Data-Indicateur

IA & handicap : 25 solutions utilisées en France

5 types d’IA utilisés pour aider les personnes en situation de handicap

L’intelligence artificielle (IA) transforme de nombreux domaines, et celui de l’accessibilité pour les personnes en situation de handicap ne fait pas exception. En France, plusieurs solutions basées sur l’IA sont déjà utilisées pour améliorer l’autonomie des individus. Qu’il s’agisse de vision par ordinateur, de traitement du langage naturel (NLP), de reconnaissance vocale ou encore d’interfaces cerveau-machine, l’IA permet d’ouvrir de nouvelles perspectives dans l’inclusion sociale et professionnelle. Avec cette étude, Health & Tech Intelligence explore les technologies actuellement accessibles en France, en les classant selon le type d’IA qui les sous-tend.

5 types d’IA sont utilisés pour aider les personnes en situation de handicap : le deep learning, le machine learning, le traitement de langage naturel, la reconnaissance vocale et la vision par ordinateur. La majorité des solutions utilisées en France combinent plusieurs types d’IA pour offrir des fonctionnalités avancées et adaptées aux besoins spécifiques des personnes en situation de handicap. C’est le cas, par exemple, de Seeing AI combine deep learning, NLP et la vision par ordinateur. Les deux types d’IA les plus utilisées sont le NLP, qui est intégré dans 11 des 23 solutions d’IA pour les personnes en situation de handicap, et le machine learning, intégré aussi dans 11 solutions. Le deep learning est intégré dans 10 solutions, la vision par ordinateur dans 9 et la reconnaissance vocale dans 4.

Le deep learning créé un “oeil numérique” au service des déficiences visuelles

Les avancées en deep learning appliquées à la vision par ordinateur ont permis de rendre accessibles de nombreux services pour les personnes atteintes de déficiences visuelles. Seeing AI, développé par Microsoft, est une application disponible en France qui analyse l’environnement en temps réel et fournit une description vocale des objets, textes et visages détectés. Sur un principe similaire, Envision AI et Lookout de Google exploitent l’IA pour lire des documents et identifier des éléments du quotidien, facilitant ainsi la vie des non-voyants.

OrCam MyEye, une solution matérielle portable, utilise également des réseaux neuronaux pour identifier les objets et lire des textes en temps réel. Ce dispositif compact et embarqué est une avancée majeure, notamment pour les déplacements en autonomie. Une alternative française, Sonar Vision, propose une IA embarquée capable de guider les malvoyants en analysant leur environnement et en signalant les obstacles à l’aide de retours sonores.

Enfin, Lysa, une technologie de navigation intelligente, va encore plus loin en combinant vision par ordinateur et machine learning. Son objectif est d’apporter une assistance en temps réel pour la mobilité en ville, en identifiant les trottoirs, les passages piétons et les obstacles en hauteur, un défi auquel de nombreux outils existants ne peuvent pas répondre avec précision.

Le NLP et la reconnaissance vocale utilisée pour augmenter l’accessibilité sonore

Les technologies de traitement du langage naturel (NLP) et de reconnaissance vocale sont devenues un pilier essentiel pour améliorer l’accessibilité des personnes sourdes et malentendantes. Ava, une application largement adoptée en France, permet la transcription en temps réel des conversations, facilitant la communication dans des contextes variés, du cadre professionnel aux interactions du quotidien.

Dans le domaine des appels téléphoniques, RogerVoice se distingue par son IA capable de retranscrire instantanément les échanges, permettant ainsi aux personnes sourdes d’accéder aux services téléphoniques de manière autonome. Live Transcribe de Google et Otter.ai complètent cet écosystème en proposant des outils de retranscription avancés, adaptés aux conférences et aux réunions professionnelles.

Le deep learning aussi utilisées pour les personnes qui ont du mal à communiquer :

Ces outils sont également bénéfiques pour les personnes souffrant de troubles moteurs affectant la parole. Voiceitt, un programme d’IA utilisant des modèles de deep learning, apprend à reconnaître la voix de personnes ayant des troubles de l’élocution, traduisant ensuite leurs propos en texte clair ou en synthèse vocale. De son côté, Dragon NaturallySpeaking (Nuance) exploite des modèles de machine learning pour convertir la voix en texte, offrant ainsi un accès simplifié aux ordinateurs et autres appareils numériques.

Une innovation récente développée par Apple, Live Speech, intègre un modèle avancé de deep learning et de synthèse vocale. Il permet aux personnes atteintes de maladies neurodégénératives de sauvegarder leur voix et de continuer à s’exprimer via une interface qui imite leur timbre vocal. Cette avancée est particulièrement prometteuse pour les personnes risquant de perdre leur capacité d’expression.

Mieux se déplacer grâce au machine learning et aux interfaces cerveau-machine

Les interfaces cerveau-machine (BCI) représentent l’un des développements les plus ambitieux de l’IA appliquée au handicap moteur. En France, le projet BCI WIMAGINE, mené par Clinatec, permet aux personnes tétraplégiques de contrôler des exosquelettes ou des dispositifs informatiques par la pensée. Ce système repose sur l’apprentissage automatique pour interpréter les signaux cérébraux et les convertir en commandes exploitables par un ordinateur ou une prothèse.

Dans le domaine de la rééducation motrice, des solutions comme ReWalk et Ekso Bionics s’appuient sur des algorithmes de machine learning pour adapter leurs mouvements aux besoins spécifiques de chaque utilisateur. Izar, développé par Mindmaze, utilise une combinaison de neurosciences computationnelles et d’apprentissage profond pour offrir une rééducation immersive basée sur la réalité virtuelle.

Interagir avec un écran ou un ordinateur sans utiliser les mains :

Pour ceux qui ne peuvent pas utiliser des interfaces classiques, HeadMouse Nano (Origin Instruments) permettent de contrôler un ordinateur avec les mouvements de la tête, tandis que Tobii Dynavox Eye Gaze (Tobii) repose sur la reconnaissance du regard pour permettre aux personnes atteintes de paralysie sévère d’interagir avec un écran sans utiliser leurs mains.

Accompagner le handicap invisible avec le machine learning et le deep learning

Les troubles cognitifs, comme l’autisme, la dyslexie ou la maladie d’Alzheimer, nécessitent des approches adaptées pour améliorer l’autonomie des personnes concernées. Cognifit, une plateforme de stimulation cognitive basée sur le machine learning, analyse les performances cérébrales et propose des exercices personnalisés pour renforcer la mémoire et l’attention.

MindMaze, déjà mentionné pour la rééducation motrice, est également utilisé pour le suivi des patients atteints de troubles neurologiques. En combinant deep learning et neurosciences computationnelles, cette technologie s’adapte aux spécificités de chaque individu, offrant ainsi une prise en charge plus efficace.

Les enfants autistes bénéficient également de solutions comme Leka, un robot interactif qui apprend à s’adapter aux besoins spécifiques de chaque utilisateur grâce à l’intelligence artificielle. Son objectif est d’améliorer les interactions sociales et d’aider au développement des capacités cognitives. Enfin, les assistants intelligents comme Elliq utilisent des modèles de traitement du langage naturel et de machine learning pour interagir avec les personnes âgées ou atteintes de troubles cognitifs, leur rappelant de prendre leurs médicaments, stimulant leur mémoire et les aidant à lutter contre l’isolement social.

Cartographie des solutions d’IA pour les personnes en situation de handicap utilisées en France :

Cette cartographie classe les solutions d’IA pour les personnes en situation de handicap utilisées en France en fonction de leur type d’IA.

Cartographie des solutions d’IA pour les personnes en situation de handicap utilisées en France – ©Health & Tech Intelligence

19 mars 2025
Découverte de médicament et diagnostic : 18 solutions d’IA pour les maladies rares

Health and Tech Intelligence vous propose une cartographie des différentes solutions d’IA appliquées aux maladies rares. La cartographie des solutions se concentre sur les solutions déjà utilisées en France ou en Europe.

11 solutions pour le diagnostic

Le diagnostic est un défi des maladies rares. 25 % des malades restent en errance entre 5 et 15 ans et consultent au moins 5 médecins avant que leur diagnostic ne soit posé. L’errance diagnostique est généralement synonyme d’errance thérapeutique donc de pertes de chances pour le patient. L’aide au diagnostic via IA peut se faire de plusieurs manières différentes, en entrant les symptômes, en analysant les données d’un génome ou encore par analyse d’images.

5 solutions de diagnostic à l’aide des symptômes

L’un des outils d’aide au diagnostic des maladies rares les plus connu est AccelRare. Fruit de la collaboration entre Sanofi et M.I.S (Medical Intelligence Service), son fonctionnement est le suivant: le médecin saisit les symptômes du patient en situation atypique et l’algorithme identifie s’il y a un risque de maladies rares. Le cas échéant AccelRare propose une liste des maladies rares correspondantes, les coordonnées du centre expert associé, et une liste d’examens complémentaires éventuels. 480 tests de l’algorithme d’AccelRare ont été effectués pour une efficacité de 87,7%. Dans le même type d’approche il existe l’application RDK (Rare Disease Knowledge). Issu d’un partenariat public-privé entre Orphanet, As We Know et Tekkare, l’application revendique 6200 maladies rares dans sa bases contre 280 pour Accelrare.

Une autre possibilité du diagnostic par symptômes, est celle de l’analyse de dossier médicaux. Par exemple l’IA “Docteur Warehouse”, résultat du partenariat entre l’institut Imagine et l’hôpital Necker. Lorsque les médecins observent chez un enfant des symptômes qu’ils n’arrivent pas à expliquer, ils les renseignent sur le logiciel. L’IA va ensuite identifier les patients qui ont précédemment manifestés ces mêmes symptômes. Il cherche ensuite si ces symptômes sont associés à une maladie rare commune à tous ces patients. Cette méthode est assez similaire à celle utilisé par la société Saventic Health implantée en Pologne et en Allemagne.

2 solutions de diagnostic à l’aide du génome

80% des maladies rares étant génétiques il n’est pas étonnant de voir l’analyse génomique intervenir dans leur identification. Pour aider à déterminer l’existence d’une maladie rare, l’IA va croiser les données cliniques du patient avec celles du génome séquencé. L’algorithme va ensuite proposer une liste de variations génétiques potentiellement à l’origine des symptômes et indiquer le nom des maladies associées.

4 solutions de diagnostic l’aide d’images

L’IA peut également contribuer au diagnostic d’une maladie rare à l’aide d’images médicales. Pour ce faire l’algorithme doit être entrainé avec des bases d’images de personnes malades puis une base d’image de personne saines. Cela lui permet d’élaborer des modèles. Par exemple le CHU de Nantes, en collaboration avec le laboratoire des Sciences du numérique de Nantes, a développé un algorithme pour diagnostiquer la maladie de Crohn. L’algorithme a été entraîné sur deux bases de données. Une base de données publique, GIANA, contenant des images extraites de vidéo-capsule endoscopique (VCE) de personnes saines et des VCE de personnes avec des lésions inflammatoires et vasculaire. Et une seconde base de données, CROHN-IPI, constituée de VCE de personnes saines et avec des lésions de maladies de Crohn. L’algorithme entrainé sur la base GIANA distingue à 99,77% les images pathologiques des images non pathologiques et celui entrainé sur la base CROHN-IPI, a une précision de 80,36%.

Le diagnostic par image concerne aussi des images de visages. Par exemple l’IA “DeepGestalt” est entrainé avec des visages de personnes atteintes d’une maladie précise et avec des personnes n’étant pas atteintes par cette maladie. Pour certaines maladies rares comme le syndrome de Corneliade Lange le modèle a donné une identification correcte avec une précision de 96,9%, une sensibilité de 95,7% et une spécificité de 100%.

7 solutions pour la découverte de traitement

La recherche de traitement est également un enjeu important, on estime qu’aujourd’hui seulement 5% des maladies rares disposent d’un traitement approuvé. L’IA peut aussi aider dans ce domaine. Par exemple l’IA TxGNN est entrainée à l’aide de traitements connus afin d’apprendre les schémas d’interactions entre médicaments et maladies. Grâce à cet apprentissage l’algorithme peut faire des hypothèses sur les médicaments susceptibles de fonctionner. Cette méthode permet d’identifier des connections non évidentes que la méthode classique n’aurait pas forcément envisagée. Les molécules identifiées sont ensuite soumises à des essais cliniques.

TxGNN ne propose que des médicaments déjà approuvés, mais d’autres solutions, comme celle d’Iktos, propose de créer virtuellement de nouvelles molécules. La technologie d’Iktos repose sur deux algorithmes, un premier chargé de générer les molécules et entrainé sur 86 millions de molécules tirées de la base de données publique ChemBL, et un second chargé de donner un score aux molécules générées par le premier. La notation se fait en fonction des capacités de la molécule à répondre aux critères prédéfinis. Les molécules ainsi évaluées sont ensuite réintroduites dans le premier algorithme avec un poids proportionnel au score obtenu. Les molécules bien notées vont plus influencer le modèle génératif que les autres et ainsi les nouvelles molécules générées auront des propriétés plus proches que lors de la première itération. Les molécules créées vont donc de plus en plus correspondre aux critères choisis. Ce type de modèle peut être très utile quand la recherche classique se trouve dans l’impasse.

Cartographies des solutions d’IA appliquées aux problématiques de maladies rares en Europe.

26 février 2025
IA & Maladies Rares : changer la donne du diagnostic et de la prise en charge

En moyenne 5 ans pour poser un diagnostic

Les maladies rares regroupent plus de 7 000 pathologies qui touchent chacune un nombre limité de personnes, avec une prévalence inférieure à 1 cas pour 2 000 individus. En France, on estime qu’environ 3 millions de personnes sont concernées. Malgré leur diversité, ces maladies partagent des problématiques communes : errance diagnostique, manque de traitements spécifiques et défis liés à la coordination des soins. Face à ces enjeux, la France a mis en place une organisation structurée avec 603 centres de référence maladies rares (CRMR), 1708 centres de compétences maladies rares (CCMR) et 23 filières de santé maladies rares (FSMR) permettant une meilleure orientation des patients. Depuis 2005, quatre plans nationaux maladies rares (PNMR) ont été déployés pour renforcer la recherche, améliorer l’accès aux soins et structurer les parcours de prise en charge.

L’errance diagnostique reste un défi. En moyenne, il faut plus de 5 ans pour obtenir un diagnostic précis, et un patient sur deux reste sans réponse claire. Ce retard peut être préjudiciable, entraînant une dégradation de l’état de santé du patient, une prise en charge inadaptée et un impact psychologique fort. Dans ce contexte, les technologies numériques et l’intelligence artificielle (IA) apparaissent comme des solutions intéressantes pour améliorer la prise en charge, et découvrir de nouveaux traitements.

Extrait du rapport d’activité 2021 filières de la santé : maladies rares (2022) ministère de la Santé et de la Prévention

L’IA au service des maladies rares, accélérer la recherche et l’accès aux traitements

L’IA joue donc un rôle dans l’analyse des données de santé, notamment en facilitant le séquençage génomique et en accélérant l’identification des mutations génétiques responsables de maladies rares. Grâce au Plan France Médecine Génomique 2025, les plateformes de séquençage à haut débit, appuyées par des algorithmes d’IA, permettent d’affiner les diagnostics et d’orienter les patients vers les traitements les plus adaptés. De plus, l’IA appliquée à l’imagerie médicale contribue à la détection précoce d’anomalies rares, améliorant la prise en charge des patients. Le numérique impacte également la coordination des soins avec le dossier médical partagé (DMP) et les plateformes collaboratives, facilitant l’échange d’informations entre spécialistes. La télémédecine et la téléexpertise permettent aux patients d’accéder plus rapidement à des avis spécialisés, réduisant les disparités territoriales. En parallèle, les bases de données comme la Banque Nationale de Données Maladies Rares (BNDMR) centralisent les informations cliniques, offrant une meilleure visibilité sur ces pathologies et facilitant la recherche. L’IA favorise le développement de nouveaux traitements, notamment via la recherche en médicaments orphelins et l’optimisation des essais cliniques. En modélisant l’évolution des maladies et en identifiant des cibles thérapeutiques.

Entre hétérogénéité et accès aux données, coopération internationale et constitution de cohortes européennes, en passant par la recherche en génomique et l’orientation des patients vers des centres de référence, cette étude donne une vue d’ensemble ; de l’écosystème des maladies rares, des solutions et cas d’usage de l’intelligence artificielle, des plans nationaux et de la perception des professionnels de santé.

@ Health & Tech Intelligence

Contenu de l’étude :

L’IA comme nouvel espoir pour le diagnostic et le traitement des maladies rares ?

Face à des délais d’identification souvent longs et un manque de solutions thérapeutiques pour les personnes atteintes de maladies rares, l’IA s’impose comme un levier pour accélérer la détection de ces pathologies et identifier de nouvelles approches thérapeutiques. Mais son intégration dans la recherche et la pratique médicale soulève encore des défis.

PNMR : 20 ans d’engagement pour structurer la prise en charge des maladies rares

Depuis 2005, la France déploie des Plans nationaux maladies rares (PNMR) pour améliorer la prise en charge, le diagnostic et la recherche sur ces pathologies touchant plus de trois millions de personnes. Trois plans successifs ont vu le jour, chacun introduisant des avancées stratégiques pour répondre aux défis médicaux et sociétaux liés à ces maladies peu communes mais aux besoins majeurs.

Maladies rares : un 4e plan national doté de 223,5 millions d’euros par an pour améliorer le diagnostic et la prise en charge

La ministre du Travail et de la Santé, Catherine Vautrin a dévoilé ce matin le 4e Plan National Maladies Rares (PNMR4), structuré autour de quatre axes et 26 objectifs. Ce plan, doté d’un budget annuel de 223,5 millions d’euros, vise à renforcer la prise en charge des 3 millions de patients concernés en France, à améliorer le diagnostic et à stimuler l’innovation thérapeutique.

Découverte de médicament et diagnostic : 18 solutions d’IA pour les maladies rares.

De la découverte de traitement au diagnostic par analyse du génome, des symptômes ou d’images, l’Intelligence Artificielle (IA) promet de révolutionner la prise en charge des maladies rares. Health and Tech Intelligence publie la cartographie des solutions d’IA appliquées à la problématique des maladies rares utilisées en France et en Europe.

Revue de littérature : l’impact de l’IA dans la prise en charge des maladies rares entre avancées et défis

Bien que chaque maladie rare touche un nombre limité de patients, leur diversité et leur complexité posent des défis en matière de diagnostic et de traitement. Grâce à sa capacité à analyser des volumes massifs de données complexes, l’IA permet d’améliorer la détection des biomarqueurs, d’accélérer les diagnostics et de personnaliser les traitements.

Europe et maladies rares : vers une recherche plus intégrée et efficace

La lutte contre les maladies rares, qui touchent plus de 3 millions de personnes en France et 25 millions en Europe, repose sur des partenariats internationaux pour mutualiser les ressources, partager les données et surmonter les défis liés à la rareté des patients.

Maladies rares : 92 % des médecins confrontés au défi du diagnostic (sondage)

Alors que 92 % des médecins considèrent le diagnostic des maladies rares comme difficile, une étude Ifop pour Sanofi révèle un intérêt croissant pour l’intelligence artificielle (IA) dans ce domaine. Si les praticiens voient dans l’IA un outil prometteur, son usage reste encore limité. Par ailleurs, les médecins souhaitent être accompagnés et formés à ces technologies.

26 février 2025
Maladies rares : 92 % des médecins confrontés au défi du diagnostic (sondage)

Des difficultés pour poser un diagnostic

Selon l’enquête réalisée par l’Ifop pour Sanofi à l’occasion de la Journée Internationale des Maladies Rares, le diagnostic de ces pathologies constitue un véritable défi pour la quasi-totalité des médecins interrogés. En effet, 92 % des praticiens jugent cette tâche difficile, notamment en raison de la variabilité des symptômes (89 %), de la complexité génétique des maladies (86 %), et du manque de temps pour mener des investigations approfondies (83 %). Malgré ces obstacles, 45 % des médecins ont déjà été impliqués dans le diagnostic d’une maladie rare, un taux qui grimpe à 51 % chez les pédiatres. Un quart des praticiens déclarent même avoir diagnostiqué une maladie rare au cours des douze derniers mois.

Un besoin d’accompagnement et de formation

Face à ces difficultés, les professionnels de santé expriment un besoin de formation et de soutien. Près de 73 % des médecins souhaiteraient bénéficier d’un meilleur accompagnement dans le diagnostic et la prise en charge des maladies rares, et 59 % estiment qu’ils auraient dû recevoir une formation plus poussée sur ce sujet durant leurs études.

Ifop pour Sanofi. (2024). Le regard des médecins et des Français sur le recours à l’intelligence artificielle dans les maladies rares.

L’IA suscite intérêt et espoir

Si l’intelligence artificielle demeure encore peu exploitée dans le secteur médical, elle suscite un intérêt croissant, en particulier pour les maladies rares. D’après l’étude, 75 % des médecins interrogés se montrent favorables au développement des technologies d’IA en médecine. En revanche, seuls 19 % déclarent avoir déjà utilisé un outil d’IA dans leur pratique professionnelle. Près des deux tiers des médecins (67 %) envisagent cependant de recourir à ces technologies à l’avenir, en particulier pour le diagnostic précoce, l’aide à la décision thérapeutique et l’analyse des données médicales.

Ifop pour Sanofi. (2024). Le regard des médecins et des Français sur le recours à l’intelligence artificielle dans les maladies rares.

Vers une adoption plus large pour les maladies rares ?

L’usage de l’IA pour le diagnostic ou la prise en charge des maladies rares reste encore méconnu, 53 % des médecins interrogés n’en ayant jamais entendu parler. Pourtant, 81 % estiment que ces outils pourraient améliorer la capacité de diagnostic, et 74 % pensent qu’ils pourraient contribuer à une meilleure qualité de vie des patients en permettant un suivi plus personnalisé.

@ Health & Tech Intelligence : données du sondage Ifop pour Sanofi

26 février 2025
L’IA comme nouvel espoir pour le diagnostic et le traitement des maladies rares ?

Un besoin urgent de solutions pour la détection des maladies rares

Actuellement, le diagnostic des maladies rares repose principalement sur une combinaison d’analyses génétiques, d’imagerie médicale et d’expertise clinique. Or, ces méthodes restent longues, coûteuses et parfois inefficaces lorsque la maladie en question est peu documentée. Grâce aux progrès du machine learning et de l’analyse des big data, l’intelligence artificielle (IA) semble s’imposer de plus en plus comme un outil clé pour accélérer la détection de ces maladies, affiner les diagnostics et favoriser la recherche de traitements. Dans le cas des maladies rares, cette technologie permet de croiser des millions de données génétiques, cliniques et phénotypiques afin de proposer des hypothèses diagnostiques plus précises et rapides. Son application s’étend également à la recherche thérapeutique et à l’identification de nouvelles cibles thérapeutiques.

L’IA intervient en facilitant l’interprétation des données issues du séquençage du génome et en permettant l’identification de variants génétiques potentiellement responsables. En 2024, des chercheurs chinois ont introduit RareBench, un banc d’essai conçu pour évaluer systématiquement les capacités des grands modèles de langage (LLMs) dans le diagnostic des maladies rares. Cette étude a mis en évidence le potentiel prometteur de l’intégration des LLMs dans le processus diagnostique clinique des maladies rares, en comparant notamment les performances de GPT-4 à celles de médecins spécialistes. Les résultats suggèrent que ces modèles pourraient servir d’outils d’assistance précieux pour les cliniciens, améliorant ainsi la précision et la rapidité des diagnostics.

Plusieurs outils déjà déployés :

L’avénement de l’IA dans la médecine a aussi amené son lot de solutions pour le diagnostic des maladies rares. Plusieurs outils d’IA sont donc déjà déployés ou en cours de déploiement pour améliorer ce diagnostic : c’est le cas par exemple de l’une des applications les plus connues et utilisées en la matière, Face2Gene. Réservée au professionnels de santé, elle est capable de détecter plus de 1000 maladies à partir des photographies de patients. Grâce à des algorithmes de deep learning entraînés sur des dizaines de milliers de photos de patients présentant des caractéristiques associées à des maladies rares, l’outil conçu par la start-up américaine FDNA est désormais capable d’identifier une maladie rare avec un nombre réduit de patients préalablement répertoriés par l’application.

Un autre outil notable est Dr Warehouse, développé par l’hôpital Necker-Enfants malades. Cet entrepôt de données cliniques se concentre sur l’analyse de documents médicaux non structurés, tels que les comptes rendus hospitaliers. En exploitant des algorithmes avancés de traitement du langage naturel, Dr Warehouse permet le phénotypage automatisé des patients et facilite le diagnostic en identifiant des similarités entre cas cliniques. Cette approche a été évaluée sur un ensemble de données comprenant environ 490 000 patients et 4 millions de comptes rendus, démontrant son efficacité dans la recherche translationnelle sur les maladies rares.

L’intégration de ces outils dans la pratique clinique vise à améliorer la précision et la rapidité des diagnostics, offrant ainsi aux patients une prise en charge plus adaptée et réduisant l’errance diagnostique. La partie de notre étude consacrée aux solutions d’IA, ainsi qu’aux cas d’usage de l’IA pour les maladies rares est disponible ici.

Des médecins qui souhaiteraient avoir recours à des outils d’IA :

Dans une étude publiée par Sanofi en 2024, 92 % des médecins généralistes ont déclaré qu’il était difficile de diagnostiquer une maladie rare, alors que 45 % de ces mêmes praticiens ont déjà été confrontés à un patient atteint d’une de ces pathologies. Face à cette complexité, 73 % des médecins expriment le besoin d’un meilleur accompagnement dans le diagnostic et la prise en charge des maladies rares.

L’intelligence artificielle apparaît comme une solution prometteuse pour ces professionnels de santé, puisque 81 % d’entre eux estiment qu’elle pourrait améliorer le diagnostic. L’intérêt pour ces outils est manifeste : 67 % des médecins se disent prêts à les utiliser, notamment pour l’aide à la décision (44 %), l’interprétation automatisée des résultats médicaux (43 %) et l’assistance à la prise de décision thérapeutique (40 %).

Un besoin de trouver des thérapies pour les patients identifiés

L’autre intérêt de l’IA pour les maladies rares réside dans le développement de traitements adaptés aux patients diagnostiqués. Actuellement, 95 % des maladies rares ne disposent d’aucun traitement spécifique, rendant essentielle l’exploration de nouvelles pistes thérapeutiques. Grâce à l’IA, il est désormais possible d’analyser rapidement d’énormes bases de données pharmaceutiques et génétiques afin d’identifier des médicaments existants qui pourraient être repositionnés pour traiter certaines maladies rares.

Une révolution dans le repositionnement de médicaments :

L’un des grands défis des maladies rares est le manque de traitements spécifiques, en raison du faible nombre de patients et du coût élevé des essais cliniques. L’IA joue un rôle clé dans le repositionnement de médicaments, une approche qui consiste à identifier de nouvelles indications pour des médicaments existants.

Une récente étude publiée en février 2025 dans le New England Journal of Medicine a démontré que l’IA pouvait être un atout majeur dans la recherche de traitements pour les maladies rares. Des chercheurs américians ont utilisé un algorithme d’apprentissage automatique pour analyser 4 000 médicaments existants. Ils ont ainsi identifié l’adalimumab, un anticorps monoclonal initialement utilisé contre l’arthrite et la maladie de Crohn, comme une solution thérapeutique potentielle contre la maladie de Castleman multicentrique idiopathique (iMCD). Les tests en laboratoire ont révélé que cette maladie était associée à une signalisation excessive du facteur de nécrose tumorale (TNF), ce qui a conduit à l’administration de l’adalimumab à un patient en soins palliatifs. Contre toute attente, ce dernier est entré en rémission et son état est resté stable pendant près de deux ans. Ce succès illustre le potentiel de l’IA pour accélérer le repositionnement de médicaments et trouver de nouvelles thérapies pour des maladies rares jusqu’ici sans solution thérapeutique viable.

Une accélération de l’utilisation de l’IA dans les essais cliniques :

L’IA permet également d’optimiser la recherche clinique en identifiant plus rapidement des biomarqueurs pertinents et en accélérant la sélection des patients pour les essais cliniques. L’exemple d’AlphaFold, développé par DeepMind, illustre bien cette avancée. Cet outil a permis de prédire la structure de plus de 200 millions de protéines, ouvrant ainsi la voie à la conception de traitements ciblés pour certaines maladies rares.

L’enjeu majeur reste toutefois l’accès aux bases de données de qualité, indispensables pour entraîner ces algorithmes. La collaboration entre chercheurs, industries pharmaceutiques et centres de soins est donc essentielle pour maximiser le potentiel de l’IA dans la découverte de traitements pour les maladies rares.

Plusieurs défis restent à relever

Si l’IA représente un espoir majeur, plusieurs défis restent à surmonter pour en maximiser les bénéfices de son utilisation dans le cadre de la recherche et du diagnostic pour les maladies rares. L’un des enjeux fondamentaux concerne la qualité des données : les bases de données doivent être enrichies et harmonisées afin d’entraîner des modèles plus performants. La confiance des professionnels de santé dans ces nouvelles technologies est également un facteur clé. L’explicabilité des algorithmes doit être améliorée pour garantir leur adoption et éviter les décisions médicales opaques. Enfin, la régulation de l’IA en médecine doit évoluer pour encadrer son utilisation, notamment en ce qui concerne la protection des données personnelles et l’éthique des décisions automatisées. Assurer un cadre juridique et technique fiable est essentiel pour exploiter pleinement le potentiel de l’IA dans le domaine des maladies rares.

26 février 2025
Médecine générale : 15 solutions pour 6 cas d’usage de l’IA en France

Un outil qui réduit la charge administrative des médecins

Alors que de nombreuses études montrent que les tâches non médicales occupent entre 10 et 30 % du temps du médecin généraliste, l’intelligence artificielle (IA) offre des solutions pour alléger cette, souvent chronophage de leur pratique quotidienne. En automatisant des tâches répétitives telles que la rédaction de comptes rendus, la gestion des rendez-vous et l’organisation des dossiers médicaux, l’IA permet aux médecins de consacrer plus de temps à leurs patients. Ces technologies, en réduisant le temps passé sur des tâches administratives, contribuent ainsi à une gestion plus fluide du cabinet, améliorant à la fois l’efficacité des soins et la qualité de vie professionnelle des médecins. En France, 2 cas d’usage de l’IA concernent la réduction de leur charge administrative.

Une IA pour alléger le secrétariat :

La gestion des plannings et des rendez-vous est souvent une tâche complexe pour les médecins généralistes. L’IA intervient ici pour automatiser la prise de rendez-vous, gérer les créneaux horaires et envoyer des rappels aux patients, permettant ainsi d’optimiser l’organisation du cabinet et de réduire les annulations de dernière minute.

Cliniko, par exemple, est un logiciel de gestion de cabinet médical qui intègre une fonctionnalité de planification automatisée, réduisant ainsi la charge administrative liée à la gestion des rendez-vous et des créneaux horaires. L’Assistant de consultation de Doctolib est également une solution très utilisée pour gérer les consultations. Il prépare les dossiers des patients en amont, permettant ainsi une gestion fluide des consultations et une meilleure organisation des plannings.

De plus en plus de solution pour la rédaction automatique de comptes rendus :

L’IA offre une solution efficace pour réduire la charge administrative des médecins généralistes par le biais de l’automatisation de la création de comptes rendus de consultations. Cela permet non seulement de gagner un temps précieux, mais aussi d’améliorer la qualité des échanges avec les patients. Le cas d’usage de l’automatisation des documents est l’un des plus populaires et des plus répandus parmi les solutions d’IA en médecine générale.

L’une des solutions les plus utilisées pour automatiser les comptes rendus par les médecins français est Nabla, un assistant médical basé sur l’IA. Nabla permet aux médecins de se concentrer davantage sur leurs patients, sans se perdre dans la rédaction de notes. En parallèle, Nuance (Ambient Clinical Intelligence) se distingue par sa capacité à transcrire en temps réel les dialogues entre le médecin et le patient, facilitant ainsi l’intégration des informations dans les dossiers médicaux. Beaucoup de solutions de rédaction automatique de comptes rendus sont des solutions américaines qui proposent une fonction de retranscription des consultations en français. C’est le cas notamment de Deepscribe, de Suki AI et de Freed AI.

Un outil qui guide la décision des généralistes

L’IA se fait également de plus en plus une place centrale dans les cabinets des médecins généralistes en offrant une aide précieuse dans le processus de décision. En analysant les antécédents cliniques des patients, leurs symptômes et en croisant des informations multiples, l’IA permet de guider les médecins vers des choix plus éclairés et personnalisés. Cette assistance est particulièrement utile dans deux domaines essentiels : l’aide à la prescription médicale et la prise de décision clinique, qui sont les deux cas d’usage de l’IA pour l’aide à la prise de décision que l’on retrouve en France. L’IA réduit ainsi les risques d’erreurs médicales, personnalise les traitements en fonction des caractéristiques de chaque patient, et améliore ainsi l’efficacité et la sécurité des soins.

Des solutions d’optimisation de la prescription médicamenteuse :

L’un des cas d’usage les plus marquants de l’IA en médecine générale est l’optimisation de la prescription médicamenteuse. Chaque patient ayant un profil unique, les médecins doivent prescrire des traitements efficaces, mais également adaptés aux spécificités de leur état de santé, à leur historique médical et à leurs éventuelles interactions médicamenteuses. L’IA intervient ici pour aider les médecins à prendre des décisions de prescription plus sécurisées et pertinentes.

Synapse Copilot, co-développé par CompuGroup Medical (CGM) et Synapse Medicine, est une solution d’aide à la prescription qui analyse les données des patients pour recommander les traitements les plus appropriés. L’outil croise ces données avec des bases de données médicales actualisées, prenant en compte non seulement les antécédents médicaux mais aussi les interactions médicamenteuses, les allergies possibles et les contre-indications. Ce système intelligent permet de réduire considérablement le risque d’erreurs médicamenteuses, contribuant ainsi à la sécurité des patients et à l’efficacité du traitement.

La solution de Posos fournit, quant à elle, des suggestions de traitements personnalisés. En plus de proposer des options thérapeutiques basées sur les données médicales, Posos identifie également les risques spécifiques pour chaque patient, permettant ainsi au médecin d’adapter les traitements à la situation unique du patient. Cette solution est particulièrement efficace pour la gestion des maladies chroniques et des situations complexes nécessitant une surveillance attentive.

L’intégration de l’IA dans la prescription permet également une personnalisation des traitements. En effet, l’outil d’IA prend en compte des facteurs spécifiques tels que l’âge, le poids, les pathologies associées et les préférences du patient, afin de proposer des médicaments qui conviennent au mieux à leur profil. Cela rend la prise en charge plus précise, diminue les effets secondaires et optimise l’observance des traitements.

2 solutions pour l’aide à la prise de décision clinique :

Dans le domaine de la prise de décision clinique, l’IA joue un rôle en aidant les médecins à poser des diagnostics plus précis et à déterminer les traitements les plus adaptés, en analysant une multitude de données provenant des dossiers médicaux. Les outils d’IA permettent ainsi de croiser les informations cliniques, les antécédents médicaux, les résultats de tests et d’autres données pertinentes pour fournir des recommandations éclairées.

Pulselife AI est une solution qui se présente sous la forme d’un chatbot qui se distingue par son approche interactive et pratique en tant que chatbot médical. S’appuyant exclusivement sur les recommandations médicales officielles et la base médicamenteuse de l’ANSM, il fournit aux professionnels de santé des réponses instantanées et fiables à leurs questions médicales. Les utilisateurs peuvent sélectionner une pathologie ou un médicament et poser des questions sur des aspects variés tels que les symptômes, les diagnostics, les traitements, les complications, etc. Cette IA offre également la transparence en affichant les sources utilisées pour chaque réponse. De plus, il permet d’accéder directement aux documents de référence, garantissant ainsi que les recommandations sont fondées sur les standards médicaux les plus actuels et officiels.

De son côté, Isabel Healthcare est une plateforme qui aide à générer des diagnostics différentiels. En analysant les symptômes, les antécédents médicaux et les résultats de tests, Isabel Healthcare permet aux médecins de confirmer ou d’écarter certaines hypothèses diagnostiques, tout en offrant des alternatives. Cet outil devient un allié précieux dans les cas où le diagnostic est incertain, améliorant ainsi la précision du diagnostic et réduisant les risques de mauvaises interprétations.

2 nouveaux cas d’usage pour les études cliniques

stane a récemment lancé son outil Stane Research qui permet de surmonter plusieurs défis majeurs de la recherche en ville, notamment l’identification des patients éligibles aux études cliniques et la gestion des données cliniques. Cet outil ajoute, à lui seul, deux cas d’usage de l’IA pour la médecine générale.

Identification rapide et en continu des patients éligibles aux études avant même leur lancement :

Stane Research permet d’identifier les patients potentiellement éligibles à des études cliniques avant même que ces dernières ne soient officiellement lancées. Grâce à un algorithme avancé intégré dans la plateforme numérique de Stane Research, les professionnels de santé peuvent identifier rapidement les patients éligibles en analysant leurs antécédents médicaux et d’autres critères. Cela réduit de manière significative les délais de recrutement, permettant ainsi de démarrer plus rapidement les études cliniques. Cette fonctionnalité permet aussi de cibler les patients en fonction des critères spécifiques des études, ce qui contribue à améliorer l’efficacité du recrutement et à réduire le taux d’échec des études cliniques en médecine de ville.

Collecter, structurer et enrichir les données cliniques et les transformer en insights exploitables :

L’entrepôt de données de santé (EDS) de Stane Research exploite les dernières avancées de l’IA et du traitement du langage naturel (NLP) pour collecter, structurer et enrichir les données cliniques. Grâce à cette technologie, les données provenant des dossiers médicaux des patients sont transformées en informations exploitables qui permettent de fournir des insights précieux pour les promoteurs d’études. Cela contribue non seulement à améliorer la qualité des données, mais aussi à garantir la conformité réglementaire tout en respectant les exigences de confidentialité des données, avec un système validé par la CNIL. Ce processus d’enrichissement des données permet aux chercheurs de prendre des décisions plus éclairées et de produire des résultats d’études plus robustes.

Cartographie des solutions d’IA utilisées par les médecins généralistes en France

Cartographie des solutions d’IA utilisées par les médecins généralistes en France

Bénéfices des cas d’usage de l’IA dans la médecine générale

Bénéfices des cas d’usage de l’IA dans la médecine générale

19 février 2025
Contexte et chiffres clés de la santé numérique au Brésil
Un système décentralisé et universel

L’organisation du SUS repose sur une gestion tripartite impliquant le ministère de la Santé, les États fédérés et les municipalités. Cette structure permet d’adapter les services de santé aux réalités locales et d’assurer une meilleure accessibilité aux soins. Ainsi, le SUS est divisé en plusieurs niveaux :
- Atenção Primária (soins primaires) : dispensés dans les Unidades Básicas de Saúde (UBS), ils englobent les consultations générales, la vaccination et les soins de base.
- Atenção de Média Complexidade (soins de moyenne complexité) : impliquant des spécialistes et des cliniques, ce niveau inclut les consultations spécialisées et les Unidades de Pronto Atendimento (UPA).
- Atenção de Alta Complexidade (soins de haute complexité) : services hospitaliers avancés, notamment les chirurgies complexes et les transplantations.
Le Brésil dispose également de services d’urgence et de surveillance sanitaire dont le SAMU (Serviço de Atendimento Móvel de Urgência accessible via le numéro 192) et la Vigilância Sanitária gérée par l’Agence nationale de surveillance sanitaire (ANVISA qui veille à la qualité des produits alimentaires et médicaux. Malgré son ambition d’universalité, le SUS rencontre des défis majeurs : sous-financement, inégalités régionales et surcharge des services. Une des problématiques importantes reste le taux d’absentéisme des patients (no-show) qui dépasse 11% dans certaines institutions impactant la rentabilité et l’efficacité des services hospitaliers.*

Chiffres clés Brésil @ H&TI

Un financement mixte pour le SUS

Le financement du SUS provient principalement des impôts collectés aux niveaux fédéral, étatique et municipal. Cependant, le Brésil fait face à des défis budgétaires avec des coupes envisagées dans plusieurs secteurs y compris la santé. L’amendement constitutionnel n° 29 de 2012 exige que les États et municipalités allouent entre 12 % et 15 % de leurs revenus à la santé.

En parallèle, un secteur privé coexiste avec le SUS. Environ 25% de la population brésilienne souscrit à une assurance santé privée, ce qui leur permet d’accéder à des services supplémentaires ou à des établissements privés. Le marché de la santé privée génère près de 40% des dépenses de santé du pays, bien que seuls les assurés puissent en bénéficier, accentuant ainsi les inégalités d’accès aux soins.

51 hôpitaux universitaires rattachés à 36 universités fédérales

Les hôpitaux universitaires fédéraux du Brésil offrent près de 30 000 lits hospitaliers et assurent chaque année des millions de consultations et interventions spécialisées. Ces établissements, qui comptent 51 hôpitaux affiliés à 36 universités fédérales sont des centres de référence pour les soins de moyenne et haute complexité au sein du SUS. Ces hôpitaux remplissent une double mission : fournir des soins avancés aux patients du SUS et constituer un terrain d’apprentissage pour les futurs médecins, infirmiers et chercheurs. De plus, ils jouent un rôle dans le développement et l’application de technologies médicales innovantes.

La gestion de ces hôpitaux a été centralisée sous l’Entreprise Brésilienne de Services Hospitaliers (Ebserh), une entreprise publique liée au ministère de l’Éducation. Cette structure permet d’assurer une meilleure allocation des ressources et une modernisation des infrastructures hospitalières. En 2024-2025, une tendance forte dans ces hôpitaux concerne l’adoption de nouvelles technologies pour améliorer la gestion hospitalière et l’expansion de la télémédecine. Environ 69% des centres de santé proposent désormais des consultations à distance facilitant l’accès aux soins pour les populations isolées.

Selon un rapport 2022 du gouvernement brésilien, le Brésil comptait 4 466 hôpitaux en activité, dont la majorité était privée. Le pays disposait de 263 793 lits hospitaliers, concentrés principalement dans la région Sud-Est. La répartition des hôpitaux varie selon les régions : 1 837 dans le Sud-Est, 1 007 dans le Nord-Est et 858 dans le Sud. La plupart des hôpitaux privés sont de petite taille (moins de 50 lits) et collaborent avec le SUS.

Un budget de 464 M de réais (73 M€) en 2023 pour la santé numérique

En 2023, un budget a été alloué à la santé numérique notamment pour renforcer l’interopérabilité des données de santé. La Rede Nacional de Dados em Saúde (RNDS) est la plateforme pour l’interopérabilité mise en place au Brésil. Elle permet d’intégrer les informations de santé des patients à travers le pays. Selon Ana Estela Haddad, secrétaire de l’Information et de la santé numérique du ministère de la Santé, la RNDS garantit que les données des patients soient accessibles et partagées entre les différents niveaux de soins, qu’il s’agisse de soins primaires ou spécialisés. Cependant, seulement 21 régions, soit environ 19 % du total ont déclaré être entièrement intégrées à la RNDS ce qui met en lumière des défis en termes d’adoption et d’interopérabilité dans certaines régions. Pour accélérer ce processus, le gouvernement brésilien a lancé un programme de fédéralisation de la RNDS. Celui-ci implique 8 états pilotes pour améliorer l’intégration des données au niveau régional.
12 février 2025
Contexte et chiffres clés de la santé numérique au Mexique

Un système fragmenté et inégalitaire

Le système de santé mexicain est organisé en 3 niveaux de soins : le premier niveau comprend la prise en charge primaire, le second les soins hospitaliers généraux et spécialisés tandis que le troisième niveau comprend les hôpitaux à spécialité et les centres de référence. Par ailleurs, le système repose sur 3 composantes :

La sécurité sociale qui se subdivise entre l’IMSS et l’ISSSTE. L’IMSS (Institut mexicain de la sécurité sociale) qui couvre les travailleurs du secteur formel et leurs familles, soit environ 44,5 % de la population. L’ISSSTE (Institut de sécurité et des services sociaux des travailleurs de l’État) qui prend en charge les fonctionnaires et leurs familles, soit environ 10,6 % des citoyens.

Le secteur public pour la population non affiliée à la sécurité sociale, historiquement représenté par le « Seguro Popular » et remplacé en 2020 par l’INSABI, puis dissous en 2023 au profit de l’IMSS-Bienestar. Ce programme s’adresse aux travailleurs informels et aux populations vulnérables.

Le secteur privé qui concerne environ 11 % de la population et fonctionne sur une base d’assurance privée ou de paiement direct.

Chiffres clés @ H&TI

Un financement en dessous de la moyenne de l’OCDE

Le financement du système de santé repose principalement sur les cotisations salariales et patronales, le budget alloué par l’état et les paiements directs des patients pour le secteur privé et les soins hors couverture publique. Le Mexique consacre 5,5 % de son PIB à la santé, bien en dessous de la moyenne de l’OCDE qui est de 8,8%. Cette insuffisance budgétaire accroît la dépendance au secteur privé et creuse les inégalités d’accès aux soins. En 2020, 28 % des Mexicains n’avaient pas accès aux services de santé contre 16 % en 2018. L’INSABI a été instauré en 2020 afin d’assurer une couverture universelle et gratuite. Toutefois, cela a souffert d’un manque de personnel et de ressources aggravé par la pandémie Covid-19. Ce sous-financement limite l’accès aux services et provoque une dépendance au secteur privé pour de nombreux citoyens.

4 304 établissements de santé et 24 CHU

Le secteur hospitalier contribue à 1,3 % du PIB national et générant environ 656 000 emplois. Il comprend 4 304 établissements de santé dont 1 477 hôpitaux publics et 2 827 hôpitaux privés. Ce réseau offre un total de 191 000 lits médicaux répartis entre 131 000 lits d’hospitalisation et 60 000 dédiés à d’autres soins spécialisés. La majorité des hôpitaux du pays sont de petite taille, avec 90,2 % d’entre eux disposant de 24 lits ou moins.

Les hôpitaux privés occupent une place importante notamment dans les grandes zones urbaines. Environ 55,6 % des établissements privés se situent dans des États comme la Ville de Mexico, l’État de Mexico, Jalisco, Guanajuato, Nuevo León, Michoacán et Puebla. Ils emploient plus de 95 000 médecins dont 83,5 % sont des spécialistes.

Un pays sans stratégie claire en santé numérique

Le Mexique a amorcé une transformation numérique de son système de santé après la pandémie de Covid-19 qui a accéléré l’adoption des technologies numériques dans le diagnostic et le traitement des patients. Cependant, plusieurs obstacles freinent encore son développement au niveau national.

Seulement 40 % des hôpitaux publics disposent de systèmes numériques interopérables, limitant la coordination des soins. Le pays manque également d’un cadre réglementaire clair pour l’utilisation de l’intelligence artificielle en santé et moins de 5 % des professionnels de santé ont une formation en technologies numériques. De plus, une résistance culturelle à l’adoption des outils numériques persiste notamment chez les médecins et les patients âgés.

Face à ces défis, un projet coordonné par FUNSALUD a réuni 64 institutions (universités, entreprises, associations médicales et gouvernement) pour poser les bases d’un cadre réglementaire structurant. Parmi les avancées majeures figurent la téléconsultation médicale, la prescription électronique et le dossier médical numérique qui constituent les piliers du futur écosystème de santé digitale. Actuellement, les efforts se concentrent sur l’inscription de la santé numérique dans l’agenda législatif du pays afin d’établir des normes adaptées et d’accélérer son intégration au sein du système de santé.

12 février 2025
Contexte et chiffres clés de la santé numérique en Argentine

Un système basé sur une structure tripartite

Le système de santé est organisé en 3 sous-systèmes distincts : le secteur public, le secteur privé et le système de sécurité social.

Le secteur public offre des services de santé gratuits à tous les résidents indépendamment de leur situation économique ou sociale. Ce système financé par l’État comprend un réseau d’hôpitaux et de cliniques répartis sur l’ensemble du territoire national. Cependant, il est confronté à des défis tels que des disparités géographiques dans l’infrastructure et une surcharge des établissements de santé notamment dans les zones urbaines.

Le secteur privé est composé d’établissements de santé et de professionnels offrant des services médicaux aux patients disposant d’une assurance privée ou capables de payer directement les soins. Environ 10% de la population argentine utilise exclusivement des services privés attirés principalement par des temps d’attente réduits et un accès à des technologies avancées.

Le système de sécurité sociale connu sous le nom d’Obras Sociales est financé par des contributions obligatoires des employeurs et des employés. Il fournit une couverture médicale aux travailleurs formels (c’est-à-dire avec un contrat de travail) et à leurs familles représentant environ 50% de la population. Les Obras Sociales sont gérées par des syndicats et offrent une gamme de services de santé mais la qualité et l’étendue de la couverture peuvent varier en fonction de la taille et des ressources du syndicat concerné. En Argentine, une part importante de la population active travaille encore de manière informelle ce qui limite leur accès aux soins de santé via le système de sécurité sociale.

Chiffres clés @ H&TI

Un financement mixte issu de sources publiques et privées

Le financement du système de santé provient de diverses sources reflétant sa structure tripartite. Le secteur public est principalement financé par les impôts collectés aux niveaux national et provincial. Les Obras Sociales sont alimentées par des contributions obligatoires des employeurs et des employés tandis que le secteur privé dépend des primes d’assurance payées par les individus et des paiements directs pour les soins ou services rendus. Cette diversité de sources de financement vise à assurer une couverture de santé étendue mais elle peut également entraîner des inégalités dans l’accès et la qualité des soins en fonction des ressources disponibles dans chaque sous-système.

3174 hôpitaux, cliniques et sanatoriums à travers le territoire

L’Argentine compte près de 3174 hôpitaux, cliniques et sanatoriums répartis entre le secteur public et privé. Environ 55% (soit 1740) sont privés tandis que 45% (1434) sont publics. Parmi les hôpitaux privés, 96% (1670 établissements) ne possèdent pas leur propre assurance santé ce qui signifie qu’ils dépendent des paiements directs des patients et des remboursements des assurances prépayées.

Les principales entreprises de santé privées comme Swiss Medical, OSDE, Medicus, Galeno et Omint financent une partie des hôpitaux privés. Certaines cliniques sont directement intégrées à ces groupes ce qui permet d’offrir directement des services exclusifs aux assurés. Cependant, les hausses de prix dans le secteur privé de la santé et les difficultés de financement des hôpitaux privés créent une instabilité économique importante menaçant la viabilité de nombreuses cliniques.

D’autre part, le système hospitalier public est confronté à un sous-financement. Le PAMI, la plus grande Obra social du pays couvrant les retraités peine à augmenter les remboursements aux hôpitaux partenaires mettant ainsi en péril plusieurs établissement. Actuellement, près de 30 cliniques privées sont menacées de fermeture en raison de problèmes financiers liés à la réduction des subventions et des déductions fiscales.

Une volonté d’interconnecter les 3 sous-systèmes

L’Argentine a mis en place la Red Nacional de Salud Digital pour assurer l’interopérabilité des systèmes de santé entre les secteurs public, privé et de la sécurité sociale. Ce réseau permet aux établissements de partager des informations médicales via un système de nœuds interconnectés tout en garantissant la confidentialité des données. La Red Nacional de Salud Digital fonctionne à travers des nœuds indépendants qui représentent les systèmes d’information en santé au niveau provincial, municipal et hospitalier. Chaque nœud possède ses propres bases de données sur les patients et peut se connecter aux autres pour partager des informations médicales. Grâce à cette interconnexion, lorsqu’un médecin enregistre des informations médicales dans un hôpital ou une clinique, elles deviennent accessibles à d’autres professionnels de santé du réseau en cas de besoin. Cela permet une continuité des soins, notamment en cas de transfert de patient entre établissements ou régions. L’Argentine encourage actuellement l’adhésion des établissements privés à ce système et organise régulièrement des rencontres pour favoriser l’adoption des standards d’interopérabilité.

12 février 2025
NLP et reconnaissance vocale : 36 solutions qui souhaitent révolutionner l’expérience des soins pour les patients et les médecins
L’intelligence artificielle (IA) a connu une progression fulgurante ces deux dernières années, impactant en profondeur le secteur de la santé. Parmi les avancées les plus notables, le traitement du langage naturel (NLP) et la reconnaissance vocale se sont considérablement perfectionnés, offrant aux professionnels de santé et aux patients des outils toujours plus performants. Ces innovations transforment la gestion des données médicales, réduisent la charge administrative et améliorent l’expérience des soins.

De nombreux progrès dans l’analyse du langage médical

Les progrès récents dans le domaine de l’IA, en particulier avec des modèles comme GPT-4, BERT et Mistral, ont permis une amélioration significative de la compréhension du langage médical. Grâce à ces modèles avancés, les solutions NLP peuvent aujourd’hui analyser des conversations complexes et extraire des informations médicales pertinentes avec une précision accrue.

Des outils comme Nabla, Suki AI et DeepScribe exploitent ces avancées pour transformer la parole en texte structuré, permettant ainsi aux médecins de se concentrer sur leurs patients plutôt que sur la prise de notes. Ces solutions ne se contentent plus de transcrire la voix : elles comprennent le contexte clinique, résument les consultations et intègrent directement les données dans les dossiers médicaux électroniques des patients. D’autres technologies comme Hyro et Verbit optimisent les interactions entre les établissements de santé et les patients en automatisant la gestion des rendez-vous et l’accès aux informations médicales via des assistants conversationnels intelligents.

Un gain de temps dans la constitution des comptes rendus médicaux

La documentation médicale représente un défi majeur pour les professionnels de santé, consommant un temps précieux qui pourrait être consacré aux patients. L’IA a apporté une réponse à cette problématique grâce à des solutions de transcription et de reconnaissance vocale avancées.

Des plateformes comme Nuance Dragon Medical et 3M™ M*Modal Fluency for Transcription transforment radicalement la façon dont les médecins dictent leurs comptes rendus médicaux. Ces outils permettent une reconnaissance vocale extrêmement précise, capable de différencier les termes médicaux complexes et de structurer automatiquement les notes.

En parallèle, Notable Health automatise la saisie des données cliniques et réduit le besoin de saisie manuelle, tandis que Medtra Speaking (Axess) facilite la transcription des consultations en médecine du travail.

Ces avancées permettent non seulement de gagner du temps, mais aussi d’améliorer la qualité des dossiers médicaux en réduisant les erreurs humaines.

Des outils qui améliorent aussi l’expérience patient

L’IA ne bénéficie pas uniquement aux professionnels de santé : elle révolutionne également l’expérience des patients en leur offrant des outils interactifs et intelligents pour mieux gérer leur santé.

Des applications comme Ada Health et K Health utilisent le NLP pour analyser les symptômes des patients et fournir des recommandations médicales personnalisées. Ces solutions permettent aux utilisateurs d’obtenir des conseils de santé avant de consulter un professionnel, facilitant ainsi l’accès aux soins et la prise de décision.

D’autres outils, comme Amazon Alexa et Voiceitt, apportent une assistance précieuse aux personnes en situation de handicap ou ayant des troubles de la parole. Ces assistants vocaux facilitent la communication et offrent des solutions adaptées à leurs besoins spécifiques.

Enfin, l’intégration d’outils de reconnaissance vocale dans des dispositifs comme Ava Accessibility permet une transcription en temps réel des consultations pour les patients malentendants, garantissant ainsi une meilleure inclusion dans le parcours de soins.

Des progrès réels mais qui ne sont pour le moment pas extraordinaires

Une des solutions NLP les plus connues et utilisée dans le secteur de la santé est Dragon Ambient eXperience (DAX), développée par Nuance Communications, une société de Microsoft. Elle génère une note clinique en « écoutant » la conversation entre un clinicien et un patient lors de la consultation.

Atrium Health, un grand système de santé académique multisite, a été le premier à utiliser le DAX Copilot. Il a donc mené une évaluation des résultats de l’utilisation de DAX dans les contextes de soins primaires afin de déterminer si l’utilisation de DAX améliore l’efficacité des cliniciens (mesurée par des indicateurs d’utilisation des dossiers médicaux électroniques) et les performances financières du système de santé. Leur étude longitudinale incluait 112 cliniciens en soins primaires utilisant DAX et un groupe témoin de 103 cliniciens ne l’utilisant pas. Deux sous-groupes ont été identifiés : les utilisateurs actifs (ayant transféré ≥25 % des notes via DAX) et les utilisateurs intensifs (ayant transféré ≥60 % des notes via DAX).

Les résultats de leur étude ont été publiés le 22 novembre 2024 dans le NEJM AI et montrent seulement de très légères améliorations dans des sous-groupes :
- Aucune différence statistiquement significative n’a été observée entre les groupes de cliniciens.
- Les utilisateurs intensifs de DAX ont connu une diminution globale d’environ 7 % des heures de documentation par rapport au groupe témoin.
- Les cliniciens qui voyaient peu de patients ont passé environ 9 % de temps en moins sur la documentation par rapport au groupe témoin.
- Les médecins qui voyaient beaucoup de patients ont vu une augmentation moyenne de 2,62 % dans leurs rendez-vous complétés. Disposer de plus de temps par consultation (grâce à la documentation simplifiée) leur permettait sans doute de gérer plus de rendez-vous sans compromettre la qualité de la prise en charge.
Au vu de ses résultats, se pose la question sur les espoirs mis dans l’ambient listening. Les auteurs de cette étude tiennent en tout cas à souligner que « l’engouement et la nouveauté des outils d’IA d’écoute ambiante ont dépassé les preuves nécessaires pour soutenir ou réfuter les affirmations selon lesquelles ces outils seraient transformateurs en termes de gain de temps et d’efficacité. Par conséquent, les systèmes de santé, qui fonctionnent déjà avec des marges faibles dans des environnements hypercompétitifs, risquent de payer plus cher sans réaliser les bénéfices escomptés. »

Un espoir de lutte contre l’épuisement professionnel :

Cependant, ces résultats mettent tout de même en évidence des situations où de tels outils d’IA apportent un bénéfice. Notamment chez les cliniciens avec un volume élevé de patients ou chez les généralistes, où les consultations sont souvent variées et administrativement lourdes. L’automatisation de la rédaction des comptes-rendus pourrait dans ces cas « réduire la charge cognitive et libérer de l’énergie mentale et du temps pour se concentrer davantage sur la gestion des rendez-vous et la clôture rapide des dossiers ». En outre, les auteurs de l’étude font le pari que « les gains d’efficacité offerts par la documentation assistée par IA pourraient se traduire par une diminution des marqueurs d’épuisement professionnel pour un sous-ensemble de cliniciens, et peut-être de manière plus large lorsque l’adoption de DAX atteint un niveau plus élevé. » D’autant que certains cliniciens ont utilisé le gain de temps non pas pour voir plus de patients mais pour dormir davantage et passer moins de temps à travailler chez eux.

Des travaux supplémentaires doivent donc être menés pour identifier les situations précises dans lesquelles l’ambient listening apporte un bénéfice substantiel. Cependant, une étude antérieure, parue en avril dans le JAMIA, avait conclu que DAX n’avait aucun effet quantifiable sur la sécurité des patients.

Cartographie de 36 solutions de NLP et reconnaissance vocales utilisées dans la santé :

Cartographie de 36 solutions de NLP et reconnaissance vocales utilisées dans la santé – @Health&Tech Intelligence
5 février 2025