alexandre

  • IA pour le maintien à domicile : chiffres clés, acteurs et conditions de passage à l’échelle

    Perte d’autonomie : 65% des Français veulent vieillir chez eux, mais l’IA ne convainc qu’à condition de rester humaine

    En France, 63% des personnes se sentent concernées par la perte d’autonomie et que près de 20 millions de personnes âgées sont attendues d’ici 2050, ce qui fait du maintien à domicile un enjeu massif. Malgré cela, l’IA suscite encore de fortes réserves : 61% des Français se disent peu enthousiastes, 65% peu confiants et 47% dépassés par cette technologie. La crainte principale porte sur la déshumanisation, puisque 80% estiment que l’IA menace les échanges sociaux et 57% redoutent un isolement accru des personnes fragiles. Les usages jugés utiles sont surtout ceux qui renforcent la sécurité et l’organisation, comme les détecteurs de chute soutenus par 87% des répondants ou les outils de mesure connectés approuvés par 76%. L’idée centrale est donc que l’IA peut aider le maintien à domicile, mais uniquement comme appui à la prévention, à la coordination et au travail des professionnels, jamais comme substitut à la présence humaine.

    👉 Pour lire l’article complet, cliquez ici.

     

    AI Act : à domicile, la conformité des solutions d’IA dépend de leur usage réel, pas de leur promesse marketing

    Le règlement européen sur l’IA, entré en vigueur le 1er août 2024, impose d’évaluer les solutions de maintien à domicile au cas par cas selon leur niveau de risque. Une solution d’assistance simple peut relever d’un régime relativement léger, alors qu’un système qui surveille, profile ou influence une décision de santé peut entrer dans une catégorie bien plus contraignante. Dans le domicile, les enjeux sont particulièrement sensibles car ils touchent à l’autonomie, au consentement, à la supervision humaine, à la traçabilité et aux données personnelles ou de santé. L’article souligne aussi que beaucoup d’initiatives sont encore au stade pilote, freinées par les coûts, l’interopérabilité et la fracture numérique, ce qui complique leur passage à l’échelle. Le message clé est qu’une IA de domicile n’est pas “autorisée” ou “interdite” en bloc : sa conformité se construit par la finalité réelle, l’utilité démontrée et le maintien d’un contrôle humain.

    👉 Pour lire l’article complet, cliquez ici.

     

    Le marché de l’IA pour le maintien à domicile accélère, porté par 92% de seniors favorables au vieillissement chez eux

    92% des personnes âgées souhaitent vieillir à domicile alors que les systèmes de santé cherchent à réduire les hospitalisations évitables. En Europe, le marché des soins connectés comptait 14,7 millions d’utilisateurs en 2024 et pourrait atteindre 23 millions en 2028, avec une croissance moyenne de 11,8%, tandis que le marché européen de la e-santé est estimé à près de 70 milliards de dollars. La téléassistance domine encore avec 9,7 millions d’utilisateurs, mais la télésanté progresse vite avec 6,6 millions d’usagers, dans un paysage où Tunstall, Legrand et TeleAlarm représentent 60% des ventes d’équipements. L’article met aussi en avant des cas concrets comme Cassiopea, qui teste un dispositif de cinq capteurs pour un coût cible de 49 euros par mois, ou Tucuvi et les programmes canadiens de smart homes. Mais cette croissance reste freinée par la fragmentation de l’offre, la dépendance aux financements publics, l’absence de modèles économiques stabilisés et le fait qu’une personne de 75 ans et plus sur deux n’a pas accès à Internet à domicile.

    👉 Pour lire l’article complet, cliquez ici.

     

    Vers un domicile médicalisé par l’IA : prévention prédictive, détection des chutes et coordination augmentée

    L’article part d’un constat structurant : plus de 92% des personnes âgées souhaitent vieillir chez elles, ce qui pousse le domicile à devenir un espace de soins connecté, préventif et coordonné. Les solutions étudiées promettent une détection précoce des fragilités grâce à l’analyse continue des habitudes de vie, certaines anticipant les risques 7 à 14 jours à l’avance et d’autres atteignant jusqu’à 99% de précision en laboratoire pour la détection de chute. Elles améliorent aussi la coordination entre aidants, familles et professionnels, et certaines plateformes identifient jusqu’à 15 risques majeurs, y compris le burn-out des aidants, avec des taux de satisfaction rapportés supérieurs à 90%. En parallèle, l’article insiste sur les limites : dépendance à la qualité des données, difficultés d’intégration dans les parcours de soins, enjeux de confidentialité et risque de substitution partielle du lien humain. Sa thèse principale est que l’IA peut transformer le domicile en pilier du système de santé, à condition d’être non intrusive, bien intégrée et strictement encadrée sur le plan éthique et organisationnel.

    👉 Pour lire l’article complet, cliquez ici.

     

    Plus de 30 solutions d’IA se disputent le domicile des seniors, avec des gains prometteurs mais une offre encore très fragmentée

    Les promesses sont fortes, avec jusqu’à 76% de chutes en moins pour Aladin+, 4 chutes sur 5 évitées selon Nobi, une réduction de 8 à 12% des passages aux urgences revendiquée par DeHealth et des anticipations de risque d’hospitalisation à 7 à 14 jours pour Presage Care. Le texte montre aussi l’émergence de modèles économiques “as a Service”, avec des tarifs illustratifs de 69,90 dollars par mois pour CarePredict, 45 euros par mois pour Otono-me, 60 à 90 euros pour Lili Smart et 2,99 dollars pour l’offre B2C de DeHealth. En contrepartie, les risques sont nombreux : conformité IA Act et RGPD, collecte massive de données sensibles, surcharge informationnelle pour les professionnels, faible lisibilité tarifaire et fracture numérique. L’enseignement central est que la valeur ne viendra pas seulement de la technologie, mais de la capacité des acteurs à prouver leur impact clinique, à s’intégrer aux parcours et à proposer des solutions interopérables, peu intrusives et soutenables économiquement.

    👉 Pour lire l’article complet, cliquez ici.

  • Silver economy : l’IA du domicile passe à l’échelle entre prévention, orchestration et services par abonnement

    Capteurs ambiants non intrusifs et “sensing” sans caméra comme colonne vertébrale 

    Plusieurs acteurs misent sur des capteurs ambiants non portés, sans caméra, qui transforment l’environnement en “radar de santé” : aiCare System exploite le Wi‑Fi sensing pour cartographier l’activité humaine, Missia et Missia Care s’appuient sur de la vision par ordinateur en edge computing sans stockage d’images, Vayyar Care AI et ZoeFall utilisent des capteurs RF/mmWave pour une imagerie 4D ou une analyse des perturbations électromagnétiques.
    Ces approches permettent un monitoring 24/7 de la mobilité, du sommeil, des passages en salle de bain ou de la nutrition, avec une promesse de respect de la vie privée (absence de caméras, suppression immédiate des images, pas de dispositifs portés) essentielle pour l’acceptabilité des seniors. 

    Dispositifs portés intelligents et objets du quotidien augmentés par l’IA 

    Le paysage intègre également des dispositifs portés et des objets du quotidien augmentés, comme la ceinture airbag connectée Hippy, la montre Dona Care, les wearables de CarePredict ou les lampes intelligentes Aladin+ et Nobi Smart Lamps qui préviennent et détectent les chutes avec des algorithmes d’IA embarqués.
    Ces solutions se positionnent à l’interface entre sécurité physique (protection contre les fractures du col du fémur, réduction du temps passé au sol) et soutien à l’autonomie, avec notifications immédiates aux proches ou aux équipes en cas d’événement. 

    Plateformes d’IA et de coordination pour orchestrer le domicile 

    Des plateformes telles que Mediáteam, Presage Care, RevealCare, Allo‑DoCs ou INDIC jouent un rôle de “cerveau organisationnel” du maintien à domicile, en croisant données cliniques, sociales et environnementales pour détecter des signaux faibles et orchestrer les interventions.
    Elles s’inscrivent dans une logique de coordination territoriale (DAC, CPTS, bailleurs sociaux, collectivités) et de prévention populationnelle, en priorisant les seniors les plus à risque et en proposant des plans d’actions personnalisés orientés “bien vieillir à domicile”. 

    Opportunités principales

    Jusqu’à 76% de chutes évitées  

    La lampe connectée Aladin+ annonce une diminution du nombre de chutes allant jusqu’à 76%, avec une réduction des coûts liés aux chutes pouvant atteindre 43 000 € par an et par établissement en EHPAD ou résidences services.
    Nobi Smart Lamps revendique la prévention de 4 chutes sur 5 et une augmentation de la rapidité d’intervention, ce qui se traduit à la fois par une réduction des hospitalisations et une amélioration de la qualité de vie au travail des soignants (baisse du stress, du turnover). 

    Réduction directe des hospitalisations non programmées et des urgences 

    Missia Care, Otono‑me, Nodeus et Presage Care positionnent explicitement leurs algorithmes IA sur la réduction des hospitalisations non planifiées en identifiant précocement des anomalies de comportement (inactivité, agitation nocturne, isolement) ou des risques de dénutrition, de chute ou de décompensation.
    DeHealth – AI Health Super App revendique une réduction de 8–12% des passages aux urgences pour les assureurs et systèmes partenaires grâce à une prévention “as‑a‑service”, tandis que Presage Care, inscrit dans le programme PECAN‑2, anticipe un risque d’hospitalisation à 7–14 jours chez les personnes âgées suivies à domicile. 

    Maintien à domicile prolongé grâce à une surveillance prédictive continue 

    Des solutions comme HiNounou, aiCare System, Missia, Nodeus, Vayyar Care AI ou Allo‑DoCs proposent un monitoring continu des biomarqueurs, de l’activité et des habitudes de vie, visant à prolonger l’autonomie et à permettre un “aging in place” sécurisé.
    L’analyse des routines (lever, sommeil, repas, sorties, hygiène) et des constantes vitales (tension artérielle, poids, saturation, glycémie, rythme cardiaque) permet la détection précoce de fragilités et la mise en place d’interventions ciblées avant la rupture, ce qui est déterminant dans un contexte de tension sur les lits hospitaliers et les places en EHPAD. 

    Décharge mentale et soutien structuré pour des millions d’aidants 

    Ximi Family, Elpyoo, Monka, Emilia, DeHealth et les sections “aidants” de solutions comme Lili Smart adressent directement la charge mentale et la coordination vécues par les aidants familiaux.
    Ces outils offrent des cahiers de liaison digitaux, des messageries sécurisées, des portails d’information, des communautés d’entraide, des résumés automatisés de consultation et des parcours personnalisés, visant à alléger la charge cognitive, rompre l’isolement et améliorer la qualité de la relation aidant‑aidé. 

    Gains organisationnels pour les structures médico‑sociales et territoriales 

    Médiateam, RevealCare, INDIC et Presage Care apportent une valeur organisationnelle forte en permettant la détection précoce des fragilités, la priorisation des cas complexes, la construction de plans personnalisés et la coordination territoriale multi‑acteurs (sanitaire, social, médico‑social).
    Ces plateformes améliorent la qualité de vie au travail en automatisant des tâches administratives répétitives, en simplifiant le partage d’informations et en offrant des tableaux de bord décisionnels aux équipes de coordination, aux bailleurs sociaux, aux assureurs et aux collectivités. 

    Nouveaux modèles économiques fondés sur l’abonnement et le “as a Service” 

    Nombre d’acteurs se structurent autour de modèles d’abonnement et de “service plutôt que produit” : CarePredict facture 69,90 $/mois pour la surveillance, Otono‑me affiche 45 €/mois, Lili Smart propose des packs “Essentiel” et “Sérénité” entre 60 et 90 €/mois, Nobi Smart Lamps et Aladin+ combinent achat et location, tandis que DeHealth se positionne à 2,99 $/mois côté B2C avec une brique B2B “Prevention‑as‑a‑Service”.
    Compan’IA adopte un modèle de “Robot as a Service” avec leasing mensuel incluant intégration, maintenance et supervision, générant un CAPEX faible et une prévisibilité des coûts pour les établissements et les familles. 

    Différenciation concurrentielle pour les établissements et territoires 

    Compan’IA, Nobi, Aladin+, Otono‑me, Dona Care ou HiNounou deviennent des leviers de différenciation pour les EHPAD, résidences autonomie ou bailleurs sociaux, en renforçant la sécurité, la continuité de prise en charge et la transparence vis‑à‑vis des familles.
    RevealCare et INDIC, en offrant une vision populationnelle des besoins et des risques, permettent aux territoires, mutuelles et bailleurs d’optimiser leurs investissements en prévention et de construire des politiques “Silver Economy” à forte valeur sociétale. 

     

    Risques majeurs 

    Risques réglementaires et de conformité (IA Act, RGPD, DM/DMDIV) 

    La majorité des solutions de télésurveillance, de détection de chute et d’aide à la décision sont qualifiées de haut risque (DM/DMDIV ou Annexe III – services essentiels/urgence/téléassistance) ou de risque limité soumis à des exigences de transparence, ce qui implique un cadre réglementaire strict.
    Compan’IA explicite la nécessité de conformité à l’AI Act, au RGPD, au Règlement Machines et potentiellement au MDR, tandis que des dispositifs comme Hippy, Nodeus, Allo‑DoCs, Nobi, Missia Care ou Dona Care sont explicitement positionnés comme dispositifs médicaux ou assimilés, exposés à des exigences fortes en matière de sécurité, de performance clinique et de supervision humaine. 

    Dépendance aux données personnelles et risques de confidentialité 

    Plusieurs solutions centralisent des données sensibles de santé et de vie quotidienne : DeHealth construit une “Data Bank” globale avec stockage décentralisé et monétisation de données anonymisées, HiNounou gère un jumeau numérique de la santé du senior, Allo‑DoCs collecte plus de 70 constantes vitales et psychologiques en continu, et Missia mesure plus de 90 activités quotidiennes.
    Même si ces acteurs revendiquent la conformité RGPD, HIPAA ou FHIR, la densité des données collectées accroît les risques de re‑identification, d’usages secondaires non souhaités ou de cyberattaques, ce qui peut fragiliser la confiance des seniors, des familles et des régulateurs. 

    Surmédicalisation technologique et substitution partielle du lien humain 

    Certaines solutions, notamment de surveillance intensive (Allo‑DoCs, Vayyar Care AI, Missia, Nodeus, HiNounou), peuvent être perçues comme une “hyper‑médicalisation” du domicile, avec un monitoring continu de la vie quotidienne.
    Sans gouvernance claire des usages et des alertes, le risque est de substituer des interactions humaines par des interactions avec des systèmes algorithmiques ou des robots compagnons (Compan’IA, ElliQ), ce qui peut générer un sentiment de déshumanisation ou de “surveillance permanente” chez une partie des seniors. 

    Charge informationnelle et risque de burn‑out numérique pour les professionnels 

    Si les solutions promettent généralement une réduction de la charge de travail, la multiplication des boîtiers, portails, dashboards et alertes (Presage, Otono‑me, Nodeus, Missia, HiNounou, Allo‑DoCs, CarePredict, Dona Care, Sidly, etc.) peut entraîner une surcharge informationnelle pour les équipes soignantes et de coordination.
    En l’absence de tri automatique des alertes, de priorisation et d’interopérabilité harmonisée, les professionnels peuvent être confrontés à une inflation de notifications difficiles à traiter, ce qui augmente paradoxalement le risque de miss d’événements critiques et de burn‑out. 

    Modèles économiques parfois opaques et fragmentation de l’offre 

    Plusieurs solutions ne publient pas ou peu leurs tarifs (HiNounou, Presage Care, Missia Care, INDIC), ou s’appuient sur des modèles complexes (licence par établissement, par territoire, facturation à l’acte de télésurveillance, DPaaS B2B), ce qui peut freiner l’adoption par les services à domicile et les collectivités.
    La forte fragmentation de l’offre, mélangeant B2B, B2B2C et B2C (par exemple CarePredict, ElliQ, DeHealth, Ximi Family, Elpyoo, Monka, Lili Smart), rend difficile la construction de parcours intégrés et peut générer des doublons fonctionnels et budgétaires au niveau des territoires. 

    Inégalités d’accès et risque de fracture numérique 

    Une partie des solutions suppose un socle numérique et une connectivité robuste (Wi‑Fi dense pour aiCare System, ZoeFall, Missia, Allo‑DoCs, équipement smartphone pour Ximi Family, DeHealth, Elpyoo, Monka), qui ne sont pas systématiquement disponibles dans les zones rurales ou chez les seniors les plus précaires.
    En l’absence de modèles subventionnés, de médiation numérique et d’offres simplifiées, ces dispositifs peuvent avant tout bénéficier aux seniors les plus autonomes et aux familles les mieux dotées, accentuant les inégalités d’accès à un maintien à domicile sécurisé. 

    Nouvelles catégories de valeur : sécurité, coordination, prévention et bien‑être 

    Sécurité immédiate : détection et prévention des chutes comme use case dominant 

    Les solutions centrées sur les chutes forment une catégorie très dense : Aladin+, Nobi Smart Lamps, ZoeFall, Nodeus, Dona Care, Sidly, CarePredict, Hippy, Vayyar Care AI, Missia, Otono‑me, aiCare System adressent toutes la détection ou la prévention des chutes via différents capteurs et algorithmes.
    Outre la réduction documentée des événements (jusqu’à 76% de chutes en moins pour Aladin+), ces dispositifs réduisent le temps passé au sol, limitent les complications (fractures, syndrome post‑chute) et rassurent les familles, ce qui constitue un argument central pour les établissements et payeurs. 

    Coordination et partage d’information : du domicile au territoire 

    Ximi Family, Mediáteam, Presage Care et HiNounou structurent la coordination à plusieurs niveaux – famille, services d’aide à domicile, coordinateurs territoriaux, médecins traitants – en s’appuyant sur des dossiers partagés, des messageries sécurisées et des algorithmes de détection de signaux faibles.
    Ces solutions favorisent la continuité de l’information entre domicile, médico‑social et soins primaires, permettent la mise en place de plans personnalisés de coordination (PPC) et contribuent à réduire les ruptures de parcours, condition clé d’un maintien à domicile durable. 

    Prévention prédictive et médecine des risques 

    HiNounou, DeHealth, RevealCare, INDIC et Presage Care incarnent une approche centrée sur la prévention des risques chroniques et de la perte d’autonomie via l’analyse de grandes masses de données (plus d’un milliard de données pour RevealCare) et de scores d’autonomie ou de fragilité.
    En détectant les risques de diabète, d’hypertension, de maladies cardiovasculaires, de dénutrition, d’isolement social ou de burn‑out des aidants, ces plateformes offrent aux payeurs, collectivités et assureurs une capacité de priorisation et d’optimisation des investissements préventifs. 

    Bien‑être, cognition et qualité de vie 

    Certaines solutions se situent en amont du médical strict : Someo Life vise la gestion non médicamenteuse de la douleur, du sommeil et de l’anxiété, tandis qu’Hélie propose des programmes de stimulation cognitive et motrice ludique et non infantilisante pour maintenir l’autonomie.
    Les robots compagnons (Compan’IA, ElliQ) ajoutent une dimension de présence, de stimulation cognitive et de soutien moral, combinant rappels thérapeutiques, conversations, médiation familiale à distance et reconstitution de routines rassurantes, notamment pour les patients Alzheimer. 

    Qualité de vie au travail et attractivité des métiers 

    Nobi Smart Lamps, Aladin+, Nodeus, Vayyar Care AI, Allo‑DoCs et Mediáteam contribuent à une meilleure qualité de vie au travail en réduisant le stress lié à la gestion des risques (chutes nocturnes, errance) et en automatisant la surveillance et la priorisation des interventions.
    Better World, en analysant les verbatims d’expérience patients, résidents, proches et équipes, permet d’identifier les axes d’amélioration et de suivre la qualité de vie au travail, complétant ainsi les dispositifs de sécurité par une mesure fine du ressenti des usagers et professionnels. 

    Perspectives stratégiques et scénarios de déploiement

    Intégration verticale : du capteur au territoire via des plateformes d’orchestration 

    Les données suggèrent une trajectoire vers des architectures intégrées où capteurs (Nodeus, aiCare System, ZoeFall, Vayyar, Nobi, Aladin+), wearables (CarePredict, Dona Care, Sidly, Hippy), robots (Compan’IA, ElliQ) et plateformes (Médiateam, Presage, RevealCare, HiNounou, DeHealth) sont orchestrés par des couches logicielles territoriales.
    Pour les hôpitaux et ARS, l’enjeu stratégique consiste à favoriser des solutions interopérables et modulaires, capables de se connecter à des dossiers partagés et aux systèmes d’information régionaux afin d’éviter les silos et la multiplication de points de contact pour les familles et les professionnels. 

    Standardisation de la preuve clinique et des indicateurs de performance 

    Les documents citent des résultats ponctuels (−76% de chutes, −43 000 €/an, précision de 99% pour la détection des chutes, réduction de 8–12% des passages aux urgences), mais la méthodologie et la généralisabilité restent rarement détaillées.
    Pour les investisseurs et payeurs, il devient critique d’exiger des protocoles robustes (comme le protocole co‑construit avec le Broca Living Lab pour Compan’IA) et des indicateurs standardisés : taux de chutes, temps passé au sol, hospitalisations évitables, jours d’autonomie supplémentaires, ROI par établissement ou par territoire. 

    Positionnement stratégique vis‑à‑vis des aidants familiaux 

    Les solutions centrées sur les aidants (Ximi Family, Elpyoo, Monka, Emilia, DeHealth) montrent que la valeur économique et clinique passe aussi par la réduction de la charge mentale et la prévention du burn‑out des aidants, dimension explicitement prise en compte par Presage Care.
    Les acteurs qui réussiront à intégrer nativement un “parcours aidant” – combinant information, coordination, soutien psychologique et outils de suivi – disposeront d’un avantage compétitif décisif pour être adoptés par les familles et par les employeurs soucieux de leurs salariés aidants. 

    Arbitrages entre intrusivité, performance et acceptabilité 

    Les solutions varient fortement en termes d’intrusivité perçue : des robots humanoïdes comme Compan’IA aux lampes intelligentes Nobi en passant par les capteurs invisibles de Wi‑Fi sensing d’aiCare System, les dispositifs doivent trouver un équilibre entre granularité des données et respect de l’intimité.
    Les solutions qui parviennent à offrir une forte performance prédictive avec un minimum de frictions pour l’utilisateur (pas de port de dispositif, pas de caméra, installation simple, explicabilité des alertes) sont mieux positionnées pour une adoption massive dans les domiciles et les résidences services. 

    Rôle des hôpitaux et des médecins dans la gouvernance des IA de domicile 

    Des initiatives comme Broca Living Lab (Compan’IA) ou l’usage d’Hélie dans les centres de rééducation illustrent le rôle possible des hôpitaux dans la validation clinique, le design des parcours et la formation des équipes.
    Pour les médecins de ville et gériatres, l’enjeu sera de s’intégrer dans ces écosystèmes en définissant les seuils d’alerte pertinents, les modalités de télésurveillance remboursée (comme pour Presage Care dans PECAN‑2) et le partage de responsabilité avec les opérateurs technologiques. 

     

    Synthèse stratégique 

    Points saillants pour décideurs hospitaliers, investisseurs et médecins 

    Les solutions d’IA pour le maintien à domicile des personnes âgées structurent un écosystème complet allant de la détection de chutes et la télésurveillance biométrique à la coordination territoriale et au soutien des aidants, avec des impacts chiffrés sur les chutes (jusqu’à −76%), les passages aux urgences (−8 à −12%) et les coûts associés.
    Les opportunités majeures résident dans la sécurisation du domicile, la prolongation de l’autonomie, la réduction des hospitalisations évitables, la décharge mentale des aidants et l’amélioration de la qualité de vie au travail des professionnels, dans un cadre de modèles économiques “as a Service” de plus en plus matures. 

    Priorités stratégiques de mise en œuvre selon les documents 

    Les risques principaux concernent la conformité réglementaire (IA Act, RGPD, DM/DMDIV), la gouvernance des données sensibles, la possible surmédicalisation technologique du domicile, la charge informationnelle pour les équipes et les inégalités d’accès liées à la fracture numérique.
    Les documents convergent vers plusieurs priorités : favoriser des solutions interopérables et non intrusives, exiger une preuve clinique robuste et standardisée, intégrer systématiquement le parcours des aidants, et positionner les hôpitaux et les structures territoriales comme orchestrateurs de ces dispositifs 

     

    Tableau interactif des solutions

  • Coordination et prévention des risques : 10 cas d’usage de l’IA pour le domicile

    Le fait que plus de 92% des personnes de plus de 70 ans en France vivent à domicile et souhaitent y rester constitue un déterminant majeur pour le développement de solutions d’intelligence artificielle dédiées au maintien à domicile. Cette tendance crée une pression forte sur les systèmes de santé et les aidants, tout en ouvrant un espace significatif pour des technologies capables d’assurer sécurité, prévention et continuité des soins dans un environnement non médicalisé. Les solutions analysées convergent vers un objectif commun : transformer le domicile en espace de surveillance préventive, connecté et coordonné. 

    Opportunités principales 

    Détection précoce et prévention des hospitalisations évitables grâce à l’analyse comportementale continue 

    Les dispositifs de monitoring continu (CarePredict, Vayyar, Zoe Care) permettent d’analyser en temps réel les habitudes de vie (activité, sommeil, déplacements, respiration), et d’identifier des anomalies comportementales signalant une dégradation de l’état de santé. Cette capacité de détection précoce permet d’intervenir avant l’apparition de complications aiguës, notamment pour des pathologies chroniques (insuffisance cardiaque, Parkinson, Alzheimer). 

    L’IA permet ainsi de passer d’une logique réactive à une logique préventive, avec un impact direct sur la réduction des hospitalisations non programmées. À titre d’illustration, certaines solutions anticipent les risques jusqu’à 7 à 14 jours à l’avance (Presage), permettant d’ajuster les traitements ou d’activer des dispositifs de soutien en amont. 

    Surveillance continue non intrusive : un compromis entre sécurité et acceptabilité 

    Les technologies fondées sur les capteurs radar 4D (Vayyar) ou l’analyse des ondes Wi-Fi (Zoe Care) permettent une surveillance continue sans recours à des caméras, microphones ou dispositifs portés. Cette caractéristique répond à un enjeu critique d’acceptabilité par les personnes âgées, souvent réticentes aux dispositifs intrusifs ou stigmatisants. 

    Ces solutions garantissent également la continuité de la surveillance dans des conditions variées (obscurité, salle de bain, absence de port d’un dispositif), tout en préservant la vie privée grâce à des traitements locaux des données. La précision peut atteindre jusqu’à 99% pour la détection de chute en laboratoire (Zoe Care), renforçant la fiabilité clinique de ces approches. 

    Coordination renforcée entre aidants, familles et professionnels 

    Les plateformes numériques (Ximi Family, Elpyoo) structurent la circulation de l’information autour du patient à domicile, en centralisant les données relatives aux interventions, aux observations et aux démarches administratives. 

    Cette coordination permet : 

    • Une continuité accrue des soins grâce à un accès en temps réel aux informations. 
    • Une transparence renforcée pour les familles. 
    • Une réduction des erreurs ou des ruptures de prise en charge. 

    L’intégration de cahiers de liaison digitaux, de notifications et de messageries sécurisées améliore significativement la communication entre les acteurs, contribuant à une meilleure qualité globale du parcours de soins. 

    Réduction de la charge mentale et prévention du burn-out des aidants 

    Les aidants familiaux constituent un maillon essentiel mais fragilisé du maintien à domicile. Les solutions basées sur l’IA (Presage, Elpyoo, Monka) permettent de structurer leur rôle en transformant leurs observations en indicateurs exploitables par les professionnels de santé. 

    Certaines plateformes identifient jusqu’à 15 risques majeurs, incluant le burn-out des aidants, et proposent des recommandations personnalisées. La capacité à prédire les situations critiques et à orienter vers des dispositifs de soutien contribue à réduire l’anxiété et à améliorer la qualité de vie des aidants, avec des taux de satisfaction supérieurs à 90% rapportés. 

    Amélioration de la qualité de vie et stimulation cognitive via des agents autonomes 

    L’intégration de robots humanoïdes (Compan’IA) ouvre une nouvelle dimension dans l’accompagnement quotidien, en assurant une présence continue, des interactions sociales et des rappels thérapeutiques. 

    Ces systèmes permettent : 

    • De lutter contre l’isolement social. 
    • De soutenir la stimulation cognitive (jeux, musique, interactions). 
    • De renforcer l’observance thérapeutique. 

    Ils contribuent également à optimiser le temps des soignants en automatisant certaines tâches répétitives, permettant un recentrage sur le soin relationnel. 

    Personnalisation des parcours de soins grâce à l’intégration de données multi-dimensionnelles 

    Les plateformes intégrant des capteurs biomédicaux (HiNounou, DeHealth) permettent une analyse fine de multiples dimensions de santé (physiologique, comportementale, environnementale). L’IA exploite ces données pour détecter précocement les risques et proposer des interventions personnalisées. 

    Cette approche favorise : 

    • Une médecine proactive et individualisée. 
    • Une meilleure adhésion des patients grâce à des interfaces adaptées et des mécanismes incitatifs. 
    • Une coordination accrue avec les professionnels via le partage de données en temps réel. 

    Risques majeurs 

    Dépendance à la qualité et à la continuité des données collectées 

    L’efficacité des systèmes repose sur la collecte continue de données fiables. Toute interruption (panne, mauvaise installation, non-utilisation) ou altération de la qualité des données peut compromettre la pertinence des analyses et générer des faux positifs ou négatifs. 

    Cette dépendance technique pose un enjeu critique de robustesse des infrastructures et de maintenance à grande échelle. 

    Complexité d’intégration dans les parcours de soins existants 

    Bien que certaines solutions soient interopérables avec les systèmes existants (Ximi, DeHealth), leur intégration opérationnelle dans les pratiques quotidiennes des professionnels reste un défi. 

    Les enjeux incluent : 

    • L’adoption par les équipes soignantes. 
    • L’adaptation des organisations. 
    • La gestion des flux d’informations supplémentaires. 

    Sans une intégration fluide, le risque est de créer une surcharge informationnelle plutôt qu’un gain d’efficacité. 

    Enjeux éthiques et réglementaires liés aux données de santé 

    Les solutions analysées traitent des données hautement sensibles (comportement, santé, localisation). Bien que certaines mettent en avant leur conformité (RGPD, AI Act, HIPAA), la gestion de la confidentialité, du consentement et de la cybersécurité reste un enjeu majeur. 

    Le recours à des technologies de surveillance, même non intrusives, nécessite un équilibre délicat entre sécurité et respect des libertés individuelles. 

    Acceptabilité sociale et adoption par les utilisateurs 

    Malgré les avancées technologiques, l’adoption dépend fortement de l’acceptabilité par les personnes âgées et leurs aidants. Les freins peuvent inclure : 

    • La méfiance vis-à-vis de la technologie. 
    • La crainte de perte d’autonomie ou de contrôle. 
    • La difficulté d’usage de certains dispositifs. 

    Les solutions non intrusives et invisibles semblent mieux répondre à ces enjeux, mais leur généralisation nécessite un accompagnement au changement. 

    Risque de substitution partielle du lien humain 

    L’automatisation de certaines fonctions (surveillance, interaction via robots) peut, si elle est mal encadrée, conduire à une réduction des interactions humaines. 

    Les solutions étudiées positionnent explicitement l’IA comme complément au soin humain, mais le risque demeure dans des contextes de tension sur les ressources humaines. 

    99% de précision en détection de chute : vers une médicalisation du domicile 

    La capacité de certaines solutions à atteindre des niveaux de précision très élevés (jusqu’à 99% pour la détection de chute) illustre une tendance à la médicalisation croissante du domicile. Le domicile devient un espace de soins augmenté, capable de produire des données cliniques exploitables en continu. 

    Cette transformation redéfinit les frontières entre ville et hôpital, en permettant une prise en charge plus distribuée, tout en maintenant un haut niveau de sécurité. 

    Synthèse et perspectives stratégiques 

    Les cas d’usage analysés montrent que l’intelligence artificielle constitue un levier structurant pour répondre au défi du maintien à domicile des personnes âgées en perte d’autonomie. Trois dynamiques majeures émergent : 

    • Le basculement vers une médecine prédictive et préventive, fondée sur l’analyse continue des données de vie. 
    • La structuration d’un écosystème coordonné intégrant aidants, professionnels et outils numériques. 
    • L’émergence de solutions non intrusives favorisant l’acceptabilité et le respect de la dignité. 

    Les perspectives stratégiques suggèrent une accélération du déploiement de ces solutions, sous réserve de lever trois conditions clés : intégration fluide dans les parcours de soins, sécurisation des données de santé et accompagnement des usages. 

    À moyen terme, ces technologies pourraient profondément transformer les modèles de prise en charge, en faisant du domicile un pilier central du système de santé, capable de conjuguer autonomie, sécurité et efficience.

    Tableau interactif des cas d’usage

  • IA pour le maintien à domicile des seniors : un marché en forte croissance, mais encore fragmenté et sous-financé

    Un contexte démographique et budgétaire sous tension

    Le vieillissement démographique alimente la demande pour des solutions permettant aux personnes âgées de rester chez elles plus longtemps, dans un contexte où les systèmes de santé cherchent à contenir les hospitalisations évitables et les coûts liés à la dépendance. En France comme en Europe, la majorité des seniors expriment une préférence pour le maintien à domicile, avec 92% d’entre eux déclarant vouloir passer leurs dernières années dans leur logement actuel.

    Parallèlement, les dépenses de santé représentent environ 10% du PIB en Europe, dont une part croissante est consacrée aux technologies médicales et à la santé numérique, dans un marché européen de la e-santé évalué à près de 70 milliards de dollars et projeté à plus de 300 milliards à horizon quelques années, avec des taux de croissance annuels supérieurs à 20%. Cette dynamique crée une fenêtre d’opportunité pour les solutions d’IA orientées vers la prévention des pertes d’autonomie, la réduction des réhospitalisations et l’optimisation du temps des professionnels à domicile.

    Un marché de la téléassistance et de la télésanté en mutation

    Le marché des soins connectés en Europe, qui inclut téléassistance et télésanté, comptait environ 14,7 millions d’utilisateurs en 2024 et devrait atteindre 23 millions en 2028, soit une croissance annuelle moyenne de 11,8%. La téléassistance reste aujourd’hui le segment le plus développé avec 9,7 millions d’utilisateurs, mais la télésanté progresse rapidement, atteignant 6,6 millions d’usagers en 2024.

    Ce marché reste fortement consolidé côté équipements de téléassistance, trois acteurs – Tunstall, Legrand et TeleAlarm – représentant à eux seuls 60% des ventes en Europe. Ces acteurs historiques intègrent progressivement des briques d’IA dans leurs plateformes, notamment pour l’analyse automatisée des alertes, la détection de chutes ou la priorisation des interventions, tandis qu’une nouvelle génération de start-up se positionne sur la surveillance prédictive et les compagnons vocaux.

    Typologie des solutions d’IA pour l’autonomie à domicile

    Les solutions d’IA pour le maintien à domicile se structurent autour de plusieurs grandes catégories fonctionnelles.

    • Capteurs et domotique intelligente : détection des mouvements, surveillance du sommeil, de l’alimentation, des déplacements, avec analyse automatisée des routines pour identifier des signaux précoces de fragilisation ou de risque (chute, dénutrition, isolement).

    • Téléassistance augmentée par l’IA : plateformes capables de prioriser les alertes, d’identifier les fausses alarmes et de proposer des recommandations de suivi à partir de données multisources (capteurs, dossiers patients, historiques d’appels).

    • Assistants vocaux et compagnons IA : dispositifs conversationnels pour rappeler les traitements, encourager l’activité, surveiller certains paramètres via questionnaires automatisés, ou rompre l’isolement par une interaction continue.

    • Outils d’aide à la décision pour les professionnels : modèles prédictifs intégrés aux services de soins à domicile pour anticiper les risques d’hospitalisation, ajuster les plans de soins et coordonner les interventions des équipes médico-sociales.

    Selon certaines estimations, le marché des compagnons IA pour seniors atteindrait 212 millions de dollars en 2025, avec un taux de croissance annuel projeté de 48% jusqu’en 2033, reflet d’un intérêt marqué pour des solutions d’assistance continue moins coûteuses que des visites physiques fréquentes.

    Études de cas : capteurs, expérimentations et assistants virtuels

    En France, l’association Cassiopea expérimente, avec la technologie du fournisseur Noviacare, un dispositif associant cinq capteurs installés au domicile des personnes âgées pour surveiller le sommeil, l’alimentation, l’hygiène, les passages aux toilettes et l’activité générale. Pendant un mois, l’IA apprend les habitudes quotidiennes, puis détecte les écarts (réveils nocturnes inhabituels, baisse des sorties, réduction des repas) et transmet des alertes à une cellule de téléassistance qui peut contacter la personne.

    L’expérimentation, déployée auprès d’une vingtaine de volontaires sur plus d’un an à partir de juillet 2024, représente un investissement d’environ 20 000 euros pour l’association, financé à 50% par la région Nouvelle-Aquitaine et un fonds de dotation, avec un coût envisagé à terme de 49 euros par mois pour l’usager, soit 19 euros de plus qu’une offre standard de téléassistance. L’objectif affiché est de partager ces données avec l’ensemble du réseau d’aidants – proches, aides-soignants, infirmiers, structures de portage à domicile – pour ajuster l’accompagnement et tenter de résorber les débuts de fragilité identifiés par l’IA.

    Au niveau européen, la start-up Tucuvi, soutenue notamment par la Banque européenne d’investissement, développe une assistante virtuelle qui appelle automatiquement les patients âgés à domicile, analyse leurs réponses via IA et envoie des rapports aux structures de soins lorsque des signaux de risque sont détectés. Cette approche repose sur une surveillance automatisée en continu, présentée comme un complément aux équipes de soins pour la médecine préventive et la gestion de maladies chroniques à distance.

    Au Canada, le Programme Défi « Vieillir chez soi » du Conseil national de recherches (CNRC), en partenariat avec l’Université Carleton et l’Institut de recherche Santé Bruyère, pilote des projets de maisons intelligentes intégrant des capteurs et de l’IA pour surveiller en continu des paramètres comme la fréquence cardiaque, la respiration ou les activités de préparation des repas. Les chercheurs travaillent également sur l’analyse de données audio et vidéo pour comprendre les routines quotidiennes, en insistant sur des architectures préservant la vie privée et la sécurité des données, avec une perspective de commercialisation à moyen terme.

    Attentes des usagers et adoption des dispositifs

    Les enquêtes réalisées auprès des Français montrent une acceptabilité relativement élevée des usages d’IA à domicile lorsque ceux-ci sont associés à des bénéfices clairs en termes de sécurité. Environ 87% des personnes interrogées se déclarent favorables à des dispositifs détectant automatiquement les chutes, et 76% soutiennent l’usage de capteurs pour surveiller des indicateurs de santé comme la tension ou le poids.

    Cependant, l’appropriation de ces technologies reste freinée par la fracture numérique : une étude de l’Insee indique qu’une personne de 75 ans et plus sur deux ne dispose pas d’accès à Internet à domicile, ce qui limite l’usage de solutions nécessitant une connexion ou une interaction numérique complexe. Cette réalité impose de concevoir des dispositifs peu intrusifs, compatibles avec des environnements techniques limités et appuyés sur un accompagnement humain renforcé pour l’installation, la maintenance et l’éducation au numérique.

    Enjeux pour les professionnels et les décideurs

    Pour les professionnels de santé, les gestionnaires de services d’aide à domicile et les acteurs institutionnels, l’essor des solutions d’IA à domicile ouvre plusieurs chantiers structurants : intégration des outils dans les systèmes d’information, articulation avec les dispositifs de télésanté, définition de règles de partage des données avec les aidants, clarification des responsabilités en cas de défaillance ou de faux positifs. La Commission européenne rappelle que l’IA en santé doit s’inscrire dans un cadre garantissant la sécurité des patients, la transparence des algorithmes et la supervision humaine, notamment pour la modélisation prédictive des risques et l’allocation des ressources.

    Le marché reste en phase d’apprentissage, avec une offre abondante mais fragmentée, quelques acteurs consolidés sur la téléassistance et une multitude de start-up développant des solutions ciblées, souvent dépendantes de financements publics ou de programmes d’expérimentation. Pour les plateformes de veille et les investisseurs, les indicateurs à surveiller incluent la structuration de financements dédiés à la perte d’autonomie, l’évolution des réglementations sur l’IA en santé et les retours d’expérience des programmes pilotes, qui permettront d’évaluer la soutenabilité économique et l’impact réel de ces solutions sur la qualité de vie et les trajectoires de soins des seniors à domicile.

  • L’AI Act impose une lecture au cas par cas pour les solutions de maintien à domicile 

    Un cadre par niveaux de risque 

    L’AI Act repose sur une classification en plusieurs niveaux de risque : pratiques interdites, systèmes à haut risque, systèmes soumis à des obligations de transparence et autres usages à risque plus faible.
    Dans le champ du grand âge, cette logique revient à distinguer les outils qui assistent d’un outil qui évalue, surveille ou influe sur une décision concernant une personne. 

    Les lignes directrices de la Commission européenne rappellent que les pratiques jugées inacceptables incluent notamment la manipulation nuisible, le score social et certaines formes d’identification biométrique à distance en temps réel.
    Pour le maintien à domicile, cela signifie qu’un système d’IA ne tombe pas dans une case unique : une aide à l’organisation peut relever d’un régime léger, tandis qu’un outil de surveillance ou de tri clinique peut être soumis à des exigences plus strictes. 

    Ce que change le domicile 

    Les solutions d’IA dédiées au domicile, comme celles qui détectent des chutes, signalent des détresses ou analysent des comportements, s’inscrivent dans un contexte sensible parce qu’elles touchent à l’autonomie, aux données personnelles et parfois à la santé.
    Le cadrage réglementaire ne vise pas seulement l’éditeur : il concerne aussi le déployeur, les conditions d’information des usagers, la supervision humaine et la traçabilité des traitements. 

    Selon les usages, le RGPD et les règles sur les données de santé restent centraux, en particulier lorsqu’il existe des données comportementales ou médicales.
    La question du consentement éclairé revient aussi comme un point de passage obligé, notamment dans les services à domicile où l’acceptabilité repose sur la transparence et l’utilité perçue par les personnes aidées et les aidants. 

    L’exemple Orikio

    Orikio illustre une catégorie d’outils qui restent proches d’une logique d’assistance : la solution repose sur des capteurs sonores dotés d’IA pour détecter des chutes, alerter en cas d’appel à l’aide, repérer des détresses respiratoires ou certains comportements à risque, avec notification en temps réel vers les équipes.
    Dans ce type de cas, le point de vigilance porte moins sur une “interdiction” de principe que sur la qualification du traitement, la proportionnalité de la surveillance et la place laissée à l’humain. 

    Les dispositifs comparables, souvent présentés comme des outils de veille ou de coordination, peuvent basculer vers un régime plus exigeant si leur fonctionnement produit un profilage, une recommandation déterminante ou une évaluation ayant des effets significatifs sur la personne.
    Pour les acteurs du secteur, la frontière à surveiller est donc celle qui sépare l’aide opérationnelle d’une logique de décision automatisée. 

    Les obligations à anticiper 

    Le livre blanc d’Abilitis souligne que la plupart des solutions d’IA pour le maintien à domicile restent à un stade de projets pilotes ou d’expérimentations locales, avec des freins liés aux coûts d’acquisition et de maintenance, à l’intégration aux systèmes d’information, à l’interopérabilité et à la fracture numérique chez certains aidants.
    Ces limites ne sont pas seulement techniques : elles conditionnent aussi le passage à l’échelle et la conformité, car un déploiement massif sans gouvernance peut exposer à des risques juridiques et organisationnels. 

    Le même document met en avant trois conditions de légitimité : l’utilité concrète pour les utilisateurs, la transparence des mécanismes de décision ou de recommandation, et le respect du consentement éclairé à chaque étape.
    C’est aussi l’esprit du cadre européen : le règlement vise un développement responsable de l’IA, avec des exigences claires pour les développeurs et les déployeurs, tout en réduisant les charges inutiles. 

    Pour une plateforme de veille santé numérique, le bon angle n’est pas de demander si l’IA de maintien à domicile est “autorisée”, mais de vérifier dans quelle catégorie de risque elle tombe selon sa finalité réelle.
    Une solution d’assistance simple sera souvent dans une zone de transparence et de bonne gouvernance, tandis qu’un système de surveillance, de profilage ou d’évaluation lié à la santé peut relever d’un régime beaucoup plus contraignant.
    Dans ce secteur, la conformité se construit donc par usage, par preuve d’utilité et par supervision humaine, bien plus que par l’étiquette “IA”. 

     

  • IA et maintien à domicile : 20 millions de personnes âgées en France en 2050

    Une France inquiète mais déjà concernée 

    L’étude « Les apports de l’IA pour l’aide à domicile », menée par Viavoice auprès de 1 000 Français, montre que 63% se disent concernés par la perte d’autonomie, à titre personnel ou pour leurs proches. Près de 20 millions de personnes âgées sont attendues en France d’ici 2050, et 65% des répondants déclarent vouloir rester à domicile avec des services d’aide plutôt qu’entrer en résidence seniors. 

    Dans ce contexte, la perception de l’IA reste contrastée : 61% se disent peu enthousiastes et 65% peu confiants, tandis que 47% se sentent dépassés par cette technologie. La crainte d’un recul des interactions humaines est centrale : 80% pensent que l’IA menace les échanges sociaux, 57% redoutent un isolement accru des personnes en perte d’autonomie, et 72% des proches jugent que leurs aînés souffrent déjà de solitude malgré les services à domicile. 

    Un déficit de pédagogie et de cadre perçu par les citoyens 

    La dimension cognitive et réglementaire constitue un frein de premier plan. Seuls 14% des répondants se disent bien informés sur l’IA, 52% estiment ne pas l’être suffisamment pour juger des enjeux éthiques, et 54% pensent qu’il n’existe pas encore de texte de loi encadrant ces technologies, alors que l’IA Act est entré en vigueur en 2024. 

    La confidentialité des données reste un point de vigilance : 79% se déclarent préoccupés par ce sujet, et près d’un répondant sur cinq estime que l’IA présente plus de risques que de bénéfices, une proportion qui grimpe à 52% chez les moins de 35 ans. Sans clarification de la gouvernance des données et des responsabilités, l’adhésion des usagers et des professionnels risque de rester limitée. 

    Les six propositions d’ABILITIS pour une stratégie nationale 

    À partir de ce diagnostic, le fonds de dotation ABILITIS formule un ensemble de recommandations visant à inscrire l’IA et le maintien à domicile dans une stratégie publique structurée. L’objectif est de transformer un ensemble de cas d’usage dispersés en politique d’investissement, de régulation et d’accompagnement des plus vulnérables. 

    1. Donner une place explicite au handicap et à la perte d’autonomie
      ABILITIS propose de lancer un appel à projets dédié au handicap et à la perte d’autonomie, sur le modèle des dispositifs existants dans le secteur culturel, afin de soutenir les innovations IA appliquées au domicile. Le fonds recommande aussi la création d’un fonds public national dédié aux initiatives IA–maintien à domicile, ainsi qu’une gouvernance interministérielle de l’IA pour coordonner les politiques sur la durée. 
    2. Sensibiliser et former le public
      Le livre blanc plaide pour une politique de formation structurée, avec des programmes éducatifs labellisés par l’État intégrés aux cursus scolaires et prolongés en entreprise via un accord national interprofessionnel. ABILITIS préconise des campagnes nationales d’information sur les bénéfices et limites de l’IA, accessibles aux personnes vulnérables, et l’intégration de modules spécifiques dans les formations initiales et continues des professionnels de santé et médico‑sociaux. 
    3. Encourager un usage éthique et encadré
      Avec l’entrée en application de l’IA Act le 2 août 2026, ABILITIS estime nécessaire d’adapter le droit français pour assurer la protection des données tout en soutenant l’innovation. Le fonds recommande un cadre réglementaire clair qui garantisse la supervision humaine des décisions critiques, limite les risques d’erreur et d’abus et soit largement diffusé auprès des acteurs médico‑sociaux. 
    4. Lutter contre la fracture numérique des personnes vulnérables
      La fracture numérique est identifiée comme un frein direct à l’accès aux droits et aux soins des personnes en situation de handicap ou de précarité. ABILITIS propose de rendre les services publics en ligne réellement accessibles, avec des alternatives non numériques, de faciliter l’accès à l’équipement et à Internet via subventions, prêts à taux réduit ou programmes de recyclage, et de développer des services d’accompagnement pour renforcer les compétences numériques des publics fragiles. 
    5. Innover, évaluer et concevoir des solutions inclusives
      Le fonds suggère de créer, dans chaque région, une « maison ou plateforme de l’intelligence artificielle » rassemblant les acteurs du handicap, de la perte d’autonomie et de l’innovation, inspirée de la Maison intelligente de Blagnac. Ces lieux auraient pour mission de recenser les bonnes pratiques, tester et évaluer les solutions IA, héberger un incubateur, produire un reporting sur les dynamiques territoriales et associer les utilisateurs dès la conception, tout en assurant une veille internationale sur les pays les plus touchés par le vieillissement. 
    6. Développer des solutions hybrides IA–présence humaine
      Enfin, ABILITIS défend une approche hybride : automatiser les tâches répétitives (plannings, mesures, alertes) pour libérer du temps relationnel pour les professionnels, tout en déployant des dispositifs de prévention comme les capteurs de chute ou de santé en temps réel. L’objectif est de construire un environnement de soins plus sûr et plus efficace, sans rupture du lien humain, afin que l’IA devienne un allié du maintien à domicile plutôt qu’un facteur d’isolement. 

  • Vieillissement, autonomie, pénurie de soignants : quelle place pour les robots sociaux ? (rapport HAS)

    Robots dits sociaux : définitions, usages et limites

    La Haute Autorité de santé (HAS) parle de « robots dits sociaux » pour désigner des machines autonomes capables d’interagir verbalement ou non verbalement avec les humains, tout en rappelant que la relation sociale reste, par principe, strictement humaine. Ces robots appartiennent à la robotique de service et se déclinent en formes anthropomorphes, animaloïdes (comme le phoque Paro) ou abstraites (robots de téléprésence), avec des usages allant de la médiation thérapeutique à la téléprésence ou la compagnie. Portés par les avancées de l’IA (LLM, modèles multimodaux), leurs développements restent jugés balbutiants, avec des systèmes encore rigides, dépendants de la maintenance, de la connectivité et de l’écosystème technique.

    Les usages cliniques documentés en France concernent surtout la gériatrie et le handicap, notamment les troubles neurocognitifs et les troubles du spectre de l’autisme, avec des résultats positifs mais circonscrits sur la stimulation cognitive, la régulation émotionnelle et les interactions sociales. Des exemples comme le robot Nao dans le projet ASK (Autism Solution for Kids) illustrent des gains sur les compétences sociales et attentionnelles, tandis que Paro a fait l’objet de nombreuses publications et de prises en charge dans certains systèmes de santé étrangers. En parallèle, un marché grand public se développe avec des « robotic pets » et des compagnons connectés comme ElliQ, financés par des investisseurs et soutenus par des programmes de santé publique dans certains États américains.

    Effets pour les professionnels et enjeux d’évaluation

    L’introduction de robots dans les établissements, notamment en gériatrie, modifie le travail des soignants entre délégation de tâches pénibles, surcharge liée à la supervision et questionnements identitaires sur le « prendre soin ». Des travaux, notamment au Japon, suggèrent que certains établissements robotisés deviennent plus attractifs, tout en générant de nouvelles fonctions (technicien d’équipement à la vie sociale et médicale, e‑brancardier) et une moralisation progressive des robots, perçus comme artefacts interactionnels encadrés par des valeurs humaines. Ces transformations appellent une formation structurée des professionnels et des usagers, ainsi que la mise en place de communautés d’échange et de support autour des usages.

    La HAS souligne que les évaluations actuelles restent « technocentrées », centrées sur la performance, l’ergonomie ou l’acceptabilité, et peu sur les impacts humains, sociaux, organisationnels, éthiques ou médico‑économiques. Des cadres plus riches comme EUnetHTA ou des projets européens (DOMIROB, SPRING) existent mais sont peu mobilisés et intègrent encore insuffisamment les transformations organisationnelles, la charge de travail, les impacts psychoaffectifs ou la dignité. L’institution plaide pour une évaluation interdisciplinaire, contextualisée, qui tienne compte des besoins explicites et latents, et qui considère la robotique sociale comme une intervention relationnelle plutôt que comme un simple dispositif technique.

    Démographie, économie et éthique : un faisceau de contraintes

    L’analyse se place dans un horizon 2030‑2050, marqué par l’augmentation des plus de 60 ans, la hausse attendue des maladies neurodégénératives et l’accroissement probable des situations de solitude extrême (« mort sociale »), sur fond de pénurie de main‑d’œuvre en gériatrie et dans les services à la personne. Dans ce contexte, la robotique sociale apparaît comme un levier potentiel de compensation et de soutien, mais aussi comme un vecteur possible de marchandisation du soin et de délégation du care à la machine. La HAS rappelle que les robots dits sociaux ne peuvent se concevoir qu’en complément d’un accompagnement personnalisé, en soutien au maintien à domicile, et non comme substituts.

    L’éthique est décrite comme intrinsèque à la robotique sociale, avec une littérature abondante sur les risques d’accident, de tromperie, d’illusion anthropomorphique, d’attachement excessif, de dépendance, d’infantilisation, de capture des données et d’atteinte à la dignité. Le rapport revient sur les mises en garde de comités d’éthique (CNRS) et sur les débats européens autour d’une éventuelle personnalité juridique des robots, finalement rejetée en 2020. La protection des données (RGPD, lignes directrices SPRING), les différences culturelles (Europe, Japon) et la nécessité d’un recueil de consentement régulier, éclairé et non abusif sont identifiés comme des conditions de base.

    Trois scénarios prospectifs à l’horizon 2050

    La HAS construit trois scénarios en combinant quatre variables : type d’offre (thérapeutique vs grand public), prise en compte des besoins des utilisateurs, niveau d’intervention publique (régulation, soutien) et degré d’adoption.

    • « Vieillesse technogérée » : offre grand public, régulation absente, adoption massive, faible prise en compte des besoins. Le maintien à domicile repose largement sur des robots d’assistance, la présence robotique se normalise, les données comportementales deviennent une ressource stratégique pour des modèles assurantiels adaptatifs, au prix de risques de dépendance technologique, de perte de souveraineté et de marchandisation accrue du soin.

    • « Du luxe au bas de gamme » : cohabitation de solutions haut de gamme non remboursées pour une élite et de robots grand public peu fiables pour les autres, avec une régulation marginale et un accès limité à certaines populations. Les territoires en tension combinent déserts médicaux et bricolage technologique, alimentant isolement, scandales, défiance et aggravation des inégalités sociales et territoriales.

    • « Introduction progressive et responsable » : offre principalement thérapeutique, prise en compte importante des besoins, régulation forte et protectrice, adoption marginale mais ciblée. Des expérimentations transparentes, une évaluation structurée, des critères d’accès équitables et des forfaits de soins permettent d’intégrer les robots comme compléments aux interventions humaines, en soutenant la qualité de vie et la prévention tout en limitant les dérives.

    Dans ces trois scénarios, des vignettes illustrent la vie quotidienne avec différentes configurations d’assistance robotisée : assurance adaptative fondée sur les données dans le premier, robot AIDA défaillant dans un contexte de coupures électriques dans le second, parcours accompagné et réévalué avec plusieurs robots complémentaires dans le troisième. Le rapport insiste sur les zones de vigilance communes : risque de trajectoires modelées par des logiques économiques plutôt que par l’intérêt des usagers, sélection implicite des publics par les complémentaires santé, et fracture numérique reconfigurée autour de la qualité des dispositifs plus que de l’accès brut. Dans le scénario jugé souhaitable, les Gérontopôles, Living Labs, équipes Alzheimer et dispositifs de coordination jouent un rôle central pour structurer une gouvernance partagée et une diffusion maîtrisée.

    Recommandations implicites pour les politiques publiques

    En conclusion, la HAS pose plusieurs conditions de succès : inscrire la robotique sociale dans une politique de prévention et d’autonomie qui renforce le lien humain, aligner l’innovation sur la justice sociale et le bien‑être, et ancrer chaque déploiement dans une gouvernance éthique et data‑protectrice robuste. L’institution appelle à un encadrement strict de l’usage en Ehpad et à domicile, en continuité avec les alertes sénatoriales de 2019, avec l’objectif explicite de ne jamais laisser un robot se substituer au lien social, mais de le soutenir. Elle souligne enfin que la mise en œuvre d’un scénario « progressif et responsable » sera plus coûteuse, plus lente et plus exigeante pour les acteurs publics, mais potentiellement plus efficiente à moyen terme en matière de qualité de vie, de réduction des hospitalisations et d’engagement des personnes.

  • Agentic AI en santé : un marché en forte expansion porté par le diagnostic, les essais cliniques et l’orchestration hospitalière

    Agentic AI : une nouvelle étape dans l’automatisation clinique

    Le rapport « Agentic AI Market – Global Forecast to 2032 » décrit l’agentic AI comme une classe de systèmes autonomes capables de poursuivre des objectifs définis, d’analyser des situations complexes et d’exécuter des séquences d’actions sans supervision continue. Selon IBM, ces systèmes s’appuient sur des agents coordonnés qui miment la prise de décision humaine en temps réel, avec une orchestration multi‑agents pour répartir les sous‑tâches nécessaires à l’atteinte d’un objectif, par exemple un diagnostic ou un plan thérapeutique. L’OCDE parle de systèmes « agentic » dès lors qu’ils apprennent ou agissent sans contrôle humain direct une fois déployés, avec capacité d’auto‑fixation d’objectifs et d’adaptation en fonction de nouvelles données, tout en requérant un niveau de supervision variable selon les usages.

    Cette approche se distingue des modèles d’IA traditionnels, souvent confinés à des tâches statiques, par trois caractéristiques structurantes : autonomie, comportement orienté objectifs, et adaptabilité dans des environnements cliniques dynamiques. Le rapport souligne que cette évolution n’est pas considérée comme une simple tendance ponctuelle, mais comme un basculement durable de l’IA vers des systèmes capables d’optimiser en continu workflows et décisions dans des secteurs très régulés, dont la santé.

    Marché en hypercroissance, santé incluse

    Le marché global de l’agentic AI est estimé à 7,06 milliards de dollars en 2025 et à 93,20 milliards en 2032, soit un taux de croissance annuel composé de 44,6% sur la période. Cette dynamique est portée par une demande forte d’automatisation adaptative, capable de traiter des workflows de bout en bout au‑delà de la simple RPA ou des chatbots.

    Dans cette segmentation, la santé et les life sciences constituent l’un des verticaux étudiés, aux côtés de la banque, du retail, des services professionnels, des télécoms, de la logistique, de l’automotive ou encore de l’énergie. Le rapport distingue des cas d’usage horizontaux (data analytics, conformité, sécurité, expérience client, etc.) et des cas d’usage verticaux, dont un ensemble spécifiquement dédié à Healthcare & Life Sciences. Les analystes prévoient une montée en puissance rapide de plateformes agentic AI capables de s’intégrer aux SI existants (HIS, RIS, LIS, CRM, plateformes d’essais), avec une offre combinant infrastructures, SaaS et services managés.

    Cas d’usage en santé : du diagnostic aux essais cliniques

    Dans le vertical Healthcare & Life Sciences, le rapport décrit l’agentic AI comme un levier pour « élever la prise en charge et l’efficacité clinique via des agents auto‑apprenants de diagnostic et de workflow ». Plusieurs familles de cas d’usage sont mises en avant : optimisation des workflows d’essais cliniques, imagerie diagnostique assistée par IA, personnalisation des plans de traitement, orchestration des ressources hospitalières et revue autonome des demandes de remboursement.

    Les agents peuvent, par exemple, suivre l’avancement d’un protocole d’essai clinique, coordonner les visites, surveiller la complétude des données, déclencher des actions correctives ou des alertes de safety, tout en s’adaptant aux imprévus (retards, données manquantes, événements indésirables). En imagerie, des agents orchestrés peuvent enchaîner triage intelligent, pré‑lecture, extraction de biomarqueurs et rédaction structurée de compte rendu avant validation médicale. Sur le terrain de la médecine personnalisée, l’agentic AI est décrite comme un moyen de composer des plans thérapeutiques en combinant guidelines, données patient longitudinales et réponses aux traitements, avec ajustements itératifs.

    L’orchestration des ressources hospitalières fait également partie des cas d’usage détaillés : pilotage des lits, blocs opératoires, équipes et équipements critiques par des agents capables de simuler différents scénarios et de proposer des arbitrages de capacité quasi en temps réel. Enfin, des agents de type « autonomous claims review » peuvent traiter automatiquement des demandes de remboursement, vérifier les règles de couverture, détecter les incohérences et préparer les décisions de prise en charge.

    Moteurs et freins dans un secteur régulé

    Plusieurs facteurs de croissance identifiés pour l’agentic AI se retrouvent directement en santé : besoin d’hyper‑automatisation, progrès des LLM, de la mémoire contextualisée et des frameworks d’orchestration, ainsi que disponibilité accrue de capacités de calcul pour des usages intensifs. Le rapport mentionne aussi la maturité croissante des jumeaux numériques combinés à de l’orchestration agentic pour des simulations proches du réel, un élément particulièrement pertinent pour la planification d’essais cliniques ou l’optimisation d’unités hospitalières.

    Les freins sont néanmoins marqués dans les secteurs régulés : standards incohérents de coordination sûre des agents entre géographies, ROI incertain lorsque des automatisations plus simples suffisent, fragmentation des « autonomy stacks » et manque de standards d’interopérabilité. Les auteurs soulignent des « gaps juridiques et éthiques autour des actions autonomes », qui retardent l’adoption dans les secteurs régulés, parmi lesquels la santé. L’étude met en avant la nécessité d’un contrôle humain adapté au niveau d’autonomie et au risque clinique, ainsi que d’architectures explicables pour rendre les décisions des agents auditables.

    Cadre réglementaire : IA Act européen, AIDA canadien et autres textes

    Le rapport consacre un chapitre à l’environnement réglementaire, couvrant notamment le National Artificial Intelligence Initiative Act aux États‑Unis, l’Artificial Intelligence and Data Act au Canada, l’AI Act et le RGPD en Europe, et plusieurs stratégies nationales en Asie, au Moyen‑Orient et en Amérique latine. Ces textes ne ciblent pas spécifiquement la santé, mais encadrent les systèmes d’IA à haut risque, ce qui inclut une grande partie des usages cliniques et médico‑administratifs de l’agentic AI.

    Les auteurs considèrent que l’émergence de ces régulations ouvre de « nouveaux marchés pour une autonomie conforme », en particulier pour des offres intégrant nativement gouvernance, traçabilité, gestion des données et mécanismes de supervision humaine. Pour les hôpitaux, payeurs et industriels du médicament, ces exigences réglementaires sont présentées moins comme un frein que comme un catalyseur de solutions agentic AI « compliance‑ready ».

    Recommandations stratégiques : une évaluation de la « readiness » organisationnelle

    Le rapport propose une feuille de route générique pour les entreprises qui déploient de l’agentic AI, qui s’applique directement aux établissements de santé, payeurs et industriels. Il recommande d’abord une évaluation de la « readiness » organisationnelle : maturité data, capacités cloud, appétence des équipes métiers, gouvernance du risque et de l’IA. Vient ensuite le choix d’une stratégie d’intégration qui évite le remplacement brutal des systèmes existants, en privilégiant une orchestration par‑dessus les ERP, HIS, CRM ou plateformes d’essais déjà en place.

    La gestion du changement et la stratégie de talents sont identifiées comme des leviers déterminants, avec la nécessité de créer des rôles dédiés à la supervision d’agents, au contrôle qualité et à la traduction des besoins cliniques en objectifs d’agents. Le rapport insiste également sur la mise en place d’une gouvernance et de contrôles précis : définition de niveaux d’autonomie selon les risques, scénarios d’interruption ou d’escalade vers l’humain, et métriques de succès incluant non seulement l’efficacité, mais aussi conformité et sécurité. Enfin, il propose un cadre d’évaluation des fournisseurs et partenaires (plateformes de développement, orchestration, process automation, applications d’entreprise) en fonction de leur couverture fonctionnelle, footprint sectoriel et préparation réglementaire.

    Pour les décideurs en santé, l’étude conclut que le passage de l’IA « assistive » à l’IA « agentic » va redessiner les processus et la répartition des rôles, en faisant de la capacité à concevoir, gouverner et intégrer des agents une compétence structurante, au même titre que la gestion de l’interopérabilité ou des données patients aujourd’hui.

     

  • IA en santé : comment mesurer une valeur réelle ?

    Évaluation des IA en santé : HTA européen et virage vers la RWE

    L’évaluation des IA en santé s’organise désormais en quatre niveaux complémentaires : performances techniques (sensibilité, spécificité, AUC), essais cliniques, real‑world evidence (RWE) et Health Technology Assessment (HTA) multidimensionnel. Les États‑Unis ont autorisé 1 451 dispositifs IA fin 2025, dont 295 en 2025, en s’appuyant sur des Predetermined Change Control Plans et une consultation spécifique sur la RWE. L’Union européenne mise sur un couplage MDR + règlement HTA, complété par l’AI Act qui crée une catégorie haut risque et rend les hôpitaux co‑responsables de l’évaluation continue. Le Royaume‑Uni (CHEERS‑AI, AI Airlock), la Corée du Sud (DMPA, fast‑track ramenant les délais de 490 à 80–140 jours) et le Japon (approbation dynamique, tarification basée sur l’ICER) illustrent des modèles combinant rigueur et agilité. En parallèle, la Chine déploie massivement des dispositifs IA (plusieurs centaines, 38 210 brevets en IA générative) avec une HTA peu développée, tandis que les écarts d’investissement (581 Md$ en IA en 2025, dont 109,1 Md$ aux États‑Unis) fragilisent la capacité européenne à produire des preuves robustes.

    👉 Lire l’article ici

     

    IA à l’hôpital : des promesses au ROI mesurable, 22% de coûts en moins et 2 heures gagnées par jour

    Face à environ 450 entreprises de santé numérique en France en 2024 dont 57 intégrant de l’IA, la réussite d’un projet dépend moins de la technologie que du portage institutionnel, de la maturité data et de la gouvernance des risques. Les KPI transverses couvrent l’adoption (taux d’utilisation, abandon), les processus (temps de cycle, erreurs), l’économie (coût par patient, coûts évités) et les indicateurs cliniques (radmissions, durée de séjour, PREMS/PROMs, sécurité, équité). Les organisations ayant intégré l’IA dans leurs processus critiques rapportent une baisse moyenne de 22% de leurs coûts opérationnels, et une étude Talan 2025 estime un gain potentiel jusqu’à 2 heures par jour pour les professionnels. Le ROI administratif se mesure via le codage PMSI automatisé, les délais de facturation, le taux de recouvrement et l’optimisation des plannings, tandis que le ROI clinique repose sur la réduction de la morbi‑mortalité, l’amélioration de la précision diagnostique et l’optimisation des parcours. S’ajoutent des dimensions encore peu intégrées mais stratégiques : QVCT (88% des soignants souhaitent intensifier l’usage de l’IA), empreinte environnementale (data centers IA 4–5 fois plus énergivores) et impacts éthiques (biais, explicabilité, souveraineté).

    👉 Lire l’article ici

     

     1 451 dispositifs IA autorisés par la FDA contre 219 marquages CE estimés : un fossé documenté

    Fin 2025, la FDA comptabilise 1 451 dispositifs IA autorisés, dont 295 pour la seule année 2025, alors qu’en Europe on estime à au moins 219 le nombre de solutions portant le marquage CE, faute de registre public complet type EUDAMED. La radiologie représente environ 76% des autorisations FDA (environ 1 104 dispositifs), suivie par la cardiologie (9%) et d’autres spécialités, avec 84,4% des dispositifs fondés sur des données d’imagerie. En France, le panorama 2024 recense 450 entreprises de santé numérique dont 57 produits intégrant de l’IA, un tiers étant des dispositifs médicaux, et 60% des solutions numériques intégrant de l’IA générative en 2025. Les cas d’usage dominants sont l’aide au diagnostic et au triage, l’imagerie (Gleamer, Incepto), la télésurveillance soutenue par les financements ETAPES, l’ambient listening (Nabla) et les IA organisationnelles et administratives sélectionnées via l’AMI 2025 (environ 100 solutions). L’absence de registre public unifié et la complexité du double cadre MDR + AI Act limitent aujourd’hui la lisibilité du marché pour les acheteurs institutionnels, en attendant l’effet structurant de l’AI Act à l’horizon 2027.

    👉 Lire l’article ici

     

    AFNOR, marquage CE, CHU de Montpellier, HAS : vers un écosystème coordonné d’évaluation des IA

    L’évaluation des IA en santé en France s’appuie sur un écosystème en structuration : normalisation (AFNOR), certification (marquage CE), living labs hospitaliers (CHU de Montpellier) et évaluation médico‑économique et organisationnelle (HAS). L’AFNOR a publié en mai 2024 l’AFNOR SPEC 2213 sur la “garantie humaine de l’IA en santé” et s’inscrit dans la dynamique ISO/IEC 42001, tandis que le CEN‑CENELEC prépare des normes harmonisées donnant présomption de conformité à l’AI Act. Le marquage CE, fondé sur le MDR/IVDR et la règle 11 pour les logiciels, fournit un socle de sécurité‑performance mais reste statique face à des modèles d’IA évolutifs, ce qui motive un futur parcours intégré MDR–AI Act. Le projet Alliance Santé IA du CHU de Montpellier (14,9 M€ France 2030, cluster 8 GPU H100, outil ERIOS pour détecter les hallucinations) illustre une approche d’évaluation institutionnelle en vie réelle, centrée sur des indicateurs publiés et reproductibles. Parallèlement, la HAS intègre l’IA dans le 6e cycle de certification (critères 3.4‑05/06 et 3.1‑06), publie des clefs d’usage de l’IA générative (démarche A.V.E.C.) et expérimente l’IA dans ses propres processus de revue de littérature.

    👉 Lire l’article ici

     

    IA en santé : preuves fortes en imagerie, résultats mitigés en ambient listening, essor en triage et recherche

    L’imagerie médicale concentre les preuves les plus robustes, avec 76% des autorisations FDA et des études montrant des performances diagnostiques proches de radiologues experts, par exemple une hausse de 17,6% de détection du cancer du sein dans l’étude Vara‑PRAIM (463 094 femmes). Les IA de quantification et de suivi longitudinal améliorent la reproductibilité des mesures et réduisent la variabilité inter‑observateur, notamment en oncologie et cardiologie, même si la revue eClinicalMedicine 2025 souligne encore une hétérogénéité des protocoles et un manque de données long terme. Pour l’ambient listening, une étude NEJM AI 2024 sur DAX n’a pas démontré de gain significatif d’efficacité, tandis qu’une étude JMIR 2026 sur 7 545 notes trouve que 83,8% des erreurs sont légères/modérées et que 5,3% des notes présentent un risque sérieux. Les IA de triage et monitoring, comme OSO‑AI, montrent des effets qualitatifs positifs (moins de réveils inutiles, meilleure organisation, réduction de la charge mentale), mais nécessitent d’articuler performance statistique et résultats cliniques réels. En recherche clinique, l’essai JAMA 2024 sur RECTIFIER (4 476 patients) montre un ratio de risque de 1,78 pour la rapidité de détermination de l’éligibilité, suggérant un potentiel important pour accélérer les essais et l’accès aux thérapies.

    👉 Lire l’article ici

     

    Pourquoi l’IA en santé ne peut pas être évaluée comme un SI classique

    Les systèmes d’information classiques sont déterministes, auditables et stables dans le temps, ce qui permet une évaluation centrée sur la conformité au cahier des charges, la performance technique et la satisfaction utilisateur. À l’inverse, l’IA est probabiliste, sujette au data/model drift, avec des erreurs asymétriques et parfois opaques, ce qui impose validation prospective, monitoring continu, analyse des biais et procédures de mise à jour encadrées. En santé, la réglementation est plus exigeante que dans d’autres secteurs : une IA clinique relève du MDR comme SaMD et de l’AI Act (haut risque), impose marquage CE, études de performance clinique et supervision humaine, conformément notamment à l’AFNOR SPEC 2213 et à la loi de bioéthique. Les IA non cliniques (codage PMSI, planification, facturation) se concentrent sur des indicateurs opérationnels (gain de temps, erreurs, recouvrement) mais restent concernées par l’AI Act si elles impactent les droits des personnes. La littérature souligne enfin l’importance de distinguer ROI financier et VOI (QALY, DALY, populations atteintes) et montre, avec l’étude COMPOSER sur le sepsis, que le même algorithme (AUROC 0,94) peut réduire la mortalité de 17% dans un hôpital et de 0% dans un autre selon les contextes organisationnels.

    👉 Lire l’article ici

     

    Un dashboard national pour piloter le ROI clinique et hors santé de l’IA

    L’article propose un dashboard structuré autour d’un double modèle de valeur : un ROI santé aligné sur le HTA (efficacité clinique, coût‑efficacité, impacts organisationnels) et un ROI hors santé centré sur la performance opérationnelle et financière. Le socle transversal commun à tout projet IA couvre quatre dimensions systématiques : impact économique (coût par patient, payback period), impact travail/QVCT (satisfaction, burnout, absentéisme), impact environnemental (consommation électrique, CO₂, eau) et impact éthique/souveraineté (biais, transparence, localisation des données, lock‑in). Des modules spécifiques détaillent des indicateurs dédiés aux IA cliniques (AUC, sensibilité, spécificité, événements indésirables, résultats patients) et aux IA organisationnelles/génératives (heures de documentation économisées, taux de codage automatisé validé, valorisation PMSI). Le cadre prévoit une gouvernance tripartite pour chaque modèle (responsable clinique, data scientist, informaticien) afin d’assurer un suivi structuré du cycle de vie. La trajectoire envisagée passe par des sites pilotes (CHU, CH, ESPIC), la consolidation inter‑sites, puis la convergence vers un modèle commun France articulé avec EUnetHTA, EHDS et l’AI Act pour parler un langage partagé de la “valeur réelle” de l’IA.

    👉 Lire l’article ici

     

    IA hospitalière : 5 archétypes et 4 phases de déploiement

    La santé est l’un des secteurs les plus difficiles à automatiser, avec une croissance de productivité de seulement 0,1% par an aux États‑Unis entre 1987 et 2024, et une part d’activités fortement automatisables estimée à 25–40% des heures de travail. L’article distingue cinq archétypes de projets IA (dépistage/triage, événements aigus, suivi de traitement, documentation ambiante, optimisation de flux) et insiste sur la nécessité de définir un unique type de retour principal (financier, clinique ou équité) par projet. Le cadre opérationnel repose sur six dimensions de préparation (données, workflows, porteur clinique, capacité d’action, mesure de référence, équité) et quatre phases de déploiement, avec des jalons explicites comme un taux de réponse clinique > 50% pour passer en phase d’expansion. Des tableaux de notation aident à planifier dès le départ la “conversation d’arrêt”, en fixant des critères quantifiés comme un taux de réponse < 30% après six mois ou la perte du porteur clinique. L’article recommande par ailleurs une allocation de portefeuille 70–20–10 entre archétypes éprouvés, extensions et expérimentations, et conclut qu’il est en général plus efficace d’acheter que de construire en interne, les développements maison décrochant en 18 mois.

    👉 Lire l’article ici

  • IA à l’hôpital : cibler le bon type de retour (ROI, VOI, équité) et savoir arrêter un projet

    La santé, secteur le plus difficile à automatiser 

    La croissance de la productivité du travail dans le secteur de la santé aux États-Unis n’a progressé que de 0,1% par an entre 1987 et 2024, contre 1,7% en médiane pour les autres services. Cette donnée illustre la « maladie des coûts de Baumol » : les soins directs, la chirurgie et la relation thérapeutique sont structurellement à forte intensité de main-d’œuvre. L’IA peut agir sur les tâches mais pas effacer cette contrainte. 

    Selon la synthèse de Brynjolfsson, Mitchell et Rock, entre 25 et 40% des heures de travail en santé sont fortement automatisables (documentation, imagerie, travail administratif), 30 à 40% sont partiellement automatisables (aide au diagnostic, surveillance), et 25 à 40% restent structurellement résistants. 

    Cinq archétypes, trois types de retour 

    On peut classer les projets d’IA cliniques en cinq archétypes : dépistage et triage, détection d’événements aigus, suivi du traitement, documentation ambiante, et optimisation des flux opérationnels. 

    À chaque archétype correspond un type de retour principal : financier, clinique ou équité, qu’il faut choisir explicitement. Les projets qui visent les trois simultanément n’en produisent généralement aucun correctement. 

    ROI ou VOI : le bon indicateur selon le projet 

    La synthèse introduit une distinction entre le ROI (retour sur investissement, mesuré au compte de résultat) et la VOI (valeur de l’investissement), qui intègre les QALYs gagnés, les DALYs évités et les populations nouvellement atteintes. Pour les projets dont le retour principal est l’accès aux soins, une évaluation purement financière sous-estime systématiquement la valeur produite. Les auteurs recommandent d’utiliser le bénéfice net incrémental (BNI = λ·ΔQALY − ΔCoût) pour ramener les deux dimensions à une même échelle. 

    Même algorithme, résultats opposés selon le contexte 

    L’étude COMPOSER (Boussina et al., 2024) sur l’alerte précoce au sepsis illustre l’importance de l’environnement d’implantation : déployé avec le même algorithme (AUROC ≈ 0,94) et le même éditeur, le système a réduit la mortalité de 17% dans un hôpital de filet de sécurité, contre zéro effet dans un hôpital universitaire quaternaire. La différence : les effectifs infirmiers et les flux de travail d’alerte. L’intégration au contexte clinique prime sur la qualité de l’algorithme. 

    La règle 70/20/10 pour construire un portefeuille 

    Les auteurs recommandent une allocation structurée du portefeuille : 70% sur des archétypes éprouvés (risque modéré, retour positif), 20% sur une expansion vers de nouveaux domaines ou populations, 10% sur de véritables expérimentations (agents, multimodal, génératif). Ce dernier segment doit être dimensionné de façon à ce que tous les échecs restent sans impact sur l’ensemble du portefeuille. 

    Concernant la question construire ou acheter, la réponse par défaut est d’acheter : les éditeurs spécialisés itèrent plus rapidement, les développements internes décrochent en 18 mois, et la charge de maintenance dépasse le coût de développement initial. 

    Six dimensions de préparation et quatre phases de déploiement 

    Avant tout lancement, le cadre impose un diagnostic en six dimensions : données, flux de travail, porteur clinique (volontaire, non désigné), capacité de l’unité à agir sur les sorties de l’IA, mesure (référence pré-intervention), et équité par sous-groupe. Ce diagnostic est actualisé toutes les deux à quatre semaines. 

    Le déploiement suit quatre phases : validation silencieuse (semaines 0 à 8), déploiement réel limité à une unité (mois 2 à 6), expansion d’un site toutes les 6 à 8 semaines (mois 4 à 18), puis régime de croisière avec revue trimestrielle. L’indicateur de passage en phase 3 : un taux de réponse des cliniciens supérieur à 50% en phase 2. 

    Cinq mesures immédiates pour tout système de santé 

    La feuille de route proposée comprend cinq actions concrètes : inventorier chaque projet par archétype (A à E) avec son type de retour principal ; exiger l’analyse de sensibilité probabiliste (PSA) pour chaque proposition d’éditeur ; intégrer la VOI aux tableaux de notation ; évaluer honnêtement la préparation sur les six dimensions ; et planifier explicitement la conversation d’arrêt pour tout projet répondant à au moins deux critères d’abandon — notamment un taux de réponse inférieur à 30% à six mois, ou le départ du porteur clinique.