16 cas d’usage spécifiques de l’IA pour l’HTA
L’hypertension artérielle (HTA) est un problème de santé mondial croissant, en raison de l’augmentation de l’âge moyen de la population. Cette condition, souvent asymptomatique, est un facteur de risque majeur pour les maladies cardiovasculaires et les accidents vasculaires cérébraux. Le rôle de l’intelligence artificielle (IA) dans la prévention et le traitement de l’HTA est de plus en plus reconnu. L’application de l’IA permet d’améliorer la médecine personnalisée et d’offrir des traitements adaptés à chaque patient.
Cet article présente les cas d’usage de l’IA dans la gestion de l’HTA, en soulignant les améliorations diagnostiques et thérapeutiques apportées par cette technologie. Ces 16 cas d’usage seront classés par niveau de maturité, selon l’échelle TRL (en anglais Technology Readiness Level, qui peut se traduire par niveau de maturité technologique).
4 cas d’usage de l’IA en prévention, qui ne dépassent pas le stade de développement
L’IA ouvre de nouvelles perspectives pour la prévention de l’HTA, en renforçant l’identification précoce des personnes à risque et en optimisant les actions de santé publique. Plusieurs cas d’usage se dessinent, allant de la prédiction individuelle à l’échelle clinique jusqu’à la planification territoriale des ressources. Toutefois, l’ensemble de ces approches demeure aujourd’hui en phase de développement technologique, avec des niveaux de maturité variables.
L’IA qui permet de prédire de manière précoce l’apparition de l’HTA chez la femme enceinte :
Parmi ces cas d’usage en prévention, l’IA permet notamment de prédire de manière précoce l’apparition de l’hypertension artérielle chez la femme enceinte. En s’appuyant sur des données cliniques courantes telles que les antécédents médicaux, le mode de vie ou les constantes vitales recueillies en début de grossesse (entre 7 et 18 semaines), des modèles d’IA de machine learning peuvent identifier les femmes à risque d’hypertension gestationnelle avant l’apparition des premiers symptômes. Ce cas d’usage vise à renforcer la prévention et le suivi personnalisé pendant la grossesse, en anticipant les complications potentielles liées à l’HTA.
D’un point de vue technologique, cette application se situe encore en phase de développement :
-
À l’échelle internationale, plusieurs modèles ont déjà été testés sur des cohortes cliniques importantes avec de bons résultats prédictifs, ce qui place cette approche à un niveau TRL 5 (preuve de concept validée, sans prototype intégré dans un flux de soins réel).
-
En France, ce cas d’usage reste au niveau TRL 4, en l’absence de validation externe locale ou d’outil intégré aux parcours de suivi obstétrical. Des cohortes françaises existent, mais n’ont pas encore permis de faire passer ce cas d’usage au stade de démonstration clinique.
L’IA qui prédit le risque d’HTA :
L’IA permet également de prévoir le risque de développer une hypertension artérielle (HTA). En analysant des données telles que l’âge, le mode de vie, les antécédents médicaux ou des marqueurs biologiques, les modèles de machine learning démontrent une prédiction du risque HTA plus précise que les scores classiques, avec des performances parfois supérieures (AUC entre 0,75 et 0,99 selon les cohortes).
En France, des projets de recherche (ex. données CONSTANCES, INSERM) fournissent une validation interne, mais on reste sur un TRL 4 à 5, en l’absence de prototype intégré aux soins ou aux systèmes d’information. À l’international, certains cas spécifiques atteignent des niveaux de maturité beaucoup plus avancés : le score QRISK3, largement utilisé au Royaume-Uni, est au TRL 9 ; des prototypes comme AIRE‑HTN (outil ECG-IA) ou une application mobile en Iran ont été testés sur le terrain, positionnant ces approches à TRL 6 à 8. Toutefois, la majorité des modèles IA génériques restent en phase de développement (TRL 5–6), sans déploiement généralisé.
Une IA qui permet de stratifier les risques populationnels :
L’amélioration de la stratification des risques cardiovasculaires à l’échelle populationnelle, est aussi l’un des cas d’usage de l’IA en prévention pour le HTA. Elle permet notamment de détecter les zones ou sous-groupes les plus à risque d’hypertension. En combinant de multiples sources de données (antécédents médicaux, imagerie, données génomiques, environnementales et sociodémographiques), les modèles IA peuvent classer les individus selon leur profil de risque, facilitant ainsi :
-
la priorisation ciblée des interventions préventives (campagnes de sensibilisation, dépistage, actions locales intensifiées) ;
-
l’optimisation des ressources de santé, en orientant moyens et équipements vers les populations ou territoires les plus exposés ;
-
le suivi évolutif et ajusté des stratégies de santé publique selon l’évolution des profils de risque.
Ces approches sont appuyées par des solutions qui intègrent des données multidimensionnelles pour produire des scores de risque enrichis, au-delà des méthodes traditionnelles . En France, plusieurs équipes de recherche (INSERM, universités, CHU) exploitent des cohortes nationales (CONSTANCES, E3N) pour développer des modèles de stratification territoriale (TRL 4-5). Cependant, aucun outil n’a encore été intégré dans les flux de décision publique ou les systèmes d’information régionaux. Le développement de ce cas d’usage en France est moindre qu’à l’international (TRL 5-6), où des études académiques utilisant des cohortes multi-sites et des biobanques montrent la performance de ces modèles, et des pilotes ont été déployés dans des systèmes de santé (e.g. NHS au Royaume-Uni, projets à grande échelle évaluant des algorithmes pour le dépistage et le ciblage régional).
L’IA pour optimiser les ressources de santé publique face à l’HTA :
Parmi les cas d’usage les plus prometteurs en prévention, l’intelligence artificielle s’impose comme un levier puissant pour optimiser les ressources de santé publique face à l’hypertension artérielle. En croisant des données issues des dossiers médicaux, des registres de patients et des indicateurs territoriaux, les modèles d’IA permettent de cartographier finement les zones à risque, d’anticiper les besoins locaux et de cibler les populations les plus vulnérables. Cette approche rend possible une allocation plus efficace des moyens (centres de dépistage, consultations de prévention, campagnes d’information), là où l’incidence de l’HTA est la plus élevée.
Des initiatives pilotes ont déjà vu le jour à l’étranger : au Royaume-Uni, par exemple, le NHS teste des outils d’IA capables d’orienter les campagnes de dépistage cardiovasculaire en fonction du profil de risque des territoires. Ces dispositifs, encore en phase de déploiement limité, témoignent d’un niveau de maturité technologique avancé (TRL 6 à 7), bien que leur intégration à large échelle et leur impact populationnel mesurable restent encore à démontrer (non atteint TRL 8 à 9). En France, ce type d’approche est encore largement au stade exploratoire (TRL 4-5).
Seul un cas d’usage atteint le déploiement pour le diagnostic de l’HTA par l’IA :
Seul un cas d’usage atteint aujourd’hui un niveau de déploiement avancé dans le champ du diagnostic de l’hypertension artérielle par l’intelligence artificielle. Tous les autres restent au stade de développement, avec des degrés de maturité variables selon les contextes nationaux. L’analyse des approches actuelles révèle toutefois une dynamique croissante d’expérimentation clinique, appuyée par des preuves de concept solides et des validations externes.
Le diagnostic de l’hypertension par caméra :
L’intelligence artificielle couplée à l’analyse vidéo permet désormais de mesurer la tension artérielle sans contact, simplement à partir d’une caméra. En exploitant le signal rPPG (remote photoplethysmography), capté via les micro-variations de couleur du visage, les algorithmes de deep learning peuvent estimer en continu la pression artérielle, sans brassard ni capteur physique. Cette approche ouvre des perspectives nouvelles pour le dépistage de l’hypertension, notamment dans les contextes de télésurveillance, de médecine à domicile ou auprès de publics fragiles.
Longtemps expérimentale, cette technologie est aujourd’hui en phase de déploiement clinique avancé. Plusieurs dispositifs sont déjà certifiés CE et commercialisés en Europe, comme l’application OptiBP de Biospectal, ou les technologies rPPG embarquées de Philips. Ces solutions sont déjà utilisées en milieu hospitalier ou en ambulatoire, et certaines ont même reçu une reconnaissance réglementaire aux États-Unis (FDA clearance en cours pour certaines versions).
À l’international et en France, ce cas d’usage atteint désormais le TRL 7 à 8, puisque des produits sont certifiés, testés cliniquement et disponibles sur le marché, et que leur intégration dans des programmes de télémédecine ou de dépistage commence à émerger, même si l’adoption généralisée (TRL 9) dépend encore de validations à large échelle et de mécanismes de remboursement. Le diagnostic de l’HTA via caméra n’est plus qu’une simple promesse mais une réalité technologique mature.
La détection de l’HTA par analyse vocale :
L’intelligence artificielle franchit une nouvelle étape innovante avec la détection non invasive de l’hypertension par la voix. En analysant les caractéristiques acoustiques, comme les variations de fréquence, le spectre vocal, l’énergie du signal, des algorithmes ML peuvent identifier des biomarqueurs de tension artérielle élevée : une étude a rapporté 84 % d’exactitude chez les femmes et 77 % chez les hommes, en classifiant automatiquement les sujets hypertendus (≥ 135/85 mmHg ou ≥ 140/90 mmHg).
Toutefois, cette technologie reste aujourd’hui au stade de développement, tant en France qu’à l’international, avec un niveau de maturité technologique estimé entre TRL 4 et 6. À l’international (notamment aux États-Unis et au Canada), des prototypes ont été testés via des applications mobiles en conditions réelles (TRL 6), mais ils ne sont pas encore intégrés aux parcours de soins. En France et en Europe, il s’agit principalement de preuves de concept (TRL 4–5), sans solution cliniquement validée ni dispositif homologué à ce jour.
La promesse de la détection de l’hypertension secondaire par l’IA :
L’IA se met au service du diagnostic différentiel en contribuant à mieux cibler les patients à risque d’hypertension artérielle secondaire, notamment l’hyperaldostéronisme primaire (HAP). Une équipe de recherche française a développé un modèle de stratification du risque, validé sur des données de l’hôpital européen Georges Pompidou puis du CHU de Bordeaux, combinant des approches statistiques interprétables et des algorithmes d’apprentissage automatique. L’objectif : maximiser la valeur prédictive négative pour identifier avec fiabilité les patients ne nécessitant pas de dépistage, tout en conservant une capacité de détection élevée. Résultat : seulement 0,7 % des patients exclus par le modèle présentaient en réalité un HAP, montrant un potentiel réel pour réduire les examens inutiles et mieux prioriser les ressources diagnostiques. Bien que les performances pour les autres formes d’HTA secondaire soient moindres, cette approche représente une avancée concrète pour affiner les stratégies de dépistage, en particulier chez les patients jeunes, où la prévalence d’HTA secondaire atteint près de 30 %.
Ce cas d’usage s’inscrit donc dans la dynamique actuelle de l’IA explicable au service du diagnostic, en combinant précision prédictive et transparence. Il atteint un niveau de maturité intermédiaire (TRL 5–6) et pourrait, avec des études prospectives et une intégration dans les outils cliniques, évoluer rapidement vers des usages concrets au sein des parcours de soins.
Détection de l’hypertension masquée grâce aux données de routine et à l’IA :
En matière de diagnostic et de suivi, l’intelligence artificielle joue un rôle croissant dans la détection de formes silencieuses ou complexes d’hypertension artérielle, notamment l’hypertension masquée non contrôlée. Des études récentes montrent que des algorithmes de deep learning et de machine learning sont capables d’identifier ces formes cliniquement significatives à partir des mégadonnées issues des dossiers de santé électroniques. En exploitant des variables simples comme les mesures de pression artérielle en consultation, les antécédents médicaux, les traitements et certains paramètres biologiques courants, ces modèles offrent une méthode non invasive et à grande échelle pour repérer les patients à risque de sous-diagnostic, souvent asymptomatiques en contexte clinique. Ce cas d’usage ouvre la voie à un dépistage automatisé et proactif, potentiellement intégrable dans les outils décisionnels des professionnels de santé.
Sur le plan de la maturité technologique, ce cas d’usage atteint aujourd’hui le niveau TRL 6 à l’international. Certains modèles ont été testés à grande échelle sur des bases de données cliniques issues de dossiers électroniques de santé, notamment aux États-Unis et en Corée du Sud, avec des résultats prometteurs. Toutefois, ces algorithmes restent pour la plupart confinés à des environnements expérimentaux ou à des interfaces de recherche, sans intégration systématique dans les logiciels cliniques utilisés en routine hospitalière.
En France, la situation est moins avancée : les développements sont majoritairement portés par des laboratoires académiques ou hospitalo-universitaires. Malgré des preuves de concept robustes, aucun algorithme de ce type n’est aujourd’hui intégré dans les outils cliniques des professionnels de santé. Le niveau de maturité peut donc être estimé entre TRL 4 et TRL 5, avec un potentiel d’évolution rapide si des partenariats institutionnels sont mobilisés.
La majorité des cas d’usage pour la prise en charge restent en phase de développement
L’essor de l’intelligence artificielle ouvre la voie à une prise en charge plus personnalisée et efficiente de l’hypertension artérielle, en complément du diagnostic et de la prévention. En mobilisant des données massives issues des dossiers médicaux, des essais cliniques et du suivi patient, les algorithmes permettent non seulement d’adapter les cibles thérapeutiques à chaque profil, mais aussi de mieux comprendre les facteurs influençant l’observance et de recommander les traitements les plus efficaces selon les caractéristiques individuelles. Si la majorité de ces applications reste en phase de développement, certaines atteignent déjà un niveau de maturité avancé à l’international. Cette dynamique dessine les contours d’une gestion plus proactive, plus sécurisée et véritablement centrée sur le patient hypertendu.
Une IA qui définit des cibles tensionnelles individualisées à partir des facteurs de risque :
L’un des cas d’usage de l’IA dans le cadre de la prise en charge de l’HTA est qu’elle permet d’affiner les objectifs de pression artérielle chez les patients en analysant les facteurs associés aux événements cardiovasculaires et aux effets indésirables des traitements. En intégrant les caractéristiques cliniques, démographiques et biologiques, elle aide à proposer des cibles de pression artérielle personnalisées plus sûres et plus efficaces que les seuils génériques. Cette approche est soutenue par des modèles prédictifs validés sur des bases de données rétrospectives, comme le montre une étude récente parue dans Clinical Hypertension.
Ce cas d’usage est aujourd’hui au TRL 5 à 6. Les modèles sont validés rétrospectivement, avec quelques premiers pilotes en condition réelle, mais aucune intégration clinique à large échelle ni dispositif réglementé à ce jour.
Identifier les freins à l’observance thérapeutique grâce à l’analyse des comportements :
L’IA permet aussi d’analyser les données de santé pour repérer les facteurs influençant l’adhésion aux traitements antihypertenseurs. En combinant les antécédents médicaux, les comportements de santé et les déterminants sociaux, les algorithmes peuvent prédire les risques de non-observance et proposer des interventions personnalisées : rappels ciblés, éducation thérapeutique, suivi renforcé. Cette capacité est explorée dans de récentes études, où l’IA est positionnée comme outil d’optimisation populationnelle de la prise en charge. Malgré ces études, le cas d’usage se situe au TRL 5. Des prototypes sont testés dans le cadre de programmes de recherche et de plans de santé publique, mais sans déploiement intégré dans les systèmes d’information hospitaliers ou de médecine de ville.
L’IA pour recommander des schémas thérapeutiques personnalisés à partir des données patient :
Enfin, l’IA permet d’adapter les prescriptions médicamenteuses en fonction des profils individuels, en identifiant les associations de traitements antihypertenseurs les plus efficaces et les mieux tolérées pour chaque patient. Ces algorithmes s’appuient sur des modèles prédictifs nourris de données cliniques réelles. Là encore, les cas d’usage issus de European Heart Journal illustrent cette capacité à orienter les cliniciens vers un choix thérapeutique personnalisé. La maturité de ce cas d’usage est estimé entre TRL 5 et 6 à l’international, et reste expérimental en France, avec quelques travaux universitaires et hospitaliers mais sans application en vie réelle. L’intégration dans les outils d’aide à la prescription reste à construire.
Les cas d’usage de l’IA pour le suivi de l’HTA sont les plus avancés
Dans le champ de l’hypertension artérielle (HTA), l’intelligence artificielle transforme la façon dont les patients sont diagnostiqués, suivis et accompagnés. Du remplacement du brassard par des technologies d’analyse visuelle ou sonore, à l’aide à la décision thérapeutique en passant par l’accompagnement numérique, l’IA s’impose comme un levier essentiel de précision, de confort et d’efficacité. Si certains dispositifs atteignent déjà une maturité technologique élevée et sont disponibles sur le marché, d’autres en sont encore à l’étape de validation clinique ou de test à petite échelle. Quatre grands cas d’usage se dégagent actuellement.
Amélioration de la mesure de la pression artérielle sans brassard :
L’un des cas d’usage les plus avancés concernant l’HTA consiste à mesurer la pression artérielle sans brassard (« cuffless »), notamment pendant le sommeil. Grâce à des capteurs embarqués dans des objets connectés ou à des technologies de vision (rPPG), combinés à des algorithmes de machine learning, il est possible d’estimer la pression artérielle en continu et sans gêne pour le patient. Cela représente une avancée majeure pour le diagnostic de l’HTA nocturne, souvent sous-estimée. En France, comme à l’international, le niveau de maturité atteint le déploiement, grâce a des dispositifs comme SuiviHTA, OptiBP ou les solutions rPPG de Philips qui sont déjà certifiés CE et testés cliniquement. Leur déploiement est amorcé, notamment en télésurveillance.
L’IA pour prédire les résultats thérapeutiques :
L’IA est également utilisée pour prédire la probabilité qu’un patient atteigne ses objectifs tensionnels dans les mois suivant l’initiation d’un traitement antihypertenseur. En analysant les données du dossier médical (vitales, prescriptions, historiques), des modèles de deep learning peuvent anticiper le succès ou l’échec d’un schéma thérapeutique, permettant ainsi d’adapter les choix dès la première prescription. Des études robustes ont été menées (notamment sur plus de 350 000 patients aux États-Unis), mais les modèles restent expérimentaux et non intégrés aux outils de prescription en routine clinique (avec un TRL allant de 4 à 6 en fonction des pays).
Prédiction des effets individuels des traitements :
Plus ambitieuse encore, la prédiction des effets spécifiques d’un traitement chez un patient donné (efficacité et effets indésirables) constitue un champ en plein essor. Grâce à l’IA, il devient possible d’envisager des recommandations ultra-personnalisées. Des modèles développés sur des bases internationales montrent des performances encourageantes pour prédire, par exemple, les chutes de pression trop importantes, la réponse différenciée selon les classes thérapeutiques, ou encore les risques d’effets secondaires.
Le concept est validé dans plusieurs publications, mais les preuves cliniques prospectives restent rares. Aucun dispositif certifié n’intègre encore ce niveau de personnalisation (TRL : 5 à l’international, 3–4 en France).
L’IA qui permet un accompagnement numérique et une éducation thérapeutique personnalisée :
L’IA est aussi mobilisée pour renforcer le suivi et l’éducation des patients hypertendus. Des applications comme SuiviHTA ou des programmes tels que Chronic Care Complete de Teladoc Health intègrent des chatbots intelligents, des alertes personnalisées et des rapports automatiques, adaptés aux données collectées en continu. L’objectif : améliorer l’adhésion au traitement, responsabiliser les patients et détecter précocement toute dégradation.
Certains outils comme SuiviHTA sont déjà utilisés en France dans le cadre de programmes de télésuivi. À l’international, les services de Teladoc Health sont largement déployés, notamment aux États-Unis, dans une logique de soins chroniques intégrés.
Recherche : l’IA pour la découverte de nouveaux biomarqueurs de l’HTA
Dans le domaine de la recherche biomédicale, l’intelligence artificielle est de plus en plus mobilisée pour identifier de nouveaux biomarqueurs. Dans le cadre de l’hypertension artérielle, en croisant des données cliniques, génétiques, biologiques et d’imagerie à une échelle jusque-là inédite, des modèles d’apprentissage profond appliqués à des bases de données massives, comme celles issues de biobanques ou de registres hospitaliers, l’IA permet de révéler des corrélations subtiles entre certains profils biologiques et la survenue ou l’aggravation de l’HTA. Cette approche, mentionnée dans une revue récente de l’European Heart Journal, ouvre des perspectives pour une compréhension plus fine des mécanismes physiopathologiques de la maladie, ainsi que pour la stratification de nouveaux sous-types d’hypertension.
Toutefois, ce cas d’usage reste strictement circonscrit au champ de la recherche fondamentale et translationnelle. Aucune application clinique ou outil validé n’a encore émergé à ce stade. Il se situe à un niveau de maturité précoce (TRL 2–3). L’IA est utilisée pour la formulation d’hypothèses et la validation exploratoire de signaux biologiques, mais aucun biomarqueur issu de ces travaux n’a encore fait l’objet d’un transfert vers la clinique ou d’un marquage réglementaire.
Limites de l’application de l’IA dans l’HTA
La mise en œuvre de l’IA dans la gestion de l’hypertension artérielle présente plusieurs défis selon l’étude “Application of artificial intelligence in hypertension” publié en mai 2024 sur Biomedcentral (BMC). En effet, selon l’étude, malgré les directives de la FDA et d’autres organismes, il manque un consensus global et des lignes directrices uniformes. Les algorithmes d’IA nécessitent de vastes ensembles de données pour leur formation, soulevant des préoccupations de confidentialité et de sécurité des données. De plus, les biais potentiels dans les données d’entraînement peuvent conduire à des résultats discriminatoires. L’opacité des modèles d’IA, souvent qualifiée de “boîte noire”, complique l’interprétation des décisions diagnostiques et thérapeutiques, ce qui soulève des questions de responsabilité et de confiance parmi les professionnels de santé. Enfin, la précision des algorithmes d’IA dépend fortement de la qualité et de la diversité des données disponibles, limitant ainsi leur applicabilité et leur fiabilité dans des contextes cliniques variés.
Pour surmonter ces obstacles, la recherche future doit se concentrer sur la médecine de précision pour l’HTA en utilisant des technologies basées sur l’IA. Cette approche vise à réduire le fardeau mondial de l’hypertension en offrant des traitements plus ciblés et personnalisés. Toutefois, il est crucial de ne pas négliger les limites actuelles de cette technologie. Les efforts de recherche doivent inclure le développement de techniques pour atténuer les biais dans les données et les algorithmes, améliorer la transparence des modèles d’IA, et garantir la sécurité et la confidentialité des données des patients.
