Analyse

  • 12 solutions d’IA pour les mutuelles : une création de valeur déjà visible, mais très inégale selon les usages

    12 solutions recensées, dont 6 dédiées à la gestion et au service adhérents

    Les 12 solutions se répartissent en 4 catégories fonctionnelles. La première, la plus dense, regroupe 6 solutions d’automatisation de gestion et de relation adhérents : Klaimy, Webotit.ai, Rizlum, Erenai, Qantev et Camber Claims Automation.

    La deuxième rassemble 4 solutions de prévention et d’engagement : Novacare de MoneyTrack, Alan, Smart Wellbeing de Medicus AI, et RevealCare d’ALOGIA group. Les deux dernières catégories sont plus ciblées, avec 1 solution de coordination pour pathologies chroniques, Chronik Care, et 1 solution d’agrégation de services santé-assurance, Care.Foormi.

    98% de précision : l’automatisation documentaire constitue le segment le plus mature

    La valeur la mieux objectivée se concentre dans les usages documentaires et transactionnels. Klaimy affiche une précision supérieure à 98% pour l’extraction des pathologies à partir de documents médicaux complexes, avec une réduction significative du temps de traitement et un renforcement de la conformité et de l’auditabilité.

    Dans la même logique, Rizlum automatise l’extraction intelligente, l’OCR, la synthèse et l’assistance à la décision via des modèles spécialisés déployables localement ou en SaaS, tandis que Camber Claims Automation cible la validation, la soumission et le suivi des réclamations avec réduction des erreurs et accélération des paiements. Qantev complète cet ensemble en positionnant l’IA sur la gestion des sinistres, la détection de fraude et l’optimisation des réseaux de soins.

    30 à 50% de charge de support en moins : la relation adhérents devient un terrain prioritaire

    La relation adhérents apparaît comme l’autre grand pôle de création de valeur. Webotit.ai documente une réduction de 30 à 50% de la charge de support grâce à la déflexion des emails et appels, une baisse du backlog emails pouvant atteindre 60%, une amélioration du NPS de 15 points et un objectif de résolution d’au moins 90% des demandes de premier niveau sans escalade humaine.

    Erenai pousse plus loin encore la logique d’industrialisation du service client, avec une automatisation pouvant atteindre 80% des interactions, une cartographie de 99% des demandes et un brouillon de réponse disponible pour 89% des demandes cartographiées. Ces résultats suggèrent que, pour les mutuelles, le front-office digitalisé devient un levier simultané de productivité, de réactivité et de standardisation des réponses.

    1,5 million d’assurés : la prévention personnalisée devient un second front stratégique

    Le corpus identifie 4 solutions de prévention et d’engagement, mais avec des degrés de maturité différents. Novacare est la plus structurée en matière de ciblage prédictif, avec un déploiement auprès d’une mutuelle représentant 1,5 million d’assurés et une ambition de montée en charge sur plusieurs millions de personnes protégées.

    Son intérêt stratégique réside dans la capacité à faire émerger, au bon moment, des services de prévention ou d’accompagnement souvent sous-utilisés. Alan et Smart Wellbeing prolongent cette logique par des dispositifs de santé et de bien-être orientés expérience utilisateur, tandis que RevealCare applique l’IA et le big data à l’anticipation des besoins des seniors et à la prévention de la perte d’autonomie.

    1 milliard de données et 250 000 seniors : l’IA élargit le rôle des mutuelles au-delà du remboursement

    RevealCare se distingue par la quantité de données traitées, avec plus d’un milliard de données analysées en temps réel, 250 000 seniors adoptants et 84 partenaires en 2024. La solution illustre un déplacement de la proposition de valeur des mutuelles vers l’anticipation des besoins, la priorisation des interventions et l’optimisation des investissements de prévention.

    Dans un registre différent, Chronik Care et Care.Foormi montrent que l’IA peut aussi soutenir une logique de parcours intégré. La première structure le suivi des maladies chroniques complexes autour d’un pilotage personnalisé et d’outils d’éducation thérapeutique ; la seconde vise un guichet numérique unifié combinant assurance, accès aux soins, gestion administrative et dossier numérique.

    5 risques majeurs : conformité, intégration, qualité des données, preuve, supervision

    Les solutions recensées font apparaître 5 risques structurants. Le premier est réglementaire, avec des références explicites au RGPD, à l’ACPR, à l’IA Act, à l’HDS, ou encore à la souveraineté et à l’hébergement local des données.

    Le deuxième tient à l’intégration aux systèmes existants, qu’il s’agisse des SI mutuelles, CRM, bases contractuelles, messageries ou environnements métiers. Le troisième concerne la qualité des données en entrée, décisive pour l’extraction, la classification et la personnalisation. Le quatrième réside dans l’hétérogénéité des preuves publiées selon les solutions. Le cinquième, enfin, est celui du maintien d’une supervision humaine sur les cas sensibles, complexes ou à forte portée décisionnelle.

    12 solutions, mais deux dynamiques distinctes de retour sur investissement

    L’ensemble dessine deux dynamiques de ROI. La première, déjà démontrée, concerne l’automatisation des tâches répétitives, documentaires et conversationnelles, où les gains de coût, de délai et de productivité sont les plus explicites.

    La seconde, plus stratégique mais moins uniformément mesurée, concerne la prévention, l’engagement et l’accompagnement dans la durée. Pour les mutuelles, l’enjeu n’est donc pas seulement d’automatiser la gestion, mais de convertir l’IA en capacité d’orientation, de fidélisation et d’activation de services à plus forte valeur ajoutée.

  • L’IA en assurance santé : performances, disparités et gouvernance

    11 études sur l’IA et l’assurance santé sur Pubmed les 12 derniers mois

    L’intégration de l’intelligence artificielle (IA) dans l’assurance santé s’accélère dans des domaines aussi variés que la transparence financière, la prédiction de l’enrôlement, l’estimation des coûts, l’analyse des disparités d’accès, la conception des contrats et la conformité réglementaire. Cette évolution s’inscrit dans un contexte où les organismes assureurs et les systèmes de santé doivent simultanément améliorer l’efficience opérationnelle, soutenir l’équité d’accès, réduire les coûts évitables et renforcer la gouvernance des données.

    Le présent article vise à proposer une synthèse rigoureuse de onze publications récentes portant sur l’IA, le machine learning et la gouvernance des données dans le champ de l’assurance santé. Les articles analysés ont été publiés dans Blockchain in Healthcare Today, Frontiers in Public Health, Renal Failure, PLOS One, Cureus, BMC Public Health, Journal of the American College of Emergency Physicians Open, Clinical Epidemiology, Journal of Preventive Medicine and Public Health, Health Affairs et JMIR AI. Ils sont signés notamment par Andri et Andri en Iran, Yilema et al. entre l’Éthiopie, l’Afrique du Sud, la Finlande et les États-Unis, Garcia Valencia et al. à la Mayo Clinic et dans des institutions associées aux États-Unis, au Royaume-Uni, en Thaïlande et à Taïwan, Shah et Kreif au Royaume-Uni et aux États-Unis, Ghanem entre le Royaume-Uni et le Ghana, Momahhed et Haghighathoseini entre l’Iran et les États-Unis, Schoolcraft et al. dans plusieurs institutions américaines de médecine d’urgence, Hsieh et al. à Taïwan et aux États-Unis, Mahwati et al. en Indonésie, Mello et al. à Stanford, et Kodan aux États-Unis.

    La problématique centrale est la suivante : dans quelle mesure l’IA permet-elle de transformer l’assurance santé sans dissocier performance prédictive, équité distributive, transparence organisationnelle et conformité réglementaire ? L’objectif est d’identifier les principaux usages documentés, les résultats quantitatifs saillants, ainsi que les implications stratégiques pour les professionnels de santé et les dirigeants du secteur de la santé numérique.

    Les onze études couvrent plusieurs niveaux d’analyse de l’assurance santé. Certaines portent sur l’adoption organisationnelle des technologies, comme l’étude d’Andri et Andri sur les systèmes blockchain intégrant l’IA pour améliorer la transparence financière dans des organismes d’assurance santé. D’autres examinent l’usage du machine learning pour classer l’enrôlement à des régimes d’assurance communautaire, comme en Éthiopie, ou pour prédire des situations de non-assurance à l’échelle territoriale, comme au Ghana.

    Un second ensemble d’articles traite de l’évaluation et de l’optimisation économique des régimes d’assurance. Shah et Kreif étudient l’impact hétérogène de la composante subventionnée du programme national indonésien JKN sur l’utilisation des soins à l’aide d’approches de causal machine learning. Mahwati et al. développent quant à eux des modèles prédictifs de coûts de sinistres chez les personnes âgées indonésiennes à partir des données du JKN entre 2017 et 2023. Momahhed et Haghighathoseini proposent enfin un cadre multi-objectif permettant d’optimiser le design de l’assurance dans la prise en charge hospitalière des gastroentérites en arbitrant explicitement entre utilité du patient, du prestataire et de l’assureur.

    Un troisième ensemble aborde l’équité, les infrastructures de données et la gouvernance. Garcia Valencia et al. analysent les disparités d’accès à la transplantation rénale et de survie post-greffe selon le type d’assurance aux États-Unis. Hsieh et al. réévaluent la NHIRD taïwanaise à l’ère de l’IA, de l’inférence causale et de la sécurité des données. Schoolcraft et al. examinent la responsabilité au regard de la HIPAA lors de l’usage d’outils d’IA générative par les cliniciens. Mello et al. étudient enfin l’usage croissant de l’IA dans les processus de prior authorization et de claims review, tandis que Kodan discute la capacité de l’IA à soutenir la transition du fee-for-service vers des modèles assurantiels orientés vers la valeur aux États-Unis.

    Adoption organisationnelle et transparence

    L’étude d’Andri et Andri repose sur des données collectées auprès de 272 professionnels travaillant dans différents organismes d’assurance santé. À l’aide de structural equation modeling et de necessary condition analysis, les auteurs montrent que les facteurs internes jouent un rôle plus important que les pressions externes dans l’adoption de systèmes blockchain-IA. Les déterminants mis en avant sont la préparation technologique, la formation des employés, le soutien de la direction et la qualité de l’infrastructure numérique, tandis que la pression concurrentielle et les obligations réglementaires paraissent moins déterminantes. La transparence financière apparaît à la fois comme résultat recherché et comme mécanisme médiateur renforçant la confiance dans le déploiement technologique.

    Prédiction de l’enrôlement, de la non-assurance et des coûts

    En Éthiopie, Yilema et al. utilisent les données de l’Ethiopian Mini Demographic and Health Survey 2019 pour comparer sept modèles de classification, dont la LDA, le SVM à noyau radial, le KNN, le CART et le random forest. Le random forest est identifié comme l’algorithme présentant la meilleure performance globale de classification de l’enrôlement à l’assurance communautaire, avec comme variables les plus influentes l’âge, l’indice de richesse, la taille du ménage et l’usage des terres.

    Au Ghana, Ghanem combine une analyse spatiale et un modèle de décision arborescente sur les 261 districts du pays à partir des données du recensement 2021. L’autocorrélation spatiale globale de la non-assurance est significative, avec un Moran’s I de 0,422 et une valeur de p inférieure à 0,001. L’analyse identifie 42 clusters territoriaux de type « High-High », principalement dans la région nord de savane. Le modèle de classification atteint une accuracy de 82,5%, et l’illettrisme constitue de loin le premier prédicteur du risque de non-assurance, avec une importance de 84,7%. Une valeur seuil de 30,3% d’illettrisme est associée à une hausse marquée de la probabilité d’appartenir à la catégorie de risque élevé.

    En Indonésie, Mahwati et al. comparent trois techniques de modélisation des coûts de sinistres chez les personnes âgées : régression linéaire, random forest et XGBoost. Le meilleur modèle est XGBoost avec 500 rounds de boosting, avec un RMSE de 11 360 283, un R² de 0,81 et une MAE de 4 485 917. À titre de comparaison, la régression linéaire atteint un RMSE de 13 710 035 et un R² de 0,72, tandis que le random forest obtient un RMSE de 12 434 238 et un R² de 0,78. Les soins ambulatoires constituent le prédicteur le plus constant, devant la durée de séjour, le type diagnostique selon la CIM-10, le type d’établissement, la classification de l’établissement et la sévérité des cas.

    Estimation d’effets hétérogènes et optimisation multi-acteurs

    Shah et Kreif mobilisent des causal forests et un super learner pour mesurer l’effet de la composante subventionnée du programme JKN sur l’utilisation des soins en 2017. Leur approche traite explicitement la forte fréquence des zéros dans les données d’utilisation par un modèle en deux parties distinguant le recours initial aux soins et le volume consommé. Les auteurs mettent en évidence un effet moyen positif sur la demande de soins, mais aussi une hétérogénéité importante des effets selon les caractéristiques observées des bénéficiaires. Les modificateurs d’effet proviennent à la fois de covariables théoriquement motivées et de sous-groupes identifiés de manière data-driven.

    L’étude de Momahhed et Haghighathoseini pousse plus loin la logique d’optimisation en s’appuyant sur 378 403 demandes d’indemnisation liées à des hospitalisations pour gastroentérite dans le système national iranien en 2023. Cinq modèles supervisés prédisent des utilités distinctes pour les patients, les prestataires et les assureurs, puis six fonctions de bien-être social agrègent ces utilités dans une analyse de frontière de Pareto. Seules 2,46% des politiques observées sont Pareto-efficientes. Parmi les politiques efficientes, 16,9% correspondent à des configurations « win-win-win » qui dominent 54,1% des alternatives. La corrélation entre équité et soutenabilité budgétaire est de -0,509, contre -0,267 entre équité et efficience, ce qui suggère que la contrainte fiscale pèse davantage que l’inefficience opérationnelle dans la limitation des réformes centrées sur le patient. Les fonctions de Nash et de moyenne géométrique présentent les niveaux d’utilité agrégée les plus favorables, avec des moyennes respectives de 4,01 et 8,84 et des écarts-types de 0,15 et 1,02. À l’inverse, les politiques alignant surtout assureur et prestataire produisent une utilité moyenne patient de -22,39, et l’out-of-pocket burden représente à lui seul un poids de 0,80 dans l’utilité du patient.

    Disparités, données et conformité

    Dans la revue systématique de Garcia Valencia et al., 14 études ont été retenues parmi 2 163 références issues de MEDLINE, EMBASE et de la Cochrane Database. Les résultats indiquent que les patients couverts par Medicare ou Medicaid, en particulier lorsqu’ils appartiennent à des minorités raciales ou ethniques, présentent des taux de référencement plus faibles pour la transplantation rénale et davantage de rejets d’inscription sur liste d’attente que les patients disposant d’une assurance privée. Les auteurs rapportent également une mortalité post-greffe plus élevée et davantage d’échecs du greffon chez les bénéficiaires d’assurance publique. La perte de Medicare après 36 mois est associée à une moindre adhésion aux immunosuppresseurs et à un risque accru de rejet, tandis que l’expansion variable de Medicaid et l’hétérogénéité des politiques des centres renforcent ces disparités.

    Hsieh et al. montrent que la NHIRD taïwanaise a évolué en intégrant des résultats de laboratoire structurés et des données d’imagerie médicale. Les auteurs soulignent aussi la validation de l’usage des codes CIM-10-CM pour plusieurs conditions, ainsi que l’enrichissement de la base par des liaisons avec des registres nationaux, des enquêtes et des dossiers médicaux électroniques. En parallèle, ils identifient des défis persistants de standardisation des données, de cybersécurité et de gouvernance à la suite de décisions constitutionnelles relatives à la protection de la vie privée. Le développement d’une infrastructure fondée sur FHIR est présenté comme une réponse destinée à améliorer l’interopérabilité, la sécurité et la préparation à l’IA.

    Schoolcraft et al. analysent la responsabilité HIPAA dans des situations où des cliniciens utilisent des outils d’IA générative publics sans Business Associate Agreement valide. L’article distingue les divulgations incidentelles, accidentelles et non autorisées d’informations de santé protégées, et propose des mesures de mitigation après incident. Mello et al. examinent pour leur part l’usage croissant de l’IA par les assureurs et les fournisseurs dans les processus d’autorisation préalable et de gestion des demandes, en insistant sur les risques liés à l’opacité algorithmique, à la sous-performance dans certaines tâches, à l’automation bias et aux conséquences sociales non intentionnelles.

    Données clés

    Étude Données / population Méthode Résultat chiffré principal
    Andri & Andri, 2025 272 professionnels d’organismes d’assurance SEM + NCA Les facteurs internes dominent l’adoption des systèmes blockchain-IA.
    Yilema et al., 2025 EMDHS 2019, enrôlement CBHI 7 modèles de classification Le random forest est le meilleur classificateur.
    Ghanem, 2026 261 districts ghanéens Moran’s I + Decision Tree Moran’s I = 0,422 ; p < 0,001 ; accuracy = 82,5% ; importance de l’illettrisme = 84,7% ; seuil = 30,3%.
    Shah & Kreif, 2025 JKN Indonésie, utilisation des soins Causal forests + super learner Effet moyen positif, avec forte hétérogénéité selon les profils.
    Momahhed & Haghighathoseini, 2026 378 403 claims gastroentérites 5 modèles + 6 fonctions de bien-être 2,46% des politiques Pareto-efficientes ; 16,9% de scénarios win-win-win ; 54,1% des alternatives dominées.
    Mahwati et al., 2026 JKN 2017-2023, personnes âgées Régression, RF, XGBoost XGBoost : RMSE 11 360 283 ; R² = 0,81 ; MAE = 4 485 917.
    Garcia Valencia et al., 2025 2 163 références, 14 études incluses Revue systématique + analyse assistée par IA Désavantages d’accès et de survie pour Medicare/Medicaid vs assurance privée.
    Kodan, 2026 Revue narrative États-Unis Analyse de politiques VBC Économies moyennes de 1 012 dollars par épisode et 930 dollars par bénéficiaire ; réduction illustrative de 20% des coûts dans l’insuffisance cardiaque congestive.

    Discussion

    Pris ensemble, ces travaux montrent que l’IA dans l’assurance santé ne peut être réduite à une fonction de prédiction. Les modèles les plus performants identifiés dans les études empiriques répondent à des finalités distinctes : classer l’enrôlement, identifier des poches territoriales de non-couverture, prédire les coûts individuels, mesurer des effets de politiques ou optimiser le compromis entre protection financière et soutenabilité du système. Cette pluralité des usages implique que la valeur de l’IA dépend moins de la seule performance algorithmique que de son articulation avec les objectifs du régime d’assurance et avec les capacités institutionnelles de mise en œuvre.

    Une première convergence forte concerne le poids des déterminants structurels. Dans l’adoption des systèmes blockchain-IA, les ressources internes, la formation et le soutien de la direction sont plus décisifs que la pression externe. Dans l’accès à l’assurance, les variables socio-économiques et éducatives demeurent centrales, comme le montrent l’importance de l’indice de richesse et de la taille du ménage en Éthiopie, ou le rôle majeur de l’illettrisme au Ghana. Dans l’accès à la transplantation rénale, le type d’assurance reste profondément corrélé aux trajectoires de soins et aux résultats cliniques.

    Une deuxième convergence concerne le rôle critique des infrastructures de données et des cadres de gouvernance. Les perspectives ouvertes par la NHIRD taïwanaise reposent sur l’intégration de nouvelles sources, la validation des codages et l’interopérabilité. À l’inverse, les articles sur la HIPAA et sur l’AI arms race montrent qu’un déploiement insuffisamment gouverné de l’IA peut exposer les organisations à des risques juridiques, éthiques et opérationnels. Pour des dirigeants du secteur, ces résultats suggèrent qu’une stratégie IA crédible en assurance santé doit inclure une architecture de conformité, des règles d’usage des outils génératifs, des mécanismes de contrôle humain et une documentation explicite des modèles utilisés.

    Enfin, plusieurs articles suggèrent que les arbitrages entre efficience et équité ne sont pas nécessairement irréductibles. L’étude iranienne sur l’optimisation multi-objectif montre qu’une fraction des politiques observées permet des gains simultanés pour le patient, le prestataire et l’assureur. De même, l’article de Kodan indique que des dispositifs de paiement orientés vers la valeur peuvent être appuyés par des outils IA de prédiction des coûts, de coordination des soins et d’ajustement du risque. Cela ne signifie pas que l’IA résout à elle seule les défaillances de l’assurance santé, mais plutôt qu’elle peut améliorer la qualité des arbitrages à condition que les objectifs de justice distributive et de soutenabilité soient explicitement intégrés au design des modèles.

    Conclusion

    Les onze publications examinées convergent vers une lecture de l’IA comme infrastructure analytique et décisionnelle de l’assurance santé plutôt que comme simple innovation technique. Les résultats disponibles montrent des applications robustes en matière de classification de l’enrôlement, de stratification territoriale, de prédiction des coûts, d’analyse des disparités, d’optimisation des contrats et d’appui à la transition vers des modèles fondés sur la valeur.

    Toutefois, les mêmes études indiquent que l’impact de ces outils dépend fortement de quatre conditions : la qualité des données, la capacité organisationnelle, l’intégration d’objectifs d’équité et l’existence de cadres de gouvernance adaptés. Pour les professionnels de santé et les dirigeants de la santé numérique, l’enjeu n’est donc pas seulement d’adopter l’IA, mais de l’inscrire dans une stratégie assurantielle capable de relier performance prédictive, transparence, protection financière et responsabilité réglementaire.

  • Intelligence artificielle et mutuelles : plus de 70% des organismes déjà équipés et des dizaines de millions d’euros économisés sur la fraude

    80% des mutuelles envisagent d’investir dans l’IA cette année

    Selon les chiffres relayés par la Mutualité Française, plus de 70% des mutuelles ont intégré l’IA dans leurs activités, principalement pour la gestion des flux, la relation adhérents et l’analyse de données. Parallèlement, 80% des organismes déclarent vouloir investir dans l’IA dans les 12 mois à venir, ce qui traduit une dynamique d’équipement rapide dans l’ensemble du secteur.

    Cette montée en puissance s’inscrit dans un environnement marqué par la hausse des dépenses de santé, la pression sur les cotisations et la nécessité de stabiliser les résultats techniques. L’IA est perçue comme un levier pour automatiser le traitement de volumes massifs de dossiers, fiabiliser les décisions et soutenir la soutenabilité du modèle mutualiste.

    Fraude : 52 millions d’euros économisés en un an

    La lutte contre la fraude constitue l’un des premiers champs d’application de ces investissements. Dans un cas documenté, une mutuelle a analysé 250 000 dossiers grâce à un outil d’IA : un tiers s’est révélé frauduleux ou litigieux, permettant une économie de 52 millions d’euros sur une seule année. Les montants sont à rapprocher des estimations globales de fraude à la Sécurité sociale et aux complémentaires, qui atteignent plusieurs centaines de millions d’euros par an. L’outil exploite les métadonnées des documents (identité de l’assuré, numéro de Sécurité sociale, dates de soins) pour repérer les incohérences et les manipulations, avant que les enquêteurs ne valident ou non les alertes. Le mutualiste concerné indique vouloir aller plus loin dans cette stratégie, ce qui laisse présager une augmentation des budgets consacrés aux dispositifs de détection automatisée et à l’industrialisation des contrôles.

    AI Act et structuration de l’« IA responsable »

    En parallèle, le règlement européen sur l’IA (AI Act) amène des exigences spécifiques pour les systèmes utilisés dans la santé et l’assurance. Les mutuelles se situent ainsi à l’intersection d’obligations de performance économique et d’un encadrement renforcé des outils algorithmiques qui interviennent dans l’accès aux garanties et aux soins. La Mutualité Française s’est engagée avec Ethik‑IA pour mettre en place une supervision des dispositifs et une « garantie humaine de l’IA », combinant documentation des modèles, traçabilité des décisions et contrôle humain systématique. Cette approche vise à préparer des démarches de labellisation ou de certification, en réponse aux attentes des régulateurs et des adhérents en matière de transparence et de protection des données.

    Un volet clinique porté par la Fondation de l’Avenir

    Via la Fondation de l’Avenir, le mouvement mutualiste investit aussi dans des projets d’IA en clinique, notamment dans les établissements d’Hospi Grand Ouest et du Médipôle Hôpital Mutualiste. Des solutions d’aide au diagnostic, par exemple pour les maladies rares, reposent sur des entrepôts de données de santé et sur la construction de profils types de patients, avec des exigences de relecture médicale systématique et de traçabilité des alertes. Ces investissements cliniques s’ajoutent aux budgets consacrés à l’IA de gestion et de lutte contre la fraude, et impliquent des dépenses en infrastructures de données, en gouvernance et en compétences en data science. Ils contribuent à installer l’IA, non seulement dans le back‑office des mutuelles, mais aussi au cœur des parcours de soins mutualistes.

  • Cinq axes d’impact de l’intelligence artificielle sur l’expérience patient

    L’intégration de l’intelligence artificielle (IA) dans les dispositifs de recueil, d’analyse et de valorisation de l’expérience patient constitue une évolution importante pour la santé numérique, en particulier lorsque les organisations cherchent à transformer des données d’expérience hétérogènes en leviers d’amélioration clinique, opérationnelle et organisationnelle ​. La problématique centrale est la suivante : dans quelles conditions les approches d’IA et d’apprentissage automatique permettent-elles d’améliorer la mesure de l’expérience patient, de prédire la satisfaction, ou d’exploiter les patient-reported outcome measures (PROMs) ​ ?

    L’objectif du présent article est de proposer une synthèse analytique, exclusivement fondée sur les publications contenues dans le document fourni, afin d’identifier les usages documentés de l’IA dans l’expérience patient et les PROMs, les performances rapportées, ainsi que les implications pour les professionnels de santé et les dirigeants de la santé numérique ​. Les travaux mobilisés proviennent de plusieurs revues, notamment Digital Health, JMIR Medical Informatics, JMIR AI, J Patient-Reported Outcomes, J Med Internet Research, Ophthalmic Epidemiology, Scientific Reports, BMC Musculoskeletal Disorders, BMC Medical Informatics and Decision Making et Journal of Surgical Research ​.

    Les articles convergent d’abord sur un point méthodologique : l’IA n’est pas décrite comme une technologie unique, mais comme un ensemble de techniques appliquées à des objets différents de la relation de soin, allant de l’analyse de texte libre à la prédiction de la satisfaction, en passant par les agents conversationnels, la documentation ambiante, les PROMs adaptatifs, les outils de dépistage autonome et les modèles multimodaux combinant capteurs et mesures auto-rapportées ​. Cette diversité d’usages implique que la notion même d’« amélioration de l’expérience patient » recouvre plusieurs dimensions distinctes : satisfaction déclarée, communication médecin-patient, charge de questionnaire, perception de l’attention clinique, résultats fonctionnels post-opératoires et capacité des organisations à exploiter rapidement des volumes élevés de verbatims ​.

    Un second point commun réside dans la centralité des données rapportées par les patients, qu’il s’agisse de commentaires libres, de questionnaires standardisés, de scores de satisfaction ou de PROMs plus structurés ​. Plusieurs articles suggèrent que l’IA prend de la valeur lorsqu’elle ne remplace pas ces données, mais lorsqu’elle améliore soit leur collecte, soit leur interprétation, soit leur intégration dans la décision clinique et organisationnelle ​.

    +7,51% de score total d’expérience liée au médecin

    L’étude de Wang et al., publiée dans Digital Health, analyse la manière dont des services de consultation assistés par IA dans des hôpitaux internet influencent la satisfaction des patients au moyen d’un modèle à double trajectoire articulant qualité technique du service, valeur perçue et émotions ​. L’analyse repose sur 1 113 réponses valides et montre que les deux trajectoires étudiées influencent significativement la satisfaction ; dans la trajectoire technique, les dimensions de fulfillment et de confidentialité exercent les effets les plus marqués, tandis que dans la trajectoire expérientielle, les interactions de service agissent via la valeur perçue et les émotions ​.

    Cette étude est importante pour la santé numérique car elle déplace l’analyse au-delà de la seule performance algorithmique : la satisfaction ne dépend pas uniquement de la disponibilité fonctionnelle du service, mais aussi de la façon dont l’outil module l’expérience émotionnelle du patient ​. Les auteurs soulignent en particulier que les interactions de service réduisent plus fortement les émotions négatives qu’elles n’augmentent les émotions positives, ce qui suggère que la conception des parcours assistés par IA doit viser en priorité la réduction des frictions, de l’incertitude et du sentiment d’insécurité ​.

    Dans une logique voisine, Li et al., dans Journal of Medical Internet Research, étudient l’usage d’agents conversationnels assistés par IA dans les consultations externes en Chine à partir d’un échantillon de 394 adultes issus d’hôpitaux publics tertiaires ​. Les utilisateurs de ces agents rapportent des scores significativement supérieurs aux non-utilisateurs sur le score global d’expérience, sur les 19 items et sur quatre dimensions, communication médecin-patient, information de santé, résultats à court terme et satisfaction générale, et la régression linéaire montre que l’usage de l’agent conversationnel augmente en moyenne de 7,51% le score total d’expérience liée aux médecins ​.

    Le résultat n’implique toutefois pas une substitution simple du professionnel par l’outil : dans les articles fournis, les bénéfices observés concernent surtout l’accès à une information mieux ciblée et une interaction mieux structurée ​. Pour les décideurs, cela indique que la valeur des agents conversationnels est potentiellement plus forte dans la préparation, l’orientation et l’enrichissement de la consultation que dans un remplacement intégral de l’échange clinique ​.

    L’essai randomisé de Yıldız, publié dans Journal of Surgical Research, apporte un contrepoint utile en comparant directement cinq modalités de consultation pour des patients ayant une lithiase urinaire nouvellement diagnostiquée : médecin humain, ChatGPT, Gemini, Perplexity et Copilot ​. Chez 100 patients, aucune différence significative n’a été observée sur le score CSQ-8 de satisfaction entre les groupes (P = 0,618), alors que les consultations avec médecin duraient en moyenne 15,1 ± 4,9 minutes contre 8,4 ± 1,3 minutes pour les chatbots, et suscitaient davantage de questions (5,0 ± 1,4 versus 2,76 ± 0,5) ​.

    Ces données montrent qu’une satisfaction comparable ne signifie pas équivalence complète de l’interaction clinique ​. La durée plus courte et le plus faible nombre de questions posées aux agents conversationnels peuvent refléter une efficacité informationnelle, mais aussi une moindre profondeur d’exploration ou un seuil différent d’engagement du patient, ce qui appelle une évaluation plus fine des usages appropriés selon le type de consultation ​.

    Analyse de l’expérience patient à grande échelle

    L’article de Khanbhai et al., publié dans JMIR Medical Informatics, traite un problème central pour les établissements : l’exploitation opérationnelle de volumes importants de commentaires libres issus du Friends and Family Test en Angleterre ​. L’algorithme supervisé testé dans neuf organisations de santé présentant des contextes variés a atteint une précision globale supérieure à 75% pour la prédiction des thèmes et sentiments contenus dans les réponses textuelles, avec de meilleures performances dans les environnements stables comme l’hospitalisation adulte ​.

    L’intérêt de cette étude est double ​. D’une part, elle montre que la réutilisabilité d’un algorithme d’analyse de verbatims dépend fortement du contexte lexical et organisationnel ; d’autre part, elle montre qu’un ajustement local, notamment via des modèles de codage propres à chaque établissement, améliore sensiblement les performances ​. Le fait que la saturation thématique ait été atteinte après l’inclusion du cinquième établissement et qu’aucun codage supplémentaire n’ait été nécessaire pour les quatre derniers suggère qu’une infrastructure de déploiement standardisée est possible, à condition d’intégrer une phase d’adaptation contextuelle ​.

    Pour les organisations de santé numérique, cette publication éclaire un arbitrage classique entre standardisation et personnalisation ​. Une solution d’analyse automatisée de l’expérience patient peut être mutualisable, mais sa robustesse réelle dépend de la gouvernance des données textuelles, de la qualité du codage initial et de la capacité à absorber les variations de langage entre spécialités, populations et types de services ​.

    Documentation ambiante et perception du soin

    Deux articles du corpus abordent les systèmes de documentation ambiante assistée par IA, avec un accent mis sur la charge documentaire et l’expérience perçue ​. Dans JMIR AI, Davis et al. ont évalué un pilote de Dragon Ambient eXperience (DAX) impliquant 49 professionnels dans neuf départements, à partir de scores Press Ganey recueillis entre janvier 2023 et décembre 2024 ​. Les scores agrégés ont augmenté de 0,9 à 1,9 point selon les items, l’augmentation la plus importante concernant la perception de l’attention portée aux questions ou inquiétudes du patient (+1,9 point ; P = 0,01), devant l’évaluation globale de l’expérience (+1,3 point ; P = 0,09) et la probabilité de recommander le professionnel (+0,9 point ; P = 0,33) ​.

    Dans l’étude préliminaire de Harvey et al. sur des scribes ambiants en chirurgie ambulatoire, l’attention non divisée s’est améliorée de 3,5 à 4,1 (P < 0,0001), tandis que la charge mentale NASA-TLX et la sensation d’urgence diminuaient, sans changement significatif du « pajama time » ​. Le burnout est passé de 67% à 33%, et deux chirurgiens ont rapporté une capacité d’ajouter trois patients par clinique, bien que les métriques de facturation n’aient pas montré de modification significative ​.

    Ces résultats suggèrent que la documentation ambiante peut agir comme une technologie de redistribution de l’attention clinique plutôt que comme un simple outil de productivité ​. Pour un public de directions générales et médicales, l’enjeu n’est donc pas seulement la réduction du temps de rédaction, mais la possibilité d’améliorer la disponibilité relationnelle perçue par le patient, tout en surveillant des effets encore incertains sur les indicateurs économiques et sur la durabilité des gains observés ​.

    PROMs, apprentissage automatique et prédiction

    Le corpus donne également une place importante aux PROMs, envisagés soit comme instruments à optimiser, soit comme intrants de modèles prédictifs ​. La revue systématique d’Alanezi et al., publiée dans J Patient-Reported Outcomes, inclut 22 études, dont 19 jugées de haute qualité ; six portent sur le développement de PROMs adaptatifs informatisés, sept sur les propriétés psychométriques et cinq sur la prédiction d’issues post-chirurgicales par apprentissage automatique ​. Les PROMs de type computer adaptive testing présentent une précision de mesure comparable à celle des questionnaires traditionnels, une validité de construit bonne à excellente, et une réduction significative de la charge patient par diminution de la longueur des questionnaires ​.

    La revue narrative de Pruski et al. dans BMC Medical Informatics and Decision Making et la revue sur les PROMs et l’apprentissage automatique en contexte chirurgical convergent sur un message méthodologique : il n’existe pas de modèle universellement supérieur, et la performance dépend du contexte clinique, des variables disponibles et du type d’issue étudiée ​. Dans la revue systématique de 73 études résumée dans le corpus, les scores PROMs de base apparaissent fréquemment comme des prédicteurs majeurs des résultats post-intervention, sans que cela soit systématique d’un contexte à l’autre ​.

    Les études cliniques incluses dans le document illustrent cette variabilité ​. Après libération du canal carpien, Manoochehri et al. rapportent, sur 303 patients, une exactitude de 0,901 pour le random forest dans la prédiction de la satisfaction, avec une sensibilité de 0,852, une spécificité de 0,941 et une AUC de 0,894 ; les variables les plus influentes incluent la force de préhension, l’âge, l’IMC, les résultats électrophysiologiques et la durée des symptômes ​. Après chirurgie LLIF, Hiyama et al. rapportent un taux de satisfaction de 85,2% et une performance du random forest de 82,6% d’exactitude, avec un rappel de 99,2% et un F1-score de 90,7%, les déterminants majeurs relevant davantage des résultats fonctionnels et de la santé mentale que des paramètres purement chirurgicaux ​.

    De même, dans la chirurgie de déformation rachidienne de l’adulte, le modèle validé par Wang et al. obtient une AUC de 0,846 et une exactitude de 0,812 en test interne, avec neuf indicateurs clés identifiés par des méthodes de sélection de variables et de SHAP ​. Dans la sténose lombaire, Kawabata et al. montrent qu’un modèle SVM entraîné sur des scores JOABPEQ et ZCQ atteint une exactitude de 0,72, une sensibilité de 0,75, une spécificité de 0,69 et un AUROC de 0,82, puis une exactitude externe de 0,76 avec une spécificité plus faible à 0,42 ; les facteurs psychologiques et la capacité de marche ressortent comme déterminants de satisfaction ​.

    Pris ensemble, ces résultats soutiennent trois constats ​. Premièrement, les modèles peuvent atteindre des performances utiles cliniquement, mais celles-ci demeurent très dépendantes du champ pathologique et du jeu de variables ​. Deuxièmement, les dimensions psychologiques, fonctionnelles et expérientielles apparaissent de manière répétée comme déterminants plus puissants de la satisfaction que certains paramètres procéduraux ​. Troisièmement, l’usage des PROMs avec l’IA semble particulièrement pertinent lorsqu’il sert à personnaliser l’information pronostique, la préparation préopératoire et le suivi post-opératoire plutôt qu’à produire une décision automatisée isolée ​.

    Exemples de résultats clés

    Domaine Étude Données principales
    Consultation IA en hôpital internet Wang et al., Digital Health 1 113 réponses valides ; influence significative de la qualité technique et de l’expérience émotionnelle ; rôle majeur du fulfillment et de la confidentialité ​
    Analyse automatisée de verbatims Khanbhai et al., JMIR Medical Informatics Validation dans 9 organisations en Angleterre ; exactitude globale supérieure à 75% ; amélioration avec modèles de codage locaux ​
    Documentation ambiante Davis et al., JMIR AI 49 professionnels, 9 départements ; hausse de 0,9 à 1,9 point des scores Press Ganey ; +1,9 point sur l’attention aux inquiétudes du patient (P = 0,01) ​
    Agent conversationnel en consultation externe Li et al., J Med Internet Research 394 adultes ; amélioration significative du score global ; effet moyen estimé de +7,51% sur le score total d’expérience ​
    Chatbots versus médecins Yıldız, Journal of Surgical Research 100 patients ; pas de différence significative de satisfaction (P = 0,618) ; durée 15,1 vs 8,4 minutes ; davantage de questions avec médecin ​
    Dépistage ophtalmologique autonome Bhambhwani et al., Ophthalmic Epidemiology 202 participants ; examen réussi dans 93,6% des cas ; satisfaction moyenne 4,8/5 ; 22,2% de rétinopathie référable ​
    Prédiction de satisfaction après CTR Manoochehri et al., BMC Musculoskeletal Disorders 303 patients ; random forest : exactitude 0,901, spécificité 0,941, AUC 0,894 ​
    PROMs chirurgicaux et IA Alanezi et al., J Patient-Reported Outcomes 22 études ; 19 de haute qualité ; PROMs adaptatifs avec précision comparable et charge réduite ​

    Implications pour la santé numérique

    Les publications fournies indiquent que la valeur de l’IA en expérience patient réside moins dans une automatisation indifférenciée que dans une articulation entre efficience, qualité perçue et personnalisation ​. Les solutions les plus convaincantes dans le corpus sont celles qui réduisent la charge de traitement de l’information, pour les patients comme pour les professionnels, tout en conservant, voire en renforçant, les dimensions relationnelles jugées centrales par les usagers ​.

    Pour les professionnels de santé, cela implique une vigilance particulière sur le choix des indicateurs cibles ​. Une amélioration d’accuracy, d’AUC ou de temps de traitement n’est pas suffisante si elle ne s’accompagne pas d’une compréhension des variables réellement liées à la satisfaction, lesquelles sont fréquemment associées à la communication, à la santé mentale, à la clarté du parcours, à la perception de sécurité ou à la charge ressentie par le patient ​.

    Pour les dirigeants du secteur, un enseignement récurrent du corpus est que l’industrialisation de ces outils exige une forte contextualisation ​. Les articles sur l’analyse de texte libre, sur les consultations conversationnelles et sur les PROMs montrent tous qu’un modèle performant dans un environnement donné ne peut pas être transposé sans adaptation à une autre spécialité, un autre lexique, une autre population ou un autre usage organisationnel ​.

    Cette analyse montre que l’IA peut améliorer l’expérience patient et l’exploitation des PROMs selon plusieurs modalités complémentaires : assistance à la consultation, analyse des verbatims, documentation ambiante, dépistage autonome, personnalisation du suivi et prédiction des résultats ou de la satisfaction ​. Les bénéfices les plus régulièrement documentés concernent la structuration de l’information, la réduction de la charge de recueil, l’identification de facteurs explicatifs de la satisfaction et la capacité à traiter des volumes de données auparavant difficiles à exploiter en routine ​.

    Toutefois, la synthèse met également en évidence des limites structurantes ​. Il n’existe pas, dans les travaux fournis, de modèle universellement supérieur ; la performance dépend du contexte, et la généralisabilité suppose des ajustements locaux, une validation rigoureuse et une attention soutenue aux dimensions relationnelles et psychologiques de l’expérience de soin ​. Dans cette perspective, l’IA apparaît moins comme un substitut au jugement clinique que comme une infrastructure d’augmentation de la mesure, de l’interprétation et de la réactivité organisationnelle en santé numérique

     

    Infographie synthèse : IA & Expérience Patient – 8 études clés

  • Engagement des usagers : comment la HAS encadre l’évaluation dans le 6e cycle de certification

    L’engagement, prolongement des droits des patients

    La Haute Autorité de santé consacre une fiche pédagogique à « L’évaluation de l’engagement des patients et des usagers en établissement de santé » dans le cadre du 6e cycle de certification. Elle définit l’engagement comme toute action, individuelle ou collective, au bénéfice de la santé, du bien‑être ou de la qualité de vie des personnes et de leurs pairs, à condition que professionnels, décideurs et structures s’engagent aussi à prendre en compte l’expérience, les besoins et préférences des patients.

    La HAS rappelle que l’exercice des droits fondamentaux reste une condition de la qualité et de la sécurité des soins, mais que le patient doit aussi être promu comme acteur de sa prise en charge et facteur d’efficacité du soin. Développer les différentes formes d’engagement des professionnels et des usagers contribue à la qualité des soins comme à la qualité de vie au travail, en plaçant les soins apportés aux patients au centre des préoccupations.

    Expérience, satisfaction et expertise des patients : clarifier les notions

    La fiche distingue trois concepts : expérience, satisfaction et résultats rapportés par les patients. L’expérience correspond à l’ensemble des interactions et situations vécues par la personne ou son entourage au cours du parcours de santé, influencées par l’organisation des soins et par l’histoire de vie du patient, alors que la satisfaction évalue la concordance entre attentes et service rendu.

    Le dispositif national e‑Satis assure la mesure en continu de la satisfaction et de l’expérience via des questionnaires validés et adaptés aux types de séjour, envoyés par mail deux semaines après la sortie, avec une réponse possible jusqu’à huit semaines et une restitution en temps réel, publiquement visible sur Qualiscope. Certains questionnaires e‑Satis couvrent satisfaction et expérience (séjours médecine/chirurgie/obstétrique de plus de 48 h, chirurgie ambulatoire, soins médicaux rééducation), d’autres uniquement l’expérience sous forme de PREMs pour la psychiatrie, avec des questionnaires en développement pour la maternité et les urgences.

    Les PREMs évaluent l’expérience vécue (communication avec les professionnels, coordination, accès aux services, compréhension des informations médicales, respect de la dignité et de la confidentialité). Les PROMs mesurent les résultats de santé rapportés par le patient (symptômes, fonctionnement physique et psychologique, qualité de vie, capacité à accomplir certaines tâches) à partir de questionnaires standardisés, afin de suivre l’évolution de l’état de santé et l’impact des interventions du point de vue du patient.

    La HAS définit aussi l’« expertise des patients » comme un ensemble de savoirs et compétences construits à partir de l’expérience d’une situation de santé, d’un soin, d’un service ou d’un dispositif, élaborés par la prise de recul et les échanges entre pairs. Dans la relation individuelle, cette expertise complète l’expertise médicale et soignante et favorise la décision partagée, tandis qu’au niveau collectif elle peut être mobilisée pour la pair‑aidance, la prévention, le design de services, la formation des professionnels ou la recherche dans une logique de « patients partenaires » (ressource, formateur, chercheur), même si la terminologie coexiste avec celle de « patient expert ».

    Engagement individuel : information, consentement, autonomie et expression

    La fiche traduit ces notions dans le référentiel de certification en distinguant engagement individuel et collectif. Pour l’engagement individuel, plusieurs éléments du chapitre 1 portent sur l’information délivrée au patient, son consentement, l’adaptation de la prise en charge et la prise en compte de son ressenti.

    Les établissements doivent montrer que le patient connaît les informations nécessaires à son séjour et à sa prise en charge, y compris les consignes de suivi en prévision de la sortie. Ils doivent garantir l’expression d’un consentement libre et éclairé, la possibilité de désigner une personne de confiance (distincte de la personne à prévenir, avec traçabilité et signature), et une prise en charge adaptée à ses besoins, visant le maintien de l’autonomie pour les personnes âgées, les patients vivant avec un handicap, en soins de longue durée ou présentant des troubles psychiques.

    La fiche insiste sur le rôle des proches et des aidants, familiaux ou professionnels, comme ressource pour le patient et les équipes, notamment lorsque la personne vit avec un handicap, une moindre autonomie ou une maladie chronique. Avec l’accord du patient, ces proches et aidants peuvent s’impliquer dans l’élaboration du projet de soins et, selon la situation, continuer à l’accompagner pour les actes de la vie quotidienne, cette implication constituant en hospitalisation à domicile une condition d’éligibilité et de maintien.

    Les établissements doivent offrir des locaux accessibles permettant des échanges respectant intimité et confidentialité, et faciliter la présence des proches en dehors des heures de visite, en particulier pour les mineurs dont les parents s’impliquent dans les soins. Le patient doit par ailleurs être invité à exprimer sa satisfaction, son expérience et bénéficier, lorsque cela est pertinent, de démarches d’auto‑administration de ses médicaments à l’hôpital.

    Engagement collectif : usagers associés à la gouvernance et aux démarches qualité

    Pour l’engagement collectif, la fiche liste les points à vérifier du côté de la gouvernance et des instances. Les patients doivent être informés sur les représentants des usagers et les associations de bénévoles, sur l’accompagnement possible pour un retour à domicile, et sur les modalités d’orientation vers les services sociaux lorsqu’ils sont en situation de précarité.

    La gouvernance doit prendre en compte satisfaction et expérience dans sa politique qualité‑sécurité, soutenir l’usage de questionnaires de résultats de soins évalués par les patients (PROMs) et mobiliser patients partenaires et associations dans la construction des parcours de soins. Les représentants des usagers sont impliqués dans la vie de l’établissement, associés à la définition et à l’évaluation de la politique qualité‑sécurité, informés des résultats des plaintes, réclamations, médiations, enquêtes de satisfaction (dont e‑Satis) et des suites données en termes d’actions d’amélioration.

    La HAS propose une aide à la cohérence des résultats de plusieurs critères (1.2‑05, 1.4‑02, 1.4‑05, 1.4‑06, 2.4‑06, 3.1‑01, 3.1‑04, 3.1‑06, 3.1‑09, 3.2‑02) en fonction de la présence ou non de représentants des usagers au sens de l’article L1114‑1 du Code de la santé publique et de la participation d’autres usagers (bénévoles associatifs, patients partenaires, patients experts). Des tableaux précisent aussi les combinaisons attendues pour le critère 1.4‑04 (actions de sensibilisation et de prévention avec les usagers, mobilisation de l’expertise patient, prise en compte de l’expérience pour adapter les pratiques) et 1.4‑03 (soutien au déploiement des PROMs, intégration de patients partenaires, bilans annuels partagés dans les instances, usage des résultats pour adapter les prises en charge et évaluer les pratiques).

    Une aide au questionnement pour tous les acteurs

    Enfin, la fiche propose une grille de questionnement à destination de la gouvernance, des professionnels, des patients et des représentants des usagers, pour guider l’évaluation sur le terrain. Les questions couvrent la stratégie de déploiement d’e‑Satis et des PROMs, la contribution des représentants des usagers aux actions d’amélioration, la façon dont les professionnels recueillent et exploitent la satisfaction et l’expérience, la manière dont les patients expriment satisfaction, réclamations ou éloges, et la place des représentants des usagers dans la politique qualité‑sécurité, les projets d’établissement et l’analyse des évènements indésirables.

    Visuel de la Haute autorité de Santé@HAS

  • PROMs, PREMs, patient traceur : 10 ans d’outils pour objectiver l’expérience patient

    Selon l’Institut français de l’expérience patient (Ifep) l’expérience patient se définit comme “La somme de toutes les interactions, façonnées par la culture d’une organisation, qui influencent les perceptions des patients tout au long du continuum de soins »

    10 ans depuis l’émergence de l’expérience patient en France : date clés.

     

    2016 : création de l’Institut français de l’expérience patient (Ifep) dont l’objectif est de placer l’expérience patient au cœur des priorités des décideurs et des établissements. L’Ifep participe notamment à de nombreuses conférences et événements à travers le monde pour promouvoir l’expérience patient et en faire un levier de performance dans les établissements français.

    2018 : la stratégie « Ma santé 2022 » place l’expérience patient dans un de ses axes prioritaires : « placer le patient au cœur du système et faire de la qualité de sa prise en charge la boussole de la réforme ». Cette approche vise à mettre le patient au centre des préoccupations et des décisions médicales afin d’améliorer la qualité des soins et garantir que chaque intervention médicale apporte une valeur ajoutée significative au patient.

    2018 : création d’un comité de pilotage à l’Institut Mutualiste Montsouris afin d’améliorer l’expérience patient au sein de l’établissement. Cela s’est concrétisé par l’organisation d’une journée dédiée en 2019, pilotée par Nathalie Bass, avec l’ambition d’intégrer systématiquement cette dimension dans les projets institutionnels confiés à la direction Qualité, Gestion des risques et relations avec les usagers.

    2019 : la Haute autorité de santé (HAS) intègre cette approche dans ses priorités pour son projet stratégique 2019-2024. L’objectif est de mesurer le résultat perçu par le patient à travers trois mesures :

    • la mesure des résultats de soins rapportés par le patient : patient reported outcome measures (PROMs) ;
    • la mesure de l’expérience du patient concernant son parcours de soins : patient reported experience measures (PREMs) ;
    • la mesure de la satisfaction du patient vis-à-vis du soin reçu.

    2019 : création du Conseil pour l’engagement des usagers à la HAS. Ce conseil a pour mission d’accompagner, soutenir et évaluer les actions de la HAS pour promouvoir et intégrer l’engagement des patients et des usagers dans le système de santé, en offrant des avis et en participant aux réflexions éthiques et stratégiques. Un de ses rôles est de s’assurer que l’expérience patient est au cœur des réformes et des améliorations, alignées avec les objectifs de la stratégie « Ma santé 2022 ».

    2020 : publication par la HAS des recommandations sur l’engagement des usagers. Ces dernières soulignent un intérêt pour la prise en compte de l’expérience patient à travers les recueils de satisfaction.

    2021 : la Clinique Pasteur crée une direction dédiée à la relation et à l’expérience patient sous la direction du Dr Céline Orhond (aujourd’hui directrice de l’innovation, du développement médical et de l’expérience patient dans le groupe Hoppen). La direction a notamment mis en place des outils numériques comme le portail Yooli permettant au patient de suivre et d’interagir avec son dossier grâce aux bornes de la clinique. Le boîtier Moodow a également permis de recueillir les étapes du parcours durant lesquelles le patient est stressé ou apaisé.

    2021 : Vivalto Santé crée également une direction Expérience patient, occupée de 2021 à 2024 par Caroline Desaegher. Dans le cadre de cette démarche, la solution de Better world a été utilisée pour analyser les verbatims du questionnaire e-Satis de la HAS et les avis Google afin de permettre au groupe d’établir des plans d’actions grâce à la restitution de ces analyses.

    2021 : les Hospices Civils de Lyon (HCL) lancent les projets de partenariat et expérience patient en santé dans le cadre du déploiement Pulsations 2023. Mais au-delà du recueil, les HCL souhaitent identifier une action par an pour améliorer significativement l’expérience patient dans leurs établissements.

    2023 : Vivalto Santé, par le biais de sa Direction recherche, lance une série d’études scientifiques pour évaluer le bénéfice de l’expérience patient.

    2024 : Création, au sein d’AP‑HP Sorbonne Université, de la Mission Expérience Patient pour accompagner les projets de partenariat patient, de co‑construction et de design de services hospitaliers.

    2025 : La Haute Autorité de santé publie un guide et un argumentaire scientifique « Expérience patient et savoir expérientiel : deux notions à clarifier pour développer l’engagement ou la participation », qui visent à distinguer clairement l’expérience patient (perception de la qualité des soins ou de l’accompagnement) du savoir expérientiel (connaissances issues de la réflexion sur l’expérience vécue), et à préciser dans quelles conditions ces deux notions peuvent être mobilisées pour renforcer l’engagement des usagers.

    Comment l’expérience patient devient un levier de performance ?

    Schéma de l’expérience patient @ H&TI

    Les PROMs mesurent les résultats perçus par les patients en termes de santé et de qualité de vie, et les PREMs mesurent l’expérience subjective des patients avec les services de santé. La satisfaction du patient est définie par le fait de répondre de manière appropriée aux attentes et aux besoins du patient.  L’expérience patient englobe ces deux aspects tout en mettant l’accent sur une vision plus large et inclusive du parcours de soins du patient.

    4 piliers selon l’ANAP

    Piliers de l’expérience patient @ ANAP

    Ces 4 piliers montrent le processus. L’expérience patient se concentre sur la perception du patient en prenant compte de :

    • la qualité ;
    • la sécurité ;
    • le confort ;
    • la pertinence des soins reçus ;
    • la prise en compte des aspects humains, c’est-à-dire le relationnel ;
    • les aspects émotionnels, la prise en compte du stress ou du bien-être du patient ;
    • et l’aspect organisationnel.

    L’amélioration de la transparence et de la qualité des soins est un des enjeux de l’expérience patient. Un rapport pour la stratégie de transformation du système de santé, dans le cadre de « Ma Stratégie 2022 », visait à élaborer des indicateurs de qualité des parcours de soins afin de renforcer la confiance des usagers en mesurant leur satisfaction concernant leur prise en charge. Ce rapport mettait en lumière les faiblesses de l’information disponible qui entravaient la capacité des patients à prendre des décisions éclairées et autonomes concernant leur parcours de soins. En suggérant de mettre systématiquement en place et de diffuser des indicateurs de résultats et d’expérience rapportés par les patients (PROMs et PREMs), le comité « Chantier Qualité et Pertinence » de la stratégie Ma Santé 2022 soulignait que cela permettrait une information plus rigoureuse, transparente et utile aux usagers.

    Pour résumer, ces informations permettraient aux patients de mieux s’orienter dans le système de santé, mais aussi aux professionnels de la santé de s’améliorer en comparant leurs résultats à ceux d’autres établissements.

    Remettre le patient au centre des soins

    Ces démarches font écho à celle du « patient traceur ». Défini par la HAS comme suit : « Le patient traceur est une méthode d’évaluation et d’amélioration des pratiques », cette méthode permet d’analyser de manière rétrospective le parcours de soins d’un patient en comparant les pratiques réelles aux référentiels de bonnes pratiques.

    En retraçant le parcours d’un patient spécifique depuis son admission jusqu’à sa sortie, cette méthode permet une analyse détaillée et pluridisciplinaire des différentes étapes de la prise en charge. Elle intègre les pratiques des professionnels de santé et les perceptions/retours des patients eux-mêmes, offrant une vision globale et centrée sur le patient.

    5 700 professionnels répondants pour la 7ᵉ édition du Baromètre de l’expérience

    En 2018, moins de 4 établissements sur 10 déclaraient une démarche structurée pour l’expérience patient, ils sont 71% dans le dernier baromètre de l’expérience patient. Egalement, 82% des professionnels perçoivent un engagement positif de leur établissement pour mieux intégrer le vécu des patients et de leurs proches. La certification HAS apparaît comme un accélérateur décisif, même si les tensions sur les ressources, la formation et la situation des soignants freinent encore le déploiement opérationnel. Ce baromètre côté professionnels sera complété l’an prochain par une enquête miroir auprès des usagers, pour disposer d’une vision réellement à 360° de l’expérience patient en France.

  • 7 fusions-acquistions et une subvention de 48 millions d’euros au premier trimestre 2026

    Lifen–Curecall : de la donnée à l’échange avec le patient

    Lifen a annoncé l’acquisition de Curecall pour étendre sa stratégie vers la relation patient et la télésurveillance. Jusqu’ici positionné principalement sur la structuration et le partage sécurisé des données de santé, Lifen complète sa proposition de valeur par des services d’interaction directe avec les patients, notamment dans les parcours de suivi à distance. L’intégration de Curecall doit permettre de couvrir le continuum allant de la collecte de données cliniques (documents, comptes rendus, résultats) à l’engagement du patient via des outils de rappel, de questionnaires et de monitoring. Cette évolution répond aux besoins des établissements de santé et des équipes soignantes, confrontés à la montée en charge des programmes de télésurveillance remboursés et à la nécessité d’outiller la relation à distance sans multiplier les plateformes hétérogènes. Pour Lifen, l’opération marque une étape vers un rôle élargi d’architecte de parcours numériques, en combinant infra‑structure de données et couches applicatives orientées vers les usages.

    Corilus–Sofia : un spécialiste européen des logiciels de santé ambulatoire

    Corilus et Sofia ont annoncé leur fusion pour créer un spécialiste européen des logiciels de santé ambulatoire. Corilus apporte ses solutions à destination des médecins généralistes, cabinets pluridisciplinaires et autres professionnels de santé de ville, tandis que Sofia contribue avec ses logiciels de gestion et de coordination des soins. Le nouvel ensemble vise à proposer une offre intégrée couvrant la gestion administrative, le dossier patient, la coordination et les échanges de données, dans une perspective multi‑pays. La stratégie mise en avant repose sur la capacité à mutualiser les développements, à répondre aux exigences d’interopérabilité et à accompagner les professionnels de santé dans la transition vers des pratiques plus numérisées. Pour les médecins et soignants utilisateurs, cette fusion pourrait se traduire par une rationalisation du portefeuille de solutions, avec une montée en puissance d’outils communs sur plusieurs marchés européens, tout en posant la question de l’accompagnement au changement et de la migration des systèmes existants.

    RadNet–Gleamer : Gleamer racheté et déployée dans 400 centres d’imagerie

    RadNet, acteur américain de l’imagerie médicale, a racheté le français Gleamer, dont les algorithmes d’intelligence artificielle assistent les radiologues dans l’analyse d’examens, notamment en radiologie générale et d’urgence. L’objectif est de déployer les solutions de Gleamer au sein des quelque 400 centres d’imagerie de RadNet, en les intégrant directement aux systèmes d’information et aux workflows de lecture. Ce rachat illustre la montée en puissance de l’IA comme brique métier au cœur de l’organisation des plateaux techniques d’imagerie, avec une logique de standardisation et d’évaluation à grande échelle des gains de productivité et de qualité. Pour Gleamer, l’opération ouvre l’accès à un réseau étendu de sites cliniques, susceptible de générer des volumes importants de données et de retours d’usage, utiles pour l’amélioration continue des modèles. Du point de vue des radiologues, la convergence entre un opérateur d’imagerie intégré et une solution d’IA européenne pose aussi la question de l’articulation entre aides algorithmiques, responsabilité médicale et organisation du travail au quotidien.

    Extens, Orthalis et Dentalsoft : consolidation des logiciels dentaires

    Le fonds Extens a organisé l’union d’Orthalis et Dentalsoft, deux éditeurs de logiciels dédiés aux cabinets dentaires, dans le cadre d’une opération destinée à créer un acteur de référence sur ce segment. En réunissant ces deux plateformes, Extens cherche à atteindre une taille critique suffisante pour accélérer l’industrialisation des offres, mutualiser les investissements techniques et harmoniser les feuilles de route produits. L’objectif affiché est de proposer une suite logicielle plus complète aux cabinets dentaires, couvrant la gestion administrative, la planification, le dossier patient et l’intégration avec les dispositifs d’imagerie et de facturation. Cette consolidation intervient dans un contexte de pression accrue sur les éditeurs pour répondre aux exigences réglementaires, d’interopérabilité et de cybersécurité, tout en accompagnant la transformation numérique des cabinets. Pour les praticiens, la recomposition capitalistique pourrait se traduire par une offre plus structurée, mais aussi par une standardisation des usages et des interfaces, avec des cycles de mises à jour plus fréquents.

    Quantum Surgical et Neuwave Medical : étendre la robotique aux thérapies mini‑invasives

    Quantum Surgical a annoncé l’acquisition de l’américain Neuwave Medical, spécialiste des dispositifs de thermo‑ablation utilisés pour le traitement mini‑invasif de tumeurs. Cette opération vise à combiner la plateforme robotisée de Quantum Surgical avec l’expertise de Neuwave en ablation percutanée guidée par l’imagerie, afin de proposer une offre intégrée en oncologie interventionnelle. En ajoutant des dispositifs de thermo‑ablation à son portefeuille, Quantum renforce sa capacité à couvrir différentes indications tumorales, dans une logique de prise en charge guidée par image, moins invasive que la chirurgie conventionnelle. Le rachat s’inscrit également dans une stratégie de développement international, en particulier sur le marché nord‑américain où Neuwave dispose déjà d’une présence et de relations avec des centres hospitaliers utilisateurs. Pour les établissements, cette consolidation pourrait simplifier l’adoption de solutions combinant robotique, planification et traitement, dans un contexte où les volumes de procédures d’oncologie interventionnelle sont en croissance.

    Carvolix (Affluent Medical) : IA, mini‑robots et cardiologie interventionnelle

    Affluent Medical a annoncé la signature d’accords engageants pour acquérir Caranx Medical et Artedrone, deux sociétés spécialisées dans les thérapies cardiovasculaires, pour un montant total de 28 millions d’euros (16,6 millions pour Caranx, 11,4 millions pour Artedrone), payés intégralement en actions nouvelles, sans décaissement de trésorerie. Les trois entités seront regroupées sous la marque Carvolix, avec un positionnement centré sur la cardiologie interventionnelle guidée par intelligence artificielle et mini‑robots autonomes. L’objectif est de démocratiser des procédures aujourd’hui réservées à des opérateurs très spécialisés, notamment le remplacement des valves cardiaques et la prise en charge en urgence des AVC ischémiques, sur un marché adressable estimé à 23 milliards d’euros. Carvolix prévoit un premier lancement commercial début 2026 avec Tavipilot, logiciel de guidage per‑opératoire par IA pour les procédures TAVI, autorisé par la FDA et déjà utilisé dans l’étude clinique ROTAO en Australie. Une première tranche de 10 millions d’euros, apportée par Truffle Capital et Edwards Lifesciences, doit étendre l’horizon de trésorerie jusqu’à fin mai 2026 et financer Tavipilot, la valve mitrale biomimétique Epygon et le futur partenariat autour du sphincter urinaire artificiel Artus.

    Equasens–Erevo : formation digitale et services aux soignants

    Equasens a annoncé début janvier 2026 l’acquisition de 80% du capital d’Erevo, pure player marseillais du e‑learning en santé, financée par emprunt bancaire, avec une option pour monter à 100% du capital. Erevo propose plus de 80 formations en ligne destinées aux infirmiers, médecins, pharmaciens et professions paramédicales, sous forme de dispositifs de formation continue certifiants adaptés aux contraintes de temps des soignants. Avec cette opération, Equasens affiche sa volonté de structurer un pôle de formation digitale complémentaire à ses logiciels métiers, en articulant contenus pédagogiques et outils de pratique quotidienne. Le groupe mise sur la convergence entre solutions numériques et montée en compétences, dans un contexte de renforcement des obligations de formation continue et de généralisation des usages digitaux. Erevo vise près de 7,4 millions d’euros de chiffre d’affaires en 2025, ce qui conforte le choix d’Equasens de s’appuyer sur un acteur déjà installé pour élargir sa chaîne de valeur au‑delà du logiciel, tout en conservant une intégration progressive grâce à la montée au capital échelonnée.

    FineHeart : des capitaux privés complétés par 48 M€ de subventions européennes

    Les 83 millions d’euros mobilisés par FineHeart combinent une levée de capitaux privés et un important soutien public non dilutif, avec 48 millions d’euros de subventions dans le cadre du PIIEC Tech4Cure. Ce programme européen positionne FineHeart comme chef de file sur la chaîne de valeur des dispositifs médicaux implantables connectés, en lien avec son dispositif ICOMS Flowmaker pour l’insuffisance cardiaque sévère. Les subventions doivent financer des briques critiques qui dépassent le seul produit : industrialisation, sécurisation des chaînes d’approvisionnement, dimension numérique et connectée des implants, ainsi que la montée en puissance d’un écosystème européen de partenaires. En complétant les apports en capital, ce financement public permet de limiter la dilution tout en soutenant des investissements lourds, difficiles à porter uniquement sur fonds privés à ce stade de développement. Pour les cliniciens et les établissements, cette combinaison de capitaux privés et de subventions vise à sécuriser la trajectoire de mise à disposition d’un dispositif implantable connecté, dans un cadre européen structuré autour de la souveraineté industrielle et de la prise en charge d’une pathologie chronique à fort impact.

  • IA et médecine du sommeil : de la validation clinique ciblée aux nouveaux parcours numériques

    Cet article analyse les apports récents de l’intelligence artificielle (IA) et de l’apprentissage automatique en médecine du sommeil, à partir d’un corpus de 200 publications indexées couvrant la période 2024–2026. Ces travaux incluent des essais cliniques, des études de validation, des méta-analyses bayésiennes, des revues systématiques et des prises de position professionnelles. Ils ont été publiés dans des revues de premier plan en médecine respiratoire (Respiratory Medicine, Sleep Medicine, Sleep, J Clin Sleep Med, Nat Sci Sleep, Sleep Med Rev, Sleep Breath), en santé numérique (NPJ Digital Medicine, Digital Health, J Med Internet Res, Front Digit Health), en médecine générale et de spécialité (Nat Med, JAMA Netw Open, Eur Arch Otorhinolaryngol, Front Med, Arch Bronconeumol, Int J Cardiol) ainsi que dans des journaux d’ingénierie biomédicale et d’informatique médicale (IEEE Trans Biomed Eng, Comput Biol Med, Digit Health, IEEE J Biomed Health Inform, Sci Rep, Sensors, Stud Health Technol Inform).

    Les principaux auteurs et groupes incluent notamment Kourí et Konstantinopoulou (Grèce) sur les perspectives cliniques de l’IA en médecine du sommeil, Bhatt et Khurana (États-Unis) pour l’IA en apnées obstructives du sommeil (AOS), Attia, Behar et collaborateurs (Israël) sur la validation d’algorithmes de diagnostic par photopléthysmographie, Sun et Leng (États-Unis) sur l’indice de “brain age” dérivé de l’EEG, ainsi que plusieurs équipes européennes et asiatiques travaillant sur les dispositifs portables, la radiomique et l’IMC/anthropométrie. L’American Academy of Sleep Medicine (AASM), via une position actualisée (Oks et al.), fournit par ailleurs un cadrage institutionnel de l’usage de l’IA en pratique clinique.

    L’objectif de cet article est de proposer une synthèse structurée des usages de l’IA en médecine du sommeil, d’en examiner la performance diagnostique et pronostique, et d’en discuter les implications cliniques, organisationnelles et réglementaires pour les acteurs de la santé numérique.

    Contexte : champs d’application majeurs

    Les articles identifiés permettent de distinguer quatre domaines d’application dominants : (1) dépistage et diagnostic de l’AOS, (2) classification automatique des stades de sommeil, (3) phénotypage du sommeil et stratification du risque, (4) interventions et outils numériques de coaching ou de thérapie.

    1. Apnée obstructive du sommeil

    • Plusieurs revues systématiques et méta‑analyses synthétisent l’usage de l’IA pour le diagnostic de l’AOS à partir d’ECG, d’oxymétrie, de signaux respiratoires, d’images et de données cliniques.

    • Bhatt & Khurana, Casal‑Guisande et al. et Li et al. décrivent des modèles utilisant des données cliniques, anthropométriques, questionnaires et biomarqueurs pour le dépistage et la stratification de la sévérité.

    • Plusieurs travaux (Hoang & Liang, Yamane et al., Gupta, Wang & Kilgore, Aygün Çakıroğlu et al., Trang et al., Almarshad et al.) se concentrent sur des signaux non invasifs (oxymétrie, ECG, acoustique, radar, capteurs sous-matelas).

    1. Somnographie et scoring automatique

    • De nombreux modèles de deep learning (AnySleep, KAN‑SleepNet, RimeSleepNet, SleepPPG‑Net2, Pediatric SleepNet, modèles canal‑agnostiques) visent le scoring des stades de sommeil à partir d’EEG, d’ECG, de PPG, d’actigraphie ou de signaux multimodaux.

    • Les études de Macea et al., Niu et al., De Fazio et al., Yilmaz et al., Grieger et al. montrent la faisabilité d’un scoring automatique robuste dans différentes populations (adultes, personnes âgées, patients épileptiques).

    • Des travaux spécifiques ciblent le sommeil pédiatrique et les troubles REM (Moeller et al., Bruni, Jung et al., Pan et al.).

    1. Phénotypage, comorbidités et pronostic

    • Des analyses de cohortes à grande échelle (Cavaillès et al., Zucco et al., Zainal & Van Doren, Te et al.) utilisent le machine learning pour définir des profils de sommeil multidimensionnels et leurs liens avec démence, maladies cardiovasculaires, troubles anxieux et consommation d’alcool.

    • Sun et al. et Zeng et al. exploitent l’EEG nocturne ou la radiomique cérébrale pour dériver des indices de “brain age” et étudier leur association à la démence et à l’insomnie.

    • Plusieurs études modélisent les interactions entre troubles du sommeil et dépression, hypertension, diabète, douleur chronique, schizophrénie ou qualité de vie.

    1. Interventions, outils numériques et IA générative

    • Des systèmes de coaching personnalisés et de recommandation de sommeil basés sur des grands modèles de langage (LLM) ou sur l’analyse de “lifelog data” sont décrits, notamment par Khasentino et al. (LLM santé personnelle pour sommeil et fitness) et Park & Park (système PDSRS‑LD).

    • Des applications ciblent la planification des horaires de travail (Kubo et al.), la promotion du sommeil via chatbot (Liu & Liu), les essais de télémédecine en AOS (Zou et al.) ou la prédiction de l’adhésion à la réhabilitation respiratoire (Zawada et al.).

    • Des travaux explorent l’usage de l’IA générative pour l’extraction automatique de paramètres de sommeil à partir de comptes‑rendus (Maghsoudi et al.) ou pour analyser les biais des images générées dans l’AOS (Saran et al.).

    Synthèse des principaux résultats quantitatifs

    Performances diagnostiques en AOS

    Les méta‑analyses et revues indiquent globalement des niveaux élevés de sensibilité et spécificité pour le diagnostic d’AOS à partir de signaux simplifiés.

    • Kilic et al. rapportent, dans une méta‑analyse sur les algorithmes de machine learning à partir d’ECG, une précision diagnostique jugée élevée, mais les valeurs agrégées exactes varient selon les sous‑groupes et les découpages de sévérité.

    • Gao et al. (méta‑analyse bayésienne sur l’analyse de la variabilité du rythme cardiaque) confirment la possibilité de diagnostic d’AOS à partir d’ECG en conditions cliniques, avec des performances globales comparables à certains tests simplifiés mais hétérogènes entre études.

    • Hoang & Liang synthétisent les pratiques de dépistage de l’AOS par saturation nocturne en oxygène, en montrant des aires sous la courbe ROC généralement élevées (souvent supérieures à 0,80) selon les méthodes et populations, mais avec des sensibilités parfois modérées pour les formes légères.

    • Watson et al. valident un test à domicile basé sur PPG monocanal avec IA, démontrant une bonne concordance avec la polysomnographie pour l’indice d’apnées‑hypopnées (AHI) dans une population clinique.

    • Attia et al. (SleepAI) montrent qu’un système combinant oximétrie et PPG permet un diagnostic d’AOS adulte et un scoring de sommeil avec une performance jugée clinico‑compatible, dans une étude de validation clinique multicentrique.

    Des modèles centrés sur des données cliniques et anthropométriques (Leong et al., Ashtaiwi & Eltwayeb, Park et al.) obtiennent des performances de dépistage acceptables dans des contextes de soins primaires, mais leur généralisation dépend fortement des caractéristiques démographiques locales.

    Scoring automatique des stades de sommeil

    Plusieurs études rapportent des accords substantiels à presque parfaits entre IA et experts pour le scoring polysomnographique.

    • Moeller et al. comparent des systèmes d’IA à des experts en sommeil pour le scoring chez enfants et adolescents, avec une concordance suffisamment élevée pour envisager une utilisation clinique, tout en soulignant des divergences dans certains stades.

    • Vainikka et al. introduisent une quantification directe de l’incertitude dans le scoring automatique, mettant en évidence que l’intégration de mesures de confiance améliore l’utilité clinique dans les cas limites.

    • AnySleep et d’autres systèmes canal‑agnostiques (Grieger et al., Ghasemigarjan et al.) démontrent la possibilité d’un scoring robuste à partir de combinaisons minimalistes de signaux (par exemple EEG frontale, EOG, PPG), avec des précisions globales souvent supérieures à 80%.

    • Des approches basées uniquement sur PPG ou sur des capteurs portés (SleepPPG‑Net2, Yilmaz et al., Aguet et al.) montrent des performances inférieures à l’EEG standard mais suffisantes pour un suivi longitudinal ou des usages populationnels.

    Table 1 – Exemples de scénarios d’usage et niveaux de performance rapportés

    Domaine Type de données principales Niveau de performance rapporté (ordre de grandeur) Références illustratives
    Diagnostic AOS ECG / HRV AUC souvent > 0,80, sensibilité/spécificité élevées selon seuils AHI Kilic et al.; Gao et al.
    Diagnostic AOS SpO₂ / PPG monocanal Bonne concordance avec polysomnographie pour AHI Hoang & Liang; Watson et al.; Attia et al.
    Scoring du sommeil EEG multicanal Accord élevé avec experts, précision > 80–85% Moeller et al.; Grieger et al.; Pediatric SleepNet.
    Scoring du sommeil PPG / capteurs portables Précision modérée à élevée, adaptée au suivi SleepPPG‑Net2; Aguet et al.; Yilmaz et al.
    Stratification du risque Données cliniques, questionnaires, imagerie Bon pouvoir discriminant, dépendant de la population Casal‑Guisande et al.; Xiong et al.; Li et al.

    Les valeurs de performances restent hétérogènes entre études en raison de différences dans les jeux de données, les seuils d’AOS, les architectures de modèles et les métriques utilisées.

    Phénotypage et biomarqueurs numériques

    Les travaux de Sun et al., Zhou et al., Zeng et al. et Yu et al. illustrent le développement de biomarqueurs numériques dérivés du sommeil (indices de profondeur de sommeil, “brain age index”, marqueurs de spindles, signaux respiratoires) associés à des risques de démence, de maladies cardiovasculaires ou de cardiométabolisme.

    • Sun et al. réalisent une méta‑analyse de données individuelles (> 7 000 sujets) pour relier un indice de “brain age” dérivé de l’EEG de sommeil au risque de démence, montrant que des “brain age gaps” plus élevés sont associés à un risque accru.

    • Zhou et al. utilisent des modèles profonds pour générer un indice continu de profondeur de sommeil, qui fournit des signatures numériques associées à la santé du sommeil.

    • Zeng et al. et Li et al. exploitent la radiomique cérébrale et l’analyse des espaces périvasculaires pour relier troubles du sommeil, anomalies cérébrales et troubles cognitifs ou psychiatriques.

    Dans les troubles respiratoires du sommeil, plusieurs travaux identifient des biomarqueurs moléculaires et génomiques (Chen et al., Belmonte et al., Chen YC et al., Lu et al., Yu et al.) pour caractériser l’AOS et ses comorbidités cardio‑métaboliques et neurologiques.

    Implications cliniques et organisationnelles

    Reconfiguration du parcours diagnostique

    Les revues narratives et positions d’experts (Kourí & Konstantinopoulou; Banjade et al.; Bi et al.; Wu et al.; Léger & Rouen; Abou Jaoude; Jahrami et al.) convergent vers une vision où l’IA permet :

    • un dépistage élargi de l’AOS et des troubles du sommeil en soins primaires, via des tests simplifiés à domicile (PPG, oxymétrie, capteurs acoustiques, radars, dispositifs sous‑matelas) intégrant des algorithmes validés ;

    • une priorisation des patients à adresser au laboratoire du sommeil, en fonction de scores de risque issus d’algorithmes supervisés ;

    • une réduction de la charge de scoring manuel et de la variabilité inter‑experts par le recours à des systèmes d’aide au scoring, avec possibilité de relecture ciblée des séquences à incertitude élevée.

    L’AASM, dans sa déclaration de position de 2025, insiste toutefois sur le caractère complémentaire de l’IA, rappelant la nécessité de supervision par des spécialistes du sommeil, de validation indépendante et d’une intégration prudente dans les flux de travail cliniques.

    Intégration dans la santé numérique et la télémédecine

    Les travaux consacrés à la télémédecine en AOS (Zou et al.), aux tests de sommeil à domicile (Watson et al.; Chen KW et al.; Hu et al.; Wang J et al.) et aux plateformes de coaching ou de recommandation (Khasentino et al.; Park & Park; Quezada Reyes & Trejo; Smith et al.; Sakal et al.) montrent que l’IA s’inscrit dans un continuum plus large de santé numérique :

    • dispositifs portables et capteurs connectés (smartwatches, patchs ECG/PPG, radars, capteurs de mouvement) fournissent des flux de données continus que l’IA transforme en indicateurs cliniquement interprétables ;

    • systèmes de recommandation personnalisée ajustent l’activité physique, l’hygiène de sommeil ou les horaires de travail en fonction de profils prédictifs, avec des protocoles d’essais pilotés (par ex. études chez les travailleurs postés et les sportifs de haut niveau).

    • des solutions ciblent la prise en charge intégrée (par ex. plateformes combinant AOS, comorbidités cardiométaboliques et suivi de l’adhésion) en recourant à des modèles explicables (XAI, SHAP, modèles interprétables).

    Ces évolutions ont des implications directes pour les CEO et responsables de plateformes de santé numérique : nécessité de co‑concevoir les architectures de données, d’anticiper les besoins d’interopérabilité avec la polysomnographie standard et les dossiers patients, et de structurer des pipelines de validation clinique multicentrique.

    Enjeux réglementaires, éthiques et de qualité des données

    Les aspects juridiques et réglementaires sont abordés explicitement par Feige et al., qui discutent des contraintes de protection des données, d’échanges transfrontaliers, de data mining et d’IA en médecine du sommeil dans une perspective européenne. D’autres travaux soulignent la nécessité :

    • de cadres de reporting standardisés pour le scoring et le diagnostic par IA (BaHammam & Almarshad),

    • d’évaluations de biais et d’équité, notamment dans les algorithmes entraînés sur des données majoritairement occidentales et sur‑représentant certains phénotypes (Zhuang et al. sur l’équité en santé du sommeil, Saran et al. sur les biais d’images générées),

    • de prise en compte des incertitudes des modèles et de leur explicabilité (Takefuji; Bi et al.; Vainikka et al.; Hu et al.; Sun Q et al.; Carvalho et al.).

    Les revues sur l’insomnie, la douleur, la santé mentale et les populations spécifiques (patients oncologiques, femmes enceintes, étudiants, soignants, patients avec maladies chroniques) insistent sur l’importance de la qualité des données auto‑rapportées et des questionnaires, souvent utilisés comme “gold standard” dans ces contextes, et donc sur le risque de propagation des biais subjectifs dans les modèles.

    Discussion : convergences, limites et perspectives

    Les publications récentes révèlent plusieurs convergences :

    • L’IA atteint, dans certains scénarios (diagnostic d’AOS modérée à sévère à partir d’ECG ou de SpO₂, scoring de sommeil standard), des performances proches de celles d’experts, avec un potentiel de déploiement à grande échelle dans des dispositifs simplifiés et des environnements domestiques.

    • Les approches multimodales (combinaison ECG–PPG–actigraphie–respiration) et l’intégration de mesures d’incertitude et d’explicabilité apparaissent comme des leviers pour améliorer la robustesse et la confiance clinique.

    • Le phénotypage avancé et les biomarqueurs numériques ouvrent la voie à une stratification plus fine du risque cognitif, cardiovasculaire et mental, au‑delà de l’AHI et des métriques classiques.

    Cependant, plusieurs limites transversales sont soulignées :

    • Hétérogénéité méthodologique importante : variations dans les définitions d’AOS, les seuils d’indices, les métriques de performance, les populations et les protocoles de validation rendent difficile la comparaison et la méta‑analyse robuste.

    • Biais de sélection et de généralisation : de nombreux modèles sont développés sur des cohortes monocentriques, avec peu de validation externe, ce qui interroge leur applicabilité à d’autres contextes géographiques, systèmes de santé et profils démographiques.

    • Intégration opérationnelle limitée : malgré les preuves techniques, peu de travaux décrivent l’intégration complète de ces modèles dans des systèmes d’information hospitaliers, des parcours de soins structurés ou des modèles économiques durables.

    • Questions éthiques et de responsabilité : les positions d’experts (AASM, éditoriaux de Abou Jaoude, Léger & Rouen, Verma, Abdulsalam) soulignent la nécessité de clarifier la responsabilité clinique en cas d’erreur d’un modèle, l’information au patient et la gouvernance des algorithmes.

    Pour les CEO et décideurs en santé numérique, ces résultats soutiennent des stratégies “augmentées” plutôt que “substitutives” : l’IA est le plus souvent positionnée comme un outil de triage, de priorisation, de suivi et de phénotypage, sous supervision de spécialistes, plutôt que comme un substitut complet à la polysomnographie ou à l’expertise clinique.

    Conclusion

    L’ensemble des 200 publications examinées montre que l’IA en médecine du sommeil est passée d’une phase exploratoire à une phase de validation clinique ciblée, en particulier dans l’AOS, le scoring des stades de sommeil et le phénotypage multidimensionnel du sommeil et de ses comorbidités. Les études convergent vers des performances diagnostiques et de classification élevées dans plusieurs scénarios d’usage, ainsi que vers la possibilité de développer des biomarqueurs numériques pertinents pour le risque neuro‑cognitif, cardiovasculaire et cardiométabolique.

    Les implications pour la santé numérique sont majeures : reconfiguration du parcours de dépistage, émergence de tests de sommeil à domicile basés sur PPG/ECG/oxymétrie, intégration de modèles de prédiction et de recommandation dans les plateformes numériques, développement de programmes de télémédecine et de thérapies digitales ciblant l’insomnie et les troubles liés au sommeil.

    Dans le même temps, les auteurs insistent sur la nécessité de standards de reporting, de validations externes multicentriques, d’analyses d’équité et d’explicabilité, ainsi que sur le maintien d’une supervision clinique structurée. Pour les professionnels de santé et les dirigeants de structures de santé numérique, la priorité semble être l’investissement dans des infrastructures de données de qualité, l’évaluation rigoureuse des solutions IA au‑delà des performances techniques, et la co‑construction de modèles de soins intégrant l’IA comme composant structurant mais non exclusif du parcours de médecine du sommeil.

  • Troubles du sommeil : 45% de la population déclare au moins un trouble du sommeil

    9% des Français souffrent d’apnée du sommeil

    Les adultes dorment en moyenne 7 heures par nuit, avec 7 h 30 le week-end, mais cette durée reste insuffisante pour 1 Français sur 5 qui dort moins de 6 heures pendant la semaine. En 2024, 45% des Français déclarent au moins un trouble du sommeil, et 9% souffrent d’apnée du sommeil, contre 5% en 2013. Santé publique France rapporte qu’1 Français sur 2 ressent un stress qui dégrade son sommeil. Les enfants et adolescents sont particulièrement exposés : plus de 30% des enfants et jusqu’à 70% des adolescents ne dorment pas assez, alors que la durée recommandée pour les 15–24 ans est de 8 à 10 heures, contre 7 h 17 observées en moyenne en semaine.​

    15 à 20% des adultes souffrent d’insomnie, définie par des difficultés d’endormissement, des éveils nocturnes répétés ou un sommeil jugé non récupérateur. Les syndromes d’hypersomnolence concernent environ 5% de la population adulte. Le syndrome des jambes sans repos touche 2 à 8% de la population, et les parasomnies (somnambulisme, bruxisme, terreurs nocturnes, comportements anormaux en sommeil paradoxal) concernent 2 à 4% des personnes.​

    Les conséquences fonctionnelles sont importantes : la somnolence diurne touche 1 Français sur 4 et plus d’1 sur 3 parmi les 18–24 ans, et entre 10 et 20% des accidents de la circulation sont attribués à la somnolence au volant. Chez les enfants et les jeunes, la dégradation du sommeil réduit les capacités d’apprentissage, de concentration et de raisonnement, avec un impact sur la réussite scolaire.​

    Le manque de sommeil augmente de 55% le risque d’obésité

    Un temps de sommeil trop court augmente de 55% le risque d’obésité chez l’adulte et de 89% chez l’enfant, selon les méta-analyses citées par le ministère de la Santé. Des nuits de moins de 6 heures augmentent de 28% le risque de diabète de type 2. La privation de sommeil perturbe les hormones de l’appétit (leptine, ghréline, orexine), favorise l’augmentation de la prise alimentaire et la baisse des dépenses énergétiques, contribuant à la prise de poids et aux troubles métaboliques.

    Le manque de sommeil accroît le risque de maladies cardiovasculaires, dont l’hypertension artérielle, les infarctus du myocarde et les accidents vasculaires cérébraux, via une augmentation du cortisol et du stress oxydatif. Sur le plan immunitaire, la privation de sommeil modifie la nature et le nombre de certaines cellules immunitaires (leucocytes, lymphocytes NK) et augmente la susceptibilité aux infections, tandis que certains épisodes infectieux induisent un allongement du sommeil par activation de médiateurs pro-inflammatoires. Des données récentes suggèrent aussi que l’altération du sommeil pourrait être un signal précoce de maladies neurodégénératives.

    L’insomnie corrélée avec la dépression

    Le Gouvernement rattache le sommeil à la Grande Cause nationale Santé mentale 2025, en soulignant que la qualité du sommeil contribue directement au comportement et à l’équilibre psychique. L’insomnie multiplie par 2 le risque de développer une dépression selon une méta-analyse portant sur plus de 150 000 participants, et 75% des personnes vivant avec des troubles psychiques déclarent une mauvaise qualité de sommeil. Les études citées montrent que l’insomnie et les troubles du sommeil accentuent les troubles de l’humeur, l’anxiété et les symptômes dépressifs, chez l’adulte comme chez l’adolescent.

    À l’inverse, un trouble psychique peut détériorer le sommeil, alimentant une relation bidirectionnelle entre sommeil et santé mentale. Les travaux de recherche mettent également en évidence des liens entre déficit de sommeil et altération des capacités cognitives, avec une présence accrue de plaques séniles à l’imagerie, ainsi qu’un risque accru d’hypertension, d’hypercholestérolémie et d’événements cardiovasculaires chez les personnes dont le sommeil est perturbé.

    Facteurs sociaux, environnementaux et organisationnels

    La détérioration du sommeil en population générale s’explique par des facteurs individuels et sociétaux : usage intensif des écrans, sédentarité, horaires irréguliers, dette chronique de sommeil, consommation de psychotropes et de substances psychoactives, bruit et chaleur dans l’habitat. Les nuisances sonores liées à une isolation phonique insuffisante retardent l’endormissement, provoquent des réveils nocturnes et réduisent les performances cognitives et professionnelles. Le travail posté et les horaires atypiques dégradent la qualité du sommeil, dans un contexte où la proportion de personnes concernées progresse.​

    Chez les enfants et adolescents, l’exposition croissante aux écrans retarde l’endormissement et entraîne des réveils nocturnes liés aux notifications, contribuant à une dette de sommeil. Dans l’enseignement supérieur, le manque de sommeil est identifié comme un déterminant des troubles de santé mentale, ce qui justifie des actions de prévention spécifiques dans les services de santé étudiante et les résidences universitaires.​

    Feuille de route sommeil 2025–2026 : 25 mesures et 5 axes

    Face au constat d’un déclin du sommeil, la feuille de route interministérielle 2025–2026 pour la promotion d’un sommeil de qualité et la prévention de ses troubles propose 25 mesures structurées en 5 axes. Les 5 engagements portent sur l’information du public, la promotion d’une bonne hygiène de sommeil chez les enfants et jeunes, l’amélioration de l’environnement (habitat, espaces calmes, travail), le repérage précoce des troubles et le renforcement de la recherche. Parmi les mesures, on trouve : l’enrichissement des contenus en ligne sur les durées recommandées et les risques associés, des campagnes sur le sommeil et la somnolence au volant, l’intégration de questions sur le sommeil dans le carnet de santé de l’enfant, la diffusion d’outils pédagogiques à l’école et l’ajout de plages de déconnexion numérique dans les environnements scolaires.​

    Déploiement de l’application gratuite Jardin Mental

    La feuille de route prévoit la diffusion de recommandations organisationnelles pour favoriser le sommeil des patients et soignants à l’hôpital, la sensibilisation des professionnels de santé au sommeil comme déterminant somatique et mental, et le déploiement de l’application gratuite Jardin Mental, qui permet de suivre quotidiennement le sommeil, l’humeur et d’autres indicateurs. Ce dispositif numérique vise à améliorer les suivis psychiatriques et psychologiques, et à favoriser le dialogue entre patients et professionnels.​

    Enfin, le texte soutient la recherche sur le sommeil via l’inscription de cette thématique dans plusieurs appels à projets nationaux en prévention, environnement-santé-travail et sécurité routière. Les travaux en cours, détaillés par l’Inserm, explorent les mécanismes neuronaux du sommeil, la génétique des profils de dormeurs, et les liens entre troubles du sommeil, dépression, déclin cognitif, cancers chez les travailleurs de nuit et vulnérabilité aux infections.

  • Les États-Unis activent 288 nouveaux codes CPT, le Canada avance par financements mixtes et négociations provinciales

    États-Unis : codage, paiement et modèles B2B

    La mise à jour du jeu de codes CPT 2026 introduit 288 nouveaux codes, dont plusieurs couvrent des services de santé numérique et d’“augmented intelligence”, ainsi que des durées raccourcies de télésurveillance (2 à 15 jours), ce qui élargit les options de facturation pour les solutions de monitoring et d’IA assistive. Ces nouveaux codes visent à capturer l’analyse de données cliniques par des outils IA, notamment en imagerie et en cardiologie, et confirment que les payeurs reconnaissent ces services comme actes médicaux facturables, condition nécessaire pour des modèles B2B2C adossés au fee‑for‑service.

    En parallèle, Medicare a créé en 2025 trois codes HCPCS G0552, G0553 et G0554 dans le cadre du programme Digital Mental Health Treatment, ouvrant un canal de remboursement explicite pour des thérapies numériques réglementées en santé mentale, avec une prise en charge du temps clinique passé à gérer le traitement numérique. Ces codes complètent les familles existantes de Remote Patient Monitoring (RPM) et Remote Therapeutic Monitoring (RTM) et constituent un précédent pour de futures catégories dédiées de “Prescription Digital Therapeutics”, même si les analyses récentes soulignent encore des écarts de couverture selon payeurs et des incertitudes sur la pérennité des modèles.

    Voies de monétisation IA & DTx aux États-Unis

    Les revues sur les pathways de remboursement des thérapies numériques aux États-Unis montrent un paysage à plusieurs couches :

    • facturation directe via les codes de la nomenclature américaine des actes médicaux (Current Procedural Terminology  et Healthcare Common Procedure Coding System) quand un code dédié existe (télésurveillance des patients à distance, télésurveillance thérapeutique à distance, dispositifs médicaux de santé numérique thérapeutiques, certains actes d’intelligence artificielle diagnostique) ;
    • contrats de type entreprise‑à‑entreprise avec les organismes payeurs ou les employeurs pour des solutions sans codes propres, souvent sous forme de licences par membre ou par patient ;
    • intégration dans des modèles de financement fondés sur la valeur (partage de risques, paiements groupés pour un épisode de soins, organisations de soins responsables) où la solution numérique est rémunérée indirectement via les gains de performance.

    Les ajustements récents du Physician Fee Schedule et la création de nouvelles catégories de prestations numériques visent à réduire l’écart entre la vitesse d’innovation et la lenteur des systèmes de paiement, cependant la majorité des solutions IA cliniques restent confrontées à des décisions de couverture fragmentées et à la nécessité de générer des preuves de valeur spécifiques par payeur. Pour les vendeurs, la stratégie économique combine donc souvent : ciblage initial de niches cliniques où les codes sont déjà en place, négociations pilotes avec payeurs et systèmes de santé, et alignement avec des programmes de gestion de population pour sécuriser des contrats pluriannuels.

    Barrières opérationnelles côté US : intégration, données et preuve

    Les retours d’expérience documentés dans la littérature et les analyses de marché insistent sur plusieurs obstacles récurrents : intégration aux DME/HIS existants, interopérabilité FHIR, gestion de la charge de travail clinique et adaptation aux workflows. Les systèmes de santé attendent des solutions qu’elles s’intègrent nativement dans leurs outils (Epic, Cerner, etc.), ce qui exige des investissements importants en connecteurs, sécurité et tests opérationnels, souvent sous‑estimés dans les business plans.

    Sur le plan de la preuve, les payeurs et décideurs hospitaliers demandent désormais des données au‑delà des performances algorithmiques : impact sur les admissions, la durée de séjour, les réadmissions, la productivité clinique et la satisfaction patient, avec des délais de décision pouvant atteindre 12 à 24 mois pour un passage pilote → déploiement à l’échelle. Ces exigences prolongent les cycles de vente et obligent les entreprises à concevoir très tôt des protocoles d’évaluation économique et organisationnelle, en complément des études réglementaires.

    Canada : financement mixte et rôle central des payeurs publics

    Au Canada, le financement des solutions de santé numérique et de l’IA reste dominé par les payeurs publics provinciaux, avec des fenêtres d’accès qui combinent projets pilotes financés, achats hospitaliers, enveloppes dédiées à la transformation numérique et quelques initiatives de remboursement d’actes virtuels. Les provinces ont progressivement mis en place des modèles de rémunération pour les visites virtuelles et la télémédecine, avec des tarifs et critères de qualité qui varient, mais créent un précédent pour la prise en charge d’actes numériques intégrant IA et wearables.

    Une analyse des réformes d’accès au marché rappelle que la transformation de CADTH en Canadian Drug Agency (CDA) va renforcer le rôle d’une évaluation de technologies centralisée, avec des mécanismes de remboursement à durée limitée et des exigences accrues en matière de données en vie réelle, ce qui influencera aussi la manière dont les solutions numériques sont évaluées et intégrées. Les webinaires d’experts en market access soulignent que, pour les dispositifs et solutions digitales, les pathways de remboursement restent pluriels : budgets hospitaliers, programmes provinciaux ciblés, partenariats public‑privé, et, dans certains cas, paiements directs par les organisations ou les patients pour des services non couverts.

    Monétisation digitale en contexte canadien

    Les sessions “Go‑to‑market & Reimbursement Pathways in MedTech and Digital Health” organisées par la Biomedical Zone résument le paysage canadien en trois axes :

    • nécessité de combiner dès le départ stratégie réglementaire, plan d’évaluation clinique et argumentaire pour les payeurs publics ;

    • importance de comprendre les différences entre voies américaines (70% du focus) et canadiennes (30%), notamment sur la place des évaluations et sur la fragmentation interprovinciale ;

    • recours fréquent à des montages hybrides (subventions, contrats hospitaliers, programmes pilotes, co‑financements avec des partenaires industriels) pour atteindre une masse critique avant de viser un remboursement plus structuré.

    Des analyses plus macro sur le secteur health tech canadien notent que l’investissement public et privé se concentre sur des solutions capables de démontrer un impact sur l’accès aux soins et la productivité, dans un contexte de pression sur les budgets et de pénurie de professionnels. Pour les entreprises, cela se traduit par un intérêt accru pour des modèles B2B orientés systèmes de santé et assureurs publics, où la valeur est mesurée en réduction de files d’attente, évitement d’hospitalisations et optimisation des ressources plutôt qu’en volumes d’actes facturés.

    Barrières opérationnelles au Canada : fragmentation et délais

    Les principaux freins identifiés dans les analyses de tendance canadiennes sont la fragmentation des systèmes d’information entre provinces, l’hétérogénéité des architectures numériques et la lenteur des processus décisionnels, qu’il s’agisse d’achats hospitaliers ou de décisions de couverture provinciales. Les intégrations techniques doivent composer avec des socles variables (dossiers électroniques, plateformes provinciales, systèmes locaux), ce qui augmente les coûts d’implémentation et rallonge les calendriers de déploiement, surtout pour des solutions qui ambitionnent une couverture multi‑province.

    Sur le plan de la preuve, les payeurs canadiens attendent de plus en plus des données issues de projets pilotes et de l’usage réel, en s’appuyant sur les capacités croissantes de collecte de données au sein de la future CDA. Les décisions peuvent s’étaler sur plusieurs années entre l’émergence d’une technologie, sa démonstration en conditions réelles et une éventuelle intégration dans des programmes structurés, ce qui oblige les vendors à prévoir des financements longs et à multiplier les partenariats pour rester présents sur le marché.