alexandre

  • Interopérabilité en santé : d’un impératif technique à une obligation réglementaire structurante

    L’interopérabilité en santé désigne la capacité des logiciels, dispositifs, applications et entrepôts de données à dialoguer entre eux, à échanger des informations compréhensibles de bout en bout et à les réutiliser sans ressaisie humaine. Derrière cette définition technique se joue une transformation beaucoup plus large : la manière dont la France et l’Union européenne encadrent juridiquement les formats, la qualité, la circulation et la réutilisation des données de santé, depuis le cabinet de ville jusqu’aux grandes infrastructures nationales et européennes. 

    Un socle légal français qui rend les référentiels opposables 

    Le premier tournant majeur s’est opéré avec la structuration du cadre légal français autour de l’article L.14702 du Code de la santé publique, qui impose que les services numériques en santé soient conformes à des référentiels d’interopérabilité, de sécurité et d’éthique élaborés par le groupement chargé de la transformation numérique en santé et approuvés par les pouvoirs publics. Le texte ne vise pas seulement les échanges techniques : il encadre l’ensemble des usages numériques autour des données de santé à caractère personnel, qu’il s’agisse d’échange, de partage, de conservation ou de transmission. L’objectif affiché est clair : favoriser à la fois la coordination des parcours de soins, l’amélioration de la qualité et de l’efficience du système et le développement de la recherche clinique, dans un cadre normé et sécurisé. 

    Ce changement de statut, d’une logique de « recommandations » à une logique de « référentiels opposables », a été consolidé par la loi de 2022 qui en a fixé les modalités d’entrée en vigueur, avec une date butoir positionnée à fin 2023 pour la mise en conformité. Concrètement, il ne s’agit plus de se « rapprocher » des standards pour faciliter les interconnexions, mais bien de démontrer une conformité à des référentiels définis nationalement, condition préalable à l’intégration dans les grands dispositifs numériques publics et à l’accès à certains financements. 

    CISIS : architecture de référence pour les échanges de données 

    Au cœur de ce dispositif, le Cadre d’Interopérabilité des Systèmes d’Information de Santé (CISIS) tient lieu d’architecture de référence pour tout l’écosystème numérique en santé français. Porté par l’Agence du Numérique en Santé, il définit les volets techniques, fonctionnels et sémantiques qui permettent à des systèmes hétérogènes de se comprendre, en s’appuyant sur les grands standards internationaux tels que HL7, FHIR, DICOM ou les terminologies cliniques normalisées. L’ambition est double : garantir une continuité d’information entre la ville, l’hôpital, le médicosocial et le patient, et éviter la multiplication de passerelles spécifiques, coûteuses à maintenir et fragilisant la sécurité des données. 

    Le CISIS ne se limite pas à un catalogue de formats : il propose des profils d’interopérabilité applicables à des cas d’usage concrets (documents de synthèse, résultats de biologie, comptesrendus, etc.) en cohérence avec les services socles nationaux. Pour les éditeurs et intégrateurs, il devient progressivement un passage obligé : il est pris en compte dans les programmes de référencement et de financement de l’État, et il sert de point d’ancrage aux autres référentiels réglementaires qui se superposent à lui, notamment ceux dédiés à la télémédecine ou aux volets spécifiques comme la synthèse médicale. 

    Référentiels interopérabilité–sécurité–éthique : la télémédecine sous surveillance 

    La montée en puissance de la télémédecine a entraîné la publication de référentiels spécifiques, qui combinent exigences d’interopérabilité, de sécurité et d’éthique des systèmes d’information utilisés pour la téléconsultation et, plus largement, pour les actes de télémédecine. Une nouvelle version opposable du référentiel pour les systèmes d’information de téléconsultation, identifiée comme version 1.5.1, marque une étape importante : elle explicite les exigences techniques attendues des solutions, les obligations en matière de gestion des identités, d’authentification, de traçabilité et de respect du secret médical, tout en s’inscrivant dans le cadre plus général fixé par le Code de la santé publique. 

    Le ministère de la Santé a officialisé cette évolution en rappelant que ces référentiels conditionnent tant le déploiement des services que leur prise en charge financière. Pour les acteurs de la télémédecine, cela signifie que la conformité ne se joue plus uniquement au niveau des pratiques médicales, mais aussi au niveau du code des applications, des architectures d’hébergement et des flux de données : un service de téléconsultation doit à la fois garantir la sécurité et la confidentialité des échanges et s’aligner sur les formats et standards d’interopérabilité nationaux. 

    Le Volet de Synthèse Médicale : vers un résumé patient standardisé et exportable 

    L’un des exemples les plus parlants de cette normalisation est le Volet de Synthèse Médicale (VSM). Ce document, pensé comme un résumé structuré des éléments clés du dossier d’un patient, est destiné à être partagé dans les situations de recours, qu’il s’agisse d’urgences, de consultations non programmées ou de transitions de soins. La nouvelle version publiée en 2024, référencée IPSFR_2024, remplace la version de 2013 et s’aligne sur la norme internationale NF EN ISO 27269, qui définit l’International Patient Summary (IPS). 

    Cette spécification met à disposition des volets fonctionnels, techniques et d’interopérabilité, avec une version d’interopérabilité 1.4 validée, afin de garantir que les informations essentielles (antécédents, allergies, traitements, problèmes de santé actifs, etc.) puissent être produites par un logiciel en France et interprétées de manière cohérente dans un autre contexte, y compris au niveau européen. Pour les éditeurs, l’enjeu est d’intégrer ce modèle directement dans les logiciels métiers, afin que la synthèse se construise à partir de données structurées et alimente automatiquement le Dossier Médical Partagé et demain les infrastructures européennes, plutôt que de reposer sur des comptesrendus libres difficilement exploitables. 

    Alimentation du DMP : de l’incitation aux sanctions financières 

    En parallèle, la législation budgétaire fait évoluer le Dossier Médical Partagé, désormais intégré à Mon espace santé, d’un dispositif incitatif vers un dispositif assorti d’obligations pour les professionnels. Les travaux autour du PLFSS 2026 prévoient que les médecins puissent être sanctionnés en cas de manquement à l’obligation d’alimenter le DMP, avec des amendes pouvant aller jusqu’à 2 500 € par manquement. Cette évolution s’inscrit dans une volonté de rendre effectif le partage de données cliniques au quotidien : pour que le DMP ait une valeur pour le patient et pour les soignants, il doit être systématiquement alimenté en documents structurés et en données à jour. 

    Du point de vue de l’interopérabilité, cette obligation se traduit par une pression accrue sur les logiciels métiers, qui doivent être capables de produire des documents dans les formats attendus, d’utiliser les bons volets du CISIS, d’intégrer les volets de synthèse médicale et de s’articuler avec les services socles nationaux. Un logiciel qui ne permet pas une alimentation fluide et conforme du DMP expose ses utilisateurs à des risques de sanctions et, de facto, perd de son attractivité sur le marché. La mise en conformité devient donc un enjeu concurrentiel autant qu’un impératif réglementaire. 

    FHIR : le standard qui structure les architectures à venir 

    Dans ce paysage, le standard FHIR (Fast Healthcare Interoperability Resources) occupe une place particulière, car il propose un modèle d’API modernes appliquées aux données de santé. Plusieurs acteurs hospitaliers se sont organisés autour d’un groupement dédié pour coconstruire la mise en œuvre de FHIR sur des domaines jugés prioritaires, en cohérence avec les travaux nationaux pilotés par l’ANS et les associations d’interopérabilité. L’objectif est de produire des connecteurs et des ressources réutilisables, afin d’éviter que chaque établissement réinvente ses propres profils et ses propres règles. 

    FHIR représente un changement de culture : au lieu de flux massifs de messages, il permet de requêter des ressources ciblées (un patient, une prescription, un résultat) et de ne transporter que ce qui est nécessaire, tout en s’inscrivant dans un écosystème de services web contemporains. Pour les industriels, anticiper la réglementation revient à anticiper FHIR : non seulement parce qu’il est de plus en plus cité comme standard de référence, mais aussi parce qu’il s’aligne naturellement avec les exigences d’ouverture, de portabilité et de sécurité renforcées par les textes nationaux et européens. 

    SNDS et Plateforme des données de santé : une interopérabilité étendue à la réutilisation des données 

    L’interopérabilité ne se joue pas uniquement au niveau du soin. Le décret du 29 juin 2021 relatif au système national des données de santé (SNDS) définit les règles qui encadrent l’organisation, la pseudonymisation, l’hébergement et les conditions d’accès à ces données pour la recherche, l’étude et l’évaluation. Il précise la structure du SNDS, qui s’appuie sur une base principale couvrant l’ensemble de la population et sur un catalogue de bases complémentaires, ainsi que les responsabilités partagées entre la Caisse nationale d’assurance maladie et la Plateforme des données de santé. 

    Ce texte consacre aussi des principes stricts en matière de localisation des données, d’horodatage, de profondeur historique et de catégories d’acteurs autorisés à les exploiter. Pour les acteurs du numérique en santé, cela signifie que la production de données doit être pensée en amont pour être réutilisable dans ce cadre : formats harmonisés, qualité, documentation et gouvernance deviennent des éléments d’interopérabilité réglementaire, audelà des seuls échanges entre systèmes cliniques. 

    EHDS : l’interopérabilité à l’échelle européenne 

    L’autre grande brique est désormais européenne. Le règlement (UE) 2025/327 établissant l’Espace Européen des Données de Santé (European Health Data Space – EHDS) fixe un cadre commun pour l’utilisation primaire et secondaire des données de santé au sein de l’Union. Il prévoit la mise en place d’organismes nationaux chargés de l’accès aux données, la définition de formats et d’infrastructures de référence, une protection renforcée des droits des patients et, surtout, des exigences techniques spécifiques pour certains produits et services, comme les systèmes de dossiers patients électroniques. 

    Dans ce cadre, les fabricants de solutions de dossier patient, les fournisseurs de services numériques et les autorités publiques devront démontrer que leurs systèmes respectent des exigences d’interopérabilité, de sécurité et de portabilité, assorties d’un marquage et de mécanismes de surveillance du marché. Pour les acteurs français, l’enjeu sera d’aligner les solutions simultanément sur les référentiels nationaux (CISIS, référentiels interopérabilité–sécurité–éthique, exigences du SNDS et du DMP) et sur les obligations européennes du EHDS, afin de garantir la continuité des usages pour les patients et les soignants, tout en ouvrant la voie à des usages transfrontaliers et à des projets de recherche de plus grande ampleur. 

    Anticiper : de la conformité minimale à la stratégie de données 

    Face à cet empilement apparent de textes et de référentiels, la question centrale pour les acteurs n’est plus « fautil se mettre en conformité ? » mais « comment transformer cette conformité en levier de stratégie ? ». Pour les industriels, une première étape consiste à cartographier précisément les référentiels qui s’appliquent à leurs produits – CISIS, référentiels spécifiques téléconsultation, exigences liées à l’alimentation du DMP, contraintes d’accès au SNDS et obligations EHDS – et à en déduire une trajectoire d’évolution produit sur plusieurs années plutôt que des ajustements ponctuels. L’intégration native des volets d’interopérabilité, l’adoption progressive de FHIR, l’alignement sur le Volet de Synthèse Médicale et la préparation à la réutilisation des données deviennent des axes structurants de cette feuille de route. 

    Pour les établissements de santé, les GHT et les territoires, l’urbanisation du système d’information doit désormais être pensée à l’aune de ces obligations, en intégrant l’interopérabilité comme critère central dans les cahiers des charges et dans les arbitrages budgétaires. La gouvernance des données – qui produit quoi, dans quel format, pour quels usages primaires et secondaires – devient indissociable de la gestion des risques réglementaires, notamment face aux sanctions liées à la nonalimentation du DMP ou à la nonconformité aux référentiels opposables. Dans ce nouveau paysage, l’interopérabilité ne se réduit plus à un enjeu d’interface : elle devient un déterminant de la conformité, de la soutenabilité économique des solutions et de la capacité des acteurs à s’inscrire dans les trajectoires nationales et européennes de la donnée de santé. 

     

  • Interopérabilité en santé : une obligation réglementaire qui impact tous les acteurs

    L’interopérabilité des systèmes d’information en santé (SIS) représente une transformation essentielle pour l’écosystème de la santé numérique en France. Elle constitue un passage inéluctable d’un modèle de fragmentation des données vers une architecture de circulation fluide de l’information clinique et administrative. Cette mutation est imposée par la régulation et motivée par l’impératif médical et économique, elle nécessite à la fois des ajustements techniques, organisationnels et culturels.

    L’enjeu dimensionnel et réglementaire

    Le marché mondial des solutions d’interopérabilité en santé est évalué à environ 4,8 milliards de dollars en 2025 et devrait atteindre 16,2 milliards de dollars à l’horizon 2035, ce qui signifie un taux de croissance annuel composé d’environ 14,5 pour cent. Cette dynamique de marché reflète moins une simple demande commerciale qu’une pression réglementaire systémique.​

    Aux États-Unis, le 21st Century Cures Act a établi des obligations impératives pour les établissements de santé en matière d’accès des patients à leurs données et d’échange d’informations entre systèmes hétérogènes. En Europe, l’Espace Européen des Données de Santé (EDHS) impose une architecture d’interopérabilité intégrant la protection des données personnelles comme élément constitutif. En France, l’Agence du Numérique en Santé (ANS) pilote cette transformation par le biais de la feuille de route du numérique en santé 2023-2027, elle-même encadrée par le standard HL7 FHIR en tant que norme de référence.

    Cette normativité croissante signifie que l’interopérabilité n’est plus une question de stratégie concurrentielle discrétionnaire, mais une obligation légale assortie de pénalités financières et réputationnelles.

    La fragmentation comme obstacle structurel

    La réalité empirique des hôpitaux français et occidentaux révèle une complexité supérieure à de nombreux autres secteurs économiques. Les plus grands centres hospitaliers universitaires déploient jusqu’à 1 000 applications informatiques distinctes, chacune générant, conservant et protégeant ses propres données de santé. Cette pluralité de systèmes d’information métiers (laboratoires d’analyses, services de radiologie, pharmacies, dossier patient central, gestion administrative) crée une fragmentation qui a des conséquences directes : redondance des actes médicaux, incapacité à disposer d’une vue holistique du patient, pertes administratives substantielles, et enfin impossibilité d’exploiter les données à grande échelle pour l’intelligence artificielle clinique.​

    Le faible investissement du secteur hospitalier en informatique (environ 1,7 pour cent du budget d’exploitation) a prolongé cette fragmentation en verrouillant les établissements dans des architectures héritées coûteuses et obsolètes. Dans ce contexte, l’interopérabilité apparaît non comme un choix technologique abstrait, mais comme une nécessité gestionnaire et clinique.​

    L’écosystème de l’interopérabilité comprend cinq catégories d’acteurs distincts. La classification qui suit s’appuie sur le rôle structurel de chaque groupe et sur son intérêt stratégique objectif à voir émerger des normes fortes d’interopérabilité.

    Les éditeurs de Dossier Patient Informatisé (DPI) : un intérêt ambivalent

    Les éditeurs de systèmes d’information hospitaliers, par exemple, Epic Systems, Oracle Health (ancien Cerner, acquis en 2022), ou Dedalus, occupent la position la plus centrale de l’architecture informatique hospitalière. Ils fournissent le socle applicatif qui centralise l’ensemble des données cliniques du patient et qui, de facto, détient les informations sensibles relatives à la santé.​

    L’analyse stratégique de cet acteur révèle une posture complexe et contradictoire. Historiquement, le modèle d’affaires de ces éditeurs reposait sur un mécanisme économique simple : plus les données demeuraient captives au sein de leur environnement propre, plus les coûts de migration vers un concurrent augmentaient, renforçant la dépendance du client. Cette « moat » commerciale était la principale source de valeur ajoutée extractible du contrat avec les clients. L’interopérabilité totale représentait donc une menace directe pour ce modèle.

    Cependant, depuis 2016-2018, un pivot stratégique s’est opéré. Face à la pression réglementaire croissante et à la menace d’entrée de nouveaux acteurs technologiques, ces éditeurs ont progressivement reconnu que la rétention forcée était devenue politiquement insoutenable et techniquement inévitable. Oracle Health explicite par exemple cette transition dans sa communication : l’interopérabilité n’est plus un coût mais le fondement d’un nouvel écosystème fermé mais connecté. Cette stratégie représente un pragmatisme commercial : accepter l’interopérabilité technique (les données sortent) tout en maintenant la domination commerciale (via l’écosystème propriétaire, les contrats de valeur ajoutée, et le positionnement de leader reconnu).

    Les fournisseurs cloud : un besoin de données structurées

    Les fournisseurs cloud représente une nouvelle catégorie d’acteurs pour lesquels la santé est un marché de croissance stratégique, non pas pour les logiciels cliniques mais pour l’infrastructure, l’intelligence artificielle et les données agrégées.​

    Contrairement aux éditeurs de DPI traditionnels, ces” hyperscalers” n’ont aucun avantage stratégique à maintenir des silos. Leur modèle d’affaires repose sur trois piliers : premièrement, la consommation de services cloud (calcul, stockage, bande passante) ; deuxièmement, la fourniture de services d’analyse et d’intelligence artificielle fondés sur de vastes volumes de données structurées ; troisièmement, la capture de la relation patient à travers des interfaces grand public (Apple Health intégrant les dossiers de multiples prestataires).

    L’interopérabilité est le prérequis technique absolu pour ce modèle. Des données fragmentées et mal structurées ne peuvent pas alimenter efficacement les algorithmes d’IA. Des données circulant au travers d’APIs propriétaires fermées ne permettent pas la création de dossiers agrégés unifiés. Ainsi, ces acteurs sont des défenseurs des standards ouverts tels que FHIR. Google Cloud Healthcare API, par exemple, implémente nativement les normes FHIR DSTU2, STU3 et R4, ainsi que HL7 v2 et DICOM.​

    Cependant, l’intérêt déclaré pour l’interopérabilité masque une réalité de capture de marché plus subtile. En fournissant l’infrastructure et en structurant les données selon leurs normes, ces acteurs créent une dépendance à leur écosystème. L’interopérabilité devient alors également un instrument de contrôle.

    Les acteurs de middleware et d’intégration : un intérêt central et paradoxal

    InterSystems ou Numih France (structure publique) constituent la catégorie des fournisseurs de solutions de middleware et d’échange d’informations en santé (HIE pour Health Information Exchange). Leur fonction est de traduire, transformer et router les données entre des systèmes incompatibles ou hétérogènes.​

    La situation de ces acteurs présente une tension inhérente. Leur raison d’être repose sur l’existence de l’interopérabilité problématique. Si, demain, tous les systèmes hospitaliers communiquaient nativement en FHIR et se comprenaient parfaitement, le besoin de middleware de transformation complexe s’atténuerait considérablement.

    Néanmoins, ces acteurs ont transformé cette menace existentielle. Ils reconnaissent que la standardisation technique complète (syntaxe, protocole) ne résout pas l’enjeu majeur : la sémantique. Même si deux systèmes échangent en FHIR, il demeure des risques de mauvaise interprétation (une allergie n’est pas une intolérance, une urgence vitale diffère d’une urgence relative). InterSystems, par exemple, positionne sa plateforme HealthShare non comme simple connecteur, mais comme système de normalisation de données, de déduplication et de création d’un dossier médical unifié « données saines ». Cela signifie que même dans un contexte FHIR standardisé, ces acteurs proposent une valeur ajoutée de gouvernance des données, de qualité et de conformité.​

    Leur intérêt à l’interopérabilité est donc réel mais reconfiguré : il se déplace de la connectique brute vers la sémantique et la gestion de qualité.

    Les régulateurs : une politique volontariste pour l’interopérabilité

    HL7 International (Health Level Seven), l’Office of the National Coordinator for Health Information Technology (ONC) aux États-Unis, l’Agence du Numérique en Santé (ANS) en France, et la Commission Européenne constituent les instances chargées de définir les standards, les référentiels terminologiques et les calendriers de conformité.

    Ces acteurs n’ont pas d’intérêt commercial direct à l’interopérabilité mais un intérêt systémique. Leur mandat est d’assurer la santé publique, la continuité des soins, l’efficience du système de santé et, de plus en plus, la souveraineté numérique des données de santé nationales et régionales. L’ANS pilote ainsi la feuille de route du numérique en santé 2023-2027, qui place l’adoption du standard FHIR et la mise en conformité progressive comme éléments centraux. La commission européenne, par la directive NIS 2 et l’EDHS, impose des obligations d’interopérabilité accompagnées de mécanismes de sécurité et de protection des données.​

    Ces acteurs régulateurs jouent un rôle de coordinateur et d’arbitre, souvent contre la résistance des acteurs installés bénéficiant du statu quo fragmenté.

    Les hôpitaux : un intérêt immédiat mais peu de marges de manœuvres

    Les hôpitaux publics et privés (AP-HP, CHU, groupes privés), les assureurs (mutuelles, organismes complémentaires), sont les principaux utilisateurs finaux des systèmes d’information pour la santé.

    L’intérêt stratégique est clair : une interopérabilité fonctionnelle génère des efficiences majeures. Les études estiment que l’interopérabilité complète pourrait générer des économies de 30 milliards de dollars annuels chez les États-Unis par réduction de la redondance et amélioration de l’efficacité. En France, les gains estimés tournent autour de plusieurs centaines de millions d’euros par an.​ Cependant, la capacité d’exécution de ces acteurs est hétérogène. Nombreux sont les établissements hospitaliers qui manquent de compétences internes en cybersécurité et en gestion de systèmes d’information complexes. Le rapport de la Cour des comptes sur la sécurité informatique des établissements de santé indique un déficit structurel de ressources humaines et financières dédiées au numérique. Cette asymétrie crée un écart entre les intentions stratégiques affichées et la capacité réelle à implémenter des architectures d’interopérabilité sophistiquées.​

    Les associations de normalisation : un tiers structurant

    Au‑delà des acteurs industriels et des régulateurs publics, des associations de normalisation comme Interop’Santé structurent un « tiers secteur » qui joue un rôle d’interface entre la doctrine étatique (ANS, EDHS) et la mise en œuvre concrète dans les établissements et les solutions logicielles. Elles regroupent en France les principaux organismes de standardisation (HL7 France, HPRIM, IHE France, PN13‑IS) et coordonnent l’adaptation au contexte national des standards internationaux (HL7 v2, FHIR, IHE, HPRIM) au travers de guides d’implémentation, d’extensions nationales et de référentiels techniques. Par leurs activités de formation, de concertation multi‑acteurs et de tests d’interopérabilité (« interopérabilité par la preuve »), ces associations transforment les exigences réglementaires abstraites en spécifications opérationnelles, contribuant ainsi à réduire l’asymétrie d’expertise entre grands industriels, régulateurs et établissements de santé, tout en pesant sur la gouvernance réelle des choix techniques au niveau national

    Opportunités Stratégiques de l’Interopérabilité

    Efficience opérationnelle et réduction des coûts

    L’interopérabilité fluidifie les processus administratifs et cliniques. Elle élimine la ressaisie manuelle de données (source d’erreurs et de charge administrative), réduit les examens redondants (biologie, imagerie) lorsque les résultats antérieurs sont inaccessibles, et accélère la prise de décision clinique en garantissant l’accès à l’ensemble des données du patient.

    Les études produites pour l’Ontario Health au Canada et pour l’Estonie montrent que des gains de 12 à 15 pour cent en efficacité hospitalière sont envisageables à court terme (2 à 3 ans) après une implémentation sérieuse d’interopérabilité. Pour les systèmes de santé sous contrainte budgétaire chronique, c’est un levier direct de réallocation de ressources vers le soin direct.​

    Déploiement de l’intelligence artificielle clinique

    L’IA générative et les algorithmes de machine learning en santé ne peuvent fonctionner que sur des données standardisées, de qualité suffisante et en volumes massifs. Une donnée fragmentée ou non structurée n’est pas exploitable par ces systèmes. L’interopérabilité FHIR transforme les données hétérogènes en données « computables » susceptibles d’alimenter des modèles prédictifs (détection précoce du sepsis, stratification du risque, optimisation thérapeutique).

    Cet enjeu explique l’engagement résolu des hyperscalers pour l’interopérabilité : sans donnée fluide et structurée, leur investissement en IA reste sous-exploité.

    Autonomisation du patient et médecine participative

    L’interopérabilité réoriente le contrôle de la donnée vers le patient. Des applications comme Mon Espace Santé en France ou Apple Health Records aux États-Unis permettent aux patients de consulter et de contrôler leurs données en provenance de multiples prestataires. Cela transforme le patient de consommateur passif en acteur actif de sa santé, ce qui améliore l’observance thérapeutique, la prévention et la prise de décision partagée.

    De plus, cette autonomisation facilite la médecine participative et la recherche patient-centrée, enrichissant la connaissance épidémiologique et thérapeutique.

    Risques et points de tension

    Expansion de la surface d’attaque cybernétique

    L’interopérabilité crée une multiplication des points d’entrée pour les acteurs malveillants. Chaque API ou interface de connexion entre systèmes représente une surface potentielle d’exploitation. Plus significatif encore, l’interconnexion accrue crée des risques de contagion : une brèche chez un petit prestataire de télémédecine mal sécurisé peut servir de point d’accès pour remonter jusqu’aux données centrales de l’hôpital principal.

    Le rapport de la Cour des comptes française documente que le secteur de la santé connaît une intensification des cyberattaques, avec 10 pour cent des victimes de rançongiciels en France étant des hôpitaux en 2023. Le coût moyen d’une telle attaque atteint 10 à 20 millions d’euros par établissement victime (gestion de crise et pertes de recettes).​

    L’ouverture des systèmes doit donc s’accompagner d’une stratégie intégrée de cybersécurité « zéro confiance » (zero trust), de segmentation des réseaux, et de surveillance des comportements anormaux des utilisateurs et des applications.

    Risques de dégradation sémantique

    Un risque subtil mais critique réside dans la préservation du sens clinique lors de la transformation des données. L’interopérabilité technique (les tuyaux connectent) ne garantit pas l’interopérabilité sémantique (le sens est préservé). Deux systèmes utilisant le standard FHIR peuvent malgré tout interpréter différemment une même observation (une allergie n’est pas une intolérance ; un antécédent chirurgical ne signifie pas une contre-indication présente).

    Cela requiert une standardisation parallèle des terminologies cliniques (SNOMED CT, LOINC, etc.) et des processus rigoureux de validation sémantique qui vont bien au-delà de la connectique informatique. C’est pourquoi des intermédiaires comme InterSystems insistent sur la normalisation et la « santé des données » comme service additionnel.

    Enjeux de souveraineté numérique et de dépendance technologique

    Un enjeu stratégique non négligé concerne la localisation et le contrôle des infrastructures d’interopérabilité. L’adoption croissante du cloud des hyperscalers américains (Microsoft Azure, Amazon AWS, Google Cloud) pour l’hébergement des données de santé crée une dépendance externe aux législations extraterritoriales américaines (CLOUD Act, Foreign Intelligence Surveillance Act).

    Ce risque a déjà suscité des contentieux en France, notamment autour de l’hébergement du Système National des Données de Santé (SNDS) chez Microsoft. Les exigences de souveraineté numérique, renforcées par le Data Act européen et l’EDHS, imposent la mise en place de garde-fous techniques et juridiques pour protéger l’infrastructure d’interopérabilité contre l’accès illicite par des autorités tierces.​

    Cette tension génère des coûts : les solutions « intercalaires » ou des nuages souverains français/européens (OVH, Eurizon, etc.) offrent des performances souvent inférieures à celles des hyperscalers, d’où un trade-off entre souveraineté et efficience.

    Inégalité de capacité d’implémentation entre établissements

    L’interopérabilité suppose une capacité organisationnelle, technologique et humaine que tous les établissements ne possèdent pas. Les grands CHU bénéficient de budgets numériques plus substantiels et de compétences en interne ; les petits hôpitaux de province et les structures de santé primaires manquent souvent de ces ressources. Ce différentiel crée un risque de fracture : une interopérabilité « de facto » au sein des grandes structures pendant que les petites demeurent isolées, fragmentant le système plutôt que de l’unifier.

    Synthèse et perspectives stratégiques

    Dynamique de redistribution des pouvoirs

    L’interopérabilité n’est pas un processus techniquement neutre. Elle représente une redistribution des pouvoirs au sein du secteur. Le mouvement historique a progressé depuis un modèle de monopoles de données (éditeurs de DPI contrôlant l’accès) vers un modèle émergent d’oligopoles d’infrastructure (hyperscalers contrôlant la couche cloud et l’IA). L’enjeu régulateur consiste à préserver un équilibre compétitif et à maintenir le contrôle public sur la gouvernance des données sensibles.

    L’importance croissante de la qualité et de la gouvernance

    À mesure que la connectique technique se standardise et que le coût des connexions diminue, la valeur différenciante se déplace vers la couche de gouvernance : qualité des données, traçabilité, conformité éthique et sécurité des algorithmes d’IA. Les acteurs qui fourniront des outils et des services de gouvernance (audit, normalisation, déduplication, détection d’anomalies) acquerront une position stratégique.

    Recommandations stratégiques pour les parties prenantes

    Pour les dirigeants hospitaliers : Exiger une conformité systématique et certifiée au standard FHIR dans tout appel d’offres de systèmes informatiques. Refuser les architectures propriétaires fermées qui créent une captivité des données. Investir parallèlement en compétences en cybersécurité et en gouvernance des données.

    Pour les investisseurs : Privilégier les acteurs positionnés sur la couche de sémantique, de gouvernance et de qualité des données plutôt que sur la simple connectique. Les technologies de middleware et de normalisation demeureront pertinentes longtemps. Les solutions de cybersécurité et de conformité acquerront une importance stratégique.

    Pour les régulateurs : Continuer à imposer des standards ouverts tout en renforçant les garde-fous de sécurité et de souveraineté. Favoriser l’émergence d’infrastructures d’interopérabilité souveraines à l’échelon européen et national pour réduire la dépendance aux hyperscalers américains.

    Pour les acteurs établis (éditeurs de DPI) : Accepter l’inéluctabilité de l’interopérabilité et transformer cette contrainte en opportunité de repositionnement comme coordinateurs d’écosystèmes. Investir dans la qualité de la donnée, les capacités IA et les services de valeur ajoutée pour compenser l’érosion de la rente de captivité.

  • Interopérabilité en santé : du cadre légal français à l’agenda européen

    Insights :

    • Le cadre français d’interopérabilité (CI-SIS, piloté par l’ANS) s’appuie massivement sur des standards internationaux comme HL7, FHIR, DICOM, CDA, LOINC et SNOMED CT pour assurer une interopérabilité technique et sémantique entre tous les acteurs. 
    • Le CI-SIS n’est pas qu’un catalogue de formats : il propose des profils d’interopérabilité alignés sur des cas d’usage concrets (biologie, comptes rendus, VSM, etc.), ce qui en fait un outil opérationnel pour les éditeurs et les établissements. 
    • L’article L.1470-2 du Code de la santé publique rend opposables les référentiels d’interopérabilité et de sécurité : la conformité n’est plus facultative mais devient un prérequis pour accéder aux dispositifs publics et à certains financements.  
    • Le PLFSS 2026 introduit des sanctions financières (jusqu’à 2 500 euros par manquement, plafonné à 10 000 euros/an) pour non-alimentation effective du DMP / Mon espace santé, faisant basculer l’interopérabilité dans une logique coercitive.  
    • FHIR R4 est en train de devenir le « langage officiel » des échanges de santé français, en cohérence avec l’agenda européen, avec des profils FHIR définis dans le CI-SIS et co-construits avec InteropSant.  
    • Les LLM montrent de très bonnes performances sur la compréhension des ressources FHIR mais restent en difficulté sur la conversion de texte clinique libre en ressources FHIR (tâche Note2FHIR), révélant un blocage majeur sur les données non structurées. 
    • L’Espace Européen des Données de Santé (EHDS) impose un calendrier contraignant (dès 2027 pour le résumé patient et l’e-prescription, 2029 pour imagerie et biologie), ce qui crée une double pression pour les DSI déjà occupées par Ségur, DMP, DRIMbox et CI-SIS.  
    • L’Alliance SIH (La Poste Santé Autonomie, CPAGE, Maincare, HOPSIS, HCL) adopte le trio openEHR–FHIR–OMOP pour transformer les SIH en « data centres » ouverts, illustrant un basculement vers des architectures de données cliniques longitudinales et réutilisables. 

     

    📌Interopérabilité en santé : un cadre national articulé autour du CI-SIS, des standards HL7 FHIR et d’une hausse de 112% des cyberattaques

    Le cadre français d’interopérabilité structure les échanges de données de santé autour du CI-SIS, organisé en trois couches complémentaires (contenu métier, services d’échange, couche technique) et appuyé sur des standards comme HL7, FHIR, DICOM, CDA, LOINC et SNOMED CT. Le Centre de Gestion des Terminologies de Santé assure la cohérence des terminologies à l’échelle nationale, condition indispensable à une interprétation homogène des données entre logiciels et établissements. La généralisation de l’interopérabilité vise la réduction des redondances d’examens, l’amélioration de la continuité des soins et la maîtrise des coûts pour les pathologies chroniques. Une augmentation de 112% des attaques par ransomware entre 2022 et 2023 met en évidence la nécessité d’un haut niveau de sécurité et de chiffrement des échanges. Le CI-SIS s’accompagne d’outils opérationnels, tels qu’un espace de tests et des scénarios de validation, pour vérifier la conformité des solutions. L’ensemble positionne le cadre français comme un socle structurant, aligné sur les standards internationaux tout en intégrant des exigences de sécurité renforcée

    👉 Plus de détails sur « Interopérabilité en santé : 7 standards techniques sur 4 niveaux pour structurer les échanges »

    📌19 études internationales, 10 centrées sur FHIR et plus de 80% de couverture terminologique : l’interopérabilité à l’ère de l’IA et de l’apprentissage fédéré

    La revue de 19 études publiées en 2024–2025 montre que FHIR est présent comme standard principal ou structurant dans 10 travaux, confirmant sa place dominante dans les projets d’interopérabilité. Plusieurs recherches démontrent que l’apprentissage fédéré obtient des performances prédictives comparables à l’apprentissage centralisé, tout en évitant la centralisation des données des dossiers patients. Des approches combinant FHIR et grands modèles de langage atteignent des scores F1 supérieurs à 0,7 ou 0,9 pour certaines tâches de prédiction clinique ou de question–réponse structurée, mais restent en difficulté sur la transformation Note2FHIR des textes libres. Un outil de découverte terminologique multilingue parvient à couvrir environ 82% des concepts sur 24 langues, illustrant un progrès significatif pour l’accès aux terminologies standardisées. Les travaux recensés insistent sur la centralité de SNOMED CT, LOINC et des ontologies cliniques pour garantir une interopérabilité sémantique robuste. Les cadres européens comme EHDS2 et l’EIF servent de fil conducteur pour relier standards, gouvernance des données et exigences réglementaires.

    👉 Plus de détails sur «Interopérabilité : 19 études récentes révèlent les leviers techniques, réglementaires et cliniques pour la santé numérique (revue de littérature) – Health & tech»

    📌Interopérabilité en e-santé : un impératif réglementaire européen qui va changer en profondeur le marché d’ici 2028‑2029

    L’article montre comment l’interopérabilité est passée d’un “simple” sujet technique à l’un des trois piliers du numérique en santé, avec des impacts économiques majeurs pour les éditeurs comme pour les établissements. Il souligne le double coût du manque d’échanges normalisés, à la fois financier (multiplication de connecteurs spécifiques facturés au cas par cas) et clinique, avec des risques d’erreurs de saisie qui affectent directement la sécurité des patients. Le futur règlement sur l’espace européen des données de santé fera de l’interopérabilité une condition d’accès au marché, en s’appuyant notamment sur FHIR, et imposera une convergence progressive des logiciels vers un cadre commun, avec des premières obligations opérationnelles attendues autour de 2028‑2029. Cette transformation, jugée techniquement maîtrisable, suppose surtout un changement culturel chez les professionnels de santé et une anticipation forte des éditeurs pour éviter un “effet RGPD” de mise en conformité dans l’urgence.

    👉 Plus de détails sur « Interopérabilité : quand la régulation européenne rebat les cartes du marché de l’e‑santé  – Health & tech»

    📌Jusqu’à 2 500 € par manquement et 10 000 € par an : 2025, l’année où l’interopérabilité devient coercitive

    L’évolution réglementaire transforme l’interopérabilité en obligation opposable, avec l’inscription des référentiels dans le Code de la santé publique via l’article L.1470-2. Le non-respect de l’alimentation effective de Mon espace santé expose les acteurs à des sanctions pouvant atteindre 2 500 euros par manquement, dans la limite de 10 000 euros par an, marquant un tournant clair vers une logique coercitive. L’accès à certains financements et dispositifs publics est conditionné au respect des standards définis dans le CI-SIS et aux référentiels de sécurité associés. Cette dynamique s’inscrit dans un calendrier plus large, incluant les exigences européennes de l’EHDS pour le résumé patient et l’e-prescription à partir de 2027, puis pour l’imagerie et la biologie en 2029. Les directions des systèmes d’information et les éditeurs doivent intégrer ces contraintes dans leurs plans de conformité, sous peine de fragiliser la soutenabilité financière et la capacité de connexion aux services socles. La convergence entre pression nationale et agenda européen fait de 2025 un point d’inflexion pour l’interopérabilité des systèmes de santé.

    👉 Plus de détails sur «Interopérabilité : 2025, l’année du virage coercitif – Health & tech»

    📌De 80–500 applications à un socle unifié : l’alliance SIH mise sur openEHR, FHIR et OMOP pour bâtir des data centres cliniques souverains

    Les grands hôpitaux peuvent compter entre 80 et 500 applications, voire jusqu’à 1 000 solutions numériques en incluant l’ensemble de l’écosystème, créant une fragmentation extrême des données de santé. L’alliance SIH réunissant plusieurs éditeurs et établissements propose de recentrer les systèmes d’information hospitaliers sur un socle de données cliniques longitudinales, structuré par openEHR, FHIR et OMOP. Cette stratégie vise à transformer les SIH en data centres souverains, où les applications se connectent à une base commune plutôt que de multiplier les silos propriétaires. La mutualisation des modèles de données, des terminologies et des connecteurs facilite la réutilisation pour la recherche, la qualité des soins et la régulation. La démarche met l’accent sur la souveraineté des données, le contrôle des architectures et la compatibilité avec les standards internationaux. Une gouvernance partagée devient un levier essentiel pour orchestrer les migrations, prioriser les chantiers et aligner les membres de l’alliance sur une vision commune.

    👉 Plus de détails sur «Alliance SIH : 80 à 500 solutions informatiques par hôpital, un frein à l’interopérabilité que l’alliance brise pour des SIH data centre souverains – Health & tech»

    📌Interopérabilité obligatoire : des référentiels nationaux qui redessinent les feuilles de route de tous les acteurs du numérique en santé

    L’obligation de conformité aux référentiels d’interopérabilité et de sécurité reconfigure les priorités des éditeurs, établissements et industriels du numérique en santé. Les cadres publiés par l’ANS, le CI-SIS, le CGTS et les référentiels de sécurité conditionnent l’accès aux programmes nationaux, aux services socles et à une partie des financements. Les roadmaps produits doivent intégrer des guides FHIR, des profils d’interopérabilité ciblés et l’usage systématique des terminologies officielles telles que SNOMED CT, LOINC ou RUIM. Les organisations sont amenées à renforcer les compétences internes en standards, terminologies et sécurité, et à inscrire ces exigences dès les phases de conception des solutions. Les dispositifs de tests, projectathons et outils de validation deviennent des passages incontournables pour démontrer la conformité. Le risque principal pour les acteurs qui ne s’alignent pas réside dans une perte progressive de compatibilité avec l’écosystème français et européen, ainsi qu’une difficulté accrue à accéder aux marchés les plus structurés.​

    👉 Plus de détails sur «Interopérabilité en santé : une obligation réglementaire qui impact tous les acteurs – Health & tech»

    📌De la technique au droit : comment l’interopérabilité devient la colonne vertébrale réglementaire du système de santé numérique

    L’interopérabilité quitte le seul champ des architectures techniques pour devenir un pilier explicite des textes juridiques et des politiques publiques en santé. Les cadres tels que le CI-SIS, le PGSSI-S, l’EHDS ou TEFCA définissent simultanément des formats, des API, des exigences de sécurité, de consentement et de gouvernance des données. Cette évolution fait de l’interopérabilité une condition d’émergence de la médecine de précision, de la recherche à grande échelle et de la régulation appuyée sur des données fiables et partageables. L’ensemble des dispositifs réglementaires renforce les obligations de traçabilité, de standardisation et de contrôle de la conformité pour les différents acteurs. Les investissements dans des architectures durables, des compétences en standards et terminologies, ainsi que dans des plateformes de test deviennent des choix stratégiques plutôt que techniques. L’interopérabilité s’affirme ainsi comme la structure porteuse des services numériques de santé, reliant données cliniques, innovation et exigences réglementaires.

    👉 Plus de détails sur «Interopérabilité en santé : d’un impératif technique à une obligation réglementaire structurante – Health & tech»

    Visuel de synthèse étude interopérabilité @HTI

  • IA et expérience patient: de la mesure au levier opérationnel

    Insights :

    •  73% des professionnels de santé en France connaissent la notion d’expérience patient en 2024, contre 55% en 2018, signe d’une diffusion soutenue.

    • En 2024, près de 1,3 million de questionnaires e‑Satis ont été analysés, avec des taux de satisfaction globaux supérieurs à 80% mais des disparités territoriales et par spécialités.​

    • L’ajout d’un agent conversationnel IA au parcours ambulatoire augmente les scores d’expérience globale et de communication médecin‑patient.
    • 96% des soignants jugent que l’expérience patient améliore la relation de soins et la qualité de la prise en charge; 95% citent un effet positif sur l’image de l’établissement.
    • L’IA est utilisée pour analyser massivement les verbatims patients (NLP), dépasser la « note sur 10 » et fournir des explications causales et des signaux faibles.
    • Le module IA d’e‑Satis (actif depuis 2024) automatise l’analyse des commentaires, restitue tendances, ressentis et priorités d’amélioration.

    • 14 cas d’usage IA sont documentés dans 35 hôpitaux, dont chatbots/assistants (≈24%) et mesure de satisfaction (≈24%) comme segments dominants.​

    • Des plateformes comme Verbatim.care sont entraînées sur >100 000 verbatims labelisés et déployées dans >50 structures en France et Belgique, avec ~70 thèmes/sous-thèmes.​

    • Les freins majeurs identifiés: manque de référent expérience patient (38%), pression et stress des équipes (62%), ressources et formation insuffisantes (45% et 40%).​

    📌La voix du patient devient un actif de pilotage

    L’appropriation de l’expérience patient par les soignants s’accélère et s’appuie sur des dispositifs nationaux structurants. En 2024, 73% des professionnels de santé déclarent connaître la notion d’expérience patient, contre 55% en 2018. Environ 1,3 million de questionnaires e‑Satis ont été analysés, avec des taux de satisfaction globaux supérieurs à 80%. 96% des professionnels perçoivent un impact positif sur la relation et la qualité de prise en charge, et 89% sur la fidélisation des patients. Cette dynamique crée un terrain favorable à l’usage de l’IA pour exploiter ces retours de manière systématique.

    👉 Plus de détails sur «Expérience patient : 73 % des soignants sensibilisés, et un concept de plus en plus intégré dans les établissements – Health & tech»

    📌PROMs et IA, des modèles performants à encadrer

    La littérature récente montre que les données rapportées par les patients peuvent alimenter des modèles prédictifs performants tout en posant des défis de validation. Certains modèles atteignent des exactitudes autour de 0,72 à 0,90 et des AUC proches de 0,93 selon les contextes cliniques. Les revues insistent cependant sur l’hétérogénéité de la gestion des données manquantes, le reporting incomplet des paramètres de modèles et un déficit d’information sur l’équité, qui limitent la généralisabilité. L’intégration opérationnelle repose sur des parcours numériques simples, incluant le dossier électronique, l’automatisation de la saisie et du calcul des scores. Au total, les preuves soutiennent un changement d’échelle, à condition de renforcer standardisation, transparence et gouvernance des données.

    👉 Plus de détails sur «IA & expérience patient : 23 études et revues confirment un changement d’échelle dans les usages cliniques (revue de littérature 2024‑2025) – Health & tech»

    📌E‑Satis, brique critique de la qualité hospitalière

    Le programme e‑Satis de la HAS structure la mesure de la satisfaction et du ressenti des patients à grande échelle depuis 2015. Chaque année, près de 2 millions de patients sont interrogés et plus de 1 000 établissements participent aux campagnes. Depuis 2024, un module d’IA analyse automatiquement les commentaires libres pour dégager des thèmes, des tendances et des priorités d’action. Les résultats sont restitués à la fois au public et aux établissements, et intégrés à la certification et à l’amélioration continue. Le dispositif tend désormais vers une extension à d’autres secteurs de soins et vers une analyse plus fine des verbatims grâce à l’IA.

    👉 Plus de détails sur «e-Satis demain : une mesure élargie, plus fine, et plus connectée grâce à l’IA et aux IQSS – Health & tech»

    📌🗺️Du score unique aux verbatims actionnables

    Le panorama de 27solutions d’IA montre un passage d’une simple note de recommandation à une compréhension des causes via l’analyse automatique des textes. Les verbatims patients permettent de détecter des signaux faibles et des incidents que les moyennes de score masquent. La frontière entre confort perçu (questionnaires d’expérience) et résultat clinique (questionnaires de résultats) s’estompe avec des systèmes de télésurveillance qui déclenchent des alertes en temps réel. Des approches comportementales et des agents conversationnels contribuent à réduire l’anxiété et les frictions dans les parcours. L’optimisation des flux, notamment aux urgences ou en chirurgie programmée, améliore directement l’expérience vécue.

    👉 Plus de détails sur «Expérience patient : comment l’utilisation de 27 solutions d’IA en France signe la fin de la « note sur 10 » – Health & tech»

    📌🗺️Quatorze cas d’usage à l’échelle des établissements

    Plus de 50 établissements en France et en Belgique déploient des cas d’usage couvrant l’analyse de verbatims, les chatbots, le suivi longitudinal et les parcours critiques. Certains modèles sont entraînés sur plus de 100 000 commentaires, et au moins 24 établissements pilotent leurs parcours à partir de ces analyses textuelles. Les segments les plus investis sont les assistants virtuels et la mesure de satisfaction, qui représentent chacun près d’un quart des cas recensés. Des solutions comme Verbatim.care, Heko ou Caresquad visent des gains de réactivité, de préparation des patients et de priorisation des actions. Cette industrialisation des usages met au premier plan la robustesse des algorithmes et la gouvernance des données.

    👉 Plus de détails sur «Cas d’usage : plus de 50 établissements déploient de l’IA pour transformer l’expérience patient – Health & tech »

    📌🗺️Les acteurs et leurs leviers opérationnel

    L’amélioration de l’expérience mobilise patients partenaires, aidants, professionnels de santé et acteurs médico‑sociaux tout au long des parcours. Les questionnaires de résultats rapportés par les patients, utilisés par les médecins généralistes ou les infirmiers, facilitent la détection précoce de problèmes et l’ajustement des prises en charge. En France, plusieurs millions d’aidants influencent le vécu des soins, tout en ayant eux‑mêmes besoin de soutien et de reconnaissance. La coordination avec le secteur médico‑social reste souvent insuffisamment structurée malgré des besoins élevés chez les patients fragiles. L’intégration systématique des retours patients est présentée comme un moyen concret de réduire certaines réhospitalisations précoces et d’améliorer l’efficacité globale des parcours.

    👉 Plus de détails sur «HAS, France Assos Santé, IFEP : panorama des acteurs de l’expérience patient en 2025 – Health & tech»

  • e-Satis demain : une mesure élargie, plus fine, et plus connectée grâce à l’IA et aux IQSS

    Points essentiels

    • Près de 2 millions de patients interrogés chaque année ;
    • Résultats accessibles à tous depuis le site HAS ;
    • Analyse automatique des commentaires grâce à l’IA depuis 2024 ;
    • Putil intégré dans la certification et l’amélioration continue des établissements ;
    • Plus de 1 000 cliniques et hôpitaux participent chaque campagne .
    • Restitution sur portail dédié pour chaque établissement.​

    Un questionnaire anonymisé

    E-satis est un dispositif national de la Haute Autorité de Santé (HAS) piloté depuis 2015. Son objectif : mesurer la satisfaction et l’expérience vécue par les patients lors d’hospitalisations, en médecine, chirurgie, obstétrique et ambulatoire. L’outil s’appuie sur une série de questionnaires électroniques envoyés aux patients après leur passage à l’hôpital ou en clinique. Les questions couvrent l’accueil, l’information, la prise en charge médicale et paramédicale, l’organisation générale et la sortie.

    Un questionnaire anonymisé est proposé aux patients. Les établissements de santé transmettent les adresses e-mail des patients pris en charge. À J+1 ou J+2 de leur séjour, les patients reçoivent un questionnaire électronique sécurisé. Les résultats sont ensuite agrégés, anonymisés et analysés par la HAS. Les établissements accèdent à leurs scores, comparables à ceux de structures similaires. Des rapports et des graphiques sont générés afin d’appuyer les démarches qualité internes.

    E-satis répond à plusieurs enjeux :

    • Il donne au patient une place centrale comme acteur partenaire du soin, outille la gouvernance hospitalière avec des données fiables et sourcées pour piloter la qualité, valorise la transparence du système hospitalier, intègre les données patient dans la démarche de certification qualité et sécurité HAS
    • Et accélère le virage numérique des établissements via l’automatisation de la collecte et du traitement de données.

    Restitution en accès libre

    La HAS publie les principaux résultats sur son site, accessibles à tous, avec des filtres par établissement, région et type de prise en charge. L’établissement dispose de ses propres chiffres et courbes d’évolution, des moyennes nationales et régionales, des principaux points forts et axes d’amélioration, ainsi que de synthèses prêtes à l’emploi pour les équipes qualité. Le module IA, en activité depuis 2024, traite automatiquement les commentaires libres des patients pour fournir une analyse thématique exhaustive et lisible. L’algorithme extrait les tendances, classe les ressentis, et pointe les améliorations prioritaires.

    Usage : pour les directions et équipes terrain

    L’outil E-satis devient incontournable pour les directions hospitalières, responsables qualité, CME (Commission médicale d’établissement) et équipes terrain. Il permet le suivi en temps réel du ressenti patient, l’identification des irritants majeurs, la mise en place de plans d’action et le suivi de leurs impacts, la comparaison avec les pairs en toute objectivité ainsi qu’un reporting structuré pour les tutelles et partenaires. L’appropriation de l’outil est une clé de réussite, car elle repose sur la mobilisation des équipes et une explication claire du dispositif aux patients, dans le strict respect des règles de confidentialité et du RGPD. L’interprétation des verbatims et des scores doit rester prudente et tenir compte du contexte local, d’autant plus que la complétude des réponses peut varier selon les établissements et la typologie de patientèle.

    E-satis, vers une expansion ?

    Les perspectives pour le dispositif e‑Satis incluent un déploiement à plus grande échelle vers d’autres secteurs et parcours de soins, l’amélioration continue des algorithmes d’intelligence artificielle afin d’analyser plus finement les verbatims et d’anticiper les attentes des patients, ainsi qu’une articulation renforcée avec les autres indicateurs IQSS (indicateur de qualité et sécurité des soins) pour permettre un suivi à 360° de la qualité des prises en charge.

    Sources

  • Neurodéveloppement et radiologie pédiatrique : état des lieux des innovations d’IA

    Analyse stratégique : Solutions et projets d’IA en pédiatrie

    Contexte général : une urgence de santé publique mondiale

    1 enfant sur 6 présente des troubles du neurodéveloppement et de santé mentale associés, dont seulement 8% sont diagnostiqués en raison d’une complexité clinique, d’une pénurie critique de praticiens spécialisés et de coûts élevés. Parallèlement, alors que l’autisme peut être diagnostiqué de manière fiable dès 18 mois, l’âge moyen de diagnostic aux États-Unis demeure supérieur à 4 ans. Ces délais diagnostiques ont des implications durables : les enfants diagnostiqués tardivement ou pas du tout manquent des interventions précoces essentielles, moment critique pour l’efficacité thérapeutique.​

    Cet écart entre diagnostic possible et diagnostic réel constitue un enjeu stratégique majeur. Il reflète une asymétrie structurelle : la demande d’évaluations diagnostiques croît exponentiellement tandis que l’offre de professionnels spécialisés demeure stationnaire ou décline. Les solutions d’intelligence artificielle émergentes visent directement à combler cet écart critique.

    Opportunités d’IA en radiologie pédiatrique : automatisation et accélération des diagnostics

    Les algorithmes d’IA peuvent estimer l’âge osseux pédiatrique avec une marge d’erreur de ±4,2 mois à ±5,4 mois, comparée à 9 minutes de consultation manuelle utilisant l’atlas Greulich & Pyle. Cette réduction du temps de traitement représente bien plus qu’une optimisation opérationnelle : elle redéfinit la capacité diagnostique des établissements de santé.​

    Plusieurs solutions technologiques matérialisent cette opportunité. AZboneage, logiciel marqué CE d’AZmed, automatise l’estimation de la maturité squelettique en analysant les radiographies des mains par la méthode Greulich & Pyle. Une étude comparative démontre que l’algorithme d’IA affiche une marge d’erreur absolue moyenne (MAE) de 0,488 années chez les garçons et 0,494 années chez les filles, supérieure à celle d’un radiologue généraliste non spécialisé en pédiatrie (MAE de 0,771 et 0,673 années respectivement). BoneView BoneAge de Gleamer affiche des performances comparables, avec une MAE de 1,38 années, similaire aux estimations radiologues (MAE 1,30 années) mais surpassant la méthode Tanner-Whitehouse version 2 (MAE 2,86 années).​

    ImageBiopsy Lab PANDA offre une intégration directe au point de service. Ses résultats sont générés en moins de 5 secondes et présentés dans les formats standards DICOM, préservant l’image radiographique originale pour l’auditabilité. Cette approche « zero-click » minimise la friction workflow, élément critique d’adoption en environnement clinique haute-volume.​

    Au-delà du simple diagnostic, ces outils réduisent la variabilité inter et intra-examinateur, problématique majeure en médecine. Milvue rapporte une amélioration de 20% de la sensibilité diagnostique pour les fractures pédiatriques et une réduction de 22% du temps diagnostique. Pour les urgences pédiatriques, ces gains se traduisent par une diminution démontrée des délais d’attente et une amélioration de la productivité clinique.​

    Neurodéveloppement et diagnostic précoce : redéfinir le parcours de soins

    O-Kidia ambitionne de créer les standards du diagnostic et pronostic digital des troubles du neurodéveloppement chez les enfants de 5 à 25 ans. Son approche combine biométrie, biomarqueurs et machine learning pour identifier des signatures symptomatologiques et des profils différentiels des troubles du déficit de l’attention avec hyperactivité (TDAH) et comorbidités.​

    Spectrum Mind®, son dispositif médical numérique central, automatise des tâches chronophages (cotation des scores, génération de rapports) tout en produisant une approche transdiagnostique en « réseau de symptômes ». Cette méthodologie redéfinit le diagnostic en reconnaissant que les troubles du neurodéveloppement ne se manifestent pas selon des catégories cliniques discrètes mais selon des dimensions interactives (émotion, état physique, cognition, comportement).​

    Cognoa propose une approche complémentaire avec Canvas Dx, première et unique solution diagnostique autorisée par la FDA pour le diagnostic ou l’exclusion de l’autisme chez les enfants de 1,5 à 6 ans « dans les jours et non les mois ou années ». Le système combine trois données : questionnaires aux aidants, évaluations cliniciennes et analyse vidéo à domicile. En production réelle, Canvas Dx atteint un taux de valeur prédictive négative de 97% et valeur prédictive positive de 95%, avec résultats déterminés pour 78% des enfants évalués. Cette capacité d’administration à distance supprime les obstacles géographiques et réduit l’accès aux centres de spécialités surcommittés.​

    Neurotélémetrie et surveillance continue : innovation en soins intensifs néonatals

    Un projet né au Mount Sinai, formalisé sur plus de 282 301 minutes vidéo de 115 nouveau-nés en unités de soins intensifs néonatals, démontre que l’IA peut détecter les changements neurologiques pédiatriques à partir de vidéo. L’algorithme de reconnaissance posturale (« Pose AI ») entraîné sur 16,9 millions de secondes de vidéo identifie la sédation et le dysfonctionnement cérébral avec haute précision.​

    Ce développement redéfinit la surveillance néonatale. Contrairement à la télémétrie cardio-respiratoire standard, la « neurotélémetrie » automatisée demeurait techniquement élusive. Cette innovation ouvre une « neuro-monitoring strip » continue analogue aux tracés cardiaques, permettant l’alerte automatique sur changements neurologiques et facilitant les interventions précoces.

    De manière complémentaire, une équipe de l’Université de Montréal a validé un algorithme qui évalue la maturité cérébrale des nourrissons en quelques minutes à partir de signaux EEG, capable d’identifier anomalies dans la progression neurodéveloppementale. Entraîné sur données de 2 000 enfants australiens et finlandais, cet outil crée un « carnet de croissance cérébrale » numérique personnalisé.​

    Assistance aux parents et médecine de précision pédiatrique

    Doctolib Parents, lancé début 2026 en partenariat avec la Société française de pédiatrie et le Collège national des sages-femmes, adresse une population jusqu’ici exclue des outils numériques : les parents d’enfants de moins de 4 ans. L’assistant IA propose contenu pédagogique validé, conseils préventifs et suivi sanitaire partageables aux soignants. Doctolib revendique déjà 5 millions de consultations assistées par IA via ses outils professionnels.​

    L’unité R2P2 du Pr Jean Bergounioux (Hôpital Raymond Poincaré, UVSQ/Inserm) développe des solutions d’aide au diagnostic précoce des nouveau-nés fragiles, combinant médecine, physiologie, informatique et robotique. Son approche systématique—hybridation technologies, IA biomédicale et expertises cliniques—transforme solutions individuelles en standards accessibles au plus grand nombre.​

    Imagerie pédiatrique de prochaine génération : réduction des doses et standardisation

    Depuis septembre 2025, la Fondation Lenval dispose d’un scanner assisté par IA réduisant significativement l’irradiation tout en améliorant la qualité diagnostique. Cette innovation répond à la préoccupation principale de la pédiatrie : minimiser l’exposition aux rayonnements ionisants. Le scanner myExam Companion Siemens automatise workflows d’examen, position patients automatiquement et réduit temps de travail des opérateurs inexpérimentés de 353 secondes à 92 secondes—performance rapprochée aux collègues expérimentés.​

    Risques majeurs : fractures régulateurs et disparités d’accès

    Seul 1 outil d’IA sur plus de 100 autorisés par la FDA pour diagnostic radiologique est approuvé pour utilisation pédiatrique. Ce déséquilibre criant reflète plusieurs déficits : absence de financement spécifique pédiatrique comparé aux adultes, absence de dispositif législatif comparable aux lois 2002-2003 sur développement pharmaceutique pédiatrique, et clarté réglementaire insuffisante sur l’âge d’utilisation des dispositifs IA.​

    Le cadre régulateur présente des failles majeures. L’FDA approuve 97% des dispositifs IA-activés via la voie 510(k) à bas/modéré risque, 22 via reclassification de novo, et seulement 4 via approbation prémarché pour risque élevé. Aucune voie régulatore n’a été formellement désignée pour IA/ML. De plus, les documents FDA publiquement disponibles omettent fréquemment les âges d’utilisation visés, empêchant les cliniciens de discerner si le logiciel a été validé pédiatriquement.​

    Risque de propagation des biais et inéquités systémiques

    Les enfants noires et latino-américaines reçoivent diagnostics autistiques 19% à 65% moins fréquemment que leurs pairs blancs, avec dispariités persistant indépendamment de la classe économique. L’IA codifie ces biais si entraînée sur données non-représentatives. Une majorité de datasets d’entraînement IA est dominée par données provenant de pays développés ; les algorithmes peuvent alors échouer chez enfants populations minoritaires, populations sous-médicalisées ou géographies insuffisamment représentées.​

    Canvas Dx a été conçu avec données diverses et déploie stratégies actives pour réduire biais (évaluation à domicile, analyse vidéo objective), mais ce modèle demeure exception. Pour algorithmes d’estimation de l’âge osseux, validations soulignent explicitement le besoin de tests rigoureux sur populations ethniquement diverses.​

    Inversement, même algorithmes non-biaisés implémentés inéquitablement perpétuent disparités. Familles sans accès fiable à ordinateurs ou connectivité internet ne peuvent accéder technologies numériques remotely-administered. Communautés sans infrastructure technologique ou faible « digital literacy » restent exclues. Cette fracture risque d’élargir inéquités existantes.​

    Défis d’intégration clinique et de dépendance technologique

    Adoption IA en pédiatrie se heurte à obstacles d’implémentation. Institutions doivent investir en infrastructure informatique, entraînement personnel et intégration workflows PACS/EMR. Coûts initiaux élevés et complexité technique peuvent exclure petits hôpitaux ou structures de ressources limitées.

    De plus, responsabilité clinique reste ambiguë. Si IA recommande diagnostic différent du jugement clinicien, qui porte responsabilité diagnostic erroné ? Cette tension crée incertitude légale et éthique. Cliniciens doivent demeurer « superviseur actif » ne se reposant pas unilatéralement sur recommandations IA—mais cette double-vérification neutralise gains de vitesse si implicitement requise.

    Défis données et représentativité : le problème pédiatrique spécifique

    Contrairement adultes où données massives alimentent IA clinique, données pédiatriques demeurent limitées. Status développemental variable (nouveau-né vs adolescent), tailles et physiologies différentes, conditions rares concentrées, fenêtres diagnostiques étroites—tout cela rend données pédiatriques intrinsèquement plus complexes à normaliser.

    Si modèles IA sont entraînés sur données population développées, généralisation à enfants pays en développement reste hautement douteuse. Variants phénotypiques rares, facteurs socio-économiques, accès healthcare disparate : datasets doivent capturer cette hétérogénéité pour maintenir fiabilité clinique.​

    Lacunes de validation et absence de suivi postmarché systématique

    FDA n’a pas établi suivi postmarché systématique pour dispositifs IA pédiatriques. Problème critique : algorithmes doivent être testé et revalidé après déploiement. Si performance dérive (dataset distribution change, bug intervient, conditions d’usage dévient de l’intended use), infrastructure manque pour détecter et escalader problèmes cliniquement.​

    Les Predetermined Change Control Plans (PCCP) proposés constituent progrès, mais implémentation reste volontaire et non-standardisée. Absence base centrale registry pédiatrique suivant sécurité et accuracy longitudinalement.

    Stratégies de déploiement et modèles économiques durables

    Lenval Foundation a déployé Milvue AI intégré à son imagerie pédiatrique, analysant 62 000 examens annuels pédiatriques/adultes avec sensibilité augmentée 20% pour fractures pédiatriques. Ce modèle illustre adoption réussie : intégration profonde infrastructure existante, mesure kpis concrets (sensibilité, délais), implication cliniciens dans validation.​

    O-Kidia a reçu labellisation DeepTech reconnaissant innovation biomédicale de rupture. Stratégie d’accessibilité multimodale : approche transdiagnostique réduit besoin données massives par incorporation expertise clinique. Essais cliniques rigoureux (jusqu’à 1 000 enfants) et validation scientifique soutiennent marketing médicale auprès hôpitaux publics et systèmes assurance.​

    Doctolib capitalise install base 50 millions utilisateurs français. Doctolib Parents gratuit initialement (monétisation via abonnement futur), réduisant barrières adoption médecins et parents. Partenariat institutions pédiatriques de référence légitime approche médicale.​

    Évaluation du paysage compétitif et positionnement stratégique

    Paysage solutions IA pédiatriques se structure selon trois axes : (1) radiologie diagnostique (AZmed, Gleamer, ImageBiopsy, Milvue—focus détection osseal, fractures, chest), (2) neurodéveloppement et psychiatrie (O-Kidia—TDAH/comorbidités, Cognoa—autisme), (3) surveillance continue et monitoring (Mount Sinai Pose AI, Université Montréal EEG brain age, myExam Companion).

    Chaque axe adresse besoin clinique distinct mais complémentaire. Fragmentação intentionnelle : radiologie pédiatrique se concentre sur workflows radiologue ; neurodéveloppement sur accès diagnostic hors spécialistes; monitoring sur surveillance NICU. Peu concurrence directe. Opportunity coopérative : plateforme intégrant radiation dose optimization (imagerie), diagnostic neurodeveloppement précis (O-Kidia), et parental engagement (Doctolib) redéfinirait standard pédiatrique.

    Perspectives réglementaires et cadre éthique émergent

    FDA reconnaît explicitly besoin guidance spécifique IA/ML (guidance draft janvier 2025 lifecycle management). Cependant, absence cadre pédiatrique destiné distinct. France et Europe entament régulation IA santé (Doselia project mentionné sources Gustav Roussy) avec emphase souveraineté données, explainability, et équité.

    Éthique pédiatrique implique droits enfants : droit accès équitable santé de qualité, transparence algorithm, consentement informé, protection données. Cognoa a obtenu remboursement Highmark Insurance (US) — modèle économique validé par payer commercial. Europe française tend vers modèle public/collectif.

    Synthèse stratégique et perspectives

    L’IA en pédiatrie redéfinit trois frontières cliniques : (1) compression temporelle diagnostique (autisme diagnostic en jours vs mois/années), (2) démocratisation accès (diagnostic TDAH accessible non-spécialistes primaires via Spectrum Mind; autisme via Canvas Dx remote), et (3) réduction exposition radiologique pédiatrique (imagerie assistée IA, doses réduites 20-30%).

    Opportunités stratégiques demeurent substantielles mais contingentes à résolution déficits regulators, accès équitable et validation clinique rigoureuse. Acteurs succès (Cognoa, O-Kidia, Milvue, AZmed) partagent trois caractéristiques : (i) focus domaine clinique restreint haute-validation, (ii) partenariats institutions pédiatriques de référence apportant crédibilité, (iii) engagement cycle complet données—entraînement, validation, déploiement, monitoring.

    Risques majeurs concentrent inéquités systémiques et gouvernance. Sans action volontaire, IA peut codifier diagnostiquer moins fréquemment enfants minority populations, exacerbant disparités existantes. Frameworks éthiques préalables et dataset diversity délibérée doivent précéder, non suivre, déploiement clinique.

    Horizon stratégique 2026-2030 : convergence probable entre solutions point-care (imagerie Lenval + diagnostic O-Kidia) et engagement patient-parent (Doctolib Parents) créerait écosystème pédiatrique digital de rupture. Infrastructure investissement publique (CHU, foundations) combinée avec écosystème startup français (O-Kidia, Milvue) et international (Cognoa) positionne opportunité unique d’export technologique pédiatrique français.

    Recommandations stratégiques : (1) Accélération funding innovation pédiatrique (equivalent Pediatric Research Equity Act US), (2) Standardisation datasets validation multi-site/multi-ethnique pédiatrique, (3) Intégration précoce bioétiquiciens et patient families dans co-design algorithmes, (4) Cadre réglementaire pédiatrique spécifique FDA/EMA établissant labeling clair, suivi postmarché obligatoire, (5) Modèles economiques pérennisant accès équitable via financements publics/assurance sociale. Ces leviers transformeraient innovations fragmentaires actuelles en standard universel de santé pédiatrique.

    Cartographie des solutions d’IA en pédiatrie @ HTI

     

    <span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span><span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span><span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span><span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span><span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span>

  • De la néonatologie à la santé mentale : comment l’IA recompose la pédiatrie

    Insights:

    • L’intelligence artificielle permet un dépistage universel plus efficace et rapide (par exemple, élargissement du spectre génétique au dépistage néonatal).
    • L’IA, intégrée à l’imagerie, réduit l’irradiation et le temps de diagnostic chez l’enfant.
    • Les solutions d’IA pèsent sur l’équité en santé : 74% des applications IA pour la santé mentale infantile sont payantes.
    • Les modèles d’IA en pédiatrie égalent ou surpassent parfois l’expertise humaine sur des tâches spécialisées (ex. : classification des malformations, analyse de la douleur).​
    • L’IA améliore la détection précoce des troubles neurodéveloppementaux et des maladies rares chez les enfants, contribuant à réduire l’errance diagnostique.
    • Taux de diagnostic efficace du TSA par IA (Canvas Dx) : valeur prédictive négative 97%, valeur prédictive positive 95%.
    • La France a ajouté 3 nouvelles maladies au panel du dépistage néonatal en 2025 : amyotrophie spinale, DICS (déficit immunitaire combiné sévère), déficit en VLCAD (déficit en acyl-coenzyme A-déshydrogénase).
    • Une cohorte de 77 219 patients pédiatriques a été utilisée pour l’entraînement d’un algorithme de prédiction des examens aux urgences.

     

    📌Pédiatrie en tension : mortalité infantile en hausse et pénurie de soignants

    En France, la santé de l’enfant se dégrade avec une hausse de 17% de la mortalité infantile entre 2011 et 2024, passant de 3,5 à 4,1 décès pour 1 000 naissances vivantes, alors que la moyenne de l’Union européenne est à 3,3. En 2024, 2 700 enfants de moins d’un an sont décédés, et la France ne se situe plus parmi les pays les mieux classés, contrairement aux années 1990. Les enfants représentent 27% des passages aux urgences, soit plus de 5,5 millions d’entrées annuelles, dans un contexte de délais de 6 à 18 mois pour obtenir un avis en pédiatrie ou pédopsychiatrie. Le pays compte environ 8 500 pédiatres, seulement 22e sur 31 pays de l’OCDE pour la densité pédiatrique, avec une menace de départs massifs à la retraite. Parallèlement, 350 000 enfants sont inscrits au registre des maladies rares et les pathologies chroniques, comme l’asthme et le diabète de type 1, progressent régulièrement, tout comme les troubles psychiques. Le suicide est devenu la deuxième cause de mortalité chez les 10-25 ans et les tentatives ont bondi de plus de 60% chez les 10-14 ans. Cette accumulation de tensions met en lumière des fragilités structurelles que les politiques publiques peinent encore à résorber.

    👉 Plus de détails sur «Diabète, asthme, cancers : des pathologies pédiatriques en hausse, sur fond de pénurie de soignants – Health & tech».

     

    📌IA pédiatrique : 95 études et des performances jusqu’à 100% de sensibilité

    Les performances des modèles vont de 68,9% de précision pour la prédiction du retard de croissance jusqu’à 100% de sensibilité pour certaines applications de dépistage néonatal combinant génomique, métabolomique et machine learning. En pneumonie pédiatrique, une revue de 35 études rapporte une précision médiane de 92,3% pour distinguer pneumonies virales et bactériennes et de 91,8% en classification multiclasse, souvent grâce à des réseaux convolutifs entraînés sur le même jeu de données de radiographies, ce qui pose des questions de généralisabilité. D’autres algorithmes détectent des malformations auriculaires néonatales avec 94 à 98% de précision en binaire, ou évaluent la douleur procédurale sur EEG avec une aire sous la courbe d’environ 0,90. La santé mentale de l’enfant mobilise aussi l’IA, avec 27 applications mobiles analysées mais très peu d’essais cliniques. Malgré ce potentiel, l’ensemble du corpus souligne les limites méthodologiques, le manque de validation externe et les enjeux d’équité d’accès, en particulier lorsque 74% des apps de santé mentale infantile reposent sur un modèle payant

    👉 Plus de détails sur «IA : 95 études en 2025 valident un tournant clinique en pédiatrie (revue de littérature) – Health & tech ».

     

    📌De la Loi Taquet à l’AI Act : vers une pédiatrie du dépistage universel et des données massives

    Depuis 2022, la pédiatrie française connaît une mutation silencieuse, structurée par l’extension du dépistage néonatal, la refonte des soins critiques et la montée en puissance des bilans de santé, créant un terrain favorable à la médecine algorithmique sous contrôle de l’AI Act. En septembre 2025, trois nouvelles pathologies – amyotrophie spinale, déficits immunitaires combinés sévères et déficit en VLCAD – ont rejoint le panel des maladies systématiquement dépistées chez les nouveau-nés, tandis que la drépanocytose est passée d’un dépistage ciblé à un dépistage universel en novembre 2024. Ces choix consacrent l’idée d’un droit universel à la prévention génétique, au prix d’un afflux massif de données biologiques et génomiques à analyser. En parallèle, le Plan d’action pour la santé de l’enfant 2024-2030 renforce les bilans à 6 ans et au collège et les intègre dans Mon Espace Santé, qui devient l’ossature numérique du suivi pédiatrique. La réforme des autorisations de soins critiques en 2023, en séparant réanimation pédiatrique et soins intensifs avec des seuils d’activité et ratios renforcés, favorise des volumes de données plus homogènes, propices à des modèles prédictifs fiables. L’AI Act impose toutefois des contraintes fortes sur les systèmes à haut risque, ralentissant les usages immatures mais sécurisant le développement d’outils réellement robustes.

    👉 Plus de détails sur «De la Loi Taquet à l’AI Act : comment la réglementation redessine la pédiatrie – Health & tech».

    📌 IA, parents et enfant : pourquoi le prédictif restera limité en pédiatrie

    L’entretien avec Jean-Baptiste Masson met en lumière trois contraintes majeures pour l’IA en pédiatrie : l’hétérogénéité d’un corps en croissance, la rareté et la sensibilité juridique des données, et la relation tripartite enfant-parents-médecin. La variabilité rapide des images et des constantes biologiques d’une année sur l’autre rend difficile l’alignement temporel classique utilisé chez l’adulte. De plus, l’accès aux données de mineurs est plus restreint, ce qui limite la constitution de grands jeux de données annotés. L’expert rappelle, en s’appuyant sur les limites mathématiques du prédictif issues notamment des systèmes chaotiques, que prétendre prédire finement le devenir d’un organisme humain complexe relève d’une forme de surinterprétation technologique. Les « jumeaux numériques », efficaces dans l’industrie, se heurtent ici au nombre trop important de variables cachées pour délivrer des trajectoires fiables à long terme. L’IA apparaît donc plus crédible sur l’aide à la décision que sur la prédiction individuelle, par exemple à travers des systèmes comme Sonio qui encodent le raisonnement médical en imagerie prénatale en proposant des questions ciblées plutôt que des oracles. Enfin, la communication se fait principalement avec les parents, ce qui recentre l’IA sur des outils de visualisation intelligibles, comme la 3D d’Avatar Medical, plus que sur des modèles prédictifs.

    👉 Plus de détails sur «“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) – Health & tech».

    📌Cas d’usage IA en pédiatrie : de la néonatologie à la neurorééducation

    L’article dresse un panorama de cas d’usage concrets de l’IA en France, depuis les premiers jours de vie jusqu’à la rééducation des enfants avec handicap. En néonatologie, le projet AGMA-PESS du CHU de Saint-Étienne automatise l’analyse des mouvements spontanés des prématurés à partir de vidéos, en détectant les points clés du corps et en sélectionnant les séquences les plus informatives, afin d’objectiver précocement des anomalies motrices. Dans les maladies neuromusculaires, l’unité R2P2 de l’hôpital Raymond-Poincaré utilise la vision par ordinateur pour caractériser finement la motricité d’enfants polyhandicapés, avec la perspective de permettre aux parents de filmer leurs enfants à domicile pour un pré‑repérage assisté. Le projet AIDY à Necker-Enfants malades s’appuie, lui, sur des photographies cliniques pour améliorer le diagnostic du syndrome de Kabuki, à partir de 364 photos de 107 patients, en distinguant même différents types de mutations. Dans la paralysie cérébrale, le programme AI‑4‑CHILD, financé par l’ANR, vise un diagnostic plus précoce et une personnalisation de la rééducation grâce à l’analyse automatisée d’IRM statiques et dynamiques. Ces exemples illustrent une IA qui n’efface pas l’examen clinique mais en renforce l’objectivation, réduit l’errance diagnostique et ouvre la voie à des suivis à distance plus réactifs

    👉 Plus de détails sur «L’IA en pédiatrie : un inventaire des cas d’usage déployés en France – Health & tech».

    📌Radiologie et neurodéveloppement : l’IA compresse le temps diagnostique mais reste freinée en pédiatrie

    L’intelligence artificielle transforme simultanément la radiologie et le neurodéveloppement pédiatriques, en réduisant drastiquement les délais de diagnostic tout en se heurtant à des verrous réglementaires et d’équité. Les algorithmes d’âge osseux atteignent une marge d’erreur absolue moyenne autour de 0,49 année avec AZboneage, mieux qu’un radiologue généraliste (0,77 chez les garçons, 0,67 chez les filles), et des performances comparables à BoneView BoneAge, nettement supérieures à la méthode Tanner‑Whitehouse (2,86 années). ImageBiopsy PANDA génère un compte rendu en moins de cinq secondes au format DICOM, dans un flux « zero‑click », et Milvue rapporte +20% de sensibilité et −22% de temps diagnostique pour les fractures pédiatriques. Côté neurodéveloppement, Cognoa Canvas Dx affiche une valeur prédictive négative de 97% et positive de 95% pour l’autisme, avec un résultat pour 78% des enfants évalués, tandis qu’O‑Kidia propose une approche transdiagnostique en réseau de symptômes. La neurotélémetrie se structure avec Pose AI (282 301 minutes vidéo, 115 nouveau‑nés) et un « carnet de croissance cérébrale » EEG entraîné sur 2 000 enfants. Pourtant, un seul dispositif d’IA radiologique sur plus de 100 autorisés par la FDA est explicitement pédiatrique, et les biais de représentation comme les écarts de diagnostic autistique de 19 à 65% chez les enfants noirs et latino‑américains menacent de transformer ces outils en amplificateurs d’inégalités

    👉 Plus de détails sur « ».

    📌Écosystème pédiatrique français et IA : un maillage développer encore à synchroniser

    En neurodéveloppement, CMP, CHS et centres de référence TND travaillent avec les MECS, l’Inserm, l’IHU Imagine et Necker pour combiner expertise clinique, recherche et accompagnement social. En oncologie, l’alliance AP‑HP, Gustave Roussy, Institut Curie et Paris Kids Cancer, appuyée par l’INCa et des associations comme UNAPECLE ou Grandir Sans Cancer, illustre une organisation capable d’intégrer des innovations complexes tout en défendant l’équité d’accès. La néonatologie s’appuie sur la SFN, SOS Préma et l’AFM‑Téléthon, qui relient bonnes pratiques, soutien aux familles et recherche sur les maladies génétiques rares. Les maladies chroniques sont travaillées en réseau avec la Fondation des Hôpitaux (Pièces Jaunes) et l’AFPA, qui poussent les outils numériques en ambulatoire. En radiologie, Necker, Robert‑Debré et la chaire AI‑4‑Child d’IMT Atlantique animent une communauté très active sur l’IA. La SFP, PedStart, les syndicats (SNPF, SNPEH) et les associations de patients jouent enfin un rôle central pour diffuser les usages responsables, co‑concevoir les projets et former les professionnels, condition nécessaire pour que l’IA se traduise en bénéfices concrets pour tous les enfants.

    👉 Plus de détails sur « ».

  • « 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.

  • Du dépistage vocal aux pancréas artificiels : les nouvelles frontières de l’IA appliquée au diabète

    Insights:

    • 315 études scientifiques consacrées au diabète et à l’IA ont été publiées en 2025, révélant un fort intérêt scientifique pour cette thématique.
    • L’IA atteint une sensibilité moyenne de 90% (soit 10% de faux négatifs) et une spécificité de 0,94% (6% de faux négatifs) pour le dépistage de la rétinopathie diabétique, égalant ou dépassant les performances des ophtalmologistes.

    📌Diabète en France : 4,36 millions de patients, 10,9 milliards d’euros et une explosion des complications

    En France, 4 364 820 personnes sont prises en charge pour un diabète en 2023, soit 6,48 % de la population, contre 5,6 % en 2015, sur fond d’épidémie mondiale; le nombre diabétique à l’échelle mondiale passant de 537 millions de diabétiques en 2021 à 783 millions attendus en 2045. Le diabète représente 10,925 milliards d’euros de dépenses remboursées par l’Assurance maladie en 2023, dont 8,889 milliards en soins de ville, avec plus de 33 902 décès en 2024 et jusqu’à 85 000 décès selon certaines estimations. La maladie se révèle massivement polypathologique : 15 % des patients présentent une coronaropathie, 12 % une maladie respiratoire chronique, 10 % sont sous antidépresseurs ou anxiolytiques, et les complications cardiovasculaires, rénales, oculaires et podologiques sont très fréquentes. Les inégalités sociales et territoriales sont marquées, avec des prévalences pouvant atteindre 11,72 % en Guadeloupe, tandis que 54 % des Français n’ont jamais fait de dépistage et que 35 % des patients jugent leur diagnostic trop tardif.

    👉 Plus de détails sur «Diabète : 4,36 millions de patients, 6,48 % de la population… une épidémie silencieuse, polypathologique et coûteuse – Health & tech».

    📌IA et diabète : 315 études en 2025, 45 % sur le dépistage automatique et une percée de la rétinopathie

    En 2025, 315 publications scientifiques consacrées au diabète montrent une montée en puissance de l’IA sur l’ensemble du parcours de soins, dont près de 45 % dédiées au dépistage et au diagnostic automatique par imagerie, et environ 25 % à la prédiction du risque et du pronostic. Les modèles de deep learning atteignent une sensibilité moyenne de 90% et une spécificité de 94% pour la rétinopathie diabétique, avec des précisions avoisinant 94,8 % pour certains modèles hybrides CNN‑Transformers. L’IA est également mobilisée pour le pied diabétique (précision autour de 88 % sur la classification d’ulcères), la prévision de la glycémie (RMSE moyen de 12 mg/dL avec CGM), la personnalisation thérapeutique (réduction de 18 % des hypoglycémies et +12 % d’atteinte des cibles d’HbA1c) et l’amélioration de l’adhésion médicamenteuse. L’essor des modèles génératifs et des LLM ouvre de nouveaux usages (données synthétiques, assistants conversationnels), tout en posant des enjeux de biais, de transparence et de gouvernance, avec moins de 40 % des études déclarant un audit systématique des biais.

    👉 Plus de détails sur «Diabète & IA : 315 études publiées en 2025 confirment l’essor des usages cliniques à grande échelle (revue de littérature) – Health & tech».

    📌Boucles semi‑fermées et CGM : Omnipod 5–Freestyle Libre 2 Plus désormais remboursé, DBLG2 et SmartGuide certifiés CE

    Un arrêté du 28 octobre 2025 étend le remboursement du système de boucle semi‑fermée Omnipod 5 lorsqu’il est associé au capteur Freestyle Libre 2 Plus, et non plus seulement au Dexcom G6, permettant aux patients diabétiques de type 1 d’accéder à un couple pompe‑capteur entièrement pris en charge. Le Freestyle Libre 2 Plus, capteur de 15 jours de port, est ainsi pour la première fois reconnu dans une boucle semi‑fermée remboursée, tandis que la HAS a actualisé en juillet 2025 le guide de parcours de soins du DT2 en intégrant la télésanté, des check‑lists opérationnelles et des fiches pratiques (dont prévention du pied à risque). Parallèlement, Roche a obtenu en 2024 le marquage CE pour Accu‑Chek SmartGuide, CGM de 14 jours porté en continu, et Diabeloop a décroché en août 2025 la certification CE MDR pour son nouveau système de boucle fermée hybride DBLG2, utilisant smartphone et lancements progressifs en Europe. Ces évolutions réglementaires élargissent l’arsenal technologique disponible, réduisent la barrière financière à l’accès aux systèmes d’insulinothérapie automatisée et favorisent une prise en charge plus connectée et coordonnée.

    👉 Plus de détails sur «Evolution réglementaire de la prise en charge du diabète : remboursement de Freestyle Libre 2 Plus et Omnipod 5 – Health & tech».

    📌Diabeloop : 25 M€ levés mais procédure de sauvegarde, tandis que SMARTDIABETES obtient 1,15 M€ européens

    Diabeloop, entreprise grenobloise de boucle fermée, a levé 25 millions d’euros en 2024‑2025 (dont un tour de 15 millions au printemps 2024) et affiche une croissance de chiffre d’affaires de +60 % sur un an, tout en restant lourdement endettée, ce qui l’a conduite à engager une procédure de sauvegarde en octobre 2025 pour rééchelonner sa dette. Malgré l’obtention du marquage CE MDR pour DBLG2 en août 2025 et un objectif de 40 millions d’euros de chiffre d’affaires d’ici 2030, la société doit adapter son modèle financier pour consolider sa trajectoire. En parallèle, le projet européen SMARTDIABETES reçoit une subvention de 1,15 million d’euros d’EIT Health dans le cadre des Flagships 2025 pour déployer un modèle de gestion intégrée du diabète, adossé à la plateforme SocialDiabetes, dans quatre systèmes de santé. Ce financement vise à expérimenter une approche value‑based healthcare, combinant résultats cliniques améliorés et maîtrise des coûts, en s’appuyant sur un consortium mêlant industriels, experts et représentants de patients coordonnés par SocialDiabetes et Air Liquide Healthcare.

    👉 Plus de détails sur «Financement européen pour SMARTDIABETES et procédure de sauvegarde pour Diabeloop – Health & tech».

    📌19 cas d’usage IA et télésurveillance : dépistage vocal à 70 %, 20 solutions et 3 axes stratégiques pour le diabète

    Health&Tech Intelligence a recensé 19 cas d’usage du diabète portés par 20 solutions d’IA, répartis entre 12 cas pour les établissements de santé et 7 pour les patients et aidants, couvrant dépistage, traitement personnalisé, télésurveillance et éducation. Parmi les innovations marquantes figurent le dépistage du diabète par analyse vocale sur smartphone avec une précision de 70‑75 %, l’automatisation de l’insulinothérapie via pompes connectées, le tri IA des images rétiniennes et du pied diabétique, ainsi que la télésurveillance continue des biomarqueurs à domicile. La structuration des usages repose sur trois axes principaux : prévention (dépistage massif non invasif par image ou voix, prédiction cardiovasculaire), suivi personnalisé (algorithmes embarqués, vision mobile de l’œdème maculaire, capteurs multiples) et éducation/accompagnement (coaching nutritionnel, détection de la souffrance psychique, vulgarisation automatisée des rapports biologiques). Ces solutions ouvrent des leviers stratégiques de dépistage à grande échelle, d’anticipation des complications, de personnalisation dynamique du parcours et de transformation organisationnelle, tout en soulevant des enjeux de fiabilité technique, de gestion de volumes de données, d’adhésion des patients et d’équité d’accès.

    👉 Plus de détails sur «Diabète : 19 cas d’usage portés par l’IA et la télésurveillance – Health & tech».

    📌Prédiction à 94 %, pancréas artificiel et DTx : comment l’IA redessine la prise en charge du diabète

    Les modèles d’IA atteignent plus de 94 % de précision pour prédire la survenue du diabète en soins primaires, jusqu’à 96,3 % avec des approches telles que DiabDeep, en exploitant images de langue, visage, signaux PPG, ECG ou voix, au‑delà des scores classiques. L’IA affine la classification en cinq sous‑types de DT2 (SAID, SIDD, SIRD, MORD, MARD) et plusieurs profils de DT1, à partir de 8 980 patients, ouvrant la voie à des stratégies thérapeutiques ciblées selon risques et trajectoires. Les systèmes de pancréas artificiel et boucles hybrides ajustent l’insuline toutes les 5 à 10 minutes, réduisent l’HbA1c de 0,6 point et augmentent le temps dans la cible d’environ 11 %, tandis que des outils de reconnaissance d’images pour le comptage des glucides, de coaching nutritionnel et de chatbots personnalisent alimentation et activité. L’écosystème comprend des DTx (Hillo, Oviva), des solutions d’autosurveillance (DiabetoLog, Beato), de télésurveillance (Livongo, Odysight, E‑ophtalmo), de dépistage et tri rétinien (EviRed, OphtAI), de boucles hybrides et d’aide à l’insulinothérapie (MiniMed 780G, Axodiab), ainsi que des outils d’observance (SPUR, Smart Reports) et de prévention populationnelle (Colive Voice, THEIA/CLAiR), couvrant du dépistage de masse au suivi à domicile.

    👉 Plus de détails sur «Prédiction, classification, suivi : les solutions d’IA appliquées au diabète – Health & tech».

    📌Plus de 100 acteurs du diabète en France : un écosystème coordonnant soins, recherche, numérique et plaidoyer

    L’écosystème français du diabète regroupe plus d’une centaine d’acteurs : près d’une centaine de services hospitaliers spécialisés (surtout des CHU), un maillage de maisons de santé pluriprofessionnelles, plus de 100 associations locales affiliées à la Fédération Française des Diabétiques, ainsi que des institutions comme la SFD, la FFRD, l’Inserm et l’Institut Pasteur. Cette constellation organise prévention, dépistage, ETP, accompagnement des patients et coordination des soins, en s’appuyant sur des équipes pluridisciplinaires (endocrinologues, diététiciens, podologues, psychologues) et des dispositifs innovants (centres de prévention du pied diabétique, plateformes de télésurveillance, dispositifs connectés). La recherche et la formation sont structurantes : la SFD, la FFRD, l’Inserm, l’EASD, l’IDF ou l’OMS soutiennent des travaux allant des facteurs environnementaux à l’immunothérapie, tandis que plusieurs universités proposent des DU spécialisés et que des ARS pilotent des programmes de formation et d’ETP en région. À l’international, l’IDF, l’EASD et l’OMS coordonnent campagnes, recommandations et actions dans les pays en développement, pour réduire les inégalités d’accès aux soins dans un contexte où le nombre de patients a été multiplié par 5 en moins de 50 ans.​

    👉 Plus de détails sur «Diabète : associations locales, universités, services spécialisés, entreprises du numérique… plus de 100 acteurs qui agissent conjointement sur le territoire – Health & tech».

    Visuel synthèse IA et diabète @HTI

  • Evolution réglementaire de la prise en charge du diabète : remboursement de Freestyle Libre 2 Plus et Omnipod 5

    • Un arrêté du 28 octobre 2025 ouvre le remboursement de la boucle semi‑fermée Omnipod 5 lorsqu’elle est couplée au capteur Freestyle Libre 2 Plus d’Abbott, en plus du Dexcom G6 déjà pris en charge.​
    • Le capteur Freestyle Libre 2 Plus devient, pour la première fois, remboursable en France dans une boucle semi‑fermée de traitement automatisé du diabète de type 1.​
    • La Haute Autorité de santé (HAS) a actualisé en juillet 2025 son guide de parcours de soins pour le diabète de type 2, en intégrant clairement la télésanté et des outils pratiques (check‑lists, fiches conseils).​
    • Le système de CGM Accu‑Chek SmartGuide de Roche a obtenu le marquage CE en juillet 2024, avec un déploiement progressif en Europe et une durée de port de 14 jours.​
    • Diabeloop a obtenu en août 2025 le marquage CE pour son nouveau système de boucle fermée hybride DBLG2, utilisable sur smartphone, avec un lancement progressif en Europe (Allemagne, Pays‑Bas, puis France).​

    Extension du remboursement d’Omnipod 5

    Un arrêté du ministère de la Santé en date du 28 octobre 2025 modifie les conditions d’inscription du système de boucle semi‑fermée Omnipod 5 sur la liste des produits et prestations remboursables (LPP). Jusqu’ici, en configuration boucle semi‑fermée, Omnipod 5 n’était remboursé que lorsqu’il était associé au capteur Dexcom G6 ; le nouveau texte ouvre la prise en charge à l’association avec le capteur Freestyle Libre 2 Plus d’Abbott.​ Cette décision permet le remboursement simultané de la pompe patch Omnipod 5 et du capteur Freestyle Libre 2 Plus dans un schéma de traitement automatisé du diabète de type 1. La prise en charge devient effective quelques jours après la publication au Journal officiel (fin octobre 2025), ce qui élargit concrètement les options techniques disponibles pour les patients et leurs diabétologues.​

    Inscription du capteur Freestyle Libre 2 Plus

    Pour la première fois, le capteur de mesure du glucose interstitiel Freestyle Libre 2 Plus d’Abbott est explicitement inscrit pour un usage en association avec une boucle semi‑fermée dans le cadre du remboursement. Ce capteur, qui se distingue notamment par une durée de port de 15 jours, devient ainsi une nouvelle alternative aux systèmes déjà compatibles avec les boucles automatisées, comme le Dexcom G6.​ En pratique, les patients atteints de diabète de type 1 peuvent désormais bénéficier d’un dispositif associant pompe Omnipod 5 et capteur Abbott dans un environnement remboursé, ce qui réduit la barrière financière à l’accès à ces technologies avancées. Cette évolution s’inscrit dans le mouvement plus large d’extension du remboursement des boucles semi‑fermées et des capteurs de glucose intégrés dans des systèmes d’insulinothérapie automatisée.​

    Actualisation du guide HAS pour le diabète de type 2

    En juillet 2025, la HAS a publié une actualisation de son guide de parcours de soins pour le patient adulte vivant avec un diabète de type 2. Ce document complète les recommandations de stratégie thérapeutique antérieures et décrit de manière détaillée le dépistage, le diagnostic, les soins, l’accompagnement global et le suivi longitudinal de cette pathologie chronique.​ Le guide précise la répartition des rôles entre les différents professionnels (médecine générale, diabétologie, secteur social et médico‑social) ainsi que les modalités de coordination, y compris l’usage de la télésanté à chaque étape du parcours. Il propose en outre des outils très opérationnels pour les équipes, comme des check‑lists pour le bilan initial et le suivi, des fiches de conseils alimentaires et une fiche dédiée à la prévention du pied à risque.​

    Marquage CE d’Accu‑Chek SmartGuide (Roche)

    Le système de surveillance continue du glucose Accu‑Chek SmartGuide de Roche a obtenu le marquage CE à l’été 2024, avant un lancement progressif en Europe à partir de fin 2024 et sur l’année 2025. Destiné aux adultes atteints de diabète de type 1 ou 2 sous insulinothérapie flexible, ce dispositif combine un capteur porté en continu et des algorithmes prédictifs basés sur l’intelligence artificielle pour anticiper les fluctuations glycémiques.​ La durée de port du capteur est annoncée à 14 jours, ce qui le situe parmi les dispositifs à longue durée d’utilisation sur le marché, et Roche prévoit une commercialisation dans plus de 30 pays d’ici fin 2025, incluant plusieurs régions d’Europe. Le système est également conçu pour s’intégrer avec des solutions logicielles (comme l’app mySugr) afin d’améliorer l’aide à la décision pour les patients et les soignants.​

    Marquage CE de DBLG2 (Diabeloop)

    En août 2025, Diabeloop a obtenu le marquage CE, dans le cadre du Règlement européen sur les dispositifs médicaux (MDR 2017/745), pour son système de boucle fermée hybride de nouvelle génération DBLG2. Ce nouveau système repose sur l’algorithme déjà éprouvé avec DBLG1, mais apporte une évolution majeure avec la possibilité d’un usage directement sur smartphone via une interface optimisée.​ Le DBLG2 doit faire l’objet d’un lancement progressif en Europe, débutant par un pré‑lancement en Allemagne et aux Pays‑Bas avec la pompe Kaleido de Vicentra et le capteur Dexcom G6, avant une extension à d’autres pays dont la France, en fonction des procédures de remboursement locales. Diabeloop prévoit également d’intégrer d’autres capteurs et systèmes d’exploitation, avec un élargissement progressif de ses partenariats industriels autour de cette nouvelle génération de boucle fermée.​

    Sources

    • Arrêté du 28 octobre 2025 portant modification des conditions d’inscription du système de boucle semi‑fermée Omnipod 5 sur la LPP.​
    • Fédération Française des Diabétiques, information sur le remboursement d’Omnipod 5 avec Freestyle Libre 2 Plus.​
    • HAS – Parcours de soins du patient adulte vivant avec un diabète de type 2(guide actualisé, validé en juin 2025, mis en ligne en juillet 2025).​
    • Roche – marquage CE et caractéristiques du système Accu‑Chek SmartGuide.​
    • Communiqué Diabeloop sur la certification CE de DBLG2 et son déploiement européen.​