Entretien

  • « L’objectif est que 80% des Français aient Kor comme partenaire de santé proactive à l’horizon 2030 »

    Afin d’approfondir son étude sur les bilans de santé digitalisés, Health&Tech Intelligence s’est entretenu avec Sophie Agosta, cofondatrice de Kor, une plateforme de bilans de santé digitaux intégrée aux contrats d’assurance et déployée via les entreprises.

    Kor, une offre B2B avec une ambition de démocratiser les bilans de santé

    Kor revendique une trajectoire d’adoption rapide sur le marché français des bilans de santé digitaux financés par les assureurs. « Aujourd’hui, on a plus de 400 000 personnes bénéficiaires en France », indique Sophie Agosta. L’objectif affiché est de dépasser le seuil du million de bénéficiaires d’ici la fin de l’année et de viser une couverture très large à moyen terme : « L’objectif c’est d’ici la fin de l’année de dépasser le 1 000 000 de bénéficiaires et à horizon 2030 d’avoir 80% des Français qui ont Kor dans leur poche comme leur partenaire de santé proactive. »

    La start-up française revendique se différencier des offres B2C ciblant le « top 1% le plus aisé», en ancrant son modèle dans les contrats collectifs et la complémentaire santé. « Notre vocation, nous, c’est vraiment de démocratiser les bilans de santé, de les rendre accessibles au plus grand nombre, là où les apps B2C […] vont aller chercher les 1% des personnes les plus privilégiées », souligne Sophie Agosta. La plateforme se présente ainsi comme un service intégré à l’assurance, et non comme une option individuelle payante. L’accès s’effectue via des codes d’inscription transmis par la mutuelle ou directement depuis les applications santé des assureurs.

    Du remboursement à l’assureur partenaire de santé

    Le pari de Kor repose sur un changement de rôle de l’assureur dans le système de santé français. « Jusqu’ici, l’assureur, c’était quelqu’un qui remboursait les frais de santé », rappelle Sophie Agosta. La différenciation se faisait essentiellement sur les tableaux de garanties et les niveaux de remboursement par type de dépense, sans action directe sur les trajectoires de soins. Selon l’interviewée cette logique est en train d’évoluer vers un positionnement plus global : « Aujourd’hui, c’est plus seulement le tableau de garantie qu’on attend d’un assureur, c’est qu’il devienne un véritable partenaire de santé, qui prévient les maladies, qui aide à rester le plus longtemps possible en bonne santé. »

    Les néo-assureurs comme Alan sont cités comme catalyseurs de cette transformation. « On le voit beaucoup avec Alan aujourd’hui, qui communique beaucoup sur la prévention […] notamment parce qu’il se positionne comme un partenaire de santé avec des vrais services de santé au-delà du tableau de garantie », commente Sophie Agosta. Dans ce contexte, la capacité à proposer des services de prévention structurés devient un levier de compétitivité : « Pour l’assureur, c’est un enjeu vital de se différencier, de pouvoir proposer ces services de santé que demandent les assurés et les entreprises. »

    Au-delà du marketing, l’enjeu est aussi économique : contrôler le ratio sinistres/primes dans un environnement où « les dépenses de santé ne cessent d’augmenter » et « augmentent deux fois plus vite que le PIB ». également, la fondatrice de Kor rappelle que l’Assurance maladie considère la prévention comme « la grande bataille de la décennie » et estime que les assureurs dont les budgets de prévention n’étaient pas utilisés commencent à les engager.

    Prévention pour tous : passer par les assureurs et les entreprises

    Pour Kor, toucher le « plus grand nombre » suppose d’aller au-delà des publics déjà informés et de s’appuyer sur des canaux à large portée. « Pour toucher les personnes qui sont dans des milieux défavorisés, qui n’ont pas accès à l’information, qui sont dans des déserts médicaux, il faut passer par les assureurs », détaille Sophie Agosta. Elle rajoute également qu’il faut que tout soit pris en charge, qu’il n’y ait pas un seul euro à débourser. »

    La plateforme déploie ses services via les entreprises, considérées comme des relais efficaces de sensibilisation. « Nos clients, ce sont les assureurs et ensuite on déploie via les entreprises ». Kor s’inscrit dans un mouvement où l’Assurance maladie cherche elle aussi à améliorer l’adhérence aux dépistages, par exemple sur le cancer colorectal, où « c’est seulement 30% de personnes éligibles qui sont à jour ». L’entreprise est perçue comme « un lieu formidable pour sensibiliser » car elle concentre le temps et les interactions : « Quand le message vient d’un manager, d’un collègue […] c’est beaucoup plus puissant que n’importe quel discours de l’Assurance maladie ou n’importe quelle campagne marketing. »

    Sophie Agosta souligne également un contraste culturel avec les États-Unis, où le coût des soins incite fortement à la prévention. « Là-bas, ça coûte très cher de se soigner […] Donc on est très encouragé à faire de la prévention », dit-elle, en notant qu’en France « comme tout est pris en charge, on ne peut pas forcément l’intégrer ». D’où un double enjeu : « Non seulement prendre en charge mais aussi communiquer et sensibiliser le plus grand nombre de personnes à la prévention. »

    Entre 15 et 20% d’enjeux de santé significatifs détectés

    Pour étayer l’impact, plusieurs indicateurs issus de ses bilans sont avancés : « on a plus de 9 personnes sur 10 qui déclarent mieux comprendre leur santé après le bilan », affirme Sophie Agosta, qui y voit « une belle victoire » pour favoriser l’engagement. Le passage à l’action est également documenté : « On a plus de 70% des personnes qui mettent en œuvre au moins une action après le bilan », ce qui suggère que les recommandations ne restent pas théoriques.

    Sur le plan clinique, la co-fondatrice indique « qu’un enjeu de santé significatif va être détecté sur 15 à 20% des utilisateurs », citant notamment des problématiques cardiovasculaires, l’apnée du sommeil, le diabète ou des troubles thyroïdiens. Pour le cas des troubles cardio-vasculaires, l’examen digital repose en partie sur un dispositif médical de classe IIa, intégré à la plateforme : « on a intégré un outil qui grâce à une vidéo de 30 secondes, fait un scan du visage […] et va être capable de mesurer les variabilités de la fréquence cardiaque ou le risque d’hypertension », explique l’interviewée.

    Pour l’apnée du sommeil, Kor utilise le score de Berlin, basé sur un questionnaire structuré, avant d’orienter les personnes à risque vers une polysomnographie ventilatoire pour confirmer ou infirmer le diagnostic. « En fonction de ces réponses-là, on va évaluer un risque […] et on va orienter ensuite vers un examen », précise-t-elle. La plateforme revendique « l’approche la plus complète du marché » par rapport aux solutions basées uniquement sur des objets connectés non certifiés, en ajoutant « la couche d’analyse, d’interprétation médicale » portée par son équipe médicale.

    Intégrer objets connectés et Mon espace santé d’ici 2027

    La feuille de route de Kor comporte plusieurs volets d’interopérabilité, avec les objets connectés grand public et l’infrastructure nationale « Mon Espace Santé ». Sur les wearables, Sophie Agosta indique que l’intégration est prévue « d’ici la fin de l’année ». L’idée est de « synchroniser les données » des montres et balances connectées dans la plateforme Kor pour, par exemple, enrichir la vue cardio-vasculaire, en les mettant « en relation avec des marqueurs biologiques comme le cholestérol ».

    Cette agrégation doit permettre un suivi longitudinal plus dense des indicateurs et la détection plus fine des évolutions. Kor se positionne comme point d’entrée vers un écosystème de solutions méconnues et sous-utilisées. « Il existe des milliers de solutions et de services, mais qui sont méconnus et sous-utilisés », observe Sophie Agosta. Le rôle de Kor est d’« en quelques minutes, donner une vision globale » et d’« orienter vers des solutions spécifiques » comme des dispositifs pour l’apnée du sommeil ou des plateformes d’objets connectés.

    Sur le volet institutionnel, l’intégration à Mon espace santé est annoncée pour « début 2027 ». « On a prévu de s’intégrer à Mon espace santé d’ici début 2027 […] L’idée c’est de synchroniser les données dans les deux sens », explique Sophie Agosta. La synthèse du bilan Kor doit « remonter » dans Mon espace santé pour être accessible au médecin traitant, tandis que les comptes rendus, analyses biologiques et ordonnances présents dans l’espace numérique seront « récupérés » et « centralisés » dans la plateforme, afin de construire une « vision longitudinale de la santé de chaque personne ».

    Un momentum de prévention en France et un enjeu de diffusion massive

    Sophie Agosta estime que la France se trouve à un moment charnière sur la prévention. Si le pays reste en retrait en termes de part des dépenses de santé consacrée à ce volet, elle considère qu’« il y a un vrai momentum ». Le frein principal identifié n’était pas nécessairement l’absence de budgets mais l’absence de solutions dans lesquelles investir : « Le problème jusqu’ici, c’est qu’ils ne savaient pas vraiment dans quoi investir »

    Selon elle, l’IA et les technologies associées rendent possible une prévention « fiable, solide scientifiquement et aussi personnalisée » à grande échelle, ce qui n’était « pas possible auparavant ». Elle insiste sur les atouts français : « On a des budgets qui sont liés à la prévention, on a des médecins de grande qualité, on a beaucoup d’atouts pour devenir un vrai champion de la prévention. »

    Le grand enjeu reste la diffusion. « Le grand challenge, c’est vraiment de pouvoir le diffuser le plus largement possible, que ce soit adopté par le plus grand nombre », résume la co-fondatrice de la start-up . Cela suppose une double prise de conscience, « au niveau de l’individu » et « au niveau de l’assureur ». Elle ajoute que le moment est « exceptionnel pour le faire » et l’orientation vers une santé proactive, continue et interopérable apparaît comme « l’avenir de la santé ».

  • La santé mentale, nouveau front de la femtech française

    La deeptech clinique pour soigner la dépression avec l’IA

    Deux start-up incarnent le virage « scientifique » de la femtech, celui qui vise la validation clinique et, à terme, le remboursement par l’Assurance Maladie plutôt que le simple marché du bien-être.

    Dalia (daliacare.com), fondée par Nour Hakiki Belhadi, développe une application d’intelligence artificielle conçue pour détecter les rechutes de dépression et accélérer le retour vers le soin. Son approche repose sur le « phénotypage numérique » : à partir de données issues de dispositifs connectés, l’outil suit l’évolution de l’état psychique des patientes (et des patients) et cherche à réduire le nombre comme la durée des épisodes dépressifs. La start-up se positionne sur le terrain de la prévention – agir « dans cette zone floue où rien n’est encore grave, mais où beaucoup se joue déjà » – et a présenté sa solution dans des cadres cliniques comme le Congrès de l’Encéphale. Elle illustre cette « deuxième génération » de femtech, plus deeptech, citée par les analystes aux côtés d’acteurs comme Elsee.

    Theremia, créée en janvier 2024 par Iris Maréchal (ex-consultante BCG, profil santé publique et mathématiques, CEO) et Chloé Geoffroy (pharmacienne, ingénieure et docteure en neurosciences, CTO), travaille en amont du soin, du côté de la médecine de précision. Sa plateforme d’IA modélise les différences entre populations de patients, comme le sexe, l’âge, l’origine ethnique, le métabolisme, pour recommander la bonne molécule, à la bonne dose et à la bonne fréquence. Le champ couvre des pathologies neurologiques et psychiatriques : Alzheimer, Parkinson, sclérose en plaques et dépression, sachant que les approches standardisées échouent chez une large part des patients atteints de troubles du système nerveux central. Ses clients sont les laboratoires pharmaceutiques et les équipes cliniques. Soutenue par Entrepreneur First et accompagnée à Station F (programme Female Founders Fellowship) puis par l’accélérateur DayOne, Theremia a levé 3 millions d’euros en amorçage début 2024, menés par Eurazeo et Salica Investments, avec le concours de Bpifrance.

    Le point commun de ces deux acteurs : un modèle plutôt B2B / B2B2C (hôpitaux, industrie pharmaceutique), une forte exigence de preuve scientifique, et la dépression comme porte d’entrée principale.

    L’immersif au service du deuil et des tabous

    Butterfly XR (Butterfly-XRstudio) explore une voie radicalement différente : celle des technologies immersives. Ce studio se situe à l’intersection de l’art, de la réalité virtuelle/augmentée et de la psychologie. Sa mission affichée est d’offrir aux femmes – et à leurs partenaires – un « espace sûr » pour traverser des sujets tabous, en particulier l’arrêt précoce de grossesse (fausse couche). Les expériences immersives qu’il conçoit visent à accompagner le deuil périnatal et à soutenir le bien-être mental, là où la prise en charge classique reste souvent silencieuse. La start-up, passée par le bootcamp de Femtech France, est régulièrement citée dans l’édition 2026 du baromètre comme exemple concret d’innovation en santé mentale féminine.

    Elle rejoint une tendance plus large : la thérapie par réalité virtuelle, déjà bien installée en France pour la gestion de la douleur et de l’anxiété (Healthy Mind, C2Care…), s’étend désormais à des indications psychiques spécifiquement féminines.

    Le rapport au corps et à l’alimentation

    La troisième famille s’attaque aux troubles du comportement alimentaire (TCA) et à la relation conflictuelle des femmes avec la nourriture — un terrain à la frontière de la santé mentale et de la santé globale.

    Club Mojo, co-fondé par Olga Brochard et Flore Rebischung, propose des programmes destinés à aider les femmes à transformer leur rapport à la nourriture pour surmonter les TCA, les pensées obsessionnelles et le contrôle alimentaire. L’accompagnement, ancré dans l’alimentation intuitive et la thérapie de groupe, travaille aussi l’estime de soi, la gestion des émotions et le rapport au corps. La start-up, labellisée « pépite tech » et membre de Femtech France, revendique explicitement un objectif de renforcement de la santé mentale des femmes.

    Foodelles (foodelles.fr), portée par Sara Guillaume, partage une ambition voisine : son application aide les femmes « en conflit avec la nourriture » à faire une paix durable avec leur assiette, en explorant les dimensions psychologique, émotionnelle et comportementale de cette relation. La logique est celle d’un parcours (exploration de soi, reconstruction de la confiance, sororité d’un groupe de femmes). Foodelles a été sélectionnée pour le bootcamp 2024 de Femtech France et accompagnée par l’incubateur Prevent2Care (Fondation Ramsay Santé et Pfizer Innovation France).

    Ces deux acteurs partagent un modèle plutôt B2C, communautaire et fondé sur le contenu et l’accompagnement, là où Dalia et Theremia misent sur le dispositif médical et l’IA clinique.

    Une solution pour la prévention en entreprise

    Sli.wo incarne un quatrième angle, plus inattendu dans une cartographie femtech : celui de la prévention en milieu professionnel. Là où les autres acteurs s’adressent à des patientes ou à des consommatrices, Sli.wo vise les dirigeants et les responsables des ressources humaines, avec l’ambition de « remettre le fonctionnement humain au cœur de la performance durable ».

    Son offre s’articule en écosystème : un audit initial pour objectiver les risques humains et cognitifs ; des actions de prévention structurées autour de six axes, co-construites avec un médecin et un chercheur en neurosciences ; des interventions d’experts pour transmettre des solutions concrètes et activables au quotidien ; et des outils de suivi mesurant l’impact sur l’absentéisme, l’engagement et la performance. L’argument central : réduire durablement l’absentéisme, prévenir l’épuisement et faire de la santé cognitive un levier stratégique, sans complexifier l’organisation.

    Son modèle est donc résolument B2B, là où Club Mojo et Foodelles sont B2C et où Dalia ou Theremia s’adressent au monde du soin. Il la rapproche d’acteurs de la mentaltech du travail comme Teale, et la distingue d’une logique strictement « santé des femmes » : son inclusion dans la cartographie tient autant à la thématique mentale et à sa fondatrice qu’à un produit exclusivement féminin.

    Cartographie des solution

    Cartographie des solutions pour la santé mentale des femmes - @H&TI
    Cartographie des solutions pour la santé mentale des femmes – @H&TI

    s pour la santé mentale des femmes :

     

  • « Ce qu’on construit, c’est une sous-catégorie d’IA qui s’appelle un modèle de fondation » Camille Bouget, ScientaLab

    Une biotech de 20 personnes, 7 M€ levés et un soutien européen

    En quatre ans, Scienta Lab est passée de l’idée à une structure d’environ vingt collaborateurs, mêlant profils scientifiques, technologiques et métiers. « À l’heure actuelle, Scienta Lab, c’est une vingtaine de personnes en tout, on a levé 7 millions d’euros depuis la création de la société en 2021 », détaille Camille Bouget cofondatrice. La jeune pousse a également été « lauréat du concours EIC Accelerator qui est l’un des programmes phares de l’Union européenne pour soutenir financièrement les sociétés qui développent des innovations de rupture ».

    Cette reconnaissance valide le caractère deeptech de la société et contribue à financer le développement d’EVA, son outil d’intelligence artificielle appliqué aux maladies immuno-inflammatoires. L’entreprise revendique ainsi un positionnement de spécialiste très pointu, articulant IA, immunologie et recherche pharmaceutique.

    EVA : simuler in silico l’efficacité des candidats dans l’immuno-inflammation

    Le produit phare de Scienta Lab, EVA, se situe au cœur des étapes translationnelles du développement de médicament. « On a récemment annoncé le lancement de notre outil EVA qui est un outil d’intelligence artificielle qui vise vraiment à répondre à cette problématique initiale », explique la CEO.

    L’enjeu : aider les laboratoires pharmaceutiques et sociétés de biotechnologie qui « passent des dizaines d’années en essai clinique » et dépensent « des centaines de millions d’euros pour emmener ce médicament sur le marché sans savoir comment est-ce qu’il va fonctionner chez des patients ». EVA réalise « toute une série de simulations dans un ordinateur, donc in silico, sur des populations de patients représentatives de ces pathologies » afin de tester plusieurs hypothèses.

    L’objectif est « d’accélérer à la fois les phases de recherche pré-clinique, translationnelle et les essais cliniques de ces médicaments et donc in fine d’emmener des options thérapeutiques plus personnalisées plus rapidement sur le marché à des patients qui ont des besoins médicaux non satisfaits ».

    Un focus exclusif sur l’immunologie-inflammation, mais sans drug discovery

    Contrairement à de nombreuses solutions d’IA centrées sur la « drug discovery », Scienta Lab a choisi un positionnement de niche sur l’immunologie-inflammation et les phases aval du pipeline. « On ne fait que de l’immunologie inflammation. Notre modèle est spécialisé dans cette aire thérapeutique-là, il est entraîné sur des données de patients qui sont atteints de ces maladies », résume la fondatrice.

    Elle insiste sur le fait que le modèle ne vise pas à découvrir de nouveaux candidats, mais à « valider des cibles thérapeutiques et ensuite soutenir des étapes de recherche translationnelle ».

    Concrètement, il s’agit de prédire « la manière dont le candidat va être efficace chez des patients à partir de toutes les informations qu’on a lors des phases de recherche ». Cette approche s’inscrit dans un contexte où l’IA a déjà produit des preuves de concept solides en oncologie, mais où d’autres aires, comme l’immuno-inflammation, restent « très peu servies par ce type d’approche » malgré l’ampleur des besoins médicaux et de marché.

    Modèle de fondation multimodal : capturer les signaux faibles des patients

    Sur le plan technologique, Scienta Lab développe un modèle de fondation, mais appliqué à la biologie et non au langage. « Ce qu’on construit, c’est une sous-catégorie d’intelligence artificielle qui s’appelle un modèle de fondation. Dans notre cas, nous, ce n’est pas un modèle de langage, c’est un modèle qu’on entraîne sur des données de patients », explique la dirigeante.

    Ces données incluent « des données cliniques sur sa symptomatologie, des données biologiques sur des prises de sang », mais aussi des données omiques « comme de la transcriptomique, donc de la génomique ».

    Le modèle est entraîné « de manière non supervisée » pour « laisser le modèle voir une large quantité de données et créer lui-même des représentations ». Le postulat est qu’avec un tel volume, « la technologie sera plus à même que l’œil humain ou que des statistiques classiques de capturer des signaux faibles ». Ensuite, Scienta Lab applique un « fine-tuning », pour spécialiser ce modèle générique sur des tâches précises comme la prédiction d’efficacité ou l’identification de biomarqueurs.

    Biobanques et partenariats

    La performance du modèle repose sur l’accès à une donnée riche, multimodale et bien appareillée. « L’enjeu du modèle de fondation, c’est de voir la plus grande quantité de données possibles et de la donnée pairée, c’est-à-dire pour un patient donné toutes les modalités possibles », rappelle la fondatrice.

    Les données proviennent de plusieurs sources : « des données publiques qui sont publiées typiquement sur des bases de données européennes et américaines », des « partenariats académiques, des partenariats avec des biobanques ou des universités » et surtout « une biobanque propriétaire, qu’on est en train de constituer ». Cette biobanque doit permettre de collecter « spécifiquement les types d’informations dont on a besoin pour entraîner notre modèle ».

    Impact clinique et économique : doubler le succès des phases II et viser la précision thérapeutique

    Si Scienta Lab commence à documenter l’impact de son approche, la fondatrice insiste sur un bénéfice qui dépasse le seul arbitrage temps/coût.

    Elle indique que « le modèle est deux fois plus puissant que ce qui se fait actuellement sur la prédiction d’efficacité », alors que « à l’heure actuelle, on a un taux de succès des phases deux qui est de l’ordre de 20% ».

    L’entreprise estime que « avec la prédiction, on peut multiplier ça par deux ». Pour autant, « la majorité du temps la valeur ajoutée que voient les clients dans notre solution, ce n’est pas nécessairement le gain de temps ou l’argent ». Ce qui compte, c’est « le fait d’arriver plus rapidement sur le marché et avec une proposition de valeur plus précise » permettant « un succès commercial supérieur » face à des classes thérapeutiques déjà bien établies. Dans des pathologies comme la maladie de Crohn ou la rectocolite hémorragique, où la prise en charge thérapeutique reste chronique, incomplète et parfois d’efficacité décroissante dans le temps, la CEO explique que « seulement 30 à 50% des patients répondent réellement aux traitements disponibles ».

    Dans ce contexte, la capacité à identifier très précisément les patients chez qui un traitement sera réellement efficace devient centrale pour la différenciation thérapeutique et économique, sur un marché où chaque nouveau médicament peut coûter « des centaines de millions, voire 1 milliard de dollars » à développer.

     

  • « L’IA n’a pas vocation à se substituer à l’essai clinique, mais plutôt à en faciliter la réalisation. » Vincent Diebolt, Directeur chez Infrastructure F-CRIN.

    Pour approfondir son analyse sur la transformation digitale des essais cliniques, Health & Tech Intelligence a recueilli le témoignage de Vincent Diebolt, directeur de la plateforme nationale de réseaux F-CRIN (French Clinical Research Infrastructure Network). L’entretien explore la manière dont l’intelligence artificielle devient un prolongement naturel de la numérisation, en soutenant la conception, le recrutement et l’analyse des données au travers de nouveaux modèles d’essais in silico.

    « L’IA peut intervenir à de multiples segments » : une nouvelle grammaire de l’essai clinique

    Pour Vincent Diebolt, l’intelligence artificielle ne se résume ni à un outil monolithique ni à un simple effet de mode, mais à une série de briques qui s’insèrent tout au long du cycle de l’essai clinique. « L’IA peut intervenir à de multiples segments, de multiples points de développement de l’essai clinique », souligne-t-il, en insistant sur la continuité entre numérisation des pratiques et exploitation algorithmique. L’IA est décrite comme un continuum d’usages, depuis l’amont de la recherche jusqu’aux opérations de terrain. La numérisation des dossiers, des protocoles et des flux de données est ainsi décrite comme « un élément constitutif et un préalable pour l’utilisation de l’intelligence artificielle ». Cette vision met en lumière une transformation progressive, où l’IA vient se greffer sur des processus déjà structurés.

    Du screening à l’analyse : l’IA comme moteur de gains opérationnels

    Au plan opérationnel, l’IA est perçue comme un levier pour automatiser des tâches à forte intensité de données, en particulier le recrutement et l’analyse. « L’IA peut intervenir dans les éléments très opérationnels, par exemple pour […] faire un screening des patients », note le directeur de F-CRIN, évoquant la possibilité de croiser automatiquement critères d’inclusion et d’exclusion avec les dossiers numériques. Cette capacité de présélection algorithmique est d’autant plus stratégique que de nombreux essais butent sur des difficultés de recrutement, notamment lorsque les critères sont complexes ou très spécialisés, ce qui avec le développement des connaissances et l’hyper spécialisation des disciplines est de plus en plus fréquent. L’IA est également mobilisée en aval, « pour l’analyse de données » et la rédaction accélérée des livrables, comme les rapports d’étude. L’intervenant anticipe un rôle croissant de ces outils pour « identifier les bons patients, pour réaliser l’analyse de manière accélérée, rédiger peut-être les rapports d’étude ». Cette vision positionne l’IA comme un compagnon de route des équipes de recherche clinique, plutôt que comme un substitut direct. Elle laisse entrevoir un repositionnement des compétences : moins de temps consacré à des tâches répétitives, davantage à l’interprétation, à la validation et au dialogue avec les autorités de régulation. La valeur ajoutée de l’humain se déplace alors vers la supervision et la décision, dans un environnement où le volume et la complexité des données ne cessent de croître.

    Données synthétiques et essais in silico : un relais face aux impasses de la recherche clinique classique

    Lorsque la recherche clinique se heurte à des limites structurelles, l’IA apparaît comme un relais plutôt qu’un substitut. L’intervenant insiste sur l’intérêt des « méthodes d’extrapolation de profils de données existantes, rétrospectives, ou données synthétiques » et des « données artificielles », générées à partir de modèles expérimentaux qui reproduisent et miment le fonctionnement de l’organisme humain. L’objectif est clair : « développer le nombre de données dont on dispose par l’extrapolation de celles qui sont disponibles à travers les quelques patients dont on dispose ou la génération ex nihilo ». Cette approche est particulièrement pertinente dans les maladies rares ou en cancérologie, où l’utilisation de biomarqueurs entraîne un « effet d’attrition et de stratification des patients », avec pour conséquence de ne « pas [avoir] assez de patients pour les essais ». Dans ces contextes, « on va essayer de le fabriquer, l’essai, vraiment in silico », explique-t-il. L’idée n’est pas de remplacer l’essai clinique humain, mais de le compléter là où « la recherche clinique bute sur des obstacles majeurs ». L’IA et les données synthétiques deviennent alors des outils d’extension du champ du possible : elles permettent de tester des hypothèses, de renforcer la puissance statistique et de mieux préparer des essais physiques parfois très difficiles à conduire. Cette perspective ouvre la voie à de nouveaux modèles hybrides, associant patients réels, données simulées et bras de contrôle virtuels.

    De la méthode « artisanale » aux essais augmentés : une rupture progressive, pas une table rase

    Vincent Diebolt rappelle qu’historiquement, « on était intégré dans un bras, dans un des deux bras de randomisation d’un essai, c’est-à-dire l’essai avec un placebo ou avec le traitement de référence », sans recours particulier à des outils de numérisation ou d’IA. « Ce modèle de “Randomised clinial trial” reste le “gold sandard” de l’expérimentation en recherche clinique.” C’est comme ça que ça s’est fait depuis plusieurs dizaine d’années », résume-t-il, en soulignant que cette approche reste la référence en termes de sécurité et de robustesse. La transition actuelle ne signifie pas pour autant une mise au rebut de ces principes fondamentaux. « L’intelligence artificielle, elle n’a pas vocation […] à se substituer à l’essai clinique tel qu’il a été fait aujourd’hui dans les meilleures conditions de sécurité », insiste-t-il, mais plutôt « à aider la réalisation d’essais cliniques qui ne peuvent pas se faire ». À horizon cinq ans, prévient-il, l’IA « va être un élément d’accompagnement » mais « n’aura pas vocation […] à dire on fait table rase de l’essai clinique tel qu’il est actuellement ». Le cœur du message est celui d’une coexistence : l’essai clinique traditionnel demeure la colonne vertébrale, tandis que l’IA vient en accroître la portée, l’efficacité et la granularité, notamment dans les segments les plus complexes ou les plus contraints.

    Une transformation lente, encadrée et collaborative avec les autorités de régulation

    Si le potentiel est élevé, la dynamique de déploiement reste mesurée. « Aujourd’hui on s’aperçoit que les choses se mettent en place mais lentement », constat l’interviewé, en évoquant une phase de transition où les usages se structurent progressivement. Cette lenteur n’est pas perçue comme un frein, mais comme une condition de légitimité et de sécurité. « Les choses devront se faire de manière très pondérée, collective avec l’ensemble des acteurs, ce qui implique “nécessairement […] une démarche d’accompagnement qui va être faite », affirme-t-il. Cet accompagnement implique une collaboration étroite avec les autorités de régulation, « toujours sur les différents aspects de la recherche clinique », afin d’évaluer la sécurité des dispositifs, la robustesse méthodologique et l’éthique des nouveaux modèles. L’IA est ainsi conçue comme un champ de co-construction entre industriels, académiques, établissements de santé,  patients et régulateurs nationaux et européens, plutôt que comme une innovation imposée unilatéralement. Pour les acteurs de la santé numérique, cette perspective trace une feuille de route claire : démontrer l’utilité clinique et organisationnelle des outils, documenter leur impact, et participer activement à la définition de cadres de référence partagés. « Je crois beaucoup […] dans l’intelligence artificielle dans le domaine opérationnel », conclut-il  tout en rappelant que cela croyance s’accompagne d’une exigence de preuve, de temps long et de responsabilité collective dans la transformation de la recherche clinique.

     

  • « les fonds interviennent dans des projets de plus en plus matures, avec des sociétés de plus en plus proches du marché et avec des technologies déjà dérisquées » (David Petiteau, Medicen)

    Un nouveau cycle pour le financement de la santé numérique

    Le financement de la santé numérique entre en 2026 dans un cycle de contraction relative, où la priorité n’est plus la croissance à tout prix mais la survie et la discipline financière. « On sort de plus d’une décennie d’abondance de liquidités, de marchés publics cueillant la promesse d’exit relativement rapide. » résume David Petitetau responsable entrepreneurial, finance et scale-ups chez Medicen. Les dirigeants ont désormais pour préoccupations centrales « la gestion de la trésorerie » et « la recherche de financement », dans un contexte d’instabilité politique qui renforce l’aversion au risque. Les indicateurs globaux restent pourtant trompeurs : les montants levés en life sciences progressent d’environ 20%, tandis que le nombre d’opérations se replie, signe d’une plus forte sélectivité. Le risque majeur se situe sur l’amorçage et l’early stage, avec des tensions « épidémiologiques » ressenties par les acteurs de terrain, alors même que le renouvellement du pipeline d’innovation dépend de ces premiers tours.

    Un marché polarisé : « winners take most »

    Le capital-risque se concentre sur un nombre restreint d’acteurs jugés stratégiques, souvent positionnés sur des technologies d’IA en forte traction clinique, « ce n’est pas winners take all, mais winners take most ». Les scale-ups capables de démontrer un impact médical et un début de traction marché captent l’essentiel des tickets. Dans le même mouvement, « les fonds interviennent dans des projets de plus en plus matures, avec des sociétés de plus en plus proches du marché et avec des technologies déjà dérisquées », repoussant mécaniquement le curseur de risque supportable. Les segments les plus recherchés se structurent autour des solutions d’IA et d’assistants numériques pour l’efficience opérationnelle, de la tech‑bio pour le drug development, de la télémédecine et de la robotique, tandis que les DTx restent freinées par des règles d’accès au marché encore incertaines.

    Les dynamiques invisibles : bridges et pression des Limited Partners

    Derrière les tours annoncés, une part importante de l’activité concerne des opérations de refinancement internes. « La face immergée de l’iceberg, c’est cette importance des bridges qui ne sont pas ou très imparfaitement dans les stats publiées », les fonds utilisant leurs marges de manœuvre pour soutenir prioritairement les participations jugées les plus prometteuses. Parallèlement, la concentration touche aussi les sociétés de gestion, via des rapprochements capitalistiques et une dépendance accrue à quelques grands “Limited Partners” (investisseurs du fonds qui apportent le capital mais ne gèrent pas le fonds au quotidien, contrairement aux “General Partners”). Dans cet environnement, « les levées de fonds de ces sociétés de gestion pour leurs nouveaux fonds prennent significativement plus de temps que dans les années fastes », ce que confirment les baromètres montrant moins de deals, mais des tickets plus élevés concentrés sur des séries B. Pour les bailleurs de fonds, « la performance ne se mesure plus à la valorisation virtuelle, mais à ce qui revient effectivement en cash » : tant que le DPI n’est pas au rendez‑vous via IPO ou M&A, les nouveaux véhicules se lèvent plus lentement, et « concrètement, ils investissent moins ».

    Exigences accrues sur les dossiers : clinique, modèle économique et résilience

    Dans ce contexte resserré, la qualité des dossiers devient déterminante. « Mieux vaut prévenir que guérir, ça vaut aussi pour la gestion de la trésorerie » : approcher « la ligne jaune de la cessation des paiements » reste tabou, alors qu’il existe encore des leviers juridiques et financiers avant le point de non‑retour. Trois angles apparaissent trop souvent sous‑travaillés : un positionnement médical précis et explicite, la capacité à répondre à la question « mais in fine, qui va payer pour la solution ? », et un plan de création de valeur crédible du point de vue de l’investisseur. Le mot d’ordre devient « excellence commerciale et technique, et résilience financière », dans un environnement où le marché adresse moins de projets mais regarde de plus près l’exécution, le go‑to‑market et la trajectoire de rentabilité. Cette exigence s’inscrit aussi dans le mouvement de consolidation : en télé‑surveillance oncologique ou en santé numérique hospitalière, les rapprochements récents montrent que la capacité à s’agréger ou à compléter une offre existante devient un critère clé de soutenabilité.

    Mieux lire les cycles des fonds et diversifier ses financements

    L’une des clés d’adaptation consiste à mieux cartographier l’état des investisseurs sollicités. Il devient stratégique « d’être clair sur le statut » d’un fonds : « est‑ce qu’il est en phase de levée, de sélection des opportunités d’investissement, de gestion de portefeuille ou en phase d’exit ? ». Cette lecture fine évite de perdre du temps auprès de “General Partners” qui n’ont plus ou pas encore de capacité d’investissement, dans un contexte où « tant que les fonds n’ont pas rendu du cash à leurs propres investisseurs, ils lèvent moins vite et investissent moins ». En parallèle, les porteurs de projets sont invités à diversifier leurs sources de capital : business angels sectoriels, crowdfunding réservé aux professionnels de santé, fonds spécialisés comme Patient Autonome en santé numérique, véhicules deeptech régionaux ou tech‑bio. À l’heure où le capital-risque se reconfigure autour d’un nombre restreint de gagnants, la capacité des startups à anticiper leur besoin de cash, à structurer un récit clinique et économique robuste et à composer un tour de table hybride devient un déterminant central de passage à l’échelle.

  • IA ambiante : « l’assistant médical réduit la charge de rédaction et améliore le temps de consultation » (Dr Samiya Abi Jaoude, Hôpital Fondation Adolphe de Rothschild)

    L’entretien avec le Dr Samiya Abi Jaoude et Félix Motosso précise les modalités de déploiement, les impacts sur la pratique et les conditions de reproductibilité dans d’autres hôpitaux.

    Les points clés de l’entretien :

    • 75% des soignants estiment que l’IA améliore leur qualité de vie au travail, 63% des patients jugent qu’elle libère du temps pour les soignants (étude Time to Care) ;
    • une étude européenne indique que les Assistants Médicaux IA réduisent de 29 % le temps administratif ;
    • environ 1 000 établissements européens utilisent déjà la solution Tandem Health, une cinquantaine de pilotes sont en cours en France ;
    • à HFAR, plus de 1 500 consultations ont été couvertes lors du pilote estival avant la décision d’adoption ;
    • les principaux cas d’usage concernent la génération de comptes rendus structurés, les courriers d’adressage et certains modèles d’ordonnances ;
    • la solution n’est pas encore intégrée au dossier patient informatisé (DPI) et fonctionne aujourd’hui comme dispositif médical de classe I, en attente de certification MDR de classe II.

    L’adoption de la solution Tandem Health par l’Hôpital Fondation Adolphe de Rothschild (HFAR), après un pilote estival portant sur plus de 1 500 consultations, illustre concrètement ces bénéfices en visant à améliorer le quotidien des soignants, diminuer le temps administratif et renforcer la qualité du temps médical auprès des patients. L’entretien du 12 décembre 2025 avec le Dr Samiya Abi Jaoude et M. Félix Motosso documente précisément la mise en œuvre de cet assistant médical à HFAR et ses conditions de reproductibilité.​

    Contexte et présentation des intervenants

    Le Dr Samiya Abi Jaoude est neurochirurgienne adulte à l’Hôpital Fondation Adolphe de Rothschild, au sein du service de neurochirurgie adulte, distinct de la neurochirurgie pédiatrique. Ses surspécialités couvrent la chirurgie de la base du crâne, la chirurgie vasculaire et les pathologies du liquide cérébrospinal, avec notamment une forte activité autour de l’hydrocéphalie à pression normale (HPN). Elle se décrit comme « curieuse » et volontiers testeuse de nouveautés numériques, mais jusqu’ici rarement convaincue par les solutions proposées sur le terrain, souvent jugées déconnectées de la réalité du terrain médical français.​

    Elle rappelle son parcours à l’AP-HP (internat puis clinicat), où elle a connu successivement la dictée sur cassette, la dictée sur carte SD avec transcription externalisée, puis la dictée directe aux secrétaires ou via Dragon, avec un niveau de satisfaction limité, notamment du fait de son accent mal reconnu et de la nécessité de corrections massives. Cette trajectoire nourrit sa sensibilité au sujet des outils de documentation médicale et à leur impact sur le temps clinique et la qualité des comptes rendus.​

    Félix Motosso est directeur général de Tandem Health France, en charge du développement de la solution d’assistant médical IA dans les établissements de santé français. Le double positionnement de Tandem est mis en avant : d’une part comme solution de rédaction et de documentation (dispositif médical de classe I aujourd’hui, en cours de certification MDR de classe II), d’autre part comme futur levier d’aide au diagnostic et de prise de décision une fois la donnée patient accessible dans un cadre réglementaire renforcé. À l’échelle européenne, il indique que Tandem est déjà utilisée dans environ 1 000 établissements, et qu’en France une cinquantaine de pilotes sont en cours, incluant CH, ESPIC et groupes privés, avec une dynamique de contractualisation en fin 2025.​

    HFAR : un projet inscrit dans une stratégie numérique

    HFAR est décrit comme un établissement fortement engagé dans la digitalisation, sans dossier papier depuis plusieurs années, avec un recours exclusif au dossier informatique. La direction est jugée très motrice sur les sujets de transformation numérique, avec une volonté de digitaliser le parcours patient et d’optimiser les ressources secrétariales.​

    Avant Tandem, HFAR a testé une autre solution IA, expérience jugée globalement négative par le Dr Abi Jaoude. Elle souligne plusieurs limites : trame de consultation pensée pour le système américain et mal adaptée au contexte français, absence de personnalisation pour les surspécialités, et surtout des hallucinations importantes (ex. apparition d’un contenu de chirurgie digestive dans un compte rendu de neurochirurgie), conduisant à l’abandon du test jugé chronophage et peu utile. Cet échec a renforcé l’exigence d’une solution mieux adaptée à la pratique de spécialité, structurée et fiable, sans surcharge de corrections.​

    Le projet Tandem est porté conjointement par la direction (dynamique de digitalisation, recherche d’efficience, réduction de la charge secrétariale) et par une partie du corps médical, dont la cheffe de service et le Dr Abi Jaoude, volontaires pour tester des solutions innovantes. L’objectif explicite est de réduire le temps consacré à la frappe et à la rédaction, de fiabiliser et structurer les comptes rendus, et de redonner du temps d’échange en face à face avec le patient en consultation.​

    Génération automatique de comptes rendus structurés en consultations programmées

    Le cas d’usage principal déployé à HFAR avec Tandem est la génération automatique de comptes rendus de consultation à partir de l’audio capté pendant l’échange médecin–patient. Dans le service du Dr Abi Jaoude, un cas emblématique est la consultation d’hydrocéphalie à pression normale (HPN), nécessitant un interrogatoire très structuré pour décider d’une éventuelle dérivation, avec des rubriques précises (troubles de la marche, troubles sphinctériens, troubles cognitifs, troubles de l’humeur, « red flags »).​

    Plus largement, Tandem est utilisé dans plusieurs spécialités de l’hôpital, notamment en neurochirurgie adulte, en cardiologie et en pédiatrie, avec des modèles adaptés selon les besoins. Les types de consultations couverts concernent principalement les consultations médicales programmées, incluant des consultations de première fois et des suivis, particulièrement dans des contextes chroniques ou de surspécialités où un compte rendu structuré est critique (ex. pathologies neurochirurgicales complexes).​

    Figure 3 Exemple de compte-rendu sur Tandem Health

    Pour l’instant, les documents majoritairement générés sont :

    • des comptes rendus de consultation structurés ;
    • des courriers d’adressage ou de réponse entre spécialistes et médecins traitants ;
    • des courriers patients ;
    • et, pour certains médecins, des ordonnances, même si Tandem n’est pas positionné comme outil de validation automatique de prescriptions.​

    « Quelques minutes gagnées par consultation et une interaction patient plus directe »

    Le Dr Abi Jaoude estime que Tandem lui fait gagner quelques minutes par consultation, principalement sur la frappe et la mise en forme, ce qui, sur des journées de 25 à 30 patients, représente un gain de temps significatif. Elle ne parle pas de « 10–12 minutes » gagnées par consultation, mais insiste sur l’effet cumulé de ces minutes et sur le confort apporté par la disparition de la frappe en continu pendant l’échange. La consultation HPN, souvent longue (entre 15 et 25 minutes), devient plus fluide puisque l’attention peut se porter davantage sur le patient que sur l’écran.​

    Concrètement, elle ne tape plus ses comptes rendus « en live » pendant la consultation, ce qui modifie la posture d’échange : moins de regards vers le clavier, moins d’interruptions pour rédiger, plus de contact visuel et de continuité dans le dialogue. Elle souligne que Tandem produit des textes globalement corrects en français, sans fautes d’orthographe majeures, avec une bonne reconnaissance des termes médicaux, même si quelques ajustements restent nécessaires (modification de formulations ou de détails cliniques). Ce fonctionnement réduit aussi la frustration liée aux corrections de langue ou aux erreurs massives rencontrées avec la dictée vocale traditionnelle.

    ​

    Du point de vue de Tandem, les études internes récentes menées auprès d’environ 1 000 médecins et patients montrent que les patients sont au moins aussi demandeurs que les soignants de solutions permettant de rétablir une interaction directe, face à face, en consultation. Ces résultats rejoignent les données “Time to care” sur la perception positive de l’IA pour la libération de temps médical, suggérant une convergence d’attentes entre professionnels et patients.​

    Un workflow en quatre étapes, de l’enregistrement audio à la validation du compte rendu

    Une consultation type avec Tandem se déroule selon un schéma standard, modulable selon les spécialités. Avant la consultation, le médecin se connecte à l’interface Tandem sur son ordinateur via une double authentification (envoi d’un code par e-mail), puis sélectionne le modèle de consultation souhaité (par exemple « consultation HPN » dans le cas de la neurochirurgie). Un micro d’ambiance, branché sur l’ordinateur et adapté aux salles de consultation (également utilisable en bloc opératoire pour d’autres cas d’usage), capte l’échange audio pendant la consultation.​

    Pendant la consultation, le médecin conduit l’entretien de manière habituelle, en suivant mentalement sa structure clinique mais sans avoir à la formaliser en temps réel au clavier. Le modèle de Tandem, configuré à partir des trames transmises par le médecin (rubriques et sous-parties souhaitées), transforme la conversation en un compte rendu structuré, en respectant les sections propres à la pathologie (ex. HPN) et en intégrant les éléments cliniques clés (symptômes, imagerie commentée à voix haute, conclusion). La consultation peut rester libre dans l’ordre des questions, Tandem se chargeant de reclasser l’information dans la structure prévue.​

    Après la consultation, le médecin clique sur « créer le compte rendu » et obtient un document structuré modifiable ligne par ligne. La relecture-correction intervient immédiatement après le départ du patient, souvent en 1 à 2 minutes, pendant la préparation des ordonnances ou une courte pause. Le praticien peut ajuster certains passages, corriger quelques formulations (par exemple transformer une phrase approximative sur un trouble moteur en formulation clinique plus précise) puis valider le texte. Ce document est ensuite intégré directement dans le DPI en un clic depuis Tandem.​

    Les variations de workflow entre spécialités sont limitées : l’interface et les étapes restent identiques, la principale différence tenant au choix du modèle de consultation (modèle générique, modèle HPN, etc.). Le workflow est également similaire pour seniors et juniors, la logique étant la même ; toutefois, la facilité d’appropriation peut varier selon la familiarité des praticiens avec les outils informatiques.​

    Intégration au système d’information et contraintes techniques

    À HFAR, Tandem est branché de manière indirecte au système d’information : l’outil transfère les CR générés directement dans le DPI mais ne peut pas encore y récupérer les données médicales et ne traite pas de données d’identification patient dans sa version actuelle en classe I. Aucun identifiant patient n’apparaît dans l’interface Tandem, tant que le document n’est pas transféré dans le système hospitalier ; cela est présenté comme une garantie de non-traitement de données de santé nominatives à ce stade. Le flux opérationnel consiste donc à générer le compte rendu dans Tandem puis à le transférer en un clic dans le DPI ainsi que (copier-coller) dans l’outil de courrier / compte rendu utilisé à la Fondation.​

    Les contraintes techniques principales évoquées relèvent de la sécurité, de la conformité (RGPD, hébergement HDS), des contraintes de réseau et de la diversité des postes (salles de consultation, blocs, services d’urgences), ainsi que de l’équipement audio. M. Motosso considère la conformité RGPD et l’hébergement HDS comme des prérequis « de base », nécessaires mais non différenciants ; la vraie complexité réside dans l’intégration dans des DPI parfois anciens (années 1990) et dans la capacité à couvrir des cas de figure variés (consultations fixes, mobilité, différentes salles, urgences, bloc, etc.).​

    Pour un pilote dans un autre hôpital, Tandem met en avant une architecture technique « souple », capable de s’intégrer soit via l’éditeur du DPI, soit directement au niveau établissement quand l’intégration profonde est plus complexe ou plus longue. Cette approche permet de démarrer en quelques jours ou semaines selon le contexte SI, sans exiger un niveau de maturité IT très avancé, à condition que les éléments de base soient en place (DPI, infrastructure réseau suffisante, DSI mobilisée).​

    À moyen terme, la certification MDR de classe II doit permettre à Tandem d’accéder aux données patients (antécédents, consultations antérieures) et de pré-remplir des comptes rendus, notamment pour les consultations de suivi, en réutilisant les informations structurées déjà présentes dans le DPI. Cette évolution est envisagée comme un levier pour aller au-delà du seul gain administratif, vers des fonctionnalités plus « médicales » (pré-remplissage, suivi longitudinal, assistance au diagnostic).​

    Adoption facilitée par le volontariat médical, des parcours de formation courts et la co‑construction des modèles

    Le choix des services pilotes à HFAR repose sur le volontariat et l’appétence pour le numérique, avec un ciblage de spécialités fortement exposées à la charge de documentation (neurochirurgie, cardio, pédiatrie, etc.). Le Dr Abi Jaoude et sa cheffe de service se positionnent comme référentes et utilisatrices précoces, ce qui facilite l’appropriation par les équipes.​

    Sur la formation, la prise en main de Tandem est décrite comme quasi immédiate pour les praticiens : l’outil « écoute et crée », avec très peu d’étapes (connexion, choix du modèle, démarrage et arrêt de l’enregistrement, création du compte rendu). Pour des utilisateurs comme le Dr Abi Jaoude, à l’aise avec l’informatique, la courbe d’apprentissage est évaluée à « zéro jour » ; pour des médecins moins familiers du numérique, M. Motosso estime la montée en compétence à une dizaine de consultations. En revanche, la personnalisation des trames (définition de modèles spécifiques HPN, etc.) se fait de façon progressive, sur quelques jours ou quelques consultations, via des retours à l’équipe Tandem, avec la perspective d’un futur mode « do it yourself » permettant aux médecins de créer eux-mêmes leurs modèles.​

    Les freins rencontrés relèvent principalement :

    • de la résistance culturelle à la technologie et à la remise en question des habitudes de rédaction  ;
    • des craintes initiales de perte de temps en phase de test, renforcées par les expériences négatives avec des outils antérieurs.​

    Pour lever ces freins, Tandem mise sur :

    • des démonstrations in situ, y compris avec des chefs de service initialement sceptiques, en leur montrant la différence avec la dictée vocale classique ;
    • une très faible friction d’usage (interface simple, trois clics clés) ;
    • la co-construction des trames avec les médecins pour coller à leur pratique. Les éléments qui favorisent l’adoption incluent la perception concrète du gain de temps, le confort d’avoir des comptes rendus structurés, l’amélioration ressentie de la relation patient, ainsi que l’engagement de la direction dans la transformation numérique.​

    Information systématique des patients et sécurisation des données

    En consultation, le Dr Abi Jaoude informe les patients que leur compte rendu sera généré par un outil d’IA, en début d’échange. Elle rapporte n’avoir reçu à ce jour aucune objection explicite de la part des patients, ni retour négatif structuré sur l’usage de l’IA en consultation.​

    Du côté de Tandem, plusieurs garde-fous sont mis en avant : hébergement HDS, conformité RGPD, dispositif médical de classe I ne traitant pas directement de données patients identifiantes, et absence de réutilisation non conforme de la donnée pour l’entraînement des modèles, dans le respect du cadre réglementaire européen jugé plus strict que le contexte américain. La non-visibilité des identifiants patients dans l’interface Tandem à HFAR est présentée comme une mesure de conformité, en attendant la certification MDR de classe II qui permettra l’accès au DPI dans un périmètre encadré.​

    À ce jour, aucune catégorie spécifique de cas d’usage explicitement « interdits » n’est détaillée pour HFAR dans l’entretien (par exemple certains contenus extrêmement sensibles ou certaines situations), en dehors des limites réglementaires liées à la classe I (pas d’accès direct à la donnée patient, pas d’aide au diagnostic). Les perspectives évoquées incluent toutefois un encadrement renforcé des usages à mesure que la solution évoluera vers plus d’intégration et de fonctionnalités médicales.​

    3 conditions pour reproduire le cas d’usage : pilotage partagé, DSI mobilisée, médecins référents impliqués

    Pour un autre hôpital français souhaitant reproduire ce cas d’usage en 2026, Félix Motosso met en avant trois conditions principales :

    • un « attelage » solide entre les équipes administratives (direction générale, DSI, direction de l’innovation, direction médicale) et les équipes soignantes, avec une vision claire des objectifs (gains d’efficience, amélioration de la qualité de vie au travail, impact sur le temps patient) ;
    • la mobilisation de quelques ressources DSI pour travailler en ping-pong sur l’intégration et l’accès au logiciel (accès, sécurité, modalités d’intégration au DPI) ;
    • la présence de médecins motivés, pas nécessairement « experts » en informatique, mais prêts à tester et à co-construire, afin de démontrer l’utilité de la solution pour différents profils.​

    Du point de vue du Dr Abi Jaoude, les évolutions souhaitées pour que l’IA devienne un allié encore plus fort dans la pratique quotidienne portent sur :

    • l’extension au-delà de la consultation, avec la capacité à synthétiser l’ensemble du séjour hospitalier dans une lettre de liaison structurée (type LBD / lettre de liaison de sortie) ;
    • une intégration plus profonde avec le DPI, permettant de pré-remplir les documents à partir des données déjà présentes, en particulier pour les consultations de suivi (réutilisation automatique du compte rendu précédent, historique, etc.) ;
    • la génération d’ordonnances bien structurées, adaptées au contexte clinique du moment. Elle souligne également l’intérêt d’outils IA dans d’autres domaines (imagerie, radiologie), déjà présents via des projets internes et externes de radiologues pour l’entraînement de modèles, même si ceux-ci relèvent plus de la création de solutions que de leur usage routinier par les cliniciens.​

    Dans ce cadre, l’expérience HFAR avec Tandem confirme les résultats de “Time to care” : un assistant médical IA, correctement intégré et accompagné, peut à la fois alléger la charge documentaire des soignants et soutenir une relation patient plus directe, à condition de respecter les contraintes de sécurité, de construire le cas d’usage avec les équipes cliniques et de maintenir un dialogue étroit entre DSI, direction et médecins.

     

  • Stratégie IA : « Notre objectif, c’est de déployer l’IA au service de l’usage immédiat et de l’innovation. » (Alexis Thomas, DGA et Sébastien Florek DSN CHU de Bordeaux)

    L’établissement renforce la cybersécurité, l’évaluation éthique et les coopérations régionales et européennes afin d’intégrer l’IA dans les pratiques cliniques et organisationnelles au service des besoins des soignants et des patients.

    Points-clés

    • Quatre projets structurants en IA ( trois RHU un EDS régional) portés ou co-portés par le CHU de Bordeaux ;​​
    • priorité donnée aux usages à forte contrainte métier comme les plannings RH, la gestion des lits et des flux;​
    • évaluation clinique, organisationnelle, économique et éthique systématiquement intégrée au pilotage des projets ;​
    • structuration régionale des données de santé via l’EDS fédéré EDS@NOVA (Bordeaux, Poitiers, Limoges) ;​​
    • renforcement de la cybersécurité avec une direction de la cybersécurité distincte de la direction du numérique.

    Health & Tech Intelligence s’est entretenu avec Alexis Thomas, directeur général adjoint du CHU de Bordeaux et avec Sébastien Florek, directeur du numérique, directeur du système d’information hospitalier, support aux projets innovants intégrant de l’IA.​

    Le CHU de Bordeaux est un centre hospitalier universitaire de très grande taille, fortement impliqué dans la recherche, l’innovation et les coopérations inter-CHU, disposant d’une communauté médicale et d’une direction très engagées sur les projets IA, notamment autour des entrepôts de données de santé et de la numérisation des lames d’anatomopathologie.

    Une stratégie IA en cours de formalisation

    Le CHU s’appuie sur une communauté de recherche active, investie dans les projets IA, ainsi que sur des coopérations nationales et européennes autour des entrepôts de données de santé et de la numérisation des lames d’anatomopathologie.​​

    Une feuille de route IA formalisée est en cours de rédaction, sous pilotage de la Commission médicale d’établissement, de la direction générale et de la direction du numérique.​

    Cette feuille de route vise à couvrir l’ensemble des cas d’usage (cliniques, médico-techniques, administratifs), en évitant la dispersion et en identifiant les sujets les plus pertinents en priorité.

    3 RHU structurants, TALENT, ENVISAGE et Digital Urology 3D

    Le CHU de Bordeaux est porteur de trois RHU majeurs intégrant fortement l’IA, TALENT, ENVISAGE et Digital Urology 3d, tous trois lauréats de l’ANR. TALENT vise à améliorer la prédiction et la prévention des accidents vasculaires cérébraux cardio-emboliques par des modèles d’IA, en s’appuyant sur des données cliniques et de rythme cardiaque collectées sur plusieurs sites, en lien avec l’IHU LIRYC, l’Inria et plusieurs partenaires industriels spécialisés dans l’analyse de signaux et l’imagerie cardiaque.​

    ENVISAGE a pour objectif de développer une solution de guidage par l’image basée sur l’IA pour optimiser la sélection des patients et le déroulement des procédures transcathéter sur les valves cardiaques, en partenariat avec des équipes françaises et canadiennes et des industriels de l’imagerie interventionnelle.

    En urologie, par le programme de Recherche et Innovation sur le Cancer du rein I.CaRe Bordeaux, le CHU est fortement impliqué dans UroPredict. Ce projet, lauréat de l’AMI Data, IA et Parcours de santé du CSF-ITS, s’appuie sur l’EDS multicentrique thématique du réseau français de recherche sur le cancer du rein UroCCR contenant les données de plus de 21 700 patients pour développer des algorithmes prédictifs d’upstaging tumoral et de rechute après chirurgie. Ces modèles de machine learning quantifient d’une part le risque d’upstaging d’une tumeur (passage d’un stade localisé en imagerie à un stade localement avancé en anatomopathologie), et d’autre part le risque de rechute 5 ans après chirurgie d’un cancer du rein non métastatique. Ils sont aujourd’hui déployés et mis à disposition de la communauté scientifique et médicale internationale via le site internet du réseau uroccr.fr.​​

    « […] Si l’offre des éditeurs d’IA ne répond pas, il faut pouvoir développer nous-mêmes certains algorithmes. »

    Le CHU distingue des projets IA « historiques » et très spécialisés, souvent issus de communautés de recherche et d’appels à projets, et des projets plus transversaux (aide à la détection pour fractures, réalisation des plannings) qui suivent un processus classique d’achat, d’intégration et d’évaluation.​

    La ligne directrice est de ne pas tout développer en interne afin de limiter la prolifération d’« outils maison » difficilement maintenables, tout en conservant la capacité de développer certains algorithmes spécifiques lorsque l’offre du marché ne répond pas aux besoins.​

    Ce positionnement s’articule avec des investissements ciblés en capacités de calcul, notamment en serveurs dotés de GPU, lorsque les exigences techniques dépassent les solutions disponibles en mode service.

    Formation et accompagnement des équipes

    La formation à l’IA n’est pas encore structurée sous forme de cursus générique, mais l’accompagnement est ciblé sur chaque solution déployée

    Une sensibilisation progressive aux enjeux de l’IA est menée auprès des cadres et des équipes administratives, afin qu’ils identifient clairement les fonctionnalités basées sur l’IA et les usages autorisés.​
    Il n’est pas possible, à ce stade, de proposer une formation généraliste à l’IA à l’ensemble des personnels, mais la montée en compétence est identifiée comme un axe de travail prioritaire.

    « […] La mise en place de l’IA doit correspondre à des objectifs précis »

    Sur les outils cliniques, un enjeu majeur est la bonne prise en compte des implications associées en termes de responsabilité, de sécurité et de pertinence.​ La compréhension de l’étendue des données exploitées par les modèles (pour la prédiction ou l’aide au diagnostic) fait partie des conditions d’acceptabilité.​

    Pour les outils de gestion, comme la planification RH, la confiance se construit autour de l’utilité perçue : les équipes sont souvent demandeuses de solutions d’optimisation pour réduire la charge administrative et gagner du temps .​

    L’évaluation de l’impact clinique, organisationnel et économique est au cœur des démarches de déploiement, en intégrant également une dimension éthique.​ Pour les outils d’aide au diagnostic (fractures, imagerie, prothèses), l’IA est considérée comme un dispositif médical et doit être évaluée en termes d’efficacité clinique et de sécurité des patients, tandis que les projets organisationnels suivent des indicateurs comme les temps d’attente, les taux de satisfaction, ou le temps passé à élaborer les plannings.​

    « Avec la direction de la cybersécurité, on a une organisation cyber de chacun des projets numériques. »

    Le CHU de Bordeaux a renforcé sa gouvernance en créant une direction des risques cyber, distincte de la direction du numérique, pilotée par le RSSI, et qui intègre les DPO dont l’une des composantes est l’organisation du PCRA (plan de continuité et de reprise de l’activité).​

    Cette séparation permet d’assurer une indépendance de contrôle et de supervision, vis-à-vis des projets numériques mis en œuvre en particulier pour les projets numériques critiques incluant de l’IA.​

    Des procédures ont été mises en place pour intégrer la cybersécurité dès la conception des projets, avec l’objectif de ne plus déployer de solutions en dehors du cadre du référentiel national de sécurité (MSSI).​
    Chaque projet est ainsi analysé sous l’angle de son exposition vers l’extérieur et de la conformité aux exigences réglementaires et techniques en matière de sécurité.​

    Données, EDS@NOVA et numérisation des lames

    Le CHU de Bordeaux est lauréat de la première vague nationale sur les entrepôts de données de santé (EDS) avec deux autres CHU régionaux et a mis en place un EDS local coordonné au sein du GCS NOVA.​​

    L’EDS@NOVA, entrepôt fédéré associant Bordeaux, Poitiers et Limoges, a pour objectif de mettre en commun les données de santé hospitalières pour les projets de recherche mono centrique (présente dans un seul établissement) ou multi-centrique (sur l’ensemble des 3 sites), en garantissant la protection des données et l’encadrement des usages secondaires.​​

    Parmi les premiers projets IA et data soutenus au sein d’EDS@NOVA figure notamment TALENT, centré sur la prédiction du risque d’AVC cardio-embolique, aux côtés d’autres projets multicentriques menés avec l’université de Bordeaux, l’Inserm, l’Inria et le Health Data Hub.​​

    En parallèle, un projet de numérisation des lames d’anatomopathologie est conduit sur les trois CHU, avec le soutien de l’Agence régionale de santé Nouvelle Aquitaine, avec stockage sécurisé et développement concomitant d’algorithmes internes pour la recherche et de benchmarks de solutions industrielles « sur étagère » pour l’aide à la lecture et la détection automatisée.​

    La réflexion éthique fait partie intégrante de la réflexion sur les modèles d’évaluation

    L’évaluation éthique des outils IA est considérée comme un axe structurant de la stratégie, avec une réflexion en cours sur les modèles d’évaluation à appliquer.​ L’assistance IA à la décision clinique est traitée comme un dispositif médical, impliquant une démarche encadrée pour son évaluation, sa mise en production et la traçabilité des usages.​

    Une sous-commission dédiée travaille sur l’ensemble des usages de l’IA dont les outils de type ChatGPT (génération automatique de textes), afin de définir un périmètre de légitimité, les modalités d’usage et les règles de conservation des traces.​ Les questions juridiques (évolution du cadre, règles de responsabilité, transparence vis-à-vis des patients) sont discutées au sein de cette sous-commission, avec une attention particulière portée à la conformité et à la documentation des décisions.​

    Coopérations régionales, nationales et européennes

    Au niveau régional, le CHU de Bordeaux coopère déjà avec les CHU de Poitiers et de Limoges dans le cadre de l’EDS multicentrique et de la numérisation des lames d’anatomopathologie, modèle en cours d’extension à d’autres établissements.​​

    Cette coopération s’accompagne d’une volonté affichée d’éviter la concurrence entre établissements publics sur les choix des infrastructures d’IA, en privilégiant la mutualisation et l’harmonisation des choix de solutions.​

    Sur le plan national et européen, le CHU participe à au moins un programme européen reposant sur un modèle hybride de communication 5G permettant de garder en local les données sensibles du CHU tout en exploitant des outils et systèmes IA existants en limitant ainsi le risque d’exposition cyber.

    Les équipes expriment un intérêt marqué pour des partenariats européens autour d’infrastructures et de solutions de cloud plus souveraines, afin de réduire la dépendance aux grands acteurs américains.​​

    Le partage d’expérience avec d’autres hôpitaux français et étrangers, notamment canadiens, est vu comme un levier pour améliorer collectivement l’usage de l’IA en santé, en capitalisant sur les succès comme sur les limites rencontrées.

     

  • « Il faut être capable de montrer aux parents : voilà votre enfant, voilà l’anomalie, voilà ce qu’on va faire… il y a là un vrai enjeu » Jean-Baptiste Masson (Decision and Bayesian Computation lab)

    Pour approfondir son étude sur l’Intelligence Artificielle (IA) en pédiatrie les équipes d’H&TI se sont entretenues avec Jean-Baptiste Masson, physicien théoricien et investigateur principal du laboratoire Decision and Bayesian Computation (DBC) – Epiméthée (EPI) situé à l’Institut Pasteur, et à L’INRIA afin d’appréhender concrètement les défis organisationnels, humains, réglementaires et technologiques, tout en illustrant par de nombreux exemples les réalités du terrain.

    La pédiatrie, une discipline aux enjeux spécifiques

    L’intégration de l’intelligence artificielle en pédiatrie se heurte à des caractéristiques propres à la discipline. Les enfants possèdent un corps et un cerveau en développement, une capacité de verbalisation contextuelle et un environnement familial essentiel au processus de soin. Ces éléments complexifient la collecte, l’interprétation et la structuration des données nécessaires aux modèles d’IA. L’accès aux données est déjà une difficulté importante en médecine adulte, mais il devient encore plus délicat lorsqu’il s’agit de mineurs. Egalement le corps de l’enfant évoluant rapidement, les images diffèrent considérablement d’une année à l’autre, rendant difficile toute approche basée sur l’alignement temporel ou la comparaison directe. Cette variabilité crée des défis techniques pour le machine learning, dont les performances dépendent en grande partie de la stabilité et de l’homogénéité des données. L’IA pourrait néanmoins bénéficier de cette diversité, notamment dans le cadre de modèles dits « fondationnels » capables d’extraire des structures à partir de données non organisées. Cependant, ces approches nécessitent des bases de données massives qui n’existent pas encore en pédiatrie.

    Une hétérogénéité des données particulièrement marquée

    L’une des principales difficultés pour la pédiatrie concerne la gestion de l’hétérogénéité des données médicales, contrairement à d’autres secteurs où l’IA prospère grâce à des volumes massifs de données standardisées, la médecine, particulièrement la médecine pédiatrique, génère des données fragmentaires, prises souvent dans des contextes de maladie plutôt qu’au long cours, et rarement harmonisées. Jean-Baptiste Masson résume ce problème : « Un corps humain c’est compliqué […] il y a énormément de variables cachées », ces variables invisibles, non mesurées mais influençant pourtant les phénomènes biologiques, compliquent fortement la modélisation.

    Dans le cas des enfants, les variations liées à la croissance ajoutent une dimension temporelle particulièrement complexe. Les tentatives visant à fusionner deux images prises à plusieurs années d’écart illustrent cette difficulté : l’enfant n’a plus la même taille, les structures anatomiques ont bougé, les proportions ont évolué. Les outils de vision artificielle doivent donc gérer des transformations non linéaires et des structures organiques en évolution rapide, ce qui dépasse les capacités actuelles des algorithmes classiques. Par ailleurs, le manque de bases de données pédiatriques de grande ampleur empêche la mise en place de modèles robustes et généralistes. Contrairement aux corpus textuels utilisés pour entraîner les grands modèles de langage, les données d’imagerie pédiatrique ne peuvent être collectées massivement pour des raisons réglementaires, éthiques et pratiques. De ce fait, l’IA peine à atteindre des performances équivalentes à celles observées dans d’autres domaines. Néanmoins, certains modèles fondés sur la diversité plutôt que sur l’uniformité pourraient tirer parti de ces variations. Ce potentiel reste toutefois théorique tant que les infrastructures nécessaires à la collecte, l’annotation et la mutualisation des données ne sont pas mises en place. En résumé, l’hétérogénéité n’est pas seulement un obstacle technique, mais un défi structurel inhérent à la nature même de ma médecine et encore plus de la pédiatrie.

    La relation tripartite enfant-parents-médecin comme cadre incontournable

    L’IA en pédiatrie doit composer avec une réalité propre à la discipline : l’enfant n’est pas l’unique interlocuteur. Son état de santé, son ressenti, ses symptômes et sa compréhension sont inévitablement médiés par les parents. Cette situation influence directement les usages possibles de l’IA. Les médecins doivent non seulement interpréter les données cliniques, mais aussi les discours parentaux, les observations subjectives et les représentations parfois imprécises de la maladie. Jean-Baptiste Masson le rappelle explicitement : « La vraie personne avec qui on interagit, ce sont les parents ». Cette médiation modifie le type d’outils numériques pertinents. Les systèmes destinés à accompagner une décision médicale ou à expliquer une procédure doivent intégrer des contenus adaptés à un public adulte non spécialiste plutôt qu’à l’enfant lui-même. De plus, certaines interventions médicales, comme la chirurgie, nécessitent des décisions parentales difficiles. L’anxiété, l’incompréhension ou la peur peuvent influencer leurs choix. L’IA pourrait alors jouer un rôle dans la communication médicale, en facilitant la visualisation d’images ou en rendant les explications plus accessibles. L’entretien évoque l’exemple d’Avatar Medical, une start-up développant des outils de visualisation 3D permettant aux patients de mieux comprendre les images IRM ou les anomalies présentées. Cette capacité à traduire des données complexes en représentations intelligibles pourrait s’avérer particulièrement utile en pédiatrie, où la charge émotionnelle liée à une décision médicale est accrue. Toutefois, l’IA ne résout pas la complexité humaine de cette relation tripartite ; elle peut au mieux outiller la communication ou faciliter l’accès aux informations.

    L’impact de la dimension émotionnelle dans les parcours de soins

    L’entretien souligne l’importance de la dimension émotionnelle dans les situations pédiatriques, en particulier lorsqu’il s’agit d’opérations ou de diagnostics complexes. Le stress parental, déjà élevé en temps normal, s’intensifie lorsque des interventions sont envisagées, notamment en période de grossesse ou juste après la naissance. Le chercheur à l’Institut Pasteur évoque cette réalité en ces termes : « Être capable de montrer aux parents : voilà votre enfant, voilà l’anomalie, voilà ce qu’on va faire… il y a là un vrai enjeu ». L’IA apparaît dès lors comme un outil potentiel d’accompagnement psychologique et pédagogique. La possibilité de visualiser une anomalie, de comprendre un geste chirurgical ou de mieux appréhender les risques contribue à réduire l’angoisse parentale et à restaurer un sentiment de maîtrise. Dans certaines institutions d’excellence comme Necker, la collaboration entre chercheurs, ingénieurs et cliniciens vise précisément à créer des outils permettant de traduire la complexité médicale en formats compréhensibles. Cette approche s’avère particulièrement pertinente pour les diagnostics prénataux, où les informations sont nombreuses, techniques et souvent angoissantes pour les familles. Le stress n’est pas uniquement un phénomène émotionnel : il influence la capacité à comprendre, mémoriser et décider, ce qui conditionne la qualité du consentement. L’IA ne remplace pas le contact humain, mais elle peut structurer le dialogue, clarifier l’information ou proposer des supports adaptés. Cependant, cette dimension nécessite une grande prudence : une représentation trop simplifiée peut être trompeuse, tandis qu’une image trop réaliste peut être anxiogène. L’équilibre entre transparence et accompagnement constitue donc un défi majeur pour la conception de ces outils. Dans ce contexte, l’IA se positionne non pas comme une technologie autonome mais comme un facilitateur de communication dans un cadre familial déjà complexe.

    Les limites du prédictif

    Sur la question du pouvoir prédictif de l’IA le directeur de laboratoire se montre sceptique : en s’appuyant sur des principes mathématiques issus notamment des travaux de Poincaré, il rappelle que même un système physique simple devient imprévisible au-delà d’un certain horizon temporel, même lorsqu’on en connaît parfaitement l’état initial. L’idée qu’un organisme humain, infiniment plus complexe, doté de millions de variables inconnues et d’interactions multiples, puisse être prédit à long terme relève donc de la surinterprétation technologique. Ainsi, selon l’interviewé, si les jumeaux numériques fonctionnent très bien dans l’industrie, où les composants et interactions sont parfaitement définis, cela est beaucoup plus difficile lorsqu’il s’agit du vivant, où les informations manquantes sont trop nombreuses pour établir une simulation cohérente. Selon le chercheur, même une multiplication des données ne résoudra jamais complètement ce problème, car la prédiction individuelle demeureera toujours limitée par l’existence d’états biologiques cachés. Cette mise au point n’exclut pas que certains éléments deviennent prévisibles à court terme ou dans des contextes spécifiques. Il s’agit plutôt d’un appel à la prudence, rappelant que l’augmentation des données ne permet pas mécaniquement d’améliorer les modèles. Les usages les plus pertinents se situeront du côté de la détection de signaux faibles, de l’aide à la décision ou de l’accompagnement, et non dans l’oracle clinique annoncé par certains discours médiatiques.

    L’aide à la décision : un champ plus réaliste

    Si la prédiction fait face à des problématiques physique importantes, l’aide à la décision apparaît comme un domaine beaucoup plus réaliste et porte déjà des résultats concrets. L’exemple de Sonio, start-up issue des travaux de Stéphanie Allassonnière, illustre cette dynamique. Le système repose sur l’encodage structuré du raisonnement médical, plutôt que sur la simple ingestion massive de données. Ce type d’outil n’a pas vocation à remplacer les experts de centres de référence comme Necker, mais à accompagner les professionnels des maternités de niveau 1, moins expérimentés et moins exposés à des cas complexes. En proposant des questions ciblées (« avez-vous vérifié ceci ? », « souhaitez-vous examiner cela ? »), l’IA guide le praticien dans un raisonnement clinique structuré, réduisant le risque d’oublis ou d’erreurs. Cette approche est particulièrement adaptée à la pédiatrie et au diagnostic prénatal, où la variabilité anatomique et les marges d’incertitude sont élevées. Contrairement aux grands modèles généralistes, ces systèmes n’ont pas besoin de données massives ; ils s’appuient sur une modélisation experte du domaine. Cette distinction est essentielle : elle trace une ligne claire entre les visions spéculatives et les applications déjà fonctionnelles. L’aide à la décision pourrait donc devenir l’un des principaux usages de l’IA en pédiatrie, notamment dans les contextes où les ressources médicales sont limitées. Elle permet d’harmoniser les pratiques, d’élever le niveau global de prise en charge et de diffuser une expertise distribuée. En revanche, elle ne remplace pas la compétence clinique ; elle la structure et la prolonge. La pédiatrie pourrait ainsi bénéficier d’outils conçus non pour prédire mais pour accompagner, dans une logique pragmatique et fondée sur les connaissances existantes.

    Des dynamiques économiques et réglementaires déterminantes

    L’entretien insiste sur l’importance des cadres économiques et réglementaires. Le déploiement d’un outil médical ne dépend pas seulement de ses performances techniques : il doit s’intégrer dans un système hospitalier, être compatible avec les obligations légales, trouver un modèle économique viable et prouver son utilité à long terme. C’est notamment pour cette raison que les entreprises ont progressivement renoncé au diagnostic automatisé pour se repositionner sur l’accompagnement, un domaine moins exposé juridiquement et plus acceptable pour les régulateurs. La dynamique économique influence également la capacité des start-up à survivre. Les hôpitaux européens achètent peu de solutions nouvelles, ce qui pousse les entreprises à se tourner vers les États-Unis pour trouver des clients. Cette réalité crée un paradoxe : l’Europe finance largement l’innovation, mais n’achète pas les produits issus de cette innovation. Ce déséquilibre ralentit l’adoption des outils IA dans les hôpitaux français, malgré leur potentiel.

    Une adoption encore très limitée

    L’entretien se conclut par une observation claire concernant l’adoption de l’IA en pédiatrie en France en 2025 : elle reste marginale. Les pédiatres hospitalo-universitaires disposent déjà d’un haut niveau d’expertise, et peu de solutions disponibles aujourd’hui apportent une réelle valeur ajoutée clinique. De plus, la pédiatrie représente un segment perçu comme plus risqué pour les entreprises, en raison des enjeux éthiques et juridiques liés aux enfants. Les développements les plus sensibles — tels que l’analyse d’images fœtales ou d’IRM cérébrales prénatales — sont réalisés dans des cadres de recherche plutôt que dans des produits commerciaux. L’adoption future dépendra de multiples facteurs : maturation réglementaire, création de modèles économiques adaptés, développement d’outils réellement utiles au quotidien, acceptabilité culturelle des assistants numériques et capacité des systèmes hospitaliers à intégrer ces innovations. Pour l’heure, la pédiatrie demeure un domaine où l’IA progresse, mais lentement, et principalement dans des usages techniques ou de communication. Les applications cliniques sensibles, elles, nécessiteront davantage de temps, de données et d’expérimentations avant de trouver leur place dans la pratique courante.

  • « Ce qu’on veut vraiment faire, c’est de la prévention pour tous, aller vers, avoir une politique inclusive et avoir un impact » Pauline d’Orgeval, co-fondatrice & présidente de deuxiemeavis.fr

    Aujourd’hui, la thématique de la prévention en santé prend de plus en plus d’ampleur. Les données sont parlantes : 25 millions de Français, soit environ 37% de la population, vivent avec une maladie chronique, et ils pourraient représenter près de la moitié des Français d’ici 2035 (43%). Or, une partie importante de ces pathologies pourrait être évitée ou leur évolution freinée grâce à des actions de prévention adaptées. Des solutions se développent, mais elles sont parfois chères et s’adressent principalement à des cadres dirigeants, qui ne sont pas forcément la population qui en a le plus besoin. C’est dans ce contexte que que Carians a lancé le 16 octobre 2025 son bilan santé digital préventif personnalisé “Prévention par deuxiemeavis” Health&Tech Intelligence s’est entretenu avec Pauline d’Orgeval , présidente et cofondatrice de deuxiemeavis.fr pour en savoir plus. 

    Trois piliers pour une prévention personnalisée et accessible 

    L’offre Prévention par deuxiemeavis.fr repose sur trois volets : un bilan de santé digital individuel, un site dédié et un accompagnement dans le temps. Le bilan digital propose une auto-évaluation des risques grâce à des algorithmes s’appuyant sur l’intelligence artificielle. Réalisable en dix minutes en moyenne, ce questionnaire aborde aussi bien les données démographiques que les antécédents familiaux et le suivi médical. La restitution, générée par l’IA et téléchargeable en PDF, individualise les recommandations pour chaque famille de pathologies, incitant ainsi le patient à agir en lien avec les dispositifs de prévention existants et les professionnels de santé. Selon les responsables de la plateforme, « le but : informer, sensibiliser et inciter à passer à l’action de manière rapide et intuitive ». 

    Le numérique, levier d’équité et de réactivité en santé publique 

    En intégrant ce bilan dans un site de prévention personnalisé, régulièrement enrichi de contenus validés par des médecins experts, la solution ambitionne de favoriser le passage de la prise de conscience à l’action concrète. Des webinaires réguliers et la possibilité d’un accompagnement téléphonique par une infirmière viennent renforcer l’engagement sur le long terme. Pour aller plus loin, l’offre prévoit aussi des check-ups sur site et des dépistages thématiques adaptés.

    500 médecins experts mobilisés pour la prévention digitale 

    La solution “Prévention par deuxiemeavis” s’appuie sur un réseau de plus de 500 médecins experts, garantissant la validité scientifique des contenus et des conseils délivrés aux patients. Cette approche pluriprofessionnelle permet d’adresser l’ensemble des aires thérapeutiques de façon personnalisée. Comme le souligne Pauline d’Orgeval : « Deuxiemeavis.fr a référencé plus de 500 médecins tous référents dans leur domaine. “Prévention par deuxiemeavis” a donc bénéficié de toutes les cautions médicales nécessaires. » Ce point est essentiel pour légitimer une plateforme de prévention numérique destinée à accompagner la diversité des publics et des pathologies, et constitue un facteur de confiance tant pour les utilisateurs que pour les partenaires assureurs.  

    100 partenariats institutionnels pour éviter une médecine à deux vitesses 

    Pour rappel le modèle économique de deuxiemeavis.fr repose sur une centaine de partenariats noués avec le monde assurantiel santé tels que Malakoff Humanis, MGEN, Harmonie Mutuelle, Gan, Générali ou encore Ociane Matmut. Ces collaborations structurent la prise en charge des services de prévention pour les assurés, favorisant une accessibilité universelle. Ainsi, « ce sont près de 100 partenariats pour deuxiemeavis.fr », précise la responsable. L’ancrage institutionnel est primordial pour la pérennité des innovations en santé numérique et leur déploiement à grande échelle, tout en limitant l’apparition d’une médecine à plusieurs vitesses. La société envisage de s’appuyer sur le même modèle pour ce nouveau service Prévention par deuxiemeavis.fr.

    Prévention personnalisée : moins de 10 minutes pour un bilan complet 

    L’outil de bilan de santé digital vise la rapidité : il nécessite en moyenne moins de 10 minutes pour être complété, ce qui facilite son adoption y compris par les publics éloignés du système de soins. « C’est en moyenne moins de 10 min, mais très complet, et qui est cautionné du coup par des médecins de toutes les spécialités », explique l’interviewée. Cette efficacité opérationnelle, couplée à la restitution de conseils personnalisés, positionne la solution comme un levier d’engagement dans la prévention, tout en respectant les contraintes de temps des usagers actuels. En effet un temps trop long pourrait décourager certains publics. 

    L’hypertension, un enjeu public majeur : des millions de Français concernés 

    La plateforme souhaite inciter au dépistage, particulièrement pour des maladies silencieuses mais à fort impact sanitaire et économique comme l’hypertension. « L’hypertension touche des millions de Français qui l’ignorent encore ». Les outils numériques jouent ici un rôle important de rappel, de pédagogie et de démystification des troubles chroniques stigmatisés, à l’image de l’accompagnement réalisé pour éviter les effets négatifs de l’étiquette médicale.  

    Une solution pensée pour l’inclusion et contre la stigmatisation 

    « Nous avons travaillé aussi avec un psychologue en santé pour ne pas être stigmatisant ni culpabilisant et pour que ce soit incitatif », détaille l’interviewée. L’accessibilité est renforcée par l’absence d’obligation de création de compte utilisateur, permettant à chacun de compléter le questionnaire aisément, ce qui favorise l’inclusion des populations traditionnellement éloignées du système digital.  

    Un service majoritairement B2B2C : l’accès via mutuelles et grandes entreprises 

    Le déploiement des bilans de prévention digitale suit un modèle B2B2C, où ce sont principalement les mutuelles qui proposent le service à leurs adhérents particuliers ou entreprises. Ce mode de diffusion permet une large couverture sans dépendre du marché direct auprès des particuliers, tout en adaptant les modules d’accompagnement, par exemple via des bilans santé complets en entreprise.  

    Digital mais non exclusif : complémentarité de l’offre santé 

    Si le bilan numérique est un outil puissant, il ne vise pas à se substituer à l’avis du médecin généraliste mais à lui apporter une valeur ajoutée synthétique et un gain de temps. « Finalement, c’est une restitution de synthèse sur son patient qui va lui faire gagner du temps », développe la fondatrice de deuxiemeavis.fr. Cette complémentarité optimise l’orientation du patient dans son parcours, et peut accélérer si nécessaire la prise de rendez-vous avec un spécialiste. La solution favorise ainsi l’intégration du digital au service du soin, et non en substitution.  

    Un déploiement algorithmique renforcé par l’IA à terme 

    La dimension technologique du service repose aujourd’hui sur des algorithmes issus des questionnaires, et devrait progressivement s’enrichir de briques d’intelligence artificielle. « Pour l’instant, c’est plus algorithmique que de l’IA à proprement parler […]. On va enrichir progressivement avec de l’IA ». Ce positionnement permet d’anticiper les évolutions du secteur et d’outiller la plateforme à hauteur des innovations attendues par les utilisateurs exigeants.  

    Objectif prévention universelle : aller vers les publics les plus éloignés 

    L’un des enjeux majeurs reste l’accès à la prévention pour les populations socialement ou structurellement éloignées du système de santé. « Ce qu’on veut vraiment faire, c’est de la prévention pour tous, aller vers, avoir une politique inclusive et avoir un impact », affirme Pauline d’Orgeval. « Ceux qui ont le plus besoin de prévention ne sont pas forcément ceux qui la réclament le plus », conclut-elle, rappelant ainsi la vocation sociale de deuxiemeavis.fr 

     

  • « Les progrès sont réels et spectaculaires en laboratoire, mais rien n’a changé dans les diagnostics et la clinique de routine » (Nathan Peiffer-Smadja, AP-HP)

    L’intelligence artificielle progresse en recherche médicale, mais reste quasi absente des pratiques hospitalières. Faute d’infrastructures numériques et de données unifiées, sa promesse peine à se concrétiser dans le quotidien des soignants. De nombreuses solutions d’intelligence artificielle existent dans le domaine des maladies infectieuses, mais qu’en est-il concrètement de ses apports sur le terrain clinique ? Afin d’enrichir son étude sur les apports de l’IA dans le domaine des maladies infectieuses avec un retour de terrain, H&TI s’est entretenu avec Nathan Peiffer-Smadja, médecin au Service de Maladies infectieuses et tropicales à l’Hôpital Bichat Claude-Bernard de l’Assistance publique des hôpitaux de Paris (AP-HP).

    Une révolution encore majoritairement hors des murs hospitaliers

    Dans les services de maladies infectieuses, l’intelligence artificielle (IA) peine encore à s’ancrer dans la pratique quotidienne. « On est loin de l’IA, on pratique avec des outils anciens », résume le clinicien Nathan Peiffer-Smadja, décrivant une réalité hospitalière où les technologies avancées côtoient encore le stylo et le papier. Si le numérique s’est imposé dans l’infrastructure, son usage reste fragmenté : « les urgences et les réanimations prescrivent encore sur papier », ajoute-t-il. Cette persistance analogique rend difficile tout traitement automatisé de l’information. Faute de systèmes unifiés et de données cohérentes, l’intelligence artificielle demeure confinée à la théorie ou réservée à des projets pilotes. Dans les faits, l’outil principal du médecin n’est pas encore l’algorithme, mais des logiciels parfois anciens.

    L’IA plus présente dans la recherche

    Le décalage entre recherche et pratique clinique est au cœur du constat. M. Peiffer-Smadja évoque « deux grands mondes : la recherche, où l’IA a beaucoup à dire, et la pratique clinique, où elle est absente ». Dans les laboratoires de microbiologie, les outils d’apprentissage automatique innovent dans la découverte de molécules antivirales, l’analyse du microbiote et la modélisation génétique. Le séquençage d’ADN, qui nécessitait plusieurs jours, se réalise aujourd’hui en quelques minutes. Ces avancées s’appuient sur une puissance de calcul importante et des volumes massifs de données biologiques. Pourtant, ces avancées ne franchissent pas les portes des services hospitaliers. L’absence de passerelle entre l’expérimentation et la médecine quotidienne empêche une transposition directe. « Ce qu’on voit, ce sont des progrès spectaculaires en laboratoire, mais rien n’a changé dans les diagnostics de routine », observe-t-il. Un constat qui illustre le retard des hôpitaux français face à l’industrialisation de la donnée médicale.

    Données patients : un historique fragmenté

    La masse documentaire produite par l’hôpital illustre le paradoxe numérique de la médecine moderne. « Quand j’ouvre un dossier patient, il y a entre 200 et 500 PDF à lire si je veux connaître son parcours », confie l’interviewé. Les systèmes informatiques accumulent comptes rendus, prélèvements, résultats d’imagerie et bilans biologiques sans hiérarchie d’importance ni format standard. Ce désordre documentaire, aggravé par l’absence d’interopérabilité entre services, nuit à l’efficience des soins. Des solutions d’IA peuvent classer, résumer et prioriser ces informations, mais elles se heurtent généralement à la qualité hétérogène des données et à la multiplicité des logiciels existants. « En pratique clinique, les données ne sont pas toujours cohérentes, complètes et de qualité », ajoute-t-il.

    L’image médicale, exception technologique

    Face à cette inertie, l’imagerie médicale apparaît comme le champ d’expérimentation le plus mûr pour l’IA. « Sur une radio de thorax, il y a maintenant un petit carré qui s’affiche pour indiquer ‘peut-être une pneumonie, peut-être une fracture’ », décrit le docteur Peiffer-Smadja. Ces outils, capables d’analyser automatiquement des images, assistent les radiologues dans la détection des anomalies évidentes. Ils permettent de combler le manque de spécialistes et de sécuriser le diagnostic en temps réel, tout en respectant la supervision médicale. Pour l’instant, ces aides ne concernent que des cas simples, mais elles symbolisent un changement d’échelle dans la collaboration entre humains et machines. Cela tient à la nature même des données — les images — particulièrement adaptées à l’usage de l’IA.

    Des innovations sobres, des usages concrets

    Des applications plus modestes, issues du terrain, prouvent pourtant que l’intelligence artificielle peut s’intégrer de façon pragmatique dans les soins. L’exemple cité est celui d’Antibiogo, une application développée par Médecins Sans Frontières qui permet de photographier une boite de Petri pour obtenir un antibiogramme et générer automatiquement un résultat. « C’est de la low-tech, mais c’est génial », s’enthousiasme le clinicien. Cette solution, accessible via un simple smartphone, offre un diagnostic fiable dans des contextes où les ressources techniques sont limitées. En démocratisant l’analyse de résistance bactérienne, Antibiogo illustre la puissance d’une IA pensée pour être utile avant d’être spectaculaire. Loin des promesses d’automatisation globale, elle remplit une fonction clinique concrète — faire gagner du temps tout en limitant les erreurs humaines. Une voie réaliste, selon le praticien, pour « intégrer l’intelligence artificielle sans la survendre ».