation d’outils numériques soulève des inquiétudes quant à la protection des données personnelles, notamment pour les dispositifs de suivi de santé ou de géolocalisation.

    Quels axes d’amélioration pour mieux répondre aux besoins des seniors ?

    Face à une perception de la Silver Tech par les seniors oscillant entre enthousiasme et appréhension, l’apport de la santé numérique pour cette population demeure indéniable (autonomie, gestion de la santé lutte contre l’isolement). C’est un allié pour améliorer la qualité de vie des personnes âgées. Pour une adoption réussie et généralisée, plusieurs actions peuvent être mises en place pour simplifier l’usage et renforcer la littératie numérique et de santé.

    📌 Simplifier les interfaces numériques :

    Il est essentiel de concevoir des interfaces intuitives et adaptées aux besoins spécifiques des seniors. Cela inclut des interfaces vocales, des textes agrandis, des couleurs contrastées et des commandes rapides. Des dispositifs plus ergonomiques pourraient aussi réduire les obstacles liés aux handicaps physiques.

    📌 Former et accompagner :

    Des programmes de formation réguliers pour initier les seniors aux nouvelles technologies, avec des ateliers pratiques et des supports pédagogiques simples, pourraient améliorer leur adoption. De tels modules peuvent être intégrés dans le parcours d’éducation thérapeutique de gérontologie.

    📌Adapter les financements :

    Proposer des solutions financières durables pour rendre ces technologies plus accessibles (subventions, remboursements via les assurances ou les mutuelles) reste le meilleur moyen pour faciliter leur acquisition et leur utilisation.

    📌 Renforcer la confiance en matière de sécurité :

    Il est primordial d’offrir des garanties de confidentialité solides, en communiquant de manière claire sur la gestion des données personnelles et en offrant des moyens de contrôle sur les informations partagées par les dispositifs.

    📌 Impliquer les utilisateurs dès la conception :

    Impliquer les utilisateurs finaux dans le processus de conception des technologies permet de mieux comprendre leurs attentes, leurs besoins réels et leurs limitations. Cela conduit à des solutions mieux adaptées à leur quotidien et augmente leur acceptation.

    Bénéfices, défis et axes d’amélioration

    L’acceptabilité et l’accessibilité des silver techs en santé varient selon les trois groupes d’utilisateurs cibles :

    • les seniors ;
    • les professionnels de santé ;
    • et les aidants.

    Chacun de ces groupes perçoit ces solutions avec des avantages et des obstacles spécifiques.

    Cibles Bénéfices perçus défis Axes d’amélioration
    Seniors Autonomie accrue
    Bienêtre et sécurité    		  Complexité des outils
    Fracture numérique
    Inquiétudes sur la vie privée    		  Simplification des interfaces
    Formation dédiée
    Accessibilité financière
    Professionnels de santé  Suivi médical à distance
    Précision des données    		  Surcharge de travail
    Manque de formation
    Doute sur la fiabilité des données    		  Formation continue
    Meilleure intégration des outils numériques
    Aidants  Soulagement de la charge
    Soutien émotionnel    		  Apprentissage difficile
    Coût des technologies    		  Soutien technique pour les aidants
    Solutions financières adaptées

    Sources :

    • Pirhonen, J., Lolich, L., Tuominen, K., Jolanki, O., Timonen, V. (2018). “These devices have not been made for older people’s needs” – Older adults’ perceptions of digital technologies in Finland and Ireland. Technology in Society, 62.
    • Takano, E.; Maruyama, H.; Takahashi, T.; Mori, K.; Nishiyori, K.; Morita, Y.; Fukuda, T.; Kondo, I.; Ishibashi, Y. User Experience of Older People While Using Digital Health Technologies: A Systematic Review. Appl. Sci. 2023, 13
    • Ienca, M., Schneble, C., Kressig, R.W. et al. Digital health interventions for healthy ageing: a qualitative user evaluation and ethical assessment. BMC Geriatr 21, 412

     

  • Stratégie nationale du « bien vieillir » : une coordination multi-institutionnelle et locale

    Une mobilisation globale : publique et privée

    La stratégie du bien-vieillir est coordonnée par plusieurs institutions. Le ministère des Solidarités et des Familles, désormais devenue le ministère des Solidarités, de l’Autonomie et de l’Égalité entre les femmes et les hommes, et la Caisse nationale de solidarité pour l’autonomie (CNSA), jouent un rôle en matière de financement et de gestion des services de santé et d’autonomie pour les personnes âgées. Depuis la création de la cinquième branche de la Sécurité sociale en 2020, la CNSA assure la gestion des ressources nécessaires pour financer les services médico-sociaux et favoriser le maintien à domicile.

    En complément, la Haute Autorité de Santé (HAS) assure l’élaboration des recommandations pour améliorer la qualité des soins destinés aux personnes âgées. Les Agences Régionales de Santé (ARS) sont responsables de l’application des politiques du bien-vieillir au niveau local.

    Côté privé, des acteurs se sont aussi emparés du sujet, à l’instar du secteur des assurances. Des produits d’assurance et de prévoyance sont développés spécifiquement pour répondre aux besoins des seniors en matière de dépendance et d’accompagnement financier. Le groupe de protection sociale AG2R La Mondiale a acquis en 2021 Aegide Domitys, résidence service senior, élargissant son impact dans le domaine du bien vieillir.

    Stratégie nationale du bien-vieillir : plus de 9 Français sur 10 souhaitent vieillir chez eux

    Présentée en novembre 2023, la stratégie nationale du bien-vieillir anticipe les défis liés au vieillissement croissant de la population en France. Elle vise à améliorer la qualité de vie des seniors, promouvoir l’autonomie, adapter les services publics, et renforcer la solidarité intergénérationnelle. Elle propose des actions concrètes autour de quatre axes : besoins des seniors, choix de vie, solidarités intergénérationnelles, et droits des citoyens âgés.

    • Le premier axe consiste à reconnaître la place des seniors dans la société et à prendre en compte leurs nouveaux besoins, que ce soit en matière de mobilité ou d’adaptation des territoires. Il s’agit de permettre aux personnes âgées de rester actives, tout en garantissant un accès simplifié aux services publics. La prévention repose notamment sur des campagnes de sensibilisation visant à encourager les pratiques favorables au vieillissement en bonne santé : activité physique, alimentation équilibrée, mais aussi dépistage précoce des maladies chroniques.
    • Le deuxième met l’accent sur la nécessité de donner le choix aux seniors de vieillir où ils le souhaitent. Cela se traduit par un soutien renforcé au maintien à domicile avec des services comme l’allocation “Ma Prime Adapt”, qui finance l’adaptation des logements pour prévenir la perte d’autonomie. Pour les personnes ne pouvant plus rester à domicile, la diversification de l’offre d’hébergement (résidences autonomie, accueil familial, etc.) permet de proposer des solutions adaptées aux différents besoins.
    • Le troisième, quant à lui, se concentre sur les solidarités intergénérationnelles. La transmission et le lien social entre les générations sont essentiels pour lutter contre l’isolement des personnes âgées. Le développement de programmes de mentorat entre seniors et jeunes, ainsi que la mise en place de jumelages entre établissements scolaires et EHPAD, renforcent ces solidarités.
    • Enfin, le quatrième axe concerne la garantie des droits et de la participation des personnes âgées dans la société. Vieillir ne doit pas conduire à une perte de droits ni à une invisibilité sociale. Cette stratégie met l’accent sur le maintien de la dignité des seniors en assurant un accès aux soins de qualité, une prévention active contre la maltraitance, et une inclusion dans les activités culturelles et sportives.

    Politique publique, prévention, perte d’autonomie : de nombreuses avancées depuis 4 ans.

    Un ensemble de mesures a été déployé pour prévenir la perte d’autonomie chez les personnes âgées en France, avec des investissements et des politiques publiques renforcées sur plusieurs points, comme l’indemnisation du congé proche aidant, qui bénéficie à 13 000 personnes, ou encore la rénovation des établissements médico-sociaux.

    • Création de la cinquième branche de la Sécurité sociale (2020) pour couvrir le risque de la perte d’autonomie;
    • Le renforcement du virage domiciliaire
      Pour favoriser le maintien à domicile des personnes âgées, un budget de plus de 1 milliard d’euros a été mobilisé. Ce financement permet la création de services autonomie à domicile (SAD), offrant un guichet unique pour coordonner les soins et l’aide à domicile. En parallèle, 4 000 places supplémentaires de services de soins infirmiers à domicile (SSIAD) ont été créées.
    • 21 milliards d’euros investis en 2023 : dont 75 millions d’euros pour le secteur médico-social et 2 milliards pour la rénovation, la transformation numérique et les équipements paramédicaux
    • Lancement du programme ICOPE de l’OMS
      Ce programme a été mis en place pour retarder la dépendance des personnes âgées en identifiant précocement les signes de fragilité. Il s’appuie sur une détection des facteurs de risque et une intervention précoce, permettant de préserver l’autonomie des seniors le plus longtemps possible.
    • Création de 4000 places de services de soins infirmiers à domicile.
    • Plan antichute des personnes âgées
      Ce programme a pour objectif de réduire d’ici 2024 le nombre de chutes graves ou mortelles chez les personnes de 65 ans et plus. Il inclut des actions de sensibilisation, des conseils pratiques pour sécuriser les habitations, ainsi que des interventions médicales et paramédicales pour prévenir les chutes.
    • Déploiement des centres de ressources territoriaux (CRT)
      Ces centres ont été créés pour offrir un accompagnement renforcé aux personnes âgées vivant à domicile, en particulier dans les zones rurales ou mal desservies par les services médico-sociaux. Les CRT apportent une alternative à l’entrée en établissement, en facilitant l’accès à des soins à domicile.

    Le financement de la stratégie : la loi du 8 avril 2024.

    La mise en œuvre de cette stratégie est soutenue par des mesures financières importantes. La loi du 8 avril 2024 sur le bien vieillir a pour objectif de répondre aux défis liés à la perte d’autonomie, à la lutte contre l’isolement, et à améliorer les conditions de vie des personnes en situation de vulnérabilité.

    Le budget exact alloué dans la loi du 8 avril 2024 n’est pas spécifié de manière définitive. Il est prévu que des financements trisannuels soient alloués. Ces financements seront décidés par des conférences départementales sur l’autonomie, qui évalueront les besoins locaux et coordonneront les services publics compétents pour les personnes âgées. La loi prévoit aussi une loi de programmation pluriannuelle qui doit être adoptée d’ici la fin de 2024 pour garantir une trajectoire financière sur cinq ans. Celle-ci devrait assurer un financement stable.

    La loi porte sur quatre axes :

    • Prévention de la perte d’autonomie : La loi met en place une politique nationale de prévention, coordonnée par une conférence nationale de l’autonomie tous les trois ans, pour définir les grandes orientations.
    • Lutte contre la maltraitance : Elle prévoit des mesures renforcées pour prévenir et signaler les maltraitances envers les personnes âgées, avec un suivi par des instances locales et des procédures spécifiques.
    • Soutien aux aidants et professionnels : La loi cherche à faciliter le travail des aides à domicile et à renforcer la formation des professionnels du secteur, en soutenant des dispositifs de validation des acquis de l’expérience (VAE) et en encourageant l’amélioration des conditions de travail.
    • Amélioration de l’habitat et des services : Elle prévoit de rendre l’habitat plus inclusif et adapté aux besoins des seniors, tout en garantissant un meilleur accès aux services publics de l’autonomie, pilotés là aussi par les départements.

    2 milliards d’euros d’investissement, une partie pour le numérique

    Les technologies du numérique en santé jouent un rôle dans le déploiement de la stratégie nationale du bien vieillir, et incluent plusieurs initiatives pour accompagner les populations. L’État annonce un investissement de 2 milliards d’euros pour la “rénovation, la transformation et l’équipement”, dont le numérique. Les objectifs sont les suivants :

    • Accélérer la mise en accessibilité des sites internet : Un renforcement de l’obligation pour les sites internet d’être accessibles aux personnes âgées et handicapées, sous peine de sanctions.
    • Déployer des conseillers numériques : Des conseillers numériques seront déployés dans les territoires comme les Maisons France Services, notamment pour accompagner les personnes âgées éloignées du numérique, afin de les former à son utilisation entre 2023 et 2027.
    • Utilisation des services numériques pour la mobilité : Un service numérique national sera créé pour faciliter la gestion des cartes mobilité inclusion, avec une référence spécifique aux véhicules des bénéficiaires.
    • Transition numérique dans les établissements pour personnes âgées : La stratégie inclut des projets d’équipement numérique dans les établissements pour personnes âgées, en installant des systèmes de gestion électroniques des dossiers médicaux, visant à améliorer l’accompagnement et la modernisation des infrastructures.
    • Soutien aux dispositifs médicaux numériques : Le programme France 2030 soutiendra le développement de dispositifs médicaux numériques innovants comme les bracelets connectés qui surveillent en continu les signes vitaux des seniors à domicile, particulièrement ceux dédiés à la prévention de la perte d’autonomie chez les seniors.

     

  • Silver Tech : un marché estimé à 130 milliards de chiffre d’affaire pour 2030

    La silver économique face au vieillissement démographique de la population

    En 2024, selon les chiffres de l’Insee, la France compte 19 millions de personnes de plus de 60 ans, et d’ici 2050, ce chiffre devrait s’élever à 24 millions dans l’Hexagone et à 130 millions dans l’Union Européenne, soit une hausse de 40 % par rapport à 2020. La population des 80 ans et plus, qui nécessite une prise en charge particulière, connaîtra elle aussi une augmentation de 70 % d’ici 2030. Le nombre de personnes dépendantes devrait quant à lui augmenter de 40 %. Cette évolution démographique représente une opportunité certaine pour les entreprises spécialisées, mais aussi de nombreux défis de politiques publiques pour l’État, qui devra faire émerger de nouvelles approches dans la gestion des soins.

    Le marché de la silver économie, estimé à 97 milliards en 2022, devrait atteindre 130 milliards d’ici 2030. Ce dynamisme est principalement soutenu par l’arrivée des baby-boomers dans la tranche des 75 ans et plus, entraînant ainsi une forte augmentation de la demande pour des produits et services adaptés aux personnes âgées.

     

    Dépenses de santé en fonction des tranches d’âge (Researchgate)

    Le PLFSS 2023 annonçait déjà « une forte progression du financement des politiques de soutien à l’autonomie ». En effet, durant cette année, l’objectif global de dépenses (OGD) a augmenté respectivement de 5,1 % et 5,2 % pour la prise en charge des personnes âgées et des personnes en situation de handicap, atteignant 30 milliards. Le PLFSS 2024 prévoit quant à lui des moyens supplémentaires pour la création de nouvelles places de services de soins infirmiers à domicile (SSIAD) ainsi que pour le financement en EHPAD de personnes âgées en perte d’autonomie accrue.

    La prise en charge de cette population vieillissante soulève de nombreux défis, à savoir :

    • La prise en charge des seniors en zones rurales et périurbaines ;
    • L’accès aux services spécialisés qui reste limité ;
    • L’offre insuffisante dans des secteurs comme la mobilité ou le lien social.

     

     

    Poids des dépenses effectuées par les plus de 50 ans dans chaque secteur de consommation (Rothschild & Co Asset Management Europe, CREDOC) 

    Les trois axes de la silver économie

    La filière s’organise principalement autour de trois axes :

    • Le maintien à domicile : Cela concerne les services à la personne, l’habitat (aménagement, monte-escalier, domotique…), la sécurité (téléassistance, capteurs…), le transport (accessibilité, mobilité), et la communication (mobile, internet, réseaux sociaux…).
    • La santé : Notamment la nutrition, la prévention, la e-santé et la télémédecine.
    • Le bien-vieillir : Les loisirs (culture, bien-être, sport, tourisme), les commerces, le travail (emploi seniors, formation).

    Les gérontopôles pour dynamiser les acteurs de la silver économique

    Plusieurs gérontopôles en France sont nés sous l’impulsion de l’État, pour répondre aux enjeux de la transition démographique. Les gérontopôles sont issus d’une annexe de la loi « Adaptation de la Société au Vieillissement (ASV) du 28 décembre 2015 ». Le premier a avoir été constitué est celui de Toulouse, puis d’autres ont été créés progressivement au fil des années (9 au total).

    Créés sous l’impulsion de personnalités, de la région, de l’ARS ou des ARS ils disposent tous du statut associatif. Leur mission est de rapprocher et de dynamiser autour du vieillissement les acteurs de la recherche, du soin (en ville, à l’hôpital, en établissement médico-social), de la formation et de l’entreprise. Ils permettent de faciliter le transfert de la recherche, du développement technologique vers le soin, le médico-social et les services apportés aux âgés.

    Le ministère de l’Économie et des Finances et le ministère des Affaires sociales et de la Santé ont signé en 2013 un contrat de filière pour la silver économie dont l’objectif est de « structurer ce secteur en une vraie filière industrielle et de créer un écosystème national et régional pour faire émerger un grand marché et favoriser l’essor de l’industrie française ».

    Lors du lancement du contrat de filière pour la silver économie, les pouvoirs publics ont distingué 3 grands groupes de personnes cibles pour les produits et services développées en silver économie :

    • Les seniors dits « actifs » : autonomes et indépendants ;
    • Les seniors dits « fragiles » : avec quelques limitations ou baisses de capacités ;
    • les seniors dits « dépendants » : qui ont besoin d’aide pour accomplir les actes de la vie courante.

    Les levées de fonds récentes du marché

    En 2023-2024, plusieurs levées de fonds d’acteurs majeurs de la silver économie ont été recensées :

    • Neosilver : l’entreprise a levé près de 4 millions d’euros pour soutenir son développement. Cette levée vise à accélérer l’expansion de ses services de loisirs et d’activités destinés aux personnes âgées, en renforçant son offre et en élargissant sa portée géographique. L’entreprise prévoit également de développer ses partenariats et d’améliorer l’expérience utilisateur via une plateforme numérique ;
    • Jabi : Cette startup spécialisée dans les technologies pour les seniors a levé 400 000 euros pour accélérer le développement de son logiciel Major, utilisé dans les résidences pour seniors afin de faciliter la gestion quotidienne et la communication entre résidents et familles ;
    • Alogia Groupe : 6,5 millions d’euros ont été levés par l’entreprise pour accélérer le déploiement de ses technologies prédictives et préventives. Cette somme permettra de renforcer ses solutions d’assistance aux seniors, basées sur des outils de domotique et d’intelligence artificielle ;
    • Life Plus : l’entreprise a levé 3 millions d’euros pour développer sa montre connectée dédiée aux seniors. Cette montre intelligente permet de surveiller la santé des utilisateurs, notamment en détectant des signes vitaux ou des chutes, et vise à prolonger leur autonomie à domicile. Ce financement permettra à l’entreprise d’accélérer le développement et la commercialisation de cette solution technologique ;
    • NeuroClues : elle a levé 5 millions d’euros pour préparer la commercialisation de sa solution innovante permettant de mesurer et de diagnostiquer les maladies neurologiques. Ce financement vise à accélérer le développement de leur technologie, qui utilise des capteurs et des algorithmes pour identifier rapidement les signes de troubles neurologiques.

     

  • Revue de la littérature : comment l’IA peut-elle soutenir la prévention et renforcer la santé publique ?

    📝 Sémantique de la prévention dans la recherche

    Réaliser une revue bibliographique sur la “prévention en santé” pose plusieurs défis, notamment en termes de sémantique et de choix des mots-clés :

    • d’un côté, le terme “prévention” est polysémique et englobe une variété d’interventions (primaire, secondaire, tertiaire), ce qui peut entraîner une dispersion des résultats ;
    • de l’autre, selon les disciplines et les pays, les vocabulaires peuvent différer pour désigner des concepts similaires (par exemple, le terme “vaccination” peut être inclus sous des termes plus larges comme “immunisation” ou “prophylaxie”).

    Par ailleurs, les variations terminologiques liées à la “santé préventive”, aux “interventions préventives” ou même à la “promotion de la santé” nécessitent une attention particulière pour ne pas exclure des études pertinentes. De plus, la prévention étant un domaine transdisciplinaire, elle peut être abordée sous l’angle de la médecine clinique, de la santé publique, de la sociologie ou de l’épidémiologie. Cela complexifie davantage la recherche et le tri des articles en raison des cadres théoriques et méthodologiques variés, et pourrait expliquer la spécialisation des revues ou revues systématiques publiées ces dernières années, qui visent le plus souvent une aire thérapeutique ou une pathologie bien définies.

    De la “prévention” à la “santé publique” et inversement :

    Bien que n’étant pas interchangeables, car se référant à des concepts distincts, les termes « prévention » et « santé publique » sont souvent utilisés dans des contextes similaires dans la littérature scientifique. La prévention est un sous-ensemble des activités de santé publique : toutes les actions de santé publique ne sont pas préventives (par exemple, le traitement des maladies existantes), et toute la prévention ne relève pas nécessairement de la santé publique (certaines approches sont individuelles ou communautaires). Quelques définitions pour y voir plus clair :

    La prévention :

    La santé, selon l’Organisation mondiale de la santé (OMS), est définie comme un état de complet bien-être physique, mental et social, et non simplement l’absence de maladie (OMS, 1946). Cette approche globale de la santé inclut des aspects médicaux ainsi que les déterminants sociaux qui influencent les conditions de vie des individus, tels que la naissance, l’éducation, le travail et la vieillesse.

    Selon une définition de l’OMS en 1948, la prévention est “l’ensemble des mesures visant à éviter ou réduire le nombre et la gravité des maladies, des accidents et des handicaps”. Il en existe trois niveaux  :

    • primaire, pour empêcher l’apparition d’une maladie (vaccination…) ;
    • secondaire, pour détecter la maladie à un stade précoce pour en limiter les conséquences (dépistage…) ;
    • et tertiaire, pour réduire les complications d’une maladie déjà installée (réhabilitation, gestion des maladies chroniques…).

    De ce fait, la prévention a pour principaux enjeux l’optimisation des ressources, en fonction de l’impact potentiel des différentes actions, ainsi que l’équité en santé pour s’assurer que les stratégies de prévention atteignent toutes les couches de la population, surtout celles les plus vulnérables.

    Quant à la promotion de la santé, définie dans la Charte d’Ottawa (1986), elle vise à donner aux individus les moyens d’améliorer leur santé à travers cinq axes : l’élaboration de politiques favorables à la santé, la création d’environnements favorables, le renforcement de l’action communautaire, l’acquisition d’aptitudes individuelles et la réorientation des services de santé. Enfin, l’éducation pour la santé vise à fournir des connaissances et des savoir-faire pour préserver et améliorer la santé des individus.

    La santé publique :

    En 1952, l’OMS définit la santé publique comme “la science et l’art de prévenir les maladies, de prolonger la vie et d’améliorer la santé physique et mentale à un niveau individuel et collectif”. Son champ d’action inclut donc tous les systèmes de promotion de la santé, de prévention des maladies, de soins et de réadaptation. Plus concrètement, la santé publique se réfère à l’ensemble des efforts organisés par les gouvernements, les institutions et la société pour prévenir les maladies, prolonger la vie et promouvoir la santé des populations. Elle ne se limite pas à la prévention, mais englobe également la surveillance des maladies, l’élaboration de politiques de santé, la gestion des systèmes de soins, la recherche épidémiologique, la promotion de comportements et de modes de vie sains.

    Le champ lexical bibliographique de l’IA en prévention :

    Pour trouver des études spécifiques aux usages de l’intelligence artificielle (IA) en prévention, plusieurs termes sont à explorer et à croiser, en fonction des thématiques particulières.

    D’abord autour de la prévention :

    • dépistage (screening) : identification précoce les maladies chez les individus asymptomatiques ;
    • vaccination (immunization) : stratégies préventives pour protéger contre des infections spécifiques ;
    • prédiction (prediction) : utilisation des données pour prévoir le risque d’apparition d’une maladie ;
    • santé préventive (preventive health) : ensemble des actions destinées à éviter la survenue de maladies ;
    • intervention préventive (preventive intervention) : actions ciblées pour prévenir une maladie ou un état de santé dégradé ;
    • promotion de la santé (health promotion) : incitation des individus à adopter des comportements sains (alimentation, activité physique, arrêt du tabac) ;
    • gestion des risques (risk management) : identification et limitation des risques pour la santé ;
    • éducation à la santé (health education) : formation et sensibilisation du public aux pratiques préventives ;
    • prévention des maladies chroniques (chronic disease prevention) : programmes et stratégies pour éviter l’apparition de maladies comme le diabète ou les maladies cardiovasculaires ;
    • hygiène et prévention (hygiene and prevention) : prévention des maladies infectieuses à travers l’amélioration des pratiques d’hygiène.

    Ensuite autour de l’AI :

    L’IA a un potentiel considérable pour soutenir la prévention et renforcer la santé publique. La littérature scientifique présente un éventail de domaines où l’IA apporte des avancées significatives, grâce à ses différentes composantes et différents modèles. Les mots-clés suivants sont à prendre considération :

    • artificial intelligence (AI) ;
    • l’apprentissage automatique ou machine learning (ML) ;
    • l’apprentissage profond ou deep learning (DL) ;
    • l’IA générative ou generative AI (GenAI) ;
    • ou encore les grands modèles de langage ou large language models (LLM).

    ↗️ Une explosion du nombre de publications depuis 2020

    Sur la plateforme Pubmed, une première recherche sur les deux mots-clés “prevention” et “artifcial intelligence” dans les “titres” des articles n’obtient que 82 résultats, compris entre 2012 (un article) et 2024* (23 articles). Un petit chiffre mais qui témoigne quand même d’une augmentation importante du nombre d’études mettant en avant, de manière directe, ces deux terminologies. En enlevant la condition du “titre”, la recherche est significativement plus fructueuse : 15 820, entre 1974 (un article) et 2025 (déjà un article prévu), avec un pic autour de 2 800 articles par an, entre 2022 et 2024. Si l’on ne s’intéresse qu’aux vingt dernières années, c’est-à-dire de 2004 à 2024, on obtient 15 400 résultats.

    Evolution du nombre d'articles scientifiques publiés entre 2004 et 2024, remontés par Pubmed pour les mots clés "(prevention) AND (artificial intelligence)" - @ Pubmed
    Evolution du nombre d’articles scientifiques publiés entre 2004 et 2024, remontés par Pubmed pour les mots-clés “(prevention) AND (artificial intelligence)” – @ Pubmed

    * Pour cette étude H&TI, les résultats de recherche portant sur l’année 2024 concernent la période du 1er janvier au 16 septembre.

    IA, prévention et santé publique :

    Suivant relativement la même tendance ces vingt dernières années, c’est-à-dire une augmentation significative dès 2020, le nombre de publications mentionnant “IA” et “prévention” ou “santé publique” dépasse les 100 000 au total. Il se rapproche de 10 000 articles en l’an 2020 seul, et atteint son pic en 2022 avec 14 042 articles recensés sur Pubmed. En 2024, la bibliothèque médicale américaine compte déjà 12 342 articles.

     

    Evolution du nombre d'articles scientifiques publiés entre 2004 et 2024, remontés par Pubmed pour les mots-clés (prevention) OR (public health) AND (artificial intelligence) - @ Pubmed
    Evolution du nombre d’articles scientifiques publiés entre 2004 et 2024, remontés par Pubmed pour les mots-clés (prevention) OR (public health) AND (artificial intelligence) – @ Pubmed

    IA, DL, ML, LLM…

    Lorsque la recherche est élargie pour inclure du vocabulaire plus précis concernant les technologies de l’IA, en croisant “prévention” ou “santé publique” avec “IA” ou “deep learning” ou “machine learning” ou “LLM”, le nombre total de résultats sur Pubmed, entre 2004 et 2024, augmente jusqu’à près de 123 000. Le pic (19 490) est observé en 2023. De janvier à septembre 2024, 16 153 articles sont enregistrés.

    Evolution du nombre d'articles scientifiques publiés entre 2004 et 2024, remontés par Pubmed pour les mots-clés ((prevention) OR (public health)) AND ((((artificial intelligence) OR (deep learning) OR (machine learning) OR (LLM)))) - @ Pubmed
    Evolution du nombre d’articles scientifiques publiés entre 2004 et 2024, remontés par Pubmed pour les mots-clés ((prevention) OR (public health)) AND ((((artificial intelligence) OR (deep learning) OR (machine learning) OR (LLM)))) – @ Pubmed

    🤖 Quel rôle de l’IA dans le soutien aux initiatives de santé publique ?

    Capables d’apprendre à partir des data et de faire des prédictions ou de proposer des décisions pour améliorer la prévention des maladies et l’optimisation des services et du système de santé, les outils d’IA analysent de grandes quantités de jeux de données (dossiers de santé, épidémiologie, environnement, réseaux sociaux…) pour aider les professionnels de santé, les chercheurs et les décideurs du secteur à opter pour les meilleures orientations, qu’elles soient stratégiques, cliniques ou socioéconomiques.

    Grâce à cette amélioration des processus de prise de décision par les autorités et les administrations de la santé, l’IA contribue à l’élaboration d’interventions en santé publique plus efficaces et efficientes (1, 2, 3).

    S’appuyer sur le ML pour formuler des politiques de santé publique :

    En traitant des ensembles de données complexes, les algorithmes d’apprentissage automatique peuvent identifier des tendances et des facteurs de risque associés à diverses maladies. Le machine learning aide également dans la modélisation prédictive (prévoir les besoins et d’allouer les ressources adéquates). Mais aussi dans l’identification des populations vulnérables et des disparités en matière de santé, favorisant ainsi des interventions plus ciblées. D’où l’indispensable vigilance à avoir vis-à-vis des biais sociaux dans les systèmes d’IA, de la qualité et de la représentativité des données utilisées, qui risquent de reproduire les mêmes inéquités entre les populations et différents groupes démographiques. (4, 5).

    … Ainsi que sur le DL :

    L’apprentissage profond peut lui aussi contribuer à l’amélioration de la prévention, du diagnostic, du traitement et, plus globalement de la gestion des soins. Ses capacités à reconnaitre les schémas et à prédire les évolutions font de lui un outil essentiel pour relever les défis modernes de la santé publique (6). Il est plus efficace lorsqu’il traite des ensembles de données vastes et complexes. La littérature scientifique regorge en exemples de cas d’usage du deep learning en prévention :

    • analyse d’images médicales : l’interprétation des images médicales, telles que les radiographies, les IRM et les scanners permet la détection précoce des maladies et par là même une initiation plus rapide des traitements pour de meilleurs résultats thérapeutiques (7).
    • diagnostic et évaluation des risques : le traitement de vastes quantités de données de patients, y compris leurs dossiers électroniques et informations génétiques, permet d’identifier des schémas qui pourraient indiquer le début de maladies ou déterminer les facteurs de risque d’un individu.
    • épidémiologie et prévision des épidémies : l’analyse de sources de données, telles que les réseaux sociaux, les recherches en ligne et les données d’objets connectés (IoT), permet de prédire les épidémies et de suivre leur progression (10, 11).
    • surveillance des dispositifs connectés : la collecte des données en temps réel grâce à l’IoT, en fournissant des informations sur l’activité physique, l’état physiologique, les habitudes de sommeil, etc., aide à une gestion proactive des maladies et à la promotion de modes de vie plus sains (12, 13).
    • analyse génomique : le déchiffrage de données génomiques complexes est précieux pour identifier les marqueurs génétiques associés aux maladies, il nourrit les approches de médecine de précision (14).
    • télésurveillance : l’analyse des données collectées depuis les foyers des patients permet aux professionnels de santé d’intervenir rapidement si nécessaire, en particulier dans les déserts médicaux (15).
    • surveillance des tendances en santé publique : l’analyse des données provenant des rapports d’actualité, des agences de santé gouvernementales et des réseaux sociaux aide à identifier en temps opportun les menaces potentielles pour la santé et à formuler des réponses appropriées (16, 17).

    Contribution des LLM aux systèmes de santé publique :

    Les LLM peuvent contribuer aux systèmes de santé publique de plusieurs manières, notamment en prévention :

    • surveillance des maladies : en traitant et analysant de grandes quantités de données provenant de réseaux sociaux, d’articles de presse et de forums en ligne, les LLM détectent des tendances subtiles liées aux maladies, permettant aux autorités de santé de surveiller les symptômes, les déplacements et les réactions, facilitant ainsi une détection précoce des épidémies (18, 19).
    • diagnostic et traitement : en analysant les données des patients, les dossiers médicaux et les publications scientifiques pertinentes, les LLM détectent des corrélations et des anomalies non évidentes pour les cliniciens, contribuant à des diagnostics plus précis et personnalisés (21, 22).
    • politiques de santé publique : en analysant divers ensembles de données (dossiers de santé, épidémiologie…), les LLM découvrent des connexions cachées et identifient des facteurs de risque potentiels, prévoient les trajectoires des maladies et évaluent l’efficacité des stratégies d’intervention (21).
    • éducation des patients : en adaptant leur contenu aux besoins individuels, au contexte culturel, à la langue et aux antécédents, les LLM personnalisent les matériaux éducatifs pour les patients, améliorant leur compréhension, engagement et taux d’observance (21, 23, 24).

    ➡️ 6 principaux domaines d’application de l’IA

    1️⃣ Surveillance des maladies et détection précoce des épidémies :

    Analyse de données, reconnaissance de tendances et de signaux inhabituels, surveillance en temps réel et modélisation prédictive… Les capacités de l’IA permettent aux systèmes de santé publique de détecter précocement les épidémies et de prendre des mesures informées pour les atténuer (25) :

    • intégration et analyse des données : une compréhension complète et dynamique du paysage sanitaire, améliorant la capacité à identifier des anomalies et des indicateurs potentiels de maladies (26) ;
    • reconnaissance de motifs et détection des anomalies : une reconnaissance des écarts de comportement (augmentation soudaine des publications sur internet mentionnant certains symptômes, des visites dans les établissements de santé ou un pic dans les recherches sur Internet liées à des maladies spécifiques) qui pourraient indiquer le début d’une épidémie (27) ;
    • surveillance en temps réel, monitoring et alertes précoces : lorsqu’un signal potentiel d’épidémie est identifié grâce à l’analyse continuelle des flux de données entrants, l’IA déclenche des alertes précoces, fournissant aux autorités de santé publique des informations clés pour enquêter davantage et initier des protocoles de réponse rapide (28) ;
    • modélisation prédictive et prévisions : formée sur les données des épidémies passées, l’IA peut générer des scénarii prédictifs, permettant l’élaboration de stratégies d’intervention et la mise en œuvre des campagnes de santé publique ciblées (29) ;
    • aide à la décision : les tableaux de bord et les visualisations alimentés par l’IA offrent un aperçu clair des tendances des maladies facilitent la prise de mesures préventives appropriées (confinement, restrictions de voyage, vaccination…) (30) ;
    • collaboration mondiale et partage d’informations : en diffusant rapidement des aperçus situationnels et des alertes d’épidémies, l’IA aide à coordonner des réponses internationales et à minimiser la propagation des maladies au-delà des frontières (31).

    2️⃣ Prévision et modélisation des maladies infectieuses :

    Les modèles d’IA utilisés pour l’analyse de textes médicaux et la visualisation des données offrent aux professionnels de la santé publique une vision simple de la situation à partir d’ensembles de données complexes (32, 33).

    L’IA peut améliorer la prévision et la modélisation des maladies infectieuses en intégrant des données sur les facteurs environnementaux et démographiques, les images satellites et les modes de transmission des maladies. Elle prédit ainsi la propagation des maladies et accélère la planification des interventions (34, 35). Parmi les cas d’usage rapportés dans la littérature :

    • intégration et fusion des données : les modèles alimentés par l’IA créent une vue d’ensemble des facteurs influençant la transmission des maladies, offrant une perspective holistique qui permet une compréhension plus précise et nuancée de la dynamique des épidémies (36) ;
    • reconnaissance de schémas complexes : en déchiffrant les relations complexes entre les conditions climatiques, la mobilité humaine, les indicateurs socioéconomiques et les taux de transmission des maladies, l’IA révèle des informations cachées que les modèles traditionnels pourraient négliger (37) ;
    • surveillance en temps réel et détection précoce : en identifiant rapidement des événements inhabituels dans l’incidence des maladies, l’IA soutient les systèmes d’alerte précoce (38) ;
    • modélisation prédictive et planification des scénarii : les modèles prédictifs d’IA permettent aux décideurs de simuler différentes stratégies d’intervention, allocations de ressources et mesures de confinement, facilitant ainsi une planification efficace et une optimisation des ressources (35, 39) ;
    • apprentissage adaptatif et mise à jour : l’IA peut s’adapter aux conditions changeantes en apprenant en continu à partir de nouvelles données, cette adaptabilité garantit que ses modèles de prévision restent pertinents et précis, même face à des scénarii d’épidémie en évolution (40) ;
    • analyse géospatiale et visualisation : ces représentations visuelles fournissent des aperçus intuitifs sur la répartition géographique des cas, les clusters ou zones potentielles de propagation et les tendances au fil du temps (41, 52) ;
    • allocation des ressources et planification des interventions : en identifiant les zones avec le plus grand besoin, la modélisation alimentée par l’IA assure une adéquation efficace des ressources, réduisant ainsi l’impact d’une épidémie (43, 44) ;
    • communication et sensibilisation du public : la communication proactive alimentée par l’IA, facilement compréhension par le grand public, favorise la sensibilisation, le respect des consignes et l’engagement communautaire (45, 46).

    3️⃣ Amélioration de la distribution et de l’adhésion aux vaccins :

    L’IA peut améliorer la distribution et l’adhésion aux vaccins en prédisant la demande, en identifiant les populations à risque et en optimisant la logistique de distribution. Elle contribue de manière significative à atteindre une couverture vaccinale étendue. En voici quelques exemples de son exploitation à ces fins (47, 48) :

    • prédiction de la demande et optimisation de la chaîne d’approvisionnement : en analysant les données historiques sur la vaccination, les données démographiques de la population et les tendances épidémiologiques pour prédire la demande future en vaccins, l’IA peut permettre d’éviter les pénuries et les gaspillages tout en améliorant l’efficience des interventions (49) ;
    • identification des populations à risque : en fonction de facteurs tels que l’âge, l’état de santé et la localisation géographique, l’IA aide à prioriser la distribution des vaccins aux groupes plus vulnérables et optimise de ce fait l’impact des campagnes de vaccination (50, 51) ;
    • optimisation de la logistique et de la distribution : l’IA garantit que les vaccins sont transportés, stockés de manière efficace et sous les conditions appropriées et livrés aux zones éloignées ou mal desservies (52, 53) ;
    • suivi en temps réel et ajustement de l’allocation : si certaines zones connaissent une adhésion inattendue ou une demande plus élevée, les systèmes alimentés par l’IA peuvent rapidement ajuster les plans de distribution pour garantir une couverture vaccinale équitable (54) ;
    • atténuation de l’hésitation vaccinale : l’IA identifie les préoccupations des citoyens et les fausses informations qui contribuent à leur hésitation, favorisant la conception de campagnes d’information ciblées (55, 56) ;
    • planification des rendez-vous et rappels : les plateformes de planification alimentées par l’IA simplifient le processus de vaccination en offrant des options de rendez-vous pratiques pour les individus, avec des rappels automatisés, par SMS ou par e-mail personnalisés, pour le taux de rendez-vous manqués (57) ;
    • aperçus basés sur les données pour les politiques : en analysant la couverture vaccinale, les résultats et d’autres indicateurs pertinents, l’IA favorise la prise de décisions politiques basées sur les preuves (58).

    4️⃣ Analyse des déterminants de santé et lutte contre les inégalités :

    L’implication de l’IA dans l’analyse des déterminants sociaux de la santé et la lutte contre les inégalités est essentielle pour promouvoir l’équité et améliorer la santé globale de la population. Cela implique que les ensembles de données utilisés pour entraîner les modèles d’IA soient représentatifs et diversifiés en termes de genre, d’ethnie, d’âge, de localisation géographique et d’autres facteurs pertinents afin d’éviter les biais (59-61). Parmi les exemples d’application de l’IA dans ce domaine :

    • intégration complète des données : en intégrant des données multidimensionnelles (niveaux de revenu, éducation, conditions de logement, statut d’emploi, environnements de quartier…), l’IA dessine un tableau complet des interactions complexes entre les facteurs sociaux et les résultats en matière de santé (62) ;
    • analyse des corrélations : en examinant les déterminants sociaux en parallèle avec les données de santé, l’IA identifie des connexions qui pourraient ne pas être apparentes par une analyse traditionnelle (59) ;
    • identification des populations vulnérables : en repérant les régions avec un accès limité aux soins de santé, des conditions de vie précaires ou des ressources insuffisantes, l’IA aide à prioriser les interventions et l’allocation des ressources vers les zones les plus nécessiteuses (63) ;
    • accès équitable aux soins de santé : en reconnaissant certains obstacles (accès aux soins, barrières linguistiques, problèmes de transport ou illettrisme en santé), des solutions alimentées par l’IA peuvent être développées pour faciliter la navigation des patients, fournir des ressources multilingues et offrir des options de télémédecine, favorisant un accès équitable à des soins de qualité (33) ;
    • stratégies d’intervention personnalisées : la précision permise par l’IA assure que les interventions sont contextuellement pertinentes et efficaces – si, par exemple, une zone mal desservie manque d’accès à des aliments nutritifs, l’IA peut guider le développement d’initiatives telles que la création de jardins communautaires ou de programmes de distribution alimentaire mobile (64, 65) ;
    • modélisation prédictive pour des interventions ciblées : en identifiant les interventions les plus susceptibles de réduire les disparités en matière de santé, l’IA aide à optimiser l’utilisation des ressources, à travers des modèles qui simulent différents scénarii, permettant la prise de décisions éclairées pour un impact maximal (66) ;
    • suivi et évaluation en temps réel : en ajustant les stratégies en fonction des données en cours d’analyse, l’IA garantit que les efforts d’intervention restent alignés avec les besoins changeants et l’évolution des disparités (33) ;
    • aide la décision et soutien aux politiques publiques : les décideurs peuvent utiliser les analyses de l’IA pour plaider en faveur d’interventions ciblées, allouer des fonds à des programmes spécifiques et élaborer des réglementations centrées sur les déterminants sociaux de la santé (33).

    5️⃣ Prédiction et prévention des maladies chroniques :

    L’identification précoce des individus à risque permet de mettre en place des interventions ciblées pour favoriser les changements de comportement. L’IA peut contribuer à cet objectif de plusieurs manières :

    • analyse des facteurs de risque : en identifiant des corrélations et des fils conducteurs au sein des données analysées, l’IA discerne les facteurs de risque associés aux maladies chroniques, tels que les maladies cardiaques, le diabète et le cancer, ce qui permet aux prestataires de soins de proposer des interventions et des conseils en temps opportun aux individus concernés(67) ;
    • analyse du profil génétique : en étudiant le profil génétique d’un individu, l’IA identifie des marqueurs qui le prédisposent à certaines maladies, cela encourage la mise en œuvre précoce de dépistages ciblés, de stratégies de prévention personnalisées et d’interventions sur les risques génétiques eux-mêmes (68) ;
    • habitudes de vie et comportements : en examinant les données de l’IoT sur la qualité du sommeil, l’activité physique, les habitudes alimentaires et les niveaux de stress, l’IA donne une idée précise sur les facteurs de risque des maladies chroniques liés aux comportements avec des recommandations personnalisées sur les changements de mode de vie que les individus doivent effectuer  (67, 69) ;
    • détection précoce des maladies : en prenant en compte plusieurs variables (facteurs génétiques, mode de vie, antécédents médicaux), l’IA peut identifier les individus à risque plus élevé de maladies chroniques grâce à une modélisation prédictive (70) ;
    • plans de prévention personnalisés : ces plans incluent des recommandations pour les modifications de mode de vie, les dépistages réguliers et les interventions ciblées, garantissant la personnalisation et l’efficacité des stratégies de prévention à travers l’amélioration de l’adhésion des patients (71) ;
    • suivi et retour d’information continus : les plateformes de télésurveillance alimentées par l’IA offrent un soutien continus aux patients en suivant leurs indicateurs de santé et en les encourageant à adopter des comportements sains et à rester engagés dans la gestion de leur santé (70, 71) ;
    • gestion de la santé populationnelle : à une échelle plus large, l’IA aide les autorités de santé publique à identifier les tendances et les motifs liés à la prévalence des maladies chroniques au sein des populations, et donc à développer des campagnes de santé publique et à allouer des fonds aux zones présentant les taux les plus élevés de maladies chroniques (71).

    6️⃣ Détection des produits de qualité inférieure ou falsifiés :

    L’IA peut renforcer la vigilance vis-à-vis des médicaments et autres produits de santé falsifiés ou de qualité inférieure :

    • analyse des données : en analysant des données des enregistrements de ventes, des chaînes d’approvisionnement et des données réglementaires, l’IA peut détecter des tendances d’achat inhabituelles, identifier des anomalies dans les itinéraires de distribution ou signaler des irrégularités dans l’étiquetage des produits (cela nécessite une robustesse des systèmes de gestion logistique des produits de santé, ce qui n’est pas le cas dans de nombreux pays) (76, 77) ;
    • reconnaissance d’images : en comparant des images de produits authentiques avec des contrefaçons suspectes, l’IA peut rapidement identifier des écarts visuels ou des incohérences, les codes QR et autres marqueurs de sécurité pourraient faciliter cette vérification par les consommateurs, notamment dans les pays avec des systèmes réglementaires fragiles (78) ;
    • NLP : le traitement du langage naturel des discussions liées aux médicaments falsifiés sur internet peut aider les autorités à recueillir des indices et identifier les sources potentielles des problèmes (77, 79) ;
    • analytique prédictive : l’IA peut prédire les emplacements et les cas potentiels de distribution de médicaments falsifiés en se basant sur des données historiques et des tendances inhabituelles, cela pourrait être particulièrement pertinent dans les pays ayant des frontières perméables (77, 79) ;
    • surveillance en temps réel : l’IA peut surveiller en temps réel les marketplaces en ligne pour identifier les annonces ou les publications faisant la promotion de médicaments falsifiés, cette approche proactive peut conduire à une identification et à une suppression plus rapides de ces annonces0 (80, 81) ;
    • réseaux collaboratifs : les systèmes alimentés par l’IA peuvent faciliter le partage d’informations entre les parties prenantes concernées (organismes de réglementation, agences de maintien de l’ordre, associations de patients, entreprises pharmaceutiques et prestataires de soins) pour améliorer la capacité à suivre et à lutter contre la circulation des produits falsifiés et de qualité inférieure de manière efficace, une approche multisectorielle, incluant les patients, est nécessaire (82).

    Pour aller plus loin :

    👉 Cartographie des cas d’usage de l’IA en prévention et au service de la santé publique.

    Défis et limites de l’IA en prévention

    L’IA permet d’analyser de vastes ensembles de données et d’optimiser les actions en santé publique. Son utilisation doit cependant être accompagnée de mesures qui garantissent la transparence, l’éthique et la protection des données pour assurer des impacts positifs durables. Elle apporte des solutions innovantes pour soutenir la prévention et la santé publique, notamment par la surveillance épidémiologique, la personnalisation des interventions de santé et la réduction des inégalités. Mais elle reste confrontée à trois défis majeurs :

    • qualité et accessibilité des données : les algorithmes d’IA dépendent de la qualité des données, es biais présents dans les données peuvent conduire à des conclusions erronées et à la perpétuation des inégalités en matière de soins ;
    • confidentialité et sécurité des données : la collecte de données personnelles, souvent nécessaire pour les algorithmes d’IA, pose des questions éthiques sur la confidentialité et la gestion des informations sensibles ;
    • manque de transparence et biais algorithmiques : les systèmes d’IA, en particulier ceux basés sur des réseaux de neurones, sont souvent perçus comme des boîtes noires, ce qui rend difficile la compréhension et la justification des décisions prises ; cela interroge sur la responsabilité médicolégale et l’adoption des outils par les professionnels de santé.

    Bibliographie

    1 Bohr A, Memarzadeh K. The rise of artificial intelligence in healthcare applications. Artificial Intelligence in Healthcare. 2020;25.
    2 Al Kuwaiti A, Nazer K, Al-Reedy A, Al-Shehri S, Al-Muhanna A, Subbarayalu AV, et al. A Review of the Role of Artificial Intelligence in Healthcare. Journal of Personalized Medicine [Internet]. 2023 Jun;13(6). Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10301994/
    3 OECD Legal Instruments [Internet]. Available from: https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449#mainText
    4 Gianfrancesco MA, Tamang S, Yazdany J, Schmajuk G. Potential Biases in Machine Learning Algorithms Using Electronic Health Record Data. JAMA Intern Med. 2018 Nov 1;178(11):1544–7.
    5 Rieke N, Hancox J, Li W, Milletarì F, Roth HR, Albarqouni S, et al. The future of digital health with federated learning. npj Digital Medicine. 2020 Sep 14;3(1):1–7.
    6 Litjens G, Kooi T, Bejnordi BE, Setio AAA, Ciompi F, Ghafoorian M, et al. A survey on deep learning in medical image analysis. 2017 Dec 1;42.
    7 Miotto R, Wang F, Wang S, Jiang X, Dudley JT. Deep learning for healthcare: review, opportunities and challenges. Brief Bioinform. 2017 May 6;19(6):1236–46.
    10 Bhouri MA, Costabal FS, Wang H, Linka K, Peirlinck M, Kuhl E, et al. COVID-19 dynamics across the US: A deep learning study of human mobility and social behavior [Internet]. medRxiv. 2020. p. 2020.09.20.20198432. Available from: https://www.medrxiv.org/content/10.1101/2020.09.20.20198432v1.abstract
    11 Rodríguez-González A, Zanin M, Menasalvas-Ruiz E. Public Health and Epidemiology Informatics: Can Artificial Intelligence Help Future Global Challenges? An Overview of Antimicrobial Resistance and Impact of Climate Change in Disease Epidemiology. Yearb Med Inform. 2019 Aug;28(01):224–31.
    12 Zheng Y, Tang N, Omar R, Hu Z, Duong T, Wang J, et al. Smart Materials Enabled with Artificial Intelligence for Healthcare Wearables. Adv Funct Mater. 2021 Dec 1;31(51):2105482.
    13 Gamble A. Artificial intelligence and mobile apps for mental healthcare: a social informatics perspective. Aslib Journal of Information Management. 2020 Jun 5;72(4):509–.
    14 Majumder MA, Guerrini CJ, Bollinger J, Cook-Deegan R, McGuire AL. Sharing data under the 21st Century Cures Act. 2017 May 25;19(12).
    15 Malche T, Tharewal S, Tiwari PK, Jabarulla MY, Alnuaim AA, Hatamleh WA, et al. [Retracted] Artificial Intelligence of Things- (AIoT-) Based Patient Activity Tracking System for Remote Patient Monitoring. J Healthc Eng [Internet]. 2022 Mar 1;2022. Available from: https://doi.org/10.1155/2022/8732213
    16 Zhao R, Yan R, Chen Z, Mao K, Wang P, Gao RX. Deep learning and its applications to machine health monitoring. 2019 Jan 15;115.
    17 Jdey I, Hcini G, Ltifi H. Deep learning and machine learning for Malaria detection: overview, challenges and future directions [Internet]. 2022. Available from: http://arxiv.org/abs/2209.13292
    18 Bollig N, Clarke L, Elsmo E, Craven M. Machine learning for syndromic surveillance using veterinary necropsy reports. PLoS One. 2020 Feb 5;15(2)
    20 Budd J, Miller BS, Manning EM, Lampos V, Zhuang M, Edelstein M, et al. Digital technologies in the public-health response to COVID-19. Nat Med. 2020 Aug 7;26(8):1183–92.
    21 Kung TH, Cheatham M, Medenilla A, Sillos C, De Leon L, Elepaño C, et al. Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLOS Digital Health. 2023 Feb 9;2(2)
    22 Oh BD, Lee YK, Kim JD, Park CY, Kim YS. Deep Learning-Based End-to-End Language Development Screening for Children Using Linguistic Knowledge. NATO Adv Sci Inst Ser E Appl Sci. 2022 May 6;12(9):4651.
    23 Thirunavukarasu AJ, Ting DSJ, Elangovan K, Gutierrez L, Tan TF, Ting DSW. Large language models in medicine. Nat Med. 2023 Jul 17;29(8):1930–40.
    24 Clusmann J, Kolbinger FR, Muti HS, Carrero ZI, Eckardt JN, Laleh NG, et al. The future landscape of large language models in medicine. Communications Medicine. 2023 Oct 10;3(1):1–8.
    25 Syrowatka A, Kuznetsova M, Alsubai A, Beckman AL, Bain PA, Craig KJT, et al. Leveraging artificial intelligence for pandemic preparedness and response: a scoping review to identify key use cases. npj Digital Medicine. 2021 Jun 10;4(1):1–14.
    26 Dórea FC, Revie CW. Data-Driven Surveillance: Effective Collection, Integration, and Interpretation of Data to Support Decision Making. Front Vet Sci. 2021 Mar 12;8:633977.
    27 Chen M, Hao Y, Hwang K, Wang L, Wang L. Disease Prediction by Machine Learning Over Big Data From Healthcare Communities [Internet]. Available from: https://doi.org/10.1109/ACCESS.2017.2694446
    28 Santosh KC. AI-Driven Tools for Coronavirus Outbreak: Need of Active Learning and Cross-Population Train/Test Models on Multitudinal/Multimodal Data. J Med Syst. 2020 Mar 18;44(5):1–5.
    29 Rustam F, Reshi AA, Mehmood A, Ullah S, On BW, Aslam W, et al. COVID-19 Future Forecasting Using Supervised Machine Learning Models [Internet]. Available from: https://doi.org/10.1109/ACCESS.2020.2997311
    30 Shinde S, Yadav S, Somvanshi A. Epidemic Outbreak Prediction Using Machine Learning Model [Internet]. Available from: https://ieeexplore.ieee.org/document/10039594
    31 Wong ZSY, Zhou J, Zhang Q. Artificial Intelligence for infectious disease Big Data Analytics. Infection, Disease & Health. 2019 Feb 1;24(1):44–8.
    32 Abdulkareem M, Petersen SE. The Promise of AI in Detection, Diagnosis, and Epidemiology for Combating COVID-19: Beyond the Hype. Front Artif Intell.
    33 Anjaria P, Asediya V, Bhavsar P, Pathak A, Desai D, Patil V. Artificial Intelligence in Public Health: Revolutionizing Epidemiological Surveillance for Pandemic Preparedness and Equitable Vaccine Access. Vaccines [Internet]. 2023 Jul. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10383160/
    34 Olawade DB, Wada OJ, David-Olawade AC, Kunonga E, Abaire O, Ling J. Using artificial intelligence to improve public health: a narrative review. Frontiers in Public Health [Internet]. 2023;11. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10637620/
    35 Shi H, Wang J, Cheng J, Qi X, Ji H, Struchiner CJ, et al. Big data technology in infectious diseases modeling, simulation, and prediction after the COVID-19 outbreak. Intelligent Medicine. 2023 May;3(2):85.
    36 Malik YS, Sircar S, Bhat S, Ansari MI, Pande T, Kumar P, et al. How artificial intelligence may help the Covid‐19 pandemic: Pitfalls and lessons for the future. Rev Med Virol [Internet]. 2021 Sep;31(5). Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7883226/
    37 MacIntyre CR, Lim S, Quigley AL. Preventing the next pandemic: Use of artificial intelligence for epidemic monitoring and alerts. npj Digital Medicine. 2022 Dec 1;3(12).
    38 Santangelo OE, Gentile V, Pizzo S, Giordano D, Cedrone F. Machine Learning and Prediction of Infectious Diseases: A Systematic Review. Machine Learning and Knowledge Extraction. 2023 Feb 1;5(1):175–98.
    39 Scholz TM. Big Data in Organizations and the Role of Human Resource Management: A Complex Systems Theory-Based Conceptualization. Peter Lang Gmbh, Internationaler Verlag Der Wissenschaften; 2017. 237 p.
    40 Gaglione D, Braca P, Millefiori LM, Soldi G, Forti N, Marano S, et al. Adaptive Bayesian Learning and Forecasting of Epidemic Evolution—Data Analysis of the COVID-19 Outbreak [Internet]. Available from: https://ieeexplore.ieee.org/document/9209964
    41 Hertelendy AJ, Goniewicz K, Khorram-Manesh A. The COVID-19 pandemic: How predictive analysis, artificial intelligence and GIS can be integrated into a clinical command system to improve disaster response and preparedness. Am J Emerg Med. 2021 Jul;45:671.
    42 Rinaldi G, Capello F. An Innovative System to Understand the Development of Epidemics Using GIS Spatial Analysis and Based on AI and Big Data. COVID-19 in Clinical Practice. 2021;229–61.
    43 Rana MS, Shuford J. AI in Healthcare: Transforming Patient Care through Predictive Analytics and Decision Support Systems. JAIGS [Internet]. 2024 Jan 22;1(1). Available from: https://ojs.boulibrary.com/index.php/JAIGS/article/view/30
    44 Chalutz Ben-Gal H. Artificial intelligence (AI) acceptance in primary care during the coronavirus pandemic: What is the role of patients’ gender, age and health awareness? A two-phase pilot study. Front Public Health. 2023 Jan 9;10:931225.
    45 Bragazzi NL, Dai H, Damiani G, Behzadifar M, Martini M, Wu J. How Big Data and Artificial Intelligence Can Help Better Manage the COVID-19 Pandemic. Int J Environ Res Public Health. 2020 May 2;17(9):3176.
    46 Venkatraman K, Manoharan A. Public Engagement as the Fifth Dimension of Outbreak Communication: Public’s Perceptions of Public Health Communication during COVID-19 in India. Health Commun [Internet]. 2023 Jan 28; Available from: https://www.tandfonline.com/doi/abs/10.1080/10410236.2021.1950294
    47 Sharma A, Virmani T, Pathak V, Sharma A, Pathak K, Kumar G, et al. Artificial Intelligence-Based Data-Driven Strategy to Accelerate Research, Development, and Clinical Trials of COVID Vaccine. Biomed Res Int [Internet]. 2022. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9279074/
    48 Garett R, Young SD. The role of social media in monitoring COVID‐19 vaccine uptake. J Eval Clin Pract. 2022 Aug;28(4):650.
    49 Azadi M, Yousefi S, Farzipoor Saen R, Shabanpour H, Jabeen F. Forecasting sustainability of healthcare supply chains using deep learning and network data envelopment analysis. Sustainability. 2023 Jan 1;154.
    50 Fisher S, Rosella LC. Priorities for successful use of artificial intelligence by public health organizations: a literature review. BMC Public Health. 2022 Nov 22;22(1):1–14.
    51 Mhasawade V, Zhao Y, Chunara R. Machine learning and algorithmic fairness in public and population health. Nature Machine Intelligence. 2021 Jul 29;3(8):659–66.
    52 Kumar A, Mani V, Jain V, Gupta H, Venkatesh VG. Managing healthcare supply chain through artificial intelligence (AI): A study of critical success factors. Comput Ind Eng. 2023 Jan;175:108815.
    53 Long P, Lu L, Chen Q, Chen Y, Li C, Luo X. Intelligent selection of healthcare supply chain mode – an applied research based on artificial intelligence. Frontiers in Public Health [Internet]. 2023;11. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10758214/
    54 Hu H, Xu J, Liu M, Lim MK. Vaccine supply chain management: An intelligent system utilizing blockchain, IoT and machine learning. J Bus Res. 2023 Feb;156:113480.
    55 Gupta H, Verma OP. Vaccine hesitancy in the post-vaccination COVID-19 era: a machine learning and statistical analysis driven study. Evol Intell. 2022 Mar 9;16(3):739–57.
    56 Covid-19 vaccine hesitancy: Text mining, sentiment analysis and machine learning on COVID-19 vaccination Twitter dataset. Expert Syst Appl. 2023 Feb 1;212:118715.
    57 Qabajeh MM, Mousa S, Saleh HA, Hasan JA. Designing an Android Application for Electronic Booking in Health Clinics and Building Health Record System. J Appl Inf Technol [Internet]. 2023 Jun 25;14(3). Available from: https://www.jait.us/show-229-1357-1.html
    58 Vaishya R, Javaid M, Khan IH, Haleem A. Artificial Intelligence (AI) applications for COVID-19 pandemic. Clin Epidemiol Glob Health. 2020 Apr 20;14(4):337–9. Available from: https://www.sciencedirect.com/science/article/pii/S1871402120300771
    59 Zimmerman RM, Hernandez EJ, Scott Watkins W, Blue N, Tristani-Firouzi M, Yandell M, et al. An explainable AI approach for discovering social determinants of health and risk interactions for stroke in patients with atrial fibrillation [Internet]. medRxiv. 2023. p. 2023.02.27.23286470. Available from: https://www.medrxiv.org/content/10.1101/2023.02.27.23286470v1.abstract
    60 Carroll NW, Art J, Burkard T, Lulias C, Kylie Severson MS, Tori Posa BA. Improving Risk Stratification Using AI and Social Determinants of Health. AJMC. 2022. Available from: https://www.ajmc.com/view/improving-risk-stratification-using-ai-and-social-determinants-of-health
    61 Davis MA, Lim N, Jordan J, Yee J, Gichoya JW, Lee R. Imaging Artificial Intelligence: A Framework for Radiologists to Address Health Equity, From the AJR Special Series on DEI. American Journal of Roentgenology [Internet]. 2023 Feb 22; Available from: https://ajronline.org/doi/10.2214/AJR.22.28802
    62 Brakefield WS, Ammar N, Shaban-Nejad A. An Urban Population Health Observatory for Disease Causal Pathway Analysis and Decision Support: Underlying Explainable Artificial Intelligence Model. JMIR Formative Research. 2022 Jul 20;6(7)
    63 Kellenberger B, Vargas-Muñoz JE, Tuia D, Daudt RC, Schindler K, Whelan TTT, et al. Mapping Vulnerable Populations with AI [Internet]. arXiv.org. 2021. Available from: https://arxiv.org/pdf/2107.14123.pdf
    64 Talati KN, Parikh SM. Big Data and Public Health: Avenue for Multidisciplinary Collaborative Research. In IGI Global; 1AD.
    65 Wilder B. AI for Equitable, Data-Driven Decisions in Public Health. AAAI. 2023 Sep 6;37(13):15459–15459.
    66 Allen B, Neill DB, Schell RC, Ahern J, Hallowell BD, Krieger M, et al. Translating Predictive Analytics for Public Health Practice: A Case Study of Overdose Prevention in Rhode Island. Am J Epidemiol. 2023 May 17;192(10):1659–68.
    67 Mei J, Khiang CY, Hickson R, Xia E, Zhao S. Predicting non-communicable disease with infectious risk factors using artificial intelligence [Internet]. US Patent. 11380443, 2022. Available from: https://patentimages.storage.googleapis.com/26/30/57/01fd2ba7ed7264/US11380443.pdf
    68 Long E, Wan P, Chen Q, Lu Z, Choi J. From function to translation: Decoding genetic susceptibility to human diseases via artificial intelligence. Cell Genomics. 2023 Jun 14;3(6):100320.
    69 Somodevilla MJ, de Celis MCP, Pineda IH, Colmenares LE, Mena I. System Development Ontology to Discover Lifestyle Patterns Associated with NCD. Int Conf Bioinform Biomed Eng. 2015;47–56.
    70 Mohanaprakash TA, Abirami P, Navaneethakrishnan M, Savija J, Ramya M, Anbarasa PA. Artificial Intelligence Powered Early Detection of Heart Disease [Internet]. Available from: https://ieeexplore.ieee.org/document/10127928
    71 Joshi S, Bagayoko CO, Babington-Ashaye A, Geissbuhler A. Digital technologies for NCD prevention and control. In: Noncommunicable Diseases. 1st Edition. Routledge; 2023. p. 362–8.
    72 Kocakoç İD. The Role of Artificial Intelligence in Health Care. The Impact of Artificial Intelligence on Governance, Economics and Finance, Volume 2. 2022;189–206.
    76 Ferdosi BJ, Sakib MA, Islam MS, Dhar J. Identifying Counterfeit Medicine in Bangladesh Using Deep Learning. Human Centred Intelligent Systems. 2021;46–55.
    77 Liang Y, Zhao Y, Que D, Zhang X, Xu C. Online Fake Drug Detection System in Heterogeneous Platforms Using Big Data Analysis [Internet]. Available from: https://ieeexplore.ieee.org/document/7979925
    78 Chen CW, Tsai AC, Chang WY, Huang HF, Wang JF. Arbitrary Axis-aligned and Multi-scale Drug Recognition System [Internet]. Available from: https://ieeexplore.ieee.org/document/9468730
    79 Andi HK. AI-Powered Drug Detection System Utilizing Bioactivity Prediction and Drug Release Tracking. Journal of Artificial Intelligence and Capsule Networks. 2022 Nov 9;4(4):263–73.
    80 Bhardwaj A, Kumar S, Naidu A. Predictive analysis and supervised detection for fraudulent cases in healthcare [Internet]. Available from: https://ieeexplore.ieee.org/document/9734195
    81 Flarence AR, Bethu S, Sowmya V, Anusha K, Sankara Babu B. Importance of supervised learning in prediction analysis. Periodicals of Engineering and Natural Sciences. 2018 Jun 5;6(1):201–14.
    82 Elvas LB, Helgheim B, Ferreira JCA. Information Sharing through Digital Service Agreement [Internet]. medRxiv. 2023. p. 2023.01.18.23284718. Available from: https://www.medrxiv.org/content/10.1101/2023.01.18.23284718v1.abstract

  • Initiatives de prévention : les acteurs de la santé s’engagent pour relever les défis du grand âge et des maladies chroniques

    Une priorité pour les acteurs du secteur

    Désormais soutenue par l’innovation technologique, la prévention connait une demande croissante et un intérêt grandissant des grands groupes du secteur de la santé pour des solutions personnalisées et accessibles. En France, e2022, les dépenses de santé dédiées à la prévention atteignaient 12,7 milliards d’euros, soit une baisse de près de 28 % par rapport à 2021, mais un montant largement supérieur aux 5,54 milliards d’euros de 2019, avant la pandémie de Covid-19.

    Avec le vieillissement de sa population, la pays fait face à de nouveaux défis liés à la santé des seniors. D’après l’Insee, la population pourrait atteindre 69,3 millions d’ici 2044, avec une proportion de personnes de plus de 65 ans qui représenteraient 28,7 % en 2070. Ce phénomène entraîne une hausse de la prévalence des maladies chroniques, comme le diabète ou les pathologies cardiovasculaires, lesquelles représentaient déjà 61,9 % des dépenses de santé, soit 104 milliards d’euros, en 2020. D’ici 2030, le nombre de personnes âgées dépendantes pourrait augmenter de 50 %, selon un rapport du Leem.

    D’un autre côté, les modes de vie actuels, tels que la sédentarité, l’alcoolo-tabagisme et les mauvaises habitudes alimentaires, aggravent les facteurs de risque de plusieurs maladies.

    🏥 Les hôpitaux en première ligne :

    Les établissements de soins, qu’ils soient publics ou privés, mettent en place des stratégies pour améliorer la prévention au sein de leurs services. Le passage des soins hospitaliers traditionnels vers des soins ambulatoires, à domicile et virtuels s’est accéléré. Cette transition permet d’atteindre les patients de manière plus flexible et d’offrir des programmes de prévention plus personnalisés. Les systèmes de santé investissent également dans des technologies de santé numériques et des plateformes de soins partagés pour améliorer la coordination des soins préventifs et l’engagement des patients.

    À ce titre, lors de Santexpo 2024, un appel à projet (AAP) pour le prix de l’innovation en prévention a été lancé par la Conférence des directeurs généraux de CHU et le groupe mutualiste européen Relyens. Ce prix a pour but de promouvoir des initiatives qui pourraient être déployées dans d’autres établissements, de renforcer le rôle des CHU dans la prévention en lien avec les acteurs territoriaux et de contribuer à la stratégie nationale de prévention portée par le ministère de la Santé et le programme France 2030. Son ambition est de faire des CHU des moteurs de l’innovation dans la prévention, tout en s’inscrivant dans les priorités de santé publique actuelles.

    L’Hôpital Américain de Paris s’est associé avec la start-up Kiro pour faire progresser la médecine préventive personnalisée. Ce partenariat vise à améliorer l’interprétation des examens biologiques, grâce à l’intelligence artificielle, et à proposer des soins plus ciblés. Kiro utilise des outils d’IA pour combiner les données biologiques et cliniques, facilitant ainsi une détection précoce des maladies et une meilleure gestion des patients. Cette initiative s’inscrit dans la stratégie de l’Hôpital pour 2024-2028, centrée sur la prévention et l’innovation en santé.

    Bien que plusieurs actions actions soient portées par les établissements de santé, la prévention en hôpital reste confrontée à plusieurs défis, à savoir :

    • le manque de ressources financières et humaines nécessaire à une prévention efficace ;
    • une sensibilisation insuffisante du public et des patients ;
    • la coordination des soins  avec des acteurs externes (médecins de ville, associations) ;
    • et le changement de culture notamment le passage d’une approche curative à préventive.

    Les groupes d’hospitalisation privée s’engagent :

    Les actions de prévention du groupe d’hospitalisation privée, Elsan, se concentrent sur plusieurs thématiques de santé publique, visant à sensibiliser et dépister les maladies chroniques. L’entreprise organise des campagnes de vaccination (grippe, HPV), de dépistage des cancers et des risques cardiovasculaires, et propose des bilans de santé complets. Avec des équipes mobiles et des initiatives d’”aller-vers”, Elsan touche plus de 11 000 personnes par an. L’objectif est de promouvoir l’hygiène de vie, de prévenir les maladies chroniques, et d’intervenir de manière proactive sur le terrain.

    Vivalto Santé, à travers ses centres “Vivalto check-up”, propose des bilans de santé personnalisés, adaptés aussi bien aux particuliers qu’aux entreprises. Spécialisés en médecine préventive et dépistage, ces centres visent à préserver une santé optimale grâce à des diagnostics précoces et des suivis adaptés. Implantés sur tout le territoire français, les centres offrent une prise en charge accessible et de qualité, avec pour objectif d’accompagner les patients et les employés dans une démarche de prévention active et durable.

    Les personnes âgées parmi les cibles prioritaires :

    La prévention concerne également les personnes âgées. A titre d’exemple, la maison Saint-Joseph de Quimperlé (de l’HSTV) a mis en place récemment un hôpital de jour dédié à la prévention des chutes chez les seniors. Ce programme vise à :

    • réduire les risques de chutes ;
    • proposer par des évaluations et des exercices spécifiques adaptés ;
    • permettre aux personnes âgées améliorer leur équilibre, leur mobilité et autonomie ;
    • et éviter les accidents domestiques et les hospitalisations.

    D’autres initiatives se concentrent également sur les personnes âgées c’est le cas du projet “Métapsy” a été initié dans le cadre d’une collaboration entre My Family Up, l’Institut de recherche en informatique de Toulouse et le Gérontopôle. Ce programme utilise l’intelligence artificielle pour analyser la voix et détecter des signes précoces d’états émotionnels à risque. Il s’inscrit dans une démarche de prévention, en ciblant la santé mentale des aidants et des familles, en vue de leur offrir un soutien psychologique adapté avant l’apparition de crises. L’objectif est d’anticiper et de prévenir les troubles psychologiques.

    🏛️ La prévention au cœur des enjeux des assureurs :

    Les assureurs jouent un rôle essentiel dans la promotion de la prévention en santé, en intégrant des programmes visant à réduire les risques de maladies et à encourager des comportements sains. Face à l’augmentation des maladies chroniques et des dépenses de santé, les compagnies d’assurance et les mutuelles adoptent des stratégies de prévention pour leurs assurés.

    Ces dernières disposent de nombreux programme afin de favoriser la prévention :

    • Generali : propose le programme Generali Vitaly, visant à encourager ses assurés à adopter un mode de vie plus sain. Il repose sur un système de récompenses pour inciter à l’activité physique, à une meilleure alimentation. Les membres peuvent cumuler des points en fonction de leurs efforts pour améliorer leur santé ;
    • Vivoptim :  une initiative du groupe VYV, dédiée à la prévention des risques cardiovasculaires, propose un programme de bilans réguliers, d’un suivi personnalisé et de recommandations pour améliorer l’hygiène de vie de ses adhérents ;
    • Mon bilan prévention : lancée en 2024, cette initiative est un partenariat entre l’Assurance Maladie, la Mutualité sociale agricole (MSA), et Santé publique France. Elle propose des bilans de santé gratuits à des âges clés et propose des rendez-vous permettant de détecter d’éventuelles maladies chroniques, de surveiller la santé mentale des jeunes, et d’évaluer les risques de perte d’autonomie pour les seniors
    • La Mutualité Française : avec ses différents programmes de prévention (santé environnementale, maladies chroniques, santé de nos aînés autonomes…), la Mutualité vise également à à promouvoir l’activité physique pour améliorer la santé des individus, à travers son programme et son observatoire “sport-santé”. Il consiste en des événements nationaux (marches et courses pour tous) ainsi que des ateliers de sensibilisation à l’importance du sport pour la prévention des maladies chroniques. En partenariat avec des fédérations sportives, la Mutualité Française encourage la pratique régulière d’activités physiques adaptées à différents publics.

    💊 Le médicament comme levier de la prévention :

    Au-delà de la vaccination, les laboratoires pharmaceutiques jouent un rôle central dans la prévention des maladies chroniques et infectieuses, en offrant des solutions innovantes pour atténuer les facteurs de risque et promouvoir la santé :

    • Des entreprises comme Novo Nordisk jouent un rôle important dans la prévention des maladies chroniques. Son médicament anti-obésité Wegovy pourrait bientôt être commercialisé en Europe et permettre ainsi de mieux prévenir la maladie cardiaque. Initialement conçu pour la perte de poids, ce traitement pourrait être utilisé pour atténuer les risques cardiovasculaires.
    • Des programmes comme le Prevent2Care Lab, soutenu par Pfizer et la Fondation Ramsay Santé, visent à promouvoir la prévention à travers des start-ups innovantes qui développent des solutions pour encourager le dépistage précoce et les diagnostics​.
    • Sanofi prévoit de distribuer 600 000 doses de Beyfortus en France pour la campagne de vaccination contre la bronchiolite cet hiver, soit le double des doses fournies l’an dernier. Ce traitement, destiné aux nourrissons, est un anticorps conçu pour prévenir cette infection respiratoire. L’augmentation des doses vise à répondre à une forte demande, notamment après la réussite de la campagne précédente.
    • Dans le cadre de la prévention contre le VIH, le médicament Sunlenca de Gilead représente une avancée majeure. Administré sous forme d’injection semestrielle, il a démontré une grande efficacité dans la prévention de l’infection chez les femmes à haut risque, marquant une révolution pour la prophylaxie pré-exposition (PrEP). Ce traitement pourrait alléger la contrainte des prises quotidiennes de pilules et constituer une nouvelle arme dans la prévention du VIH, contribuant à réduire les nouvelles infections dans le cadre d’une stratégie de santé publique globale.

    D’autres initiatives en France

    D’autres initiatives ont vu le jour, portées par des centres d’innovation ou d’expérimentation qui font de la prévention une de leurs priorités :

    • Parisanté Campus et Bpifrance  qui ont récemment lancé un accélérateur dédié aux startups innovantes dans le domaine de la prévention en santé. Cette initiative vise à soutenir les jeunes entreprises qui développent des solutions dans des secteurs comme les données de santé, l’intelligence artificielle, ou encore la médecine préventive. L’objectif est de structurer une filière spécialisée pour transformer le système de santé vers un modèle préventif. En plus de l’expertise de Bpifrance, ces entreprises peuvent également s’appuyer sur l’écosystème de PariSanté Campus, qui regroupe chercheurs et universitaires, renforçant ainsi le lien entre la recherche et l’innovation en santé.
    • Depuis 2024, le projet tiers-lieu d’expérimentation (TLE) “Unirein” vise à améliorer la prise en charge des maladies telles que le diabète et l’hypertension. En collaboration avec divers acteurs (patients, soignants, experts et startups), il utilise des outils numériques pour promouvoir l’autonomie des patients, optimiser les soins, et développer des solutions innovantes via un processus de coconception.
    • Les pôles de compétitivité ont également leur rôle à jouer. À ce titre, le “Challenge prévention” de Lyonbiopôle vise à démontrer la valeur des innovations en conditions réelles, en particulier dans le domaine de la prévention santé. Ce programme invite des entreprises innovantes à présenter des projets qui pourront être évalués dans des environnements réels pour en prouver l’efficacité. Les projets retenus bénéficieront d’un accompagnement et d’une mise en relation avec des experts, ainsi que d’opportunités de financement.