Analyse

  • États-Unis : AWS attribue plus de 1,8 M$ à 11 organisations, dont cinq hôpitaux pédiatriques

    Amazon Web Services a annoncé le 5 octobre 2026 l’attribution de plus de 1,8 million de dollars à 11 organisations lauréates de son prix 2026 consacré à l’innovation en santé de l’enfant (AWS Imagine Grant Children’s Health Innovation Award). Cinq hôpitaux pédiatriques américains figurent parmi les lauréats, qui bénéficient aussi d’un accompagnement technique. Les dotations s’inscrivent dans un engagement de 10 millions de dollars en faveur de la santé de l’enfant.

    Pourquoi cela compte : les cinq projets hospitaliers montrent quels usages de l’IA des hôpitaux pédiatriques américains jugent prioritaires : diagnostic génétique, épilepsie, observance, synthèse de dossiers.

    Sur les cinq projets hospitaliers, deux étendent un outil existant (GENIUS, Intelligent Chart Assist) et trois sont à construire. Un résultat est avancé : GENIUS aurait réduit de 50 % le délai de diagnostic génétique chez les nourrissons en état critique.

    Synthèse de dossiers : chaque fait relié à son document d’origine

    Lurie Children’s Hospital of Chicago étendra son outil Intelligent Chart Assist à la greffe pédiatrique. Il s’appuie sur Amazon Bedrock pour transformer des centaines de pages de dossiers externes en synthèses où chaque fait renvoie à sa source. Cette traçabilité conditionne l’usage clinique : un médecin qui ne peut pas vérifier une information doit relire le dossier entier, et le gain de temps disparaît.

    Diagnostic génétique : d’une unité de néonatologie à sept

    Le Nationwide Children’s Hospital étendra sa plateforme d’apprentissage automatique GENIUS de l’unité de soins intensifs néonatals de son site principal à six autres unités du centre de l’Ohio, puis aux soins primaires. Le financement porte sur la diffusion d’un outil existant, étape souvent absente des projets d’IA, qui restent dans le service qui les a conçus. Elle suppose des données comparables d’un site à l’autre et un accès à distance à l’expertise génétique.

    Épilepsie et cardiologie : des plateformes de données bâties par pathologie

    Trois lauréats financent d’abord la mise en forme des données. Seattle Children’s Hospital convertit plus de 35 000 électroencéphalogrammes et les données d’imagerie, génomiques et cliniques de plus de 6 000 enfants épileptiques en formats exploitables par l’IA. Cook Children’s (Fort Worth, Texas) réunit des données comparables dans sa plateforme PRECEDE, et Nationwide relie résultats génomiques et devenir cardiaque à long terme dans un lac de données.

    Observance : une prédiction conçue avec la réponse qui la suit

    Le Children’s Hospital of The King’s Daughters (Norfolk, Virginie) construit un système qui prédirait en temps réel le risque de non-observance chez des enfants atteints d’asthme, de diabète ou d’épilepsie, puis déclencherait des alertes à l’équipe de soins et des rappels.

    Crédits de calcul : un mécénat qui oriente les choix techniques

    La dotation représente environ 165 000 dollars en moyenne par lauréat. Les crédits et l’accompagnement technique conduisent les projets à s’appuyer sur les services d’AWS, qui y gagne des références cliniques. Pour l’hôpital, la question est celle du coût d’exploitation une fois les crédits consommés.

    Source : AWS, annonce des lauréats 2026 du Children’s Health Innovation Award (05/10/2026) · fiabilité : déclarative ; Becker’s Hospital Review (05/10/2026) · presse

  • Allemagne : un projet de loi lie interopérabilité et rémunération des médecins

    Adopté en conseil des ministres le 15 juillet 2026, le projet de loi allemand sur les données et l’innovation numérique en santé, dit GeDIG, poursuit son parcours législatif : le ministère mentionne un premier passage au Bundesrat le 25 septembre. Il associe certification des logiciels, évolution du dossier patient et mise en œuvre de l’espace européen des données de santé. Il ne s’agit pas d’une loi entrée en vigueur.

    Pourquoi cela compte : le projet lie l’interopérabilité à des échéances et à des sanctions financières. Les éditeurs actifs en Allemagne doivent anticiper les exigences de conformité et l’évolution des achats publics, sans considérer le calendrier du projet comme définitivement acquis.

    Une retenue graduée liée aux logiciels

    Les médecins et dentistes conventionnés utilisant un logiciel non certifié verraient leur rémunération réduite de 5 % à 20 %. Cette retenue remplacerait une interdiction totale de facturer, jugée disproportionnée dans l’exposé des motifs. Les modalités devraient être convenues avant le 31 octobre 2027. Les éditeurs seraient tenus de fournir les données dans un format interopérable, selon les exigences de la gematik, la société chargée de l’infrastructure numérique de santé.

    Des achats publics et des services élargis

    La gematik pourrait acheter directement les services nécessaires à une exploitation sûre de l’infrastructure. Les caisses d’assurance maladie pourraient ajouter au dossier patient électronique leurs propres services de prévention ou d’explication des résultats, notamment par IA, avec possibilité d’opposition de l’assuré. L’adressage électronique entre généralistes et spécialistes serait introduit par étapes d’ici septembre 2029. Le projet chiffre les économies annuelles des professionnels à environ 445 M€ : ce sont des estimations, pas des gains constatés.

    Ce qui existe déjà ici

    En France, le référencement Ségur des logiciels de cabinet s’inscrit dans la dotation numérique, dite Donum. L’ordonnance numérique, la messagerie sécurisée MSSanté et le catalogue de services de Mon espace santé répondent déjà à plusieurs objectifs comparables. La stratégie IA et données de santé prévoit aussi la désignation d’un organisme responsable de l’accès aux données, ou Orad. Ces dispositifs ne constituent pas pour autant une sanction conventionnelle équivalente à celle envisagée en Allemagne.

    Transposabilité France / Europe

    La retenue sur la rémunération n’est transposable en France que sous réforme : elle supposerait une base conventionnelle ou législative et une procédure d’évaluation de conformité des logiciels. Le référencement Ségur pourrait servir d’appui, mais ne suffit pas à créer cette sanction. Les autres volets correspondent à des chantiers français déjà engagés ; la désignation de l’Orad relève de ce calendrier parallèle.

    Source : ministère fédéral allemand de la Santé, suivi du projet (étape du 25 septembre 2026) et projet de loi · fiabilité : officielle.

    Transposabilité France / Europe : T2 · sous réforme (conditions : base conventionnelle ou législative ; évaluation de conformité des logiciels).

  • Google DeepMind teste un filigrane pour identifier les protéines conçues par IA

    Une équipe de Google DeepMind a présenté dans la revue Nature, le 30 septembre 2026, SynthIDBio : un ensemble de méthodes permettant d’identifier a posteriori les protéines conçues par intelligence artificielle. Deux versions existent, l’une pour les séquences de protéines créées de toutes pièces, l’autre pour les structures prédites par AlphaFold 3. Ce qui est nouveau n’est pas l’idée du filigrane numérique, déjà utilisée pour les textes et les images générés par IA, mais sa validation expérimentale : les essais rapportés n’ont pas détecté de différence statistiquement significative de liaison sur les cibles étudiées.

    Pourquoi cela compte : identifier l’origine IA d’une séquence biologique pourrait compléter le contrôle des commandes d’ADN de synthèse. Le filigrane ne démontre pas, à lui seul, l’innocuité d’une protéine.

    Comment on marque une protéine sans l’abîmer

    Les modèles d’IA qui conçoivent des protéines les écrivent position par position : à chaque étape, le modèle évalue quels acides aminés conviendraient et en choisit un.

    C’est cette marge de manœuvre que le filigrane exploite. À plusieurs positions, le modèle a le choix entre deux acides aminés également satisfaisants : le résultat fonctionnera dans les deux cas. Le procédé consiste alors à privilégier systématiquement l’un d’eux selon une règle dérivée d’une clé secrète. Pris isolément, aucun choix n’a rien de suspect. Mais à l’échelle de la séquence entière, une régularité statistique apparaît : qui détient la clé peut la mesurer et conclure que la protéine a été produite par cet outil. Qui ne la détient pas ne voit rien.

    Pour les structures en trois dimensions, le principe diffère. Là, le marquage n’est pas appliqué au moment de la génération : il est intégré directement dans le modèle lui-même, par un réentraînement partiel. Le signal se loge dans d’infimes variations de distances entre atomes, invisibles aux indicateurs de qualité habituels et comparables aux erreurs que le modèle commet naturellement.

    Les deux méthodes ne marquent pas le même objet : la première une séquence, la seconde une structure prédite. Le scénario de contrôle des commandes d’ADN présenté ci-dessous concerne les séquences.

    Ce que l’expérience en laboratoire a vérifié

    L’objection opposée jusqu’ici à cette idée était simple : si l’on contraint le choix des acides aminés, la protéine risque de moins bien faire son travail. Les auteurs l’ont testée directement.

    Ils ont travaillé sur des protéines de liaison, c’est-à-dire des molécules conçues pour s’accrocher à une cible précise, mécanisme à la base de nombreux médicaments. Trois cibles ont été retenues : une protéine du SARS-CoV-2, le facteur de croissance VEGF-A et la protéine PD-L1, bien connue en immuno-oncologie. Pour chacune, les chercheurs sont partis de quinze protéines déjà validées, puis en ont régénéré les séquences avec et sans filigrane. La qualité de l’accrochage a ensuite été mesurée en laboratoire, par une technique de référence appelée résonance plasmonique de surface.

    Résultat : aucune différence statistiquement significative entre protéines marquées et non marquées. Les contrôles négatifs, eux, ne se lient à rien, ce qui confirme que la mesure est fiable.

    Deux nuances. L’expérience ne part pas de protéines inventées de zéro, mais de molécules dont on savait déjà qu’elles fonctionnaient, choix assumé, destiné à obtenir assez de données exploitables. Surtout, le marquage a un coût : pour garantir que le signal reste détectable, il faut écarter les candidats dont la marque est trop faible. Dans l’un des réglages testés, cela élimine 41,7 % des candidats, qu’il faut donc produire en plus grand nombre, au prix de calculs et de dépenses supplémentaires.

    Pourquoi les fournisseurs d’ADN pourraient s’y intéresser

    L’intérêt stratégique de ces travaux tient moins à la biologie qu’au modèle économique esquissé par les auteurs.

    Concevoir une protéine sur ordinateur ne suffit pas : pour la fabriquer, il faut commander l’ADN correspondant à un fournisseur spécialisé. Ce passage obligé est aujourd’hui le principal point de contrôle du secteur. Les fournisseurs comparent chaque commande à des bases de séquences dangereuses connues et refusent celles qui correspondent. Cette vérification coûte cher, et elle devient incertaine quand la séquence commandée ne ressemble à rien de répertorié, ce qui est précisément le cas des protéines conçues par IA.

    Le filigrane propose une autre voie. Une marque intacte signale deux choses : la séquence provient d’un outil identifié, et son auteur n’a pas cherché à en masquer l’origine. Les auteurs imaginent donc que les fournisseurs réservent les analyses les plus lourdes aux commandes non marquées, et répercutent l’économie sur le prix ou le délai. La traçabilité deviendrait alors un avantage commercial plutôt qu’une contrainte. Cet équilibre reste fragile : si le surcoût de calcul imposé au concepteur dépasse le gain obtenu chez le fournisseur, personne n’a intérêt à adopter le dispositif.

    Un calendrier réglementaire qui se resserre

    Une technologie de traçabilité ne vaut que s’il existe un contrôle obligatoire auquel l’adosser. Or ce contrôle se formalise.

    Aux États-Unis, un cadre fédéral publié en septembre 2024 abaisserait au 13 octobre 2026 le seuil à partir duquel les commandes doivent être vérifiées, et étendrait les obligations aux fabricants d’appareils de synthèse. En Europe, une proposition de Biotech Act présentée par la Commission européenne en décembre 2025 prévoirait des obligations contraignantes de vérification et un signalement des commandes suspectes. La source rappelle d’ailleurs ce qui a déclenché cette accélération : une étude récente a montré que réécrire une séquence dangereuse à l’aide d’outils d’IA suffisait à la rendre méconnaissable pour les systèmes de contrôle en place.

    Pour qui ? Une preuve de laboratoire, pas encore un standard industriel

    Ces travaux intéressent les concepteurs de protéines par IA et les fournisseurs d’ADN de synthèse. Maturité : signal émergent, avec validation expérimentale en laboratoire. L’article ne documente ni adoption industrielle ni bilan économique en production ; le surcoût de génération reste un point à évaluer.

    Source : Nature, « Function-preserving watermarking of AI-generated proteins » (30 septembre 2026) – fiabilité : publication évaluée par les pairs.

  • UK : entraînée sur 15 000 courriers synthétiques, une IA lit la fréquence des crises d’épilepsie

    Une équipe du King’s College London et du King’s College Hospital a entraîné des modèles de langage à poids ouverts (open weight) à lire la fréquence des crises d’épilepsie dans des courriers de consultation sans leur montrer une seule lettre réelle : l’apprentissage repose sur 15 099 lettres entièrement synthétiques, générées et vérifiées par GPT-5. L’étude est parue le 1er octobre 2026 dans le Journal of Biomedical Informatics. Testés sur 300 lettres réelles relues par deux épileptologues, les modèles classent correctement la fréquence des crises dans 79 % des cas sur une grille à dix niveaux et dans 86 % des cas sur une grille à quatre niveaux.

    Pourquoi cela compte : l’accès au texte clinique réel est le premier frein des projets de traitement du langage hospitalier. L’étude montre qu’un corpus synthétique construit pour une tâche précise, avec étiquettes normalisées et extraits de preuve, suffit à entraîner un modèle ouvert de 4 milliards de paramètres exécutable sur site, à condition de l’évaluer sur des documents réels relus par des cliniciens. Pour un entrepôt de données hospitalier, c’est une voie pour développer et partager des extracteurs sans faire circuler de lettres de patients.

    Le verrou : une donnée de suivi enfermée dans le texte libre

    La fréquence des crises est l’indicateur central du suivi de l’épilepsie, mais elle est rarement codée. Au Royaume-Uni, elle figure dans la lettre que le neurologue adresse au médecin traitant après chaque consultation, un document difficile à annoter et impossible à partager sans risque de réidentification. L’entrepôt du King’s College Hospital compte plus de 25 000 documents de ce type pour des adultes épileptiques entre 2013 et 2023. La même équipe avait déjà entraîné des modèles sur 1 481 lettres annotées à la main, avec un score F1 de 0,73 (Barlow et al., BioNLP 2025).

    La méthode : dix lettres de base, 17 315 formulations, 15 099 lettres vérifiées

    Les auteurs partent de dix lettres de base dérivées de vrais courriers de l’hôpital, désidentifiées et réécrites à la main pour conserver le style du NHS. GPT-5 produit ensuite 500 descriptions courtes de fréquence de crises, que des annotateurs transforment en gabarits paramétriques (« [1] per day ») ; leur instanciation donne 17 315 paires description-étiquette couvrant les taux explicites, les intervalles, les grappes de crises, les périodes sans crise, la fréquence inconnue et l’absence de crise. Pour chaque lettre, GPT-5 remplace le paragraphe sur les crises, puis relit le résultat et prédit l’étiquette ; seules les lettres dont la prédiction correspond exactement à l’étiquette de départ sont conservées. Le corpus final compte 15 099 lettres, chacune accompagnée d’une étiquette normalisée, d’un raisonnement et des passages qui le justifient.

    Sept modèles à poids ouverts de 4 à 14 milliards de paramètres (Qwen2.5, Gemma-3, MedGemma, Lingshu, Llama 3.1, Ministral) sont ensuite affinés sur ce corpus, avec deux formats de sortie : un nombre de crises par mois, ou une étiquette structurée accompagnée d’un raisonnement et de citations du texte.

    Les résultats : des modèles entraînés sur du synthétique lisent correctement les lettres réelles

    L’évaluation porte sur 300 lettres réelles tenues à l’écart de l’entraînement et relues indépendamment par deux épileptologues seniors. Deux grilles de lecture sont utilisées. La grille fine compte dix niveaux de fréquence, de moins d’une crise par semestre à une crise ou plus par jour. La grille pragmatique en compte quatre : crises fréquentes, crises peu fréquentes, fréquence inconnue, absence de crise. La performance est mesurée par le micro-F1, qui combine précision et rappel sur l’ensemble des lettres et se lit ici comme une proportion de classements corrects : 1 serait un sans-faute.

    Qwen2.5-14B, le plus gros modèle testé, obtient 0,788 sur la grille fine et 0,847 sur la grille pragmatique. MedGemma-4B, modèle médical trois fois plus petit, fait aussi bien avec 0,787 et 0,858. Autrement dit, près de huit lettres sur dix sont classées au bon niveau fin et plus de huit sur dix dans la bonne catégorie pragmatique, par un modèle qui tient sur un serveur hospitalier.

    Trois enseignements complètent ces scores. Demander au modèle une étiquette structurée avec justification donne de meilleurs résultats que lui demander un nombre de crises par mois. L’entraînement sur le seul corpus synthétique dépasse l’entraînement sur les 1 481 lettres réelles annotées (0,763 et 0,811 pour Qwen2.5-14B), avec une réserve : les annotations réelles n’existaient qu’au format numérique, ce qui empêche une comparaison à format égal. Enfin, la performance croît avec la taille du corpus synthétique, de 0,743 avec 500 lettres à 0,788 avec 15 000, mais les gains se tassent.

    Le réalisme des lettres a été testé à part sur 60 lettres mélangées : deux neurologues ont distingué le vrai du synthétique dans 98,3 % et 88,3 % des cas, tout en jugeant 56,7 % et 86,7 % des lettres synthétiques « écrites comme par un médecin ». Artefacts relevés : documentation trop exhaustive de style américain, examens inhabituels dans un suivi britannique de routine, narration trop ordonnée.

    Les limites que les auteurs assument

    Un seul centre britannique et une période fixe : la validation externe dans d’autres hôpitaux reste à faire. Le pipeline par gabarits limite la diversité des récits, ce qui explique sans doute le tassement des gains. Aucune étude prospective n’a mesuré le temps gagné ni la confiance des cliniciens. Le financement vient de l’Epilepsy Research Institute (subvention 2209) et d’une bourse de recherche à l’initiative de l’investigateur financée par Angelini Pharma. Un second article de la même équipe, présenté à BioNLP 2026, applique la même recette à la détection de l’absence de crises.

    Source : Journal of Biomedical Informatics, Gan Y., Barlow S. H., Holgate B., Davies J., Teo J. T., Winston J. S., Richardson M. P., « Reproducible synthetic clinical letters for seizure frequency information extraction », article 105105 (1er octobre 2026), DOI 10.1016/j.jbi.2026.105105 · fiabilité : publication évaluée par les pairs · prépublication arXiv:2603.11407 (12 mars 2026) ; Barlow et al., BioNLP 2026

  • Pronostic cardiaque : deux modèles d’IA bernois mis en ligne gratuitement pour la recherche

    Le 31 août 2026, l’Inselspital, hôpital universitaire de Berne, et l’Université de Berne ont présenté deux études internationales parues dans The Lancet Digital Health et JAMA Cardiology. Selon leur communiqué, des modèles d’IA y prédisent l’évolution de deux maladies cardiaques avec plus de précision que les scores de risque établis : après un remplacement de valve aortique par cathéter (TAVI) et dans l’amylose cardiaque à transthyrétine. Fait nouveau, les deux modèles sont accessibles gratuitement en ligne pour un usage scientifique.

    Pourquoi cela compte : ces modèles pourraient permettre d’adapter l’intensité du suivi au risque de chaque patient, donc de mieux répartir consultations et examens. Ils ne sont toutefois validés que sur des données passées. Pour un établissement, la décision du moment est de les évaluer en recherche.

    Des modèles en accès libre, testables sur ses propres patients

    Les deux modèles sont disponibles sous forme d’outils en ligne gratuits, réservés à un usage scientifique. Les auteurs prévoient de les tester de façon prospective et dans d’autres groupes de patients. Cette ouverture compte, car un modèle pronostique construit ailleurs ne vaut pour un établissement que s’il reste performant sur sa propre population. Une équipe qui suit une cohorte TAVI ou amylose peut donc le vérifier à faible coût.

    Données de routine, validation externe, explicabilité : une méthode en trois temps

    Les deux études suivent le même schéma. D’abord, les modèles combinent des informations déjà recueillies pendant les soins, ce qui évite toute saisie supplémentaire : pour le TAVI, examen clinique, biologie, imagerie et données de l’intervention. Ensuite, ils sont vérifiés sur des patients extérieurs : le modèle TAVI, développé sur près de 3 000 patients bernois, a été validé sur plus de 1 000 patients au Japon. Enfin, ils indiqueraient quels facteurs pèsent le plus dans la prédiction, condition pour que le clinicien puisse la discuter. Ces trois points forment une grille de lecture applicable à tout algorithme pronostique proposé à un établissement.

    Une preuve rétrospective, pas encore un outil clinique

    Le communiqué annonce un gain de précision d’environ 10 à 15 % pour le pronostic à long terme après TAVI. Pour l’amylose, étudiée chez 850 patients suisses et viennois, le gain irait de quelques pour cent à près de 20 % face aux scores Mayo et NAC. L’indicateur mesuré n’est pas précisé. L’aire sous la courbe à trois ans atteindrait 0,73 à 0,80, contre 0,62 à 0,72 pour ces scores. Ces chiffres décrivent la capacité à classer les patients par niveau de risque, non un bénéfice pour leur santé. Ce bénéfice reste à démontrer en conditions réelles.

    « Deux personnes atteintes de la même maladie cardiaque ont souvent un risque de complications très différent » explique le Pr Christoph Grän, un score fiable permettrait de suivre plus tôt et plus étroitement les patients les plus exposés, et d’épargner aux autres des examens inutiles.

    Source : Insel Gruppe (Inselspital, Universitätsspital Bern), communiqué (31 août 2026) · fiabilité : déclarative.

  • UK : une IA autonome a trié seule 8 391 patients suspects de cancer cutané dans deux hôpitaux

    Le 30 septembre 2026, au congrès de l’Académie européenne de dermatologie et de vénéréologie (EADV), l’équipe de la Dre Lucy Thomas (Chelsea & Westminster Hospital) a présenté une étude en vie réelle sur 8 391 patients adressés en urgence pour suspicion de cancer cutané dans deux hôpitaux britanniques. Une IA marquée CE comme dispositif médical de classe III y clôturait seule le dossier des lésions bénignes, sans relecture par un clinicien. Selon les auteurs, c’est le premier jeu de données à grande échelle issu du déploiement prospectif d’une IA autonome dans un parcours de cancérologie.

    Pourquoi cela compte : l’étude chiffre, en conditions réelles, le temps médical qu’une IA décidant seule pourrait libérer : 2 851 heures, soit plus de 8 500 consultations en 16 mois. Ce gain reste une estimation, issue d’un communiqué de congrès. Tout projet comparable suppose donc de vérifier le niveau de preuve et d’organiser une surveillance continue du dispositif.

    Un parcours à étages qui réserve le présentiel aux cas à risque

    Le parcours a couvert 94 % des adressages urgents des deux sites. Des photos cliniques et dermoscopiques sont prises au smartphone, puis l’IA classe la lésion : elle clôt le dossier des cas bénins et transmet les autres à un télédermatologue.

    Après exclusions, l’IA a sorti du parcours 31 % et 25 % des patients, et les télédermatologues 24 % et 25 % de plus. Environ un patient sur deux n’a donc pas eu besoin de consultation en présentiel.

    C’est ce filtrage qui produit le gain : les auteurs estiment à 2 851 heures le temps clinique économisé par rapport au parcours présentiel, soit environ 62 % de capacité supplémentaire. Le taux de biopsie s’établit à 27 %, contre 43 % en présentiel.

    Six faux négatifs repérés par la surveillance après commercialisation

    Dans un jeu de données national incluant les deux sites, la sensibilité, c’est-à-dire la part de cancers repérés, dépasse 98 % pour le mélanome invasif, le carcinome épidermoïde et le carcinome basocellulaire. La spécificité est de 72,1 % : une partie des lésions bénignes reste donc orientée vers un médecin.
    Six cancers ont néanmoins été écartés à tort : cinq carcinomes basocellulaires et un mélanome in situ. La surveillance après commercialisation les a identifiés, sans conséquence défavorable constatée sur le suivi disponible. Selon la Dre Thomas, il faut donc surveiller l’IA en continu, analyser ses erreurs et indiquer aux patients les signes d’alerte. Enfin, 86 % des patients ont consenti à la décision autonome.

    Une pénurie comparable en France, mais une organisation différente

    En Angleterre, les adressages urgents pour suspicion de cancer cutané ont presque triplé depuis 2009, alors qu’environ 6 % aboutissent à un diagnostic de cancer. Près d’un poste de dermatologue sur quatre est vacant au Royaume-Uni.

    La France connaît une tension similaire : la Société française de dermatologie recense 2 928 dermatologues, soit près de 1 000 de moins en moins de dix ans.

    Le modèle n’est pourtant pas directement transposable : il repose sur une filière d’adressage urgent propre au NHS, qui rend possible un tri centralisé. Un territoire français devrait d’abord définir où les photos sont prises, qui adresse le patient et comment l’acte est financé.

    Un niveau de preuve encore intermédiaire

    • Ces résultats appellent trois réserves. Ils proviennent d’un communiqué de congrès, et non d’un article évalué par les pairs.
    • Le gain de capacité est une estimation, calculée par rapport au présentiel et non à la télédermatologie seule.
    • Les performances diagnostiques sont issues d’un jeu de données national, et non des deux seuls sites.

    La Dre Thomas conditionne elle-même la portée des résultats à leur réplication. Au Royaume-Uni, l’agence d’évaluation NICE ne recommande d’ailleurs l’IA DERM, de Skin Analytics, qu’à titre conditionnel, pour trois ans

    Un seul acteur positionné sur la décision autonome

    Le communiqué ne nomme pas le dispositif utilisé. Or Skin Analytics présente son IA, DERM, comme le seul dispositif marqué CE de classe III pour la détection autonome du cancer cutané. Si cette position se confirmait, elle constituerait une barrière à l’entrée : un concurrent devrait obtenir la même certification et produire des données en vie réelle comparables.

    Source : EADV, communiqué de presse du congrès 2026 – (30 septembre 2026) – fiabilité : déclarative.

  • Anthropic s’associe à l’UC San Diego Health et Harvard pour contrôler les IA cliniques déployées

    L’UC San Diego Health développe, avec Harvard Medical School et Anthropic, un système de supervision à code source ouvert chargé de vérifier la sécurité des recommandations médicales émises par des IA en contact direct avec les patients. Karandeep Singh, directeur de l’IA en santé de l’établissement, l’a indiqué à Becker’s dans un article publié le 1er octobre. Le projet relève du programme ADVOCATE de l’agence américaine ARPA-H, consacré à l’insuffisance cardiaque, et repose sur un ensemble de règles destiné à guider les évaluations de sécurité de l’outil.

    Pourquoi cela compte : une IA qui conseille directement des patients émet des recommandations chaque jour, bien après sa validation initiale. Tout établissement ou éditeur devra donc décider qui contrôle l’outil une fois en service, et selon quelles règles. Le projet reste à un stade amont.

    Le contrôle se poursuit après la mise en service

    Selon Karandeep Singh, « à long terme, évaluer un outil d’IA avant sa mise en service ne suffira pas ». L’évaluation initiale porte sur une période donnée, alors que l’outil continue ensuite de produire des recommandations. Le système envisagé vérifierait ces recommandations une fois l’outil déployé, par exemple une augmentation de dose. Les médecins consulteraient dans une même interface la recommandation et l’avis du superviseur. Cette logique rejoint celle du règlement européen sur l’IA, qui impose aux fournisseurs de systèmes à haut risque une surveillance après commercialisation. Les partenaires prévoient de publier la technologie en code source ouvert, afin que d’autres acteurs puissent la mettre en œuvre.

    Une « constitution clinique » pour rendre les règles lisibles

    L’équipe nomme son approche « supervision constitutionnelle ». La constitution clinique serait élaborée avec les communautés et les parties prenantes. Les évaluations s’appuieraient aussi sur les preuves médicales et les recommandations cliniques. Une gouvernance serait attachée à cette constitution pour rendre transparent le comportement attendu de l’outil selon les situations. Le périmètre serait volontairement restreint : « nous ne commenterons que ce qui constitue un vrai risque pour la sécurité des patients », indique Karandeep Singh.

    Un programme public qui sépare trois rôles

    ADVOCATE vise un système d’IA agentique, autorisé par la FDA pour les soins cardiovasculaires. Karandeep Singh y distingue trois groupes :

    • Les équipes qui développent l’IA destinée aux patients.
    • Celles qui construisent les outils de vérification.
    • Et les systèmes de santé où seront évaluées la sécurité et l’efficacité.

    Kaiser Permanente et Duke University ont été retenus. Les équipes doivent franchir des jalons tous les trois mois pour rester dans le programme.

    Deux équipes de supervision, l’une avec Anthropic, l’autre avec OpenAI

    L’équipe de UC San Diego Health n’est pas seule sur ce volet. Une collaboration distincte, menée par Stanford avec OpenAI, l’université de Washington et Tuple Health, développe elle aussi une technologie de supervision dans ADVOCATE. Anthropic et OpenAI sont ainsi associés chacun à une équipe chargée du contrôle des IA cliniques.

    Source : Becker’s Hospital Review, (01 octobre 2026) – fiabilité : presse.

  • PLFSS 2027 : une contribution de 3,6 % sur les dispositifs médicaux remboursés, 150 M€ en jeu

    Le PLFSS 2027, présenté le 1er octobre 2026 en Conseil des ministres, crée à son article 9 une contribution de 3,6 % assise sur 70 % des montants remboursés par l’assurance maladie au titre des dispositifs médicaux (DM). Le Snitem, Medtech in France et le METI estiment son rendement à plus de 150 millions d’euros par an et s’y opposent dans un communiqué du 2 octobre.

    Pourquoi cela compte : la régulation du DM change de nature. La clause de sauvegarde ne portait que sur la liste en sus et la prise en charge transitoire, soit 21 % de la dépense remboursée selon l’exposé des motifs ; la nouvelle contribution couvre la LPP en ville comme à l’hôpital, et inclut les DM numériques de télésurveillance et la prise en charge anticipée. Les éditeurs de dispositifs médicaux numériques entrent donc pour la première fois dans une régulation macro-économique sectorielle. Le texte n’étant qu’un projet, le taux, l’assiette et l’articulation avec le montant Z se joueront au Parlement d’ici décembre.

    Une assiette élargie à six catégories de prise en charge

    Le nouvel article L. 245-5-7 du code de la sécurité sociale vise les entreprises ayant la qualité d’exploitant et calcule la contribution « à raison des montants remboursés par l’assurance maladie » au titre de six catégories : l’inscription sur la LPP sous marque ou nom commercial, l’inscription par description générique avec code d’identification individuelle, la prise en charge en sus des prestations d’hospitalisation, la prise en charge transitoire, l’inscription des dispositifs médicaux numériques de télésurveillance sur la liste de l’article L. 162-52 et la prise en charge anticipée des dispositifs médicaux numériques.

    L’assiette est fixée à 70 % de ces montants, nets de TVA, des remises conventionnelles et des majorations, sur la France métropolitaine et cinq territoires ultramarins. Un exploitant qui justifie que cette assiette dépasse son chiffre d’affaires hors taxes sur les DM remboursés est taxé sur ce chiffre d’affaires. Les remises et avantages commerciaux consentis aux distributeurs ne sont pas déductibles. Le taux est fixé à 3,6 % pour 2027 ; le produit revient à la Cnam, avec un versement au plus tard le 1er novembre de l’année suivante.

    La clause de sauvegarde demeure, avec un montant Z de 2,24 milliards d’euros

    Le projet ne supprime pas la clause de sauvegarde. Son article 11 fixe le montant Z à 2,24 milliards d’euros pour 2027, contre 2,19 milliards en 2026. Le gouvernement, interrogé par H&TI, précise que la clause « reprend son rôle de filet de sécurité » et chiffre la nouvelle contribution à 150 millions d’euros pour 2027. L’exposé des motifs justifie la réforme par une assiette « plus large » et une contribution « cohérente avec la croissance observée » du secteur. Le texte ne prévoit pas de mécanisme de déduction entre les deux prélèvements.

    Les industriels parlent d’un « impôt dévastateur »

    Dans leur communiqué du 2 octobre, le Snitem, Medtech in France et le METI rappellent que cette contribution s’ajoute aux baisses de prix annuelles, chiffrées à 200 millions d’euros, et à une clause de sauvegarde « dont le montant n’est pas encore connu ». Ils décrivent un secteur composé à 95 % de PME, avec 410 sites de production en France, et opposent au texte leurs propositions d’économies de 200 millions d’euros par la maîtrise médicalisée. Laurence Comte-Arassus, présidente du Snitem, parle d’un « gâchis organisé » dont « l’effet immédiat sera un appauvrissement des gammes de produits pour les patients ».

    Source : Assemblée nationale, projet de loi de financement de la sécurité sociale pour 2027, n° 3211, articles 9 et 11 (1er octobre 2026) – fiabilité : officielle. Texte du projet de loi · Communiqué Snitem, Medtech in France et METI du 2 octobre 2026.

  • Suisse : Vaud confie à Epic le DPI du CHUV et de onze hôpitaux, 207,6 millions de francs

    Le Grand Conseil vaudois a adopté, mardi 22 septembre 2026, les quatre décrets qui permettent de remplacer le dossier patient informatisé (DPI) du CHUV et de onze établissements de la Fédération des hôpitaux vaudois informatique (FHVI) par le logiciel de l’éditeur américain Epic, rapporte Le Temps avec l’agence ATS. Chaque décret a recueilli environ 80 voix contre une trentaine. La nouveauté tient au montage financier : l’enveloppe reste fixée à 207,6 millions de francs suisses, mais la part de l’État passe à 113 millions grâce à un crédit supplémentaire de 63 millions.

    Ce vote montre qu’un DPI commun à un CHU et à des hôpitaux régionaux coûte bien plus que son logiciel, et qu’un éditeur américain n’est accepté qu’avec des garanties sur les données.

    Un marché de deux ans, contesté à chaque étape

    L’appel d’offres, lancé en septembre 2024 par le CHUV et la FHVI, a été adjugé à Epic le 20 novembre 2025, après le rejet par le Tribunal fédéral des recours de l’éditeur genevois Kheops, qui jugeait les critères d’attribution favorables à l’américain, selon l’ATS. Le Conseil d’État a ensuite soumis au Grand Conseil, en février 2026, une demande de crédit de plus de 200 millions de francs, et cinq semaines de débats ont précédé le vote du 22 septembre. Pour Epic, le canton de Vaud, francophone, est la première implantation en Suisse romande, après Lucerne, Berne et Zurich en Suisse alémanique. C’est aussi le plus important déploiement de l’éditeur en zone francophone depuis les Cliniques universitaires Saint-Luc à Bruxelles, premières au monde à utiliser une version française d’Epic, en novembre 2020, d’après l’UCLouvain.

    Un coût complet très supérieur au prix du logiciel

    L’enveloppe de 207,6 millions ne comprend pas la maintenance, estimée à environ 23 millions de francs par an. Le logiciel n’en représente qu’une partie : l’offre d’Epic s’élevait à un peu plus de 89 millions, d’après ICTjournal. L’écart s’explique par ce qui entoure le logiciel, puisque le budget couvre aussi l’infrastructure technique et les renforts en personnel. À Berne, le projet Epic de l’hôpital universitaire serait estimé à près de 183 millions, contre 83 millions annoncés au départ.

    Un éditeur américain accepté sous conditions

    Les opposants ont dénoncé une dépendance financière et technologique envers une entreprise américaine. Les partisans ont répondu que les données seront hébergées en Suisse, donc soumises au droit helvétique. Le Parlement a ajouté des garde-fous par amendement. Il s’agirait du respect de recommandations fédérales sur le stockage souverain, de la présence d’un juriste spécialisé en protection des données dans la gouvernance et d’un audit externe annuel. Ces conditions répondent à une crainte : le Cloud Act permet aux autorités américaines de réclamer des données.

    Les débats ont duré cinq semaines. Le vote ne clôt pas le dossier, car les Vert’libéraux ont averti qu’ils pourraient lancer un référendum. Ce risque compte d’autant plus que le support de la solution actuelle, Soarian, s’arrêterait à l’horizon 2027.

    Les partisans présentent Epic comme « la meilleure solution » pour alléger le travail administratif, en s’appuyant sur des tests menés dans les hôpitaux. À ce stade, le projet est donc financé, mais pas déployé : la mise en œuvre durerait deux à trois ans.

    Source : Le Temps avec l’ATS (22 septembre 2026) · fiabilité : presse.

  • USA : RFK Jr. veut interconnecter les données de santé des américains pour les rendre exploitables par l’IA

    Sortir les données de santé de leurs silos

    Le constat formulé par Robert Francis Kennedy Jr. est celui d’un système de données trop fragmenté. Les informations produites par les agences fédérales et les États restent aujourd’hui réparties entre plusieurs bases, avec des formats et des variables qui ne sont pas toujours homogènes. Le secrétaire à la Santé veut rapprocher notamment les données de la FDA, du CDC et de Medicare/Medicaid, mais aussi les dossiers médicaux électroniques, les prescriptions et les données de remboursement.

    Cette logique vise à reconstruire une vision longitudinale du patient plutôt qu’à analyser chaque donnée séparément. Pour Kennedy, le croisement de ces informations doit permettre d’étudier plus rapidement les facteurs associés aux maladies chroniques et de renforcer la surveillance en conditions réelles. Le secteur privé est également appelé à contribuer à cette interconnexion : il cite notamment HealthVerity, capable de rapprocher données d’assurance, prescriptions, analyses biologiques et dossiers médicaux.

    L’IA comme couche d’exploitation :

    L’autre volet de la stratégie consiste à utiliser l’IA pour analyser ces volumes de données. Kennedy affirme que des recherches auparavant longues peuvent être réalisées beaucoup plus rapidement grâce aux modèles capables de parcourir des millions de dossiers et d’identifier des corrélations.

    L’intérêt du projet se situe donc moins dans la constitution d’une nouvelle base que dans la création d’une infrastructure de données interopérable sur laquelle des outils d’IA pourraient effectuer des analyses à grande échelle. Le gouvernement américain entend ainsi rapprocher collecte, croisement et exploitation des données dans un même continuum de recherche.

    Cette ambition pose néanmoins une question centrale : une multiplication des croisements ne produit de valeur scientifique que si les données sont comparables, correctement documentées et accessibles dans un cadre méthodologique robuste.

    Permettre aux données d’être utilisée par des centaines de chercheurs

    Kennedy souhaite également rendre ces données « research ready » et permettre à des centaines de chercheurs externes de travailler sur ces jeux de données. Il défend une réduction des obstacles à l’accès aux données détenues par certaines infrastructures fédérales, tout en présentant cette ouverture comme un moyen d’accélérer l’évaluation des hypothèses de recherche.

    Le principal défi devient alors celui de la gouvernance. Plus les bases sont rapprochées, plus les conditions d’accès, de confidentialité et de contrôle des usages deviennent structurantes. Le modèle esquissé par le Département de la santé et des services sociaux des États-Unis (HHS) repose donc sur un changement d’échelle : faire de l’interopérabilité des données un préalable à une recherche augmentée par l’IA.

    L’enjeu sera désormais de transformer cette vision en infrastructure opérationnelle, sans que l’ouverture des données ne compromette les exigences de protection des informations de santé et de qualité scientifique.

    Source : The Guardian, 30 septembre 2026 – fiabilité : presse