alexandre

  • Vers un dashboard national de KPI pour objectiver le ROI clinique, opérationnel, éthique et environnemental des projets

    Dashboard des KPI : Évaluation et analyse impact/ROI de l’IA en santé 

    La structuration d’un cadre commun d’évaluation de l’IA en santé répond à un besoin largement partagé : établissements de santé (CHU, CH, ESPIC), payeurs, ARS, autorités et représentants d’usagers ont besoin d’outils permettant de mesurer objectivement la valeur réelle des projets d’IA au-delà des promesses marketing. Cette démarche s’articule autour de deux modèles de ROI complémentaires : un ROI « santé », basé sur les méthodes HTA, et un ROI « hors santé », centré sur la performance opérationnelle et financière. Elle intègre systématiquement trois types d’impact au-delà du financier : l’impact sur les professionnels et le travail, l’impact environnemental, et l’impact éthique et de souveraineté numérique. 

    L’objectif est de permettre la montée en puissance d’un modèle commun France, testé en vie réelle dans un panel de sites pilotes (CHU, CH, ESPIC), en lien avec les payeurs, les ARS et les représentants d’usagers. 

    Usages concrets par type d’acteur 

    Acteur 

    Usage principal du dashboard 

    Hôpitaux / établissements 

    Aide à la décision d’achat, pilotage des déploiements, reporting institutionnel 

    ARS 

    Suivi du déploiement territorial, allocation des financements, comparaison inter-établissements 

    Payeurs (Assurance maladie) 

    Instruction des demandes de remboursement, évaluation de l’impact budgétaire 

    HAS 

    Alimentation des évaluations médico-économiques, développement des méthodes HTA IA 

    Représentants d’usagers 

    Contrôle de l’équité d’accès, suivi de l’impact patient 

    Industriels 

    Benchmarking concurrentiel, documentation de la valeur pour les acheteurs 

    Socle transversal — Cadre commun à tout projet d’IA 

    Le socle transversal constitue le noyau commun que tout site pilote s’engage à appliquer à chaque projet d’IA, quel que soit son type (clinique, administratif, logistique, recherche, IA générative). Il repose sur quatre dimensions systématiques : 

    Dimension 1 — Impact économique et santé (ROI santé et ROI hors santé) 

    ROI Santé (approche HTA) :
    Le ROI santé s’appuie sur les méthodologies d’évaluation des technologies de santé, qui intègrent l’efficacité clinique, le rapport coût-efficacité et les impacts organisationnels. 

    • Réduction de la morbi-mortalité (vies sauvées, hospitalisations évitées, complications évitées) 
    • Amélioration du diagnostic (sensibilité, spécificité, délai diagnostique) 
    • Optimisation du parcours (fluidité, continuité, prévention des ruptures) 
    • Coût par QALY (Quality-Adjusted Life Year) évité 
    • Budget Impact Analysis sur 3 et 5 ans 

    ROI Hors Santé (performance opérationnelle) :
    Ce modèle s’applique aux IA administratives, logistiques et de recherche, dont l’impact sur les résultats de santé est indirect : 

    • Heures économisées ou réaffectées (documentation, codage, planification) 
    • Réduction des coûts opérationnels (économies réalisées vs. dépenses évitées) 
    • Amélioration du taux de valorisation des séjours (codage PMSI) 
    • Délai de retour sur investissement (payback period) 

    Dimension 2 — Impact travail / QVCT / relation de soins 

    L’impact sur les professionnels de santé est une dimension à part entière, non réductible à un indicateur économique : 

    • Satisfaction professionnelle : échelles validées (NPS professionnel, score MBI pour le burnout) 
    • Charge cognitive et mentale : mesure avant / après par questionnaires spécifiques 
    • Absentéisme et turnover : indicateurs de stabilité des équipes 
    • Autonomie professionnelle : perception du contrôle sur les décisions assistées 
    • Qualité de la relation de soins : temps de présence auprès du patient, satisfaction relationnelle déclarée 
    • Formation et montée en compétences : heures de formation dédiées, sentiment de maîtrise des outils 

    Un professionnel en « technostress IA » est estimé 6 fois plus susceptible de s’absenter. L’IA pourrait permettre un gain moyen de 2 heures par jour si elle est correctement déployée. 

    Dimension 3 — Impact environnemental 

    Cette dimension, encore peu intégrée dans les évaluations hospitalières, devient incontournable dans un contexte de responsabilité sociétale des établissements : 

    • Consommation énergétique des infrastructures de calcul liées à l’IA (kWh/an, en équivalent CO₂) 
    • Consommation d’eau des serveurs et data centers 
    • Politique d’hébergement : infrastructure locale certifiée HDS vs. cloud externe (impact souveraineté + environnement) 
    • Efficacité computationnelle : optimisation des requêtes pour réduire l’empreinte du calcul 
    • Bilan Carbone des équipements : cycle de vie des GPU et serveurs dédiés 

    Les data centers d’IA consomment 4 à 5 fois plus que les data centers traditionnels. En France, le dispositif éco-énergie tertiaire impose aux data centers de plus de 1 000 m² une baisse de 40% de leur consommation à l’horizon 2030. 

    Dimension 4 — Impact éthique et gouvernance (souveraineté numérique) 

    La dimension éthique est transversale à toute évaluation d’IA en santé et constitue désormais une exigence réglementaire avec l’AI Act et le référentiel de certification HAS 2025 : 

    • Équité algorithmique : analyse systématique des performances différenciées par sous-groupes (genre, âge, origine, territoire) 
    • Transparence et explicabilité : pourcentage de professionnels comprenant le fonctionnement de l’outil, disponibilité d’explications sur les recommandations 
    • Chaîne de responsabilité : clarté du contrat de responsabilité en cas d’erreur médicale liée à l’IA 
    • Consentement des patients : taux de patients informés et ayant consenti à l’utilisation de l’IA dans leur prise en charge 
    • Souveraineté des données : localisation (France / Europe), hébergement HDS certifié, capacité d’audit indépendant, clauses contractuelles de portabilité et de réversibilité  
    • Dépendance fournisseur : score de lock-in, interopérabilité avec d’autres solutions 

    Modules spécifiques par type d’IA 

    Module IA clinique (diagnostic, triage, monitoring, thérapeutique) 

    Au-delà du socle transversal, les IA cliniques nécessitent des indicateurs spécifiques alignés sur les standards méthodologiques des essais cliniques et du HTA : 

    • AUC, sensibilité, spécificité, VPP, VPN (performance du modèle) 
    • Taux de détection vs taux de faux positifs actionnables (alerte fatigue) 
    • Délai diagnostique moyen avant/après 
    • Taux d’événements indésirables liés à l’IA (incidents de sécurité) 
    • Résultats patients (mortalité, réadmissions, durée de séjour) 
    • Niveau de supervision humaine maintenu (% de décisions validées vs automatiques) 

    Module IA organisationnelle / administrative / IA générative 

    • Taux de codage automatisé validé sans correction 
    • Heures de documentation économisées (ambient listening, IA générative) 
    • Amélioration du taux de valorisation des séjours (PMSI) 
    • Réduction des délais : facturation, admission, rendez-vous 
    • Taux d’adoption effectif et taux d’abandon 

    Module IA de recherche / découverte 

    • Gain de temps sur les étapes de recherche bibliographique et de criblage 
    • Taux d’éligibilité aux essais cliniques détectée plus rapidement  
    • Nombre de projets de recherche rendus possibles par la valorisation des données 
    • Qualité et complétude des données structurées disponibles pour la recherche 

    Des sites pilotes vers un modèle commun France 

    Le déploiement de ce cadre d’évaluation doit suivre une trajectoire progressive, fondée sur l’expérimentation en vie réelle avant la standardisation. La première phase consiste à sélectionner un panel de sites pilotes diversifiés (CHU, CH de taille moyenne, ESPIC), en lien avec les ARS, les payeurs et les représentants d’usagers. Chaque site pilote s’engage à documenter systématiquement les quatre dimensions du socle transversal pour chaque projet d’IA actif. 

    La deuxième phase vise à consolider et comparer les résultats entre sites, pour identifier les indicateurs les plus robustes, les méthodes de collecte les plus réalistes, et les facteurs contextuels modérant les résultats. Cette phase permettra de documenter les hypothèses de chaque modèle de ROI, en distinguant ce qui est observable directement (heures économisées, taux d’adoption) de ce qui nécessite des méthodes d’imputation ou de modélisation (vies sauvées, complications évitées). 

    La troisième phase consiste à converger vers un modèle commun France, potentiellement articulé avec les travaux européens en cours (EUnetHTA, EHDS, AI Act), et à produire un référentiel opposable ou fortement incitatif permettant aux établissements, aux payeurs et aux autorités de parler un même langage sur la valeur réelle de l’IA en santé.  

    Le projet Alliance Santé IA du CHU de Montpellier, avec son ambition de réplicabilité et sa rigueur d’évaluation documentée, constitue le prototype le plus avancé de cette trajectoire en France. Sa vocation est précisément de démontrer qu’il est possible de déployer une IA hospitalière souveraine, encadrée et évaluée en conditions réelles, au service de tous les acteurs du système de santé. 

  • IA en santé : pourquoi les méthodes d’évaluation doivent diverger des SI classiques

    IA vs Systèmes d’Information classiques 

    L’évaluation d’un projet d’IA ne peut être conduite selon les méthodes éprouvées pour les systèmes d’information (SI) classiques. Les différences sont structurelles et portent sur la nature même de ces technologies.  

    Un SI classique repose sur une logique déterministe : une même entrée produit toujours la même sortie, les règles sont explicites et auditables, et le comportement du système est prévisible et vérifiable. L’évaluation peut donc se concentrer sur la conformité fonctionnelle, la performance technique (disponibilité, temps de réponse), et la satisfaction utilisateur. Un projet ERP ou un logiciel de gestion hospitalière se valide par sa conformité au cahier des charges, ses coûts de déploiement, et son impact sur les processus opérationnels. 

    Un système d’IA, en revanche, repose sur une logique probabiliste et évolutive : il produit des sorties probabilistes dont la fiabilité varie selon les données d’entrée et les populations rencontrées. Il peut se dégrader silencieusement au fil du temps (concept de data drift ou model drift) sans que les indicateurs de disponibilité technique ne le détectent. Ses erreurs peuvent être asymétriques (faux positifs vs faux négatifs ont des conséquences très différentes en santé). Ses décisions peuvent être opaques ou difficilement explicables.  

    Ces différences impliquent un cadre d’évaluation spécifique pour l’IA, comprenant obligatoirement : (1) une validation prospective en conditions réelles (et pas seulement rétrospective), (2) une surveillance continue post-déploiement (monitoring de la performance), (3) une analyse des biais de performance entre sous-populations, et (4) des procédures de mise à jour encadrées. L’IHI recommande de confier la responsabilité de chaque modèle déployé à un trio d’acteurs : un responsable clinique, un data scientist, et un informaticien.  

    Le tableau des différences clés est le suivant : 

    Dimension 

    SI Classique 

    IA 

    Comportement 

    Déterministe 

    Probabiliste 

    Auditabilité 

    Complète (règles explicites) 

    Partielle (boîte noire possible) 

    Performance dans le temps 

    Stable 

    Peut se dégrader (data drift) 

    Erreurs 

    Erreurs de code identifiables 

    Erreurs systémiques possibles 

    Validation 

    Tests fonctionnels 

    Études cliniques + monitoring 

    Réglementation 

    Droit commun SI 

    MDR + AI Act (si DM) 

    Responsabilité 

    Claire 

    Partagée, à définir contractuellement 

    IA en santé vs IA hors santé 

    L’IA en santé présente des spécificités qui la distinguent fondamentalement des applications d’IA dans d’autres secteurs (finance, commerce, industrie). 

    La nature des données est la première spécificité : les données de santé sont sensibles, hétérogènes, insuffisamment standardisées, et soumises à des réglementations strictes (RGPD, référentiels HDS). La qualité des bases d’entraînement conditionne directement la fiabilité des modèles, et leur constitution requiert des infrastructures certifiées.  

    Les enjeux de sécurité sont d’une autre nature : une erreur de l’IA dans le domaine de la santé peut avoir des conséquences irréversibles sur la vie du patient. Cela justifie l’exigence de validation clinique pré-déploiement, absente dans la plupart des autres secteurs, et le maintien d’une supervision humaine constante.  

    La réglementation est spécifique : tout logiciel destiné à influencer une décision médicale est susceptible d’être qualifié de dispositif médical au sens du MDR, déclenchant des obligations de preuve clinique et de marquage CE inexistantes dans les autres secteurs. 

    Les modèles de ROI diffèrent également : le ROI d’une IA en santé ne peut se limiter à des indicateurs financiers classiques. Il doit intégrer des dimensions cliniques (impact sur les résultats de santé), éthiques (équité, non-malveillance) et organisationnelles (qualité de vie au travail). L’approche HTA (Health Technology Assessment), standard international pour l’évaluation des technologies de santé, propose une évaluation multidimensionnelle (efficacité clinique, coût-efficacité, impacts organisationnels et éthiques) qui s’impose progressivement comme référence. 

    Les attentes des parties prenantes sont spécifiques : patients, professionnels de santé, régulateurs, payeurs et éthiciens ont des exigences différentes et potentiellement divergentes, nécessitant une gouvernance multi-acteurs absente dans d’autres secteurs.  

    IA clinique vs IA non clinique 

    Au sein même de la santé, il convient de distinguer rigoureusement les IA cliniques (intervenant directement dans la chaîne décisionnelle de soins) des IA non cliniques (intervenant dans les processus administratifs, logistiques ou de recherche). 

    L’IA clinique : aide au diagnostic, triage, monitoring, thérapeutique, est soumise aux exigences les plus strictes. Elle entre dans le champ du MDR comme SaMD, nécessite une évaluation clinique robuste, et est soumise à l’AI Act comme système à haut risque. Son évaluation doit inclure des études de performance clinique prospectives, une analyse des biais de performance, et un protocole de surveillance post-marché. La responsabilité médicale en cas d’erreur implique que la décision finale reste sous supervision humaine, principe consacré par l’AFNOR SPEC 2213 et le droit de la bioéthique français (loi de 2021, article 17). 

    L’IA non clinique : codage PMSI, optimisation de la planification, documentation administrative, aide à la facturation, n’est pas soumise au MDR dans la plupart des cas, ce qui implique des exigences réglementaires moins contraignantes. Son évaluation peut se concentrer sur des indicateurs opérationnels et économiques (gain de temps, réduction des erreurs de codage, amélioration du taux de recouvrement). Elle reste néanmoins concernée par l’AI Act si elle influence des décisions ayant un impact significatif sur les droits des personnes.  

    La frontière entre IA clinique et non clinique peut être ténue : une IA de planning du bloc opératoire qui influence la priorité d’attribution des créneaux selon des critères médicaux devient de facto une IA à impact clinique, même si sa fonction principale est organisationnelle. Cette zone grise nécessite une clarification au cas par cas, guidée par la qualification réglementaire et une analyse de risque systématique.

  • IA en santé : des preuves solides en imagerie, des résultats encore mitigés pour l’ambient listening

    La production scientifique sur l’IA en santé a connu une croissance exponentielle depuis 2017, mais la qualité méthodologique des études reste inégale selon les domaines applicatifs. Une analyse comparative par type d’IA permet de dresser un état des lieux nuancé, distinguant les domaines où les preuves sont solides de ceux où la littérature reste majoritairement exploratoire. 

    IA d’imagerie médicale — Les preuves les plus robustes 

    L’imagerie médicale représente le domaine où les preuves scientifiques de l’efficacité de l’IA sont les plus consolidées, ce qui explique la prédominance de cette catégorie dans les autorisations FDA (76%) et dans les publications scientifiques. Un rapport de l’Académie nationale de médecine de 2026 confirme que « la performance diagnostique de certaines applications d’IA utilisées en routine est déjà voisine de celle obtenue par des radiologues hautement spécialisés ». 

    Les applications les mieux documentées incluent : 

    • Dépistage du cancer du sein : des études publiées dans Nature ont démontré qu’un système d’IA utilisé en complément d’un radiologue réduit les faux négatifs et faux positifs dans certains contextes de dépistage. L’étude Vara-PRAIM (463 094 femmes) a montré une augmentation de la détection du cancer du sein de 17,6%.  
    • Détection de nodules pulmonaires, fractures, microcalcifications : les réseaux de neurones convolutionnels (CNN) sont capables d’identifier des structures anatomiques et de détecter des anomalies complexes avec des performances comparables à celles d’experts.  
    • Quantification et suivi longitudinal : l’IA améliore la reproductibilité des mesures (segmentation tumorale, calcul de volumes) et réduit la variabilité inter-observateur, un enjeu reconnu en oncologie.  

    Une revue exploratoire publiée dans eClinicalMedicine en mai 2025 a analysé l’implémentation des IA d’aide au diagnostic dans la pratique radiologique. Elle confirme les gains de performance mais souligne des défis persistants : hétérogénéité des protocoles d’implémentation, variabilité des populations étudiées, et manque d’études sur le long terme. L’IA progresse particulièrement en imagerie cardiologique et oncologique, menant à des améliorations notables dans la qualité des soins. 

    Ambient Listening — Preuves émergentes, résultats mitigés 

    L’ambient listening — utilisation de l’IA pour transcrire et structurer automatiquement les consultations médicales — est une catégorie à fort potentiel mais dont les preuves scientifiques sont encore en construction. Une étude publiée dans le NEJM AI en novembre 2024 par Atrium Health (Caroline du Nord) portant sur l’outil Dragon Ambient eXperience (DAX) de Nuance en soins primaires n’a pas montré d’amélioration significative de l’efficacité du travail des médecins mesurée par les indicateurs d’utilisation du dossier médical électronique. Ces résultats, contrastant avec les attentes, soulignent la complexité de mesurer le ROI de l’ambient listening sur des indicateurs strictement opérationnels.  

    En revanche, une étude publiée dans JMIR Medical Informatics en avril 2026 portant sur 31 médecins et 7 545 notes cliniques générées par un scribe IA a évalué la qualité des notes selon quatre types d’erreurs (inclusions accidentelles, omissions, hallucinations, biais). 83,8% des erreurs étaient classées comme légères à modérées (sévérité 1-3), et seulement 5,3% des notes contenaient des erreurs présentant un risque sérieux ou imminent pour le patient. La médiane des mots modifiés par rapport aux notes générées par l’IA était de 9,0%, avec 14,9% des notes laissées sans modification. Une autre étude dans PMC (2025) confirme que les résultats initiaux d’enquêtes auprès des cliniciens sont positifs, mais que les mesures objectives d’efficacité restent à consolider. Une revue dans ScienceDirect (2026) souligne les enjeux de confidentialité liés à la capture de données sensibles dans la salle d’examen. 

    IA de triage et monitoring, Preuves prometteuses 

    Les IA de monitoring et de triage (détection précoce de la sepsis, prédiction des réadmissions, surveillance nocturne en EHPAD) bénéficient d’une littérature croissante. Une étude qualitative publiée dans Management & Data Science (2025) sur l’outil OSO-AI (oreille augmentée des soignants) a documenté les effets de l’outil sur les pratiques soignantes : diminution des réveils inutiles des patients, meilleure organisation des interventions, et réduction de la charge mentale. Ces résultats qualitatifs complètent les études quantitatives sur la performance des modèles. 

    L’IHI (Institute for Healthcare Improvement) souligne que le suivi efficace des IA de monitoring nécessite de distinguer deux niveaux d’évaluation : la performance statistique (AUC, sensibilité, spécificité) et la performance des résultats (réadmissions évitées, mortalité, équité). Un modèle aux excellentes performances statistiques peut s’avérer inefficace si les patients n’en tirent aucun bénéfice démontrable.  

    IA de recherche et de découverte — Un domaine en pleine structuration 

    Dans le domaine de la recherche clinique, un essai clinique randomisé publié dans JAMA (2024) a évalué l’outil RECTIFIER (LLM pour le criblage des patients éligibles aux essais cliniques). Sur 4 476 patients randomisés, le dépistage assisté par IA a permis une détermination de l’éligibilité significativement plus rapide (ratio de risque de sous-distribution 1,78 ; IC 95 % 1,54-2,06 ; p < 0,001) par rapport au dépistage manuel. Ces résultats suggèrent un potentiel transformatif pour l’accélération des essais cliniques et l’accès plus précoce aux nouvelles thérapies.  

    Limites méthodologiques transversales 

    La littérature sur l’IA en santé est affectée par plusieurs biais récurrents identifiés dans des méta-analyses : prépondérance d’études rétrospectives, sur-représentation de certaines populations dans les bases d’entraînement (biais de genre, géographique, ethnique), hétérogénéité des métriques utilisées pour rapporter les performances, et manque de données sur la performance en vie réelle (real-world evidence). La revue publiée dans Frontiers in Artificial Intelligence (2021) identifie cinq dimensions d’exceptionnalité de l’IA pour le HTA : ses caractéristiques distinctives, ses impacts systémiques, les attentes accrues à son égard, les nouveaux défis éthiques et les nouvelles contraintes évaluatives qu’elle impose. 

  • France : un écosystème d’évaluation de l’IA en santé qui se structure entre AFNOR, marquage CE, hôpitaux et HAS

    Un écosystème en cours de structuration 

    L’évaluation de l’IA en santé en France mobilise un ensemble d’acteurs aux légitimités, méthodes et visions distinctes. Loin d’être redondants, ces acteurs interviennent à des niveaux différents du cycle de vie des solutions : normalisation, certification réglementaire, évaluation médico-économique, expérimentation en vie réelle. Leur complémentarité potentielle n’est pas encore pleinement organisée, mais les convergences s’accélèrent sous l’impulsion de l’AI Act européen et des programmes France 2030. 

    AFNOR, le rôle du normalisateur 

    L’AFNOR joue un rôle fondamental dans la production de standards volontaires qui précèdent et alimentent la réglementation. De 2021 à 2025, l’AFNOR a été mandatée pour dessiner les contours des normes volontaires utiles aux concepteurs et utilisateurs d’IA en France. L’AI Act européen de 2025 confie désormais à l’instance de normalisation européenne (CEN/CENELEC) la préparation des normes harmonisées donnant présomption de conformité au règlement. 

    Sa contribution la plus significative dans le domaine de la santé est la publication, en mai 2024, de l’AFNOR SPEC 2213 — « Garantie Humaine de l’IA en Santé ». Ce document normatif apporte des réponses concrètes à la question du rôle de l’humain face à l’IA médicale. Il définit des lignes directrices pour intégrer la garantie humaine dès la phase de conception des systèmes d’IA et tout au long de leur utilisation, couvrant la supervision humaine, le contrôle humain, et l’identification des points critiques d’intervention. Ce document a vocation à évoluer vers une norme NF, puis ISO. 

    La vision de l’AFNOR s’inscrit dans une logique de « régulation positive » : réguler pour mieux innover, en offrant aux acteurs un cadre de confiance fondé sur les meilleures pratiques. L’AFNOR participe également à la Commission de Normalisation Numérique en Santé (CN S95N), couvrant l’interopérabilité, la sûreté, la sécurité et la confidentialité. En décembre 2023, la norme-cadre internationale ISO/IEC 42001 a été publiée, donnant des lignes directrices pour déployer un système de management de l’IA certifiable. 

    Marquage CE, La certification réglementaire européenne 

    Le marquage CE constitue la porte d’entrée légale des dispositifs médicaux numériques intégrant de l’IA sur le marché européen. Il atteste de la conformité d’un produit aux exigences essentielles définies par le MDR (EU 2017/745) et l’IVDR (EU 2017/746). Pour les logiciels de santé, la règle 11 du MDR prévoit une classification spécifique des SaMD (Software as a Medical Device) selon leur impact sur le patient.  

    La procédure d’obtention du marquage CE passe par une évaluation clinique rigoureuse, qui vise à démontrer que le dispositif est sûr et performant dans son usage prévu. Pour les IA à haut risque (catégorie MDR III ou IIb), un organisme notifié (ON) doit intervenir dans l’évaluation de la conformité. L’articulation avec l’AI Act crée désormais un double cadre réglementaire : les fabricants doivent articuler les exigences propres aux dispositifs médicaux avec celles spécifiques à l’IA (gouvernance des données, robustesse, traçabilité).  

    La vision portée par le marquage CE est celle d’une garantie minimale de sécurité et de performance, démontrée par des données cliniques. Sa limite principale dans le contexte de l’IA est son caractère statique : il certifie une version à un moment donné, alors que les modèles d’IA peuvent évoluer après mise sur le marché. La proposition omnibus de la Commission européenne vise précisément à simplifier le processus en créant un parcours intégré MDR / AI Act.  

    Les travaux du CHU de Montpellier sur l’évaluation des IA 

    Le CHU de Montpellier occupe une position pionnière dans le paysage français de l’évaluation de l’IA en santé. Son projet Alliance Santé IA, financé à hauteur de 14,9 M€ par France 2030, constitue le premier programme d’envergure d’« hôpital augmenté » souverain et réplicable. Le consortium réunit le CHU de Montpellier, ADLIN Science, le CINES, l’Inria, ANA Healthcare et Numalis, avec un partenariat structurant avec l’hébergeur français Scaleway. 

    Sur le plan méthodologique, le CHU de Montpellier a développé une approche institutionnelle d’évaluation de l’IA qui repose sur plusieurs piliers : des infrastructures HDS (hébergement de données de santé) certifiées avec un cluster de calcul haute performance (8 GPU H100), une intégration au DPI (dossier patient informatisé) permettant une évaluation en conditions réelles, et un outil de détection des hallucinations (ERIOS) utilisé comme outil d’évaluation de la fiabilité des réponses générées par l’IA. 

    La vision du CHU de Montpellier se distingue par son exigence de preuves publiées et reproductibles : la crédibilité du projet est conditionnée à la publication d’indicateurs vérifiables — temps soignant libéré, qualité, erreurs évitées, effets médico-économiques. Cette approche de « living lab » à l’échelle institutionnelle fait du CHU de Montpellier un modèle de référence pour la construction d’un modèle commun d’évaluation française de l’IA en santé.  

    Haute Autorité de Santé, l’évaluateur du système de santé 

    La HAS est l’acteur institutionnel central de l’évaluation des technologies de santé en France, avec un rôle en profonde évolution face à l’IA. Son projet stratégique 2025-2030 identifie « Numérique et IA en santé » comme une thématique phare.  

    La HAS intervient selon plusieurs registres complémentaires : 

    1. Évaluation des technologies de santé intégrant l’IA :La HAS contribue à éclairer les décisions de remboursement pour les dispositifs médicaux numériques (DMN). LaCNEDiMTS (Commission Nationale d’Évaluation des Dispositifs Médicaux et des Technologies de Santé) est l’organe compétent pour les DM incluant les solutions d’IA.  
    2. Certification des établissements de santé :Le6e cycle de certification (2025-2029) intègre explicitement des critères liés à l’IA, notamment les critères 3.4-05 et 3.4-06 sur la gouvernance des DMN et les outils d’IA, et le critère 3.1-06 sur le questionnement éthique. Les établissements doivent démontrer leur capacité à piloter les DMN, à former leurs professionnels, et à évaluer les impacts des outils technologiques. 
    3. Production de guides de bonnes pratiques :En octobre 2025, la HAS a publié ses«Premières clefs d’usage de l’IA générative en santé», destinées aux professionnels du secteur sanitaire et médico-social. Ce guide préconise une démarche A.V.E.C. (Apprendre – Vérifier – Estimer – Communiquer) pour tout usage d’un système d’IA générative.  
    4. Expérimentation de l’IA dans ses propres processus :La HAS a lancé en 2024 une démarche d’expérimentation des outils d’IA pour la revue de littérature, évaluant des outils d’assistance à la sélection de publications (notammentASReview), tout en documentant leurs limites.  

    La vision de la HAS s’articule autour d’un cadre de confiance à construire progressivement : guider les professionnels dans le choix de technologies pertinentes, accompagner les usages, et développer de nouveaux cadres d’évaluation adaptés permettant aux établissements d’identifier les technologies présentant un réel intérêt.  

  • IA médicale : 1 451 dispositifs autorisés par la FDA contre à peine plus de 200 marqués CE, un fossé amplifié par l’absence de registre public européen

    Un écart quantitatif massif et documenté 

    La comparaison entre le marché américain et le marché français en matière de solutions d’IA médicale approuvées révèle un déséquilibre structurel considérable. Aux États-Unis, la FDA avait autorisé, à fin 2025, un total cumulé de 1 451 dispositifs médicaux basés sur l’IA, dont 295 pour la seule année 2025. En France, et plus largement en Europe, l’absence de base de données publique équivalente rend toute comparaison directe délicate : on estime à au moins 219 le nombre de solutions portant le marquage CE sur le marché européen. En France spécifiquement, le Panorama France Biotech 2024 recensait environ 450 entreprises de santé numérique, dont 57% de produits intégrant l’IA, avec un tier classé comme dispositifs médicaux. En 2025, selon le même panorama, 60% des solutions numériques de santé intégraient l’IA générative. 

    Ce fossé ne s’explique pas seulement par un différentiel d’innovation, mais par une asymétrie réglementaire profonde : la FDA dispose d’un registre public opérationnel depuis 1995, alors que la base de données européenne EUDAMED n’est pas encore pleinement déployée. Par conséquent, la comparaison repose nécessairement sur des ordres de grandeur asymétriques.  

    Analyse par type d’IA 

    L’imagerie médicale domine largement le marché américain :
    La radiologie représente environ 76% de l’ensemble des autorisations FDA, soit environ 1 104 dispositifs. GE HealthCare domine le classement avec plus de 120 autorisations. La cardiologie vient en second avec environ 9% des autorisations, suivie par la neurologie, l’hématologie et d’autres spécialités. Une étude publiée dans npj Digital Medicine portant sur 1 016 autorisations FDA entre 1995 et 2024 identifie trois facteurs principaux : la fonction clinique centrale (rôle médical général du dispositif), la fonction IA (comment l’IA assiste la fonction clinique), et le type de données d’entrée — 84,4% des dispositifs utilisent des données d’imagerie. 

    En France, la radiologie est également le secteur le plus dynamique, porté par des acteurs comme Gleamer (27 M€ levés en 2024) ou Incepto, dont les solutions sont déployées dans de nombreux services de radiologie hospitaliers.  

    L’aide au diagnostic et au triage :
    Les solutions d’aide au diagnostic représentent la fonction principale de la majorité des dispositifs FDA autorisés. L’analyse taxonomique de la FDA révèle que les dispositifs peuvent être classés selon leur fonction IA en plusieurs catégories : détection/classification d’anomalies, priorisation/triage des cas, quantification et mesure, aide à la décision thérapeutique. En France, des solutions comme Aidoc (détection de pathologies urgentes), déployée dans plus de 25 établissements en Europe, illustrent la diffusion de ce type d’outils. 

    L’ambient listening (écoute ambiante) :
    Cette catégorie émergente, centrée sur la transcription et la structuration automatique des consultations médicales, connaît une croissance rapide aux États-Unis. La solution Dragon Ambient eXperience de Microsoft est la plus déployée. Aux États-Unis, Abridge est déployée dans plus de 100 systèmes de santé avec des taux d’adoption montant à 90%. En France, des solutions comme Nabla (60 M€ levés en 2025) commencent à se déployer. Cette catégorie ne dispose pas encore de classification FDA spécifique, et aucun marquage CE dédié ne la régit distinctement.

    La télésurveillance :
    Les dispositifs de monitoring continu à distance (ECG, oxymétrie, glycémie, etc.) constituent une catégorie importante, notamment en cardiologie. En France, la prise en charge par l’Assurance maladie de certains actes de télésurveillance (ETAPES, puis le nouveau modèle de financement) crée un cadre favorable. La liste des solutions certifiées pour la téléconsultation publiée par l’ANS constitue l’approche française la plus proche d’un registre organisé.  

    Les IA organisationnelles et administratives :
    Cette catégorie — optimisation de la planification, codage automatique des séjours, aide à la facturation, gestion des flux patients — est moins encadrée réglementairement car ces solutions ne relèvent pas toutes du statut de dispositif médical. En France, environ 100 solutions d’IA ont été sélectionnées pour les administrations publiques dans le cadre d’un appel à manifestation d’intérêt 2025, avec des solutions comme Gleamer Copilot ou VertexAI (Google Cloud France).

    Analyse comparative synthétique 

    Catégorie 

    Nombre FDA (approx.) 

    Présence France 

    Niveau de preuve exigé 

    Imagerie/radiologie 

    ~1 104 (76%)  

    Plusieurs dizaines 

    Élevé (études cliniques) 

    Cardiologie 

    ~130 (9%)  

    Quelques solutions 

    Élevé 

    Aide au diagnostic général 

    Inclus dans catégories 

    Croissant 

    Variable 

    Ambient listening 

    < 20 (catégorie émergente) 

    < 10 (Nabla, DAX) 

    En construction 

    Télésurveillance 

    Plusieurs centaines 

    Plusieurs dizaines (ETAPES) 

    Modéré à élevé 

    Administratif/organisationnel 

    Non systématiquement classé DM 

    ~100 (AMI 2025)  

    Faible à modéré 

    La France dispose d’un tissu entrepreneurial actif dans l’IA en santé, mais l’absence de registre public des solutions autorisées, le retard de déploiement d’EUDAMED, et la complexité du double cadre MDR + AI Act limitent la lisibilité du marché pour les acheteurs institutionnels. L’entrée en vigueur complète de l’AI Act en 2027 devrait modifier structurellement ce paysage. 

  • IA en santé : des cadres d’évaluation mondiaux de plus en plus exigeants, mais financés de façon profondément inégale

    L’évaluation de l’IA en santé inclue de nombreuses dimensions : méthodes cliniques de validation des performances, approches médico-économiques, cadres d’évaluation en vie réelle et frameworks d’impact organisationnel et éthique. Chaque grande économie mondiale a développé sa propre combinaison de ces dimensions, révélant des philosophies profondément différentes quant à ce que signifie « prouver la valeur » d’un système d’IA en santé. 

    Les méthodes d’évaluation : une taxonomie commune, des pratiques divergentes 

    L’évaluation technique et de performance du modèle constitue le premier niveau : mesure de la sensibilité, spécificité, AUC, valeur prédictive positive et négative, sur des jeux de données de test représentatifs. C’est le minimum requis partout, mais aussi la méthode la plus critiquée pour son insuffisance : un modèle aux excellentes performances statistiques peut s’avérer sans bénéfice clinique démontré en conditions réelles.  

    L’évaluation clinique constitue le second niveau : essais cliniques randomisés (ECR), études observationnelles prospectives ou rétrospectives, études de cohorte avant/après implémentation. La revue publiée dans JMIR en 2025 souligne que les études sur l’IA sont « insuffisantes pour couvrir les prérequis de l’Health Technology Assessment » : manque de preuves comparatives, hétérogénéité des populations d’entraînement, absence de données sur le long terme.  

    La real-world evidence (RWE) constitue le troisième niveau, désormais reconnu comme indispensable : évaluation des performances de l’IA sur des données réelles issues des dossiers patients électroniques, des flux de facturation ou des dispositifs connectés, dans des populations non sélectionnées. En septembre 2025, la FDA elle-même a lancé une consultation publique sur les méthodes de mesure de la performance des IA en conditions réelles, reconnaissant que « de nombreux dispositifs sont évalués principalement par des tests rétrospectifs ou des benchmarks statiques » qui ne reflètent pas leur comportement en déploiement.  

    L’évaluation HTA (Health Technology Assessment) représente le quatrième niveau, multi-dimensionnel : efficacité clinique relative, rapport coût-efficacité, impacts organisationnels, éthiques et sociaux. C’est la méthode la plus complète, mais aussi la plus exigeante en données et en temps. Le modèle HTA évalue classiquement 9 domaines (PICO, sécurité, efficacité, coût, équité, aspects légaux, éthiques, organisationnels, et impact patient), et des chercheurs proposent de l’adapter spécifiquement aux IA en y ajoutant l’interprétabilité, la cybersécurité, la transparence et la gestion de la dérive des modèles (model drift). 

    Le framework AI for IMPACTS, publié dans JMIR en février 2025, propose une synthèse des approches : il intègre le contexte clinique, les facteurs d’implémentation en vie réelle et les dimensions organisationnelles et sociales, allant bien au-delà des métriques techniques. Multidisciplinaire par nature, il reconnaît explicitement que « les méthodes d’évaluation traditionnelles peinent à suivre le rythme de développement de l’IA » et que des processus d’évaluation flexibles et accélérés sont nécessaires. 

    États-Unis : la preuve technique prime, la RWE s’impose 

    La FDA a construit son système d’évaluation autour de la voie 510(k) et de ses dérivés, dans lesquels la validation de performance sur des données cliniques représentatives est centrale. À fin 2025, 1 451 dispositifs IA avaient été autorisés cumulativement, dont 295 en 2025. La principale innovation méthodologique récente est la guidance Predetermined Change Control Plans (PCCP) de décembre 2024 : les fabricants documentent à l’avance les types de modifications algorithmiques autorisées sans resoumettre leur dossier, introduisant une logique d’évaluation continue et dynamique du cycle de vie. En septembre 2025, la FDA a lancé une consultation publique spécifique sur l’évaluation de la performance en vie réelle des IA médicales, signalant un pivot vers la RWE comme méthode complémentaire obligatoire. Sur le plan médico-économique, la méthode HTA n’est pas formellement requise pour l’accès au marché américain, le système repose davantage sur la négociation entre payeurs privés et industriels. Mais l’Inflation Reduction Act de 2022, en introduisant la négociation de prix pour les médicaments, a renforcé l’intérêt pour les approches coût-efficacité qui pourraient s’étendre progressivement aux DM et IA. 

    Union européenne : le HTA au cœur, avec un règlement dédié 

    L’Europe se distingue par la rigueur de son cadre d’évaluation clinique et par l’introduction d’un règlement HTA européen (UE 2021/2282), entré en application progressive depuis janvier 2025. Ce règlement harmonise les évaluations cliniques comparatives à l’échelle des États membres, produisant des rapports HTA publics et de haute qualité scientifique utilisables par toutes les agences nationales (dont la HAS en France). Les dispositifs médicaux basés sur l’IA sont soumis à une évaluation clinique rigoureuse selon le MDR, et l’AI Act (2024) impose des exigences supplémentaires : gouvernance des données, robustesse, traçabilité, supervision humaine, gestion des biais. Un changement majeur depuis 2025 : les hôpitaux deviennent co-responsables de l’évaluation continue des IA qu’ils déploient, devant vérifier la classification, les risques associés et la capacité du fournisseur à maintenir le modèle. La Commission a proposé un parcours intégré MDR/AI Act pour simplifier la double conformité, avec adoption prévue à l’été 2026. 

    Royaume-Uni : NICE, Evidence Standards Framework et sandbox réglementaire 

    Le Royaume-Uni dispose d’un des cadres d’évaluation les plus innovants au monde grâce au NICE (National Institute for Health and Care Excellence). Le HealthTech programme du NICE est responsable de l’évaluation des technologies numériques et IA, avec plusieurs niveaux d’évaluation selon la maturité de la solution : guidance précoce (Early Value Assessment), évaluation complète avec Health Technology Evaluation manual, et Evidence Standards Framework (ESF) pour les technologies numériques. En novembre 2024, le NICE a lancé l’outil CHEERS-AI : un standard de reporting coût-efficacité spécifique à l’IA, ajoutant 8 éléments aux 28 standards CHEERS classiques pour intégrer les nuances propres à l’IA, notamment l’autonomie des utilisateurs et l’apprentissage continu du modèle. Ce standard s’impose progressivement comme référence internationale. Parallèlement, la MHRA a développé l’AI Airlock, un programme sandbox permettant aux fabricants d’IA d’expérimenter leurs solutions dans un cadre réglementaire contrôlé avant soumission formelle. En juillet 2025, la MHRA (Medicines and Healthcare products Regulatory Agency) a introduit la reconnaissance mutuelle des autorisations FDA, TGA et Santé Canada, accélérant l’accès au marché sans dupliquer l’évaluation. 

    Canada: convergence méthodologique avec les États-Unis 

    Santé Canada évalue les dispositifs médicaux IA comme SaMD sous le MDR canadien. En 2025, une guidance pré-marché dédiée aux Machine Learning-enabled Medical Devices (MLMD) a été publiée, exigeant que les fabricants documentent explicitement les caractéristiques du ML dans leur dossier de soumission. Sur le plan HTA, l’ACMTS (Agence canadienne des médicaments et des technologies de la santé) conduit des évaluations médico-économiques comparables au modèle NICE, avec des analyses coût-efficacité et des revues systématiques. Le Canada participe à l’IMDRF (International Medical Device Regulators Forum), qui coordonne l’harmonisation internationale des méthodes d’évaluation réglementaire. Sur le plan financier, le Canada est au 4e rang mondial en investissement cumulé en IA (environ 15 milliards de dollars depuis 2013). 

    Chine : priorité au volume et à l’équivalence technique 

    La NMPA (National Medical Products Administration) évalue les dispositifs médicaux IA selon une classification à trois niveaux de risque. L’approche d’évaluation clinique chinoise est fondée sur le principe d’équivalence substantielle à des dispositifs déjà autorisés, avec une acceptation des données cliniques générées à l’étranger dans certains cas. La Chine a autorisé plusieurs centaines de dispositifs IA depuis 2020, principalement en imagerie. Si la robustesse méthodologique des évaluations cliniques est parfois critiquée, la Chine a publié depuis 2021 des réglementations post-marché plus strictes, s’alignant partiellement sur le modèle européen. Sur le plan de l’évaluation médico-économique, la HTA reste peu développée : l’État définit les prix par voie administrative, sans recours systématique aux méthodes coût-efficacité. La Chine mise davantage sur le volume (38 210 brevets en IA générative déposés entre 2014 et 2023, soit 6 fois plus que les États-Unis) que sur la rigueur évaluative. 

    Japon : l’approbation dynamique et le HTA ICER-based 

    Le Japon combine deux innovations méthodologiques remarquables. D’une part, la PMDA (Pharmaceuticals and Medical Devices Agency) pratique une approbation dynamique (dynamic approval) : gestion des risques par niveaux, critères d’examen flexibles selon le stade de développement, et surveillance post-approbation active. D’autre part, le Japon est le premier pays au monde à avoir adopté une méthode algorithmique de tarification basée sur l’ICER (Incremental Cost-Effectiveness Ratio) pour les technologies de santé, avec un seuil de consentement à payer de 5 à 10 millions de yens par QALY. Cette méthode, proche du modèle NICE britannique, s’applique aux médicaments mais tend à être étendue aux dispositifs médicaux numériques. Les AI Business Operator Guidelines d’avril 2024 posent des principes éthiques d’évaluation fondés sur la principles-based guidance, préservant l’agilité tout en garantissant la sécurité des patients. 

    Corée du Sud : le modèle le plus intégré pour les DM numériques 

    Avec le Digital Medical Products Act (DMPA) entré en vigueur en janvier 2025, la Corée du Sud a construit le cadre d’évaluation le plus spécifiquement adapté aux produits médicaux numériques et IA. Le DMPA impose des exigences originales : model cards (fiches de description du modèle), Predetermined Change Control Plans, étiquetage IA explicite, et évaluation de la robustesse du cycle de vie. Sur le plan HTA, la Corée du Sud utilise le HTA pour optimiser l’utilisation et les coûts des technologies, avec des méthodes comparables aux standards australiens et japonais. Le fast-track Market Immediate Entry de janvier 2026 réduit le délai approbation-usage clinique de 490 à 80-140 jours pour les innovations ayant passé une évaluation clinique renforcée. La Corée du Sud combine ainsi rigueur méthodologique et agilité réglementaire, en faisant un modèle de référence émergent. 

    Australie : technologiquement neutre et orientée enforcement 

    La TGA applique une approche technologiquement neutre : tout logiciel à visée diagnostique ou thérapeutique est soumis aux mêmes standards d’évaluation quelle que soit la technologie sous-jacente. Le cadre d’évaluation est fondé sur les Guidelines for SaMD, et la TGA participe au MDSAP (Medical Device Single Audit Program) avec la FDA, Santé Canada, le Japon et le Brésil. En 2025, face à la prolifération de solutions IA non enregistrées, la TGA a lancé une campagne d’enforcement ciblée — notamment contre les AI scribes intégrant des fonctionnalités diagnostiques non déclarées. Sur le plan HTA, l’MSAC (Medical Services Advisory Committee) conduit des évaluations médico-économiques rigoureuses, intégrant les analyses coût-efficacité et les impacts organisationnels dans les recommandations de remboursement. 

    Singapour et Israël : les modèles flexibles 

    Singapour (Health Sciences Authority) a publié dès 2021 des guidelines SaMD couvrant le cycle de vie complet, avec une approche fondée sur le risque adaptée à l’IA. L’agence adapte en continu ses méthodes d’évaluation aux spécificités des modèles génératifs. Israël a adopté une approche sectorielle : les régulateurs sectoriels (dont l’autorité sanitaire) définissent leurs propres méthodes d’évaluation, guidés par une National AI Policy de 2023 fondée sur le principe de responsible innovation. Avec 15 milliards de dollars cumulés en investissement IA, Israël est au 5e rang mondial, avec une forte concentration dans le secteur de la santé numérique.

    Sur le plan financier 

    Les écarts de financement conditionnent directement la capacité à produire les preuves nécessaires à une évaluation robuste. L’investissement privé mondial en IA a atteint 581 milliards de dollars en 2025, plus du double des 253 milliards de 2024. Le marché mondial de l’IA en santé est estimé à 28-40 milliards de dollars, avec un CAGR projeté entre 34 et 37%. Les États-Unis dominent avec 109,1 milliards de dollars en 2024, soit 12 fois l’investissement chinois. En France et en Europe, les levées de fonds en e-santé ont chuté de 42% en 2025, et l’Union européenne ne capte que 2% des deals mondiaux en IA générative, un écart qui fragilise la capacité à financer les études cliniques nécessaires à une évaluation de qualité.

    Tableau comparatif des méthodes d’évaluation 

    Pays / Zone 

    Méthode principale 

    HTA formalisée 

    RWE intégrée 

    Spécificité IA 

    États-Unis (FDA) 

    Validation technique + PCCP  

    Non obligatoire 

    En construction (2025)  

    PCCP, registre public 

    Union européenne 

    Évaluation clinique MDR + HTA EU  

    Oui (depuis 2025)  

    EUDAMED en cours 

    AI Act haut risque 

    Royaume-Uni (NICE) 

    ESF, CHEERS-AI, HTA multi-niveaux  

    Oui (NICE HealthTech) 

    Oui (NHS données) 

    CHEERS-AI, AI Airlock 

    Canada 

    MLMD Guidance + ACMTS HTA  

    Oui 

    Oui (CIHR) 

    MLMD guidance 2025 

    Chine (NMPA) 

    Équivalence substantielle + post-marché  

    Limitée 

    Non systématique 

    Volume brevets 

    Japon (PMDA) 

    Approbation dynamique + ICER-based HTA  

    Oui (ICER algorithmique) 

    Oui 

    Dynamic approval 

    Corée du Sud (MFDS) 

    DMPA, model cards, PCCP  

    Oui  

    En développement 

    Première loi DM numérique 

    Australie (TGA) 

    Technologiquement neutre + MSAC HTA  

    Oui (MSAC) 

    Oui (MDSAP) 

    Enforcement AI scribes 

    Singapour (HSA) 

    SaMD guidelines, risk-based  

    Partielle 

    Partielle 

    Hub régional 

    Israël 

    Sectoriel, principles-based  

    Partielle 

    Partielle 

    Responsible innovation 

    Convergences et tensions structurelles 

    L’analyse transversale fait émerger une convergence méthodologique autour de quelques principes : approche par niveaux de risque, exigence croissante de RWE post-déploiement, intégration de la gestion du cycle de vie des modèles (PCCP), et nécessité d’une évaluation multidimensionnelle dépassant les seules métriques techniques. L’IMDRF et l’OCDE jouent un rôle de coordination croissant, et plusieurs pays (Canada, Corée du Sud) ont explicitement repris la méthodologie PCCP de la FDA. La guidance CHEERS-AI du NICE est déjà adoptée comme référence par plusieurs agences européennes pour les évaluations économiques de l’IA. 

    Les tensions persistantes portent sur deux axes. D’abord, rigueur vs vitesse : l’Europe et le Royaume-Uni investissent dans des cadres d’évaluation exigeants (HTA, MDR, AI Act) qui garantissent la qualité des preuves mais allongent les délais, tandis que la Corée du Sud et le Japon démontrent qu’il est possible de combiner rigueur et agilité. Ensuite, réglementation vs évaluation de la valeur : la plupart des pays maintiennent une séparation entre la validation réglementaire (accès au marché) et l’évaluation de la valeur (remboursement, adoption). Combler ce fossé, pour que l’autorisation d’un dispositif soit accompagnée d’une démonstration de valeur réelle, constitue le principal défi méthodologique des prochaines années pour l’ensemble des systèmes de santé.

  • IA hospitalière : les projets qui ne réussissent que si l’hôpital est prêt, avec un ROI clinique, administratif et humain objectivé

    Critères de choix et clés de succès pour les établissements de santé 

    Au-delà des promesses industrielles 

    Le marché de l’IA en santé est désormais structuré autour d’une offre pléthorique : en France, environ 450 entreprises de santé numérique étaient recensées en 2024, dont 57% de produits intégrant l’IA, avec 76% en phase de commercialisation. Cette abondance crée un défi pour les établissements de santé : comment distinguer les solutions à fort impact réel des effets d’annonce, et comment construire un cadre d’évaluation rigoureux qui dépasse les discours promotionnels ? Les conditions de succès d’un projet d’IA en établissement de santé ne tiennent pas tant aux caractéristiques techniques du produit qu’à la maturité organisationnelle de l’établissement, à la qualité du portage institutionnel, et à la rigueur du cadre d’évaluation mis en place dès l’amont.  

    Les conditions de succès 

    L’expérience des projets les plus avancés, notamment au CHU de Montpellier, aux HCL (Hospices Civils de Lyon), ou dans des systèmes de santé américains, fait émerger plusieurs conditions de succès transversales : 

    • Portage institutionnel fort : l’IA hospitalière viable n’est pas une démonstration technologique isolée, c’est une intégration gouvernée qui s’inscrit au cœur du système d’information.
    • Infrastructure de données préalable : la préparation et la mise à disposition de données de qualité constitue un prérequis non négociable.
    • Supervision humaine structurée : la HAS, l’AFNOR SPEC 2213 et l’AI Act européen convergent sur la nécessité d’une garantie humaine des systèmes d’IA en santé.
    • Stratégie de formation : l’appropriation par les utilisateurs conditionne les taux d’adoption réels. Des systèmes de santé américains déployant l’ambient listening rapportent des taux d’adoption montant jusqu’à 90% dans les établissements ayant investi dans l’accompagnement au changement.
    • Gouvernance des risques : les organisations doivent classer leurs outils d’IA par niveaux de risque, avec un suivi plus intensif pour les modèles à fort impact clinique.

    KPI Transverses 

    Pour tout projet d’IA, un socle d’indicateurs transverses s’impose, couvrant quatre dimensions systématiques : 

    Utilisation et adoption : 

    • Taux d’adoption effectif (utilisateurs actifs / utilisateurs cibles) 
    • Taux de complétion des workflows assistés par l’IA 
    • Fréquence d’utilisation et taux d’abandon 

    Processus : 

    • Temps de cycle avant / après implémentation 
    • Temps par tâche (documentation, codage, diagnostic) 
    • Taux d’erreurs et taux de retravail 
    • Délais critiques (comptes rendus, admission, rendez-vous) 

    Économie : 

    • Coût par patient ou par épisode de soins 
    • Coûts évités (séjours évités, actes évités, transports évités) 
    • Heures de travail économisées ou réaffectées à des tâches à valeur ajoutée 

    KPI Cliniques 

    Les indicateurs cliniques constituent le cœur de l’évaluation pour les IA à visée diagnostique ou thérapeutique : 

    • Performance du modèle : sensibilité, spécificité, AUC, valeur prédictive positive et négative
    • Impact patient : taux de réadmission, durée moyenne de séjour, score de satisfaction patient (PREMS/PROMS), taux d’erreurs médicales
    • Sécurité : taux d’alertes actionnables vs. alertes non pertinentes (fatigue d’alerte), taux d’événements indésirables liés à l’IA
    • Équité : analyse des performances différenciées par sous-groupes de population (genre, âge, comorbidités, origine géographique)

    Données ROI Clinique 

    Le retour sur investissement clinique doit être appréhendé selon une logique d’évaluation des technologies de santé (HTA), qui évalue l’efficacité relative, le rapport coût-efficacité et les impacts organisationnels. Les indicateurs suivants constituent le socle d’un ROI clinique : 

    • Réduction de la morbi-mortalité : vies sauvées, hospitalisations évitées, complications évitées (valorisées en coûts médicaux évités)
    • Amélioration de la précision diagnostique : réduction des faux négatifs et faux positifs, impact sur les délais de prise en charge
    • Optimisation du parcours de soins : réduction des délais d’accès aux soins, amélioration de la continuité des soins
    • Budget Impact Analysis : évolution du coût moyen par patient/épisode avant et après déploiement

    Données ROI Administratif 

    Le ROI administratif, plus directement mesurable à court terme, repose sur : 

    • Heures administratives libérées (documentation, codage PMSI, facturation) 
    • Réduction des erreurs de codage et amélioration du taux de valorisation des séjours 
    • Diminution des délais de facturation et amélioration du taux de recouvrement 
    • Optimisation de la gestion des plannings et des ressources humaines 

    Les organisations ayant intégré l’IA dans leurs processus critiques rapportent une baisse moyenne de 22% de leurs coûts opérationnels. Une étude Talan 2025 indique que l’IA pourrait permettre aux professionnels de santé de gagner jusqu’à 2 heures par jour. 

    KPI Administratifs 

    • Taux de codage automatisé validé sans correction 
    • Délai moyen de facturation avant / après 
    • Taux d’occupation et taux d’utilisation des ressources (blocs, lits) 
    • Réduction des délais d’admission et de sortie 

    KPI de Recherche 

    Pour les établissements universitaires (CHU, ESPIC avec activité de recherche) : 

    • Nombre de publications issues des données valorisées par l’IA 
    • Délai de recrutement des patients dans les essais cliniques (la sélection assistée par IA a démontré une amélioration du taux de détermination de l’admissibilité avec un ratio de risque de 1,78)  
    • Nombre de nouveaux projets de recherche rendus possibles par la disponibilité des données structurées 

    Impact Travail et QVCT 

    L’impact sur la qualité de vie et les conditions de travail (QVCT) des professionnels est une dimension souvent négligée dans les évaluations économiques classiques : 

    • Satisfaction professionnelle mesurée avant et après (enquêtes spécifiques) 
    • Indicateurs d’absentéisme et de turnover 
    • Perception de la qualité de la relation de soins 
    • Charge mentale et cognitive déclarée 

    À noter : 88% des professionnels de santé déclarent vouloir intensifier leur usage de l’IA dans les deux prochaines années, notamment pour les tâches administratives.  

    Impact Environnemental 

    L’empreinte environnementale de l’IA est un angle émergent mais incontournable dans l’évaluation des projets. Les data centers d’IA sont 4 à 5 fois plus énergivores que les data centers traditionnels. Les indicateurs à suivre incluent :  

    • Consommation électrique des infrastructures de calcul (en kWh et en équivalent CO₂) 
    • Consommation d’eau des serveurs 
    • Politique d’hébergement (infrastructure souveraine vs. cloud externe) 

    Impact Éthique 

    L’évaluation éthique s’organise autour de quatre axes : 

    • Équité algorithmique : analyse des biais de performance entre sous-populations
    • Transparence et explicabilité : niveau de compréhension des recommandations de l’IA par les professionnels
    • Chaîne de responsabilité : clarté des responsabilités en cas d’erreur ou d’incident
    • Souveraineté numérique : localisation des données, dépendance fournisseur, capacité d’audit indépendant

     

  • Viz.ai lance une suite IA intégrée au DME

    Une fragmentation des soins à l’origine du lancement

    Viz.ai, spécialisée dans la détection des maladies par IA et la coordination des soins, a annoncé le 15 mai 2026 le lancement de Viz Pulmonary, une suite intégrée à sa plateforme existante. L’objectif : centraliser les workflows liés aux pathologies pulmonaires aiguës et chroniques au sein d’un environnement unique, connecté aux systèmes de dossiers médicaux électroniques (DME).

    Le constat de départ est chiffré. Près de 34 millions d’adultes sont atteints d’une forme de maladie pulmonaire chronique aux États-Unis. Parmi eux, près de la moitié des patients BPCO hospitalisés pour une exacerbation aiguë sont réadmis dans les 30 jours. Jusqu’à 71% des nodules pulmonaires cliniquement significatifs ne font l’objet d’aucun suivi adapté. Concernant l’embolie pulmonaire, 79% des découvertes fortuites passeraient inaperçues à l’imagerie initiale, et 67% de ces embolies non détectées sont cliniquement significatives.

    Viz Pulmonary combine plusieurs fonctionnalités : résumés patients contextualisés, mise en évidence des recommandations et outils spécialisés par pathologie (BPCO, nodules pulmonaires, embolie pulmonaire). L’ensemble s’intègre au DME pour couvrir l’identification du patient, la coordination entre équipes et le suivi longitudinal dans un système unique.

    De 1,75 jour à 0,56 jour de délai de prise en charge pour l’embolie pulmonaire

    Les données initiales, issues d’une étude monocentrique, portent sur Viz PE, le module dédié à l’embolie pulmonaire intégré à la suite. Le délai de prise en charge est passé de 1,75 jour à 0,56 jour. Le taux de mortalité hospitalière chez les patients à haut risque d’embolie pulmonaire a également diminué. Ces résultats restent préliminaires et limités à un seul centre, mais ils constituent le premier signal clinique publié pour cette solution.

    Prochaine étape : le congrès ATS 2026

    Viz.ai présentera la suite avec démonstration lors du congrès annuel de l’American Thoracic Society (ATS), du 17 au 19 mai 2026.

  • Du taux d’occupation aux algorithmes : repenser la performance du bloc

    Article 1 – Bloc opératoire AP‑HP : 76,8% de taux d’occupation, 36,8% de déprogrammations liées aux dépassements de temps

    En 2022, l’AP‑HP enregistre 76,8% de taux d’occupation des blocs opératoires, avec 211 247 interventions dont 71,2% programmées et 28,8% en urgence, soit 4,5% d’activité en moins qu’en 2019. 36,84% des déprogrammations sont liées au dépassement du temps de vacation, alors que seulement 57% des check-lists sont entièrement renseignées malgré une présence dans 85% des dossiers. Entre 2017 et 2020, 25 EIGS au bloc opératoire sont déclarés, révélant un écart entre les obligations de sécurité et leur application concrète. La HAS a réorienté en 2022 la politique de check-list vers trois options de personnalisation et un socle de vérifications impératives, tandis que l’AP‑HP a défini 10 incontournables de performance, incluant au moins 3 conseils de bloc annuels et l’usage systématique d’indicateurs d’activité. Les données internationales montrent des taux d’occupation allant de 20% à 87%, et une étude italienne démontre qu’un outil numérique de suivi continu peut faire progresser l’occupation de 44% à 52% et réduire la déprogrammation de 25% à 14%

    👉 Pour consulter l’article : Bloc opératoire : 25 EIGS déclarés entre 2017 et 2020 – Health & tech

    Article 2 – IA en chirurgie : jusqu’à 93,2% de précision de reconnaissance et 300–500 minutes hebdomadaires de temps gagné

    La littérature récente montre que les modèles de deep learning atteignent 81% à 93,2% de précision pour la reconnaissance de phases chirurgicales et 71,4% à 98,1% pour les structures anatomiques, mais restent freinés par l’hétérogénéité des données et l’absence de standards d’annotation. Les travaux de Lex et al. sur plus de 499 000 cas d’arthroplastie rapportent une précision de 78,1% et 75,4% pour la prédiction de durée opératoire (±30 minutes) et une réduction du temps supplémentaire de 300 à 500 minutes par semaine, avec 56,2% de sous-utilisation des salles en moins et 6,1% de jours opératoires économisés. Pour la chirurgie urgente, un Random Forest atteint une erreur absolue moyenne de 32 minutes et 60% de précision dans un intervalle de 20% du temps réel, tandis que XGBoost présente une erreur moyenne de 5 jours pour la durée de séjour, illustrant le potentiel de l’IA en contexte non programmé. En turnover, une étude montre des durées de rotation de 40,4 à 56,6 minutes selon la spécialité et un allongement de 2,7 minutes par plateau instrumental supplémentaire, ce qui pointe des leviers d’action organisationnels très concrets. Enfin, un système d’apprentissage personnalisé réduit de 38,3% les coûts de formation et augmente de 43% les scores de compétence, tandis que 75,73% des infirmiers de bloc estiment que l’IA réduira leur charge de travail, malgré une anxiété mesurée autour de son déploiement.

    👉 Pour consulter l’article : IA en bloc opératoire : de 93% de précision diagnostique à -38% de coûts de formation – Health & tech

    Article 3 – Bloc opératoire : 40–60% des recettes hospitalières sous tension entre innovation, pénurie d’IBODE et fracture numérique

    Le bloc opératoire génère entre 40% et 60% des recettes hospitalières tout en concentrant des contraintes organisationnelles, technologiques et humaines croissantes, faisant de lui un espace stratégique et sous tension. Des dispositifs comme BOpEx et la chaire BOPA structurent des tiers‑lieux d’innovation, tandis que l’IHU Strasbourg, avec cinq blocs dont trois hybrides et un ERC de 1,95 M€, incarne la frontière mondiale du bloc augmenté et de l’IA peropératoire. La profession IBODE est revalorisée au grade Master (niveau 7, 120 ECTS), mais les 18 écoles françaises et leurs capacités limitées ne suffisent pas à compenser les départs à la retraite, créant un goulot d’étranglement RH durable. L’ANAP déploie une plateforme numérique avec 22 ressources de pilotage et un accompagnement de plus de 50 établissements, épaulée par les référentiels HAS, mais la multiplication des centres d’excellence (IRCAD, IHU, BOpEx, Campus chirurgical) sans coordination formelle risque de fragmenter l’écosystème. Il en résulte une architecture à deux vitesses : une avant‑garde académique très performante et une majorité d’établissements à transformation incrémentale, freinés par leurs ressources humaines et leur maturité numérique.

    👉 Pour consulter l’article : Bloc opératoire : moteur économique, laboratoire d’innovation et point de tension du système hospitalier – Health & tech

    Article 4 – IA en bloc opératoire : hypotension réduite de moitié, 40% de temps de suivi gagné et plannings prédictifs

    Les cas d’usage décrits montrent qu’une surveillance continue type ClearSight permet de réduire d’environ 50% les épisodes d’hypotension peropératoire et de diminuer les complications rénales et cardiaques à 30 jours, pendant que PEFLA vise une réduction significative des complications postopératoires par remplissage personnalisé. Des jumeaux numériques comme celui de la Cleveland Clinic et des plateformes telles qu’ORGO ou Hopia transforment le bloc en système de pilotage prescriptif, capable d’anticiper sous‑utilisation, saturations et besoins de lits, tout en pré‑codant le PMSI. Côté expérience patient, Caresquad réduit de 40% le temps de suivi téléphonique post‑opératoire tout en maintenant 95% de satisfaction, tandis que Heko structure les parcours pré‑, per‑ et post‑opératoires avec questionnaires et scoring. Des solutions comme Caresyntax et le centre mobile Branchet exploitent la vidéo‑analyse pour repérer comportements à risque et écarts de pratique, alimentant une culture de sécurité fondée sur des données objectives. L’ensemble dessine un bloc opératoire apprenant, reliant données hémodynamiques, vidéo, plannings, agents vocaux et flux logistiques, mais expose au risque de fragmentation et de surcharge informationnelle sans stratégie d’architecture et de conduite du changement.

    👉 Pour consulter l’article : Stratégies IA pour le bloc opératoire : de la réduction de 50 % des épisodes d’hypotension à l’optimisation prédictive des plannings – Health & tech

    Article 5 – Vers un bloc opératoire apprenant : 3,4% d’actes en plus, –18% de coûts de personnel et IA à haut risque réglementaire

    L’article montre comment la combinaison de solutions d’IA – de ClearSight et PEFLA à Da Vinci 5, E‑stella, Torin, ORGO, Saniia et PMSIpilot – transforme le bloc en écosystème apprenant couvrant monitorage, robotique, orchestration des flux, RH et pilotage financier. Torin permet par exemple une hausse de 3,4% des interventions, 2 000 actes supplémentaires et 4% de bénéfices en plus, tandis que les plateformes RH de type CareRev rapportent 18% de réduction des coûts de personnel et une couverture des quarts 50% plus rapide. Ces gains s’accompagnent d’une montée des risques : dépendance cognitive aux systèmes d’aide à la décision, alert fatigue avec MASSAI et SSuWAI, biais possibles dans le tri des greffons par vision par ordinateur, et vulnérabilités cyber sur des plateformes concentrant des données massives. De nombreux dispositifs sont classés DM/DMDIV à haut risque, impliquant des exigences fortes en bénéfice clinique, cybersécurité et surveillance post‑commercialisation, ainsi qu’une gouvernance médico‑légale renforcée. La stratégie recommandée consiste à bâtir une architecture de données intégrée, à prioriser les cas d’usage à bénéfice clinique mesurable et à investir dans la formation, la simulation et la culture de sécurité pour garantir une implémentation responsable à l’échelle du bloc.

    👉 Pour consulter l’article : IA au bloc opératoire : vers un écosystème apprenant, du geste chirurgical à la gouvernance des risques – Health & tech

  • Bloc opératoire : moteur économique, laboratoire d’innovation et point de tension du système hospitalier

    Un bloc opératoire au cœur de la création de valeur hospitalière

    Le bloc opératoire constitue le nœud stratégique de l’activité hospitalière française : il représente, selon les établissements, entre 40% et 60% des recettes d’un hôpital, tout en concentrant des contraintes organisationnelles, technologiques, financières,  et humaines d’une complexité croissante. L’écosystème qui gravite autour de cet espace critique s’est profondément restructuré au cours de la dernière décennie, sous l’effet conjugué de la pression sur les ressources publiques, de l’essor des technologies numériques, et d’une montée en exigence des acteurs académiques et réglementaires.

    BOpEx et BOPA : une nouvelle grammaire de l’innovation chirurgicale

    L’une des transformations les plus significatives réside dans la création de tiers-lieux d’expérimentation dédiés au bloc opératoire. Le dispositif BOpEx (Bloc Opératoire Expérimental), inauguré en mars 2024 sur le site Broussais de l’AP-HP, constitue un précédent institutionnel structurant : il permet à des porteurs d’innovation, startups, équipes soignantes, industriels, de tester leurs solutions en conditions réelles, avec un accès à l’expertise clinique hospitalo-universitaire et à un réseau de partenaires certifiés. Ce modèle répond à une défaillance de marché bien documentée : la difficulté à dérisquer les innovations chirurgicales en phase de preuve de concept. En parallèle, la Chaire Innovation BOPA (Bloc OPératoire Augmenté), portée conjointement par l’AP-HP, l’IMT et l’Université Paris-Saclay, incarne une approche de recherche translationnelle orientée vers des cas d’usage à fort potentiel : réalité augmentée, jumeaux numériques, analyse du langage naturel. La convergence de ces deux dispositifs sur un même territoire institutionnel (site Broussais, futur Campus Chirurgical du Grand Paris) confère à l’Île-de-France un avantage comparatif décisif pour attirer des programmes de R&D dans le secteur.

    IHU Strasbourg et IA peropératoire : bascule vers le bloc augmenté

    L’IHU Strasbourg constitue sans doute le laboratoire mondial le plus avancé en matière de bloc opératoire augmenté. Doté de cinq blocs opératoires dont trois blocs hybrides, il a réalisé en 2023 la première mondiale d’intelligence artificielle peropératoire en temps réel. Le Pr Nicolas Padoy, directeur scientifique de l’IHU et titulaire d’une chaire IA au sein de l’initiative Grand Est ENACT, a obtenu en 2024 un financement ERC Consolidator Grant de 1,95 million d’euros pour le projet CompSurg, dédié à la compréhension computationnelle de la chirurgie. Ce positionnement académique de pointe crée une opportunité de transfert technologique vers les établissements hospitaliers de taille moyenne, qui peinent encore à s’approprier ces innovations faute d’intermédiaires structurés.

    IBODE au grade Master : le capital humain comme actif stratégique

    La réforme du Diplôme d’État IBODE (Infirmier de Bloc Opératoire), désormais élevé au grade Master (niveau 7, Bac+5, 120 ECTS) depuis l’arrêté d’avril 2022, constitue un signal fort de professionnalisation du secteur. Cette revalorisation statutaire est susceptible d’atténuer les tensions de recrutement chroniques qui fragilisent les plannings opératoires. Elle s’accompagne d’une diversification de l’offre de formation spécialisée : DIU Gestion des Risques au Bloc Opératoire (Montpellier), DU Logistique Appliquée au Bloc (Chalon), formations Management de Bloc. Cette densification de l’offre académique répond à la nécessité d’un encadrement intermédiaire qualifié, capable de piloter des plateaux techniques d’une complexité croissante.

    ANAP et HAS : vers une gouvernance industrialisée du bloc

    L’ANAP (Agence Nationale d’Appui à la Performance) a lancé en juillet 2025 une plateforme numérique intégrée regroupant vingt-deux ressources opérationnelles pour le pilotage des blocs opératoires, accompagnée d’un suivi de plus de cinquante établissements. Cette initiative d’outillage massif, couplée aux recommandations structurantes de la HAS (check-list Sécurité du patient obligatoire depuis 2010, guide qualité, points « No Go »), constitue une architecture de gouvernance dont la maturité favorise une diffusion plus homogène des pratiques d’excellence sur l’ensemble du territoire. Pour les directions d’hôpitaux, ces ressources représentent une opportunité de standardiser les processus tout en objectivant les gains de performance.

    Multiplication des centres d’excellence : un risque de silos et de redondances

    Si l’abondance d’acteurs non-commerciaux est en soi un signe de vitalité de l’écosystème, elle recèle un risque structurel de dispersion des ressources et de duplication des initiatives. La coexistence de l’IRCAD, de l’IHU Strasbourg, du BOpEx, du Campus Chirurgical du Grand Paris et d’une multitude de sociétés savantes  sans architecture de coordination formalisée expose l’écosystème à des rivalités de légitimité susceptibles de ralentir la diffusion des innovations. L’Académie Nationale de Chirurgie, qui regroupe les douze spécialités chirurgicales, pourrait jouer un rôle fédérateur plus affirmé, mais son positionnement demeure essentiellement académique et consultatif.

    Goulot d’étranglement RH : la formation IBODE plus rapide que la démographie

    Malgré la réforme IBODE (Infirmier de Bloc Opératoire Diplômé d’État), la formation d’un infirmier de bloc opératoire exige quatre semestres post-licence, soit un délai incompressible face à des besoins immédiats. Les dix-huit écoles IBODE françaises, dont la capacité maximale atteint cent étudiants par promotion pour l’IFIBODE de l’AP-HP, ne sauraient absorber les départs à la retraite prévisibles dans un contexte démographique défavorable. Ce goulot d’étranglement structurel est aggravé par l’attractivité relative d’autres secteurs et par les conditions de travail spécifiques au bloc opératoire. Les dispositifs portés par l’ANFH et le ministère de la Santé ne constituent, à ce stade, qu’une réponse partielle à ce risque capacitaire.

    Fracture numérique : une IA de pointe pour quelques-uns

    Les outils de pilotage de l’ANAP et les innovations déployées à l’IHU Strasbourg ou au BOpEx supposent un niveau de maturité numérique et organisationnelle que l’immense majorité des établissements de santé français n’ont pas encore atteint. L’Observatoire de la Chirurgie en Île-de-France et les ARS régionales ont documenté d’importantes disparités entre établissements dans l’adoption des outils de planification et d’évaluation du bloc opératoire. Cette fracture numérique constitue un risque d’aggravation des inégalités d’accès aux soins chirurgicaux entre territoires, et une menace pour la rentabilité des établissements les moins agiles.

    IA peropératoire et éthique : un cadre encore en construction

    L’introduction de l’IA et de la robotique dans le bloc opératoire soulève des questions de responsabilité juridique, de consentement éclairé et d’acceptabilité professionnelle que l’écosystème académique commence seulement à formaliser. La Chaire de Philosophie à l’Hôpital (GHU Paris), sous l’impulsion de Cynthia Fleury, co‑auteure du rapport « Le Bloc Opératoire Augmenté, Enjeux Socio‑Humains », est l’une des rares structures à aborder ces dimensions de manière rigoureuse. L’absence d’un cadre réglementaire ad hoc pour l’IA peropératoire, à l’intersection du futur cadre européen sur l’IA et du droit médical, représente un risque de contentieux qui pourrait freiner l’adoption des technologies les plus avancées.

    L’écosystème non-commercial du bloc opératoire en France présente une architecture à deux vitesses : d’un côté, une avant-garde académique et technologique mondiale, incarnée par l’IRCAD, l’IHU Strasbourg et les dispositifs parisiens (BOpEx, BOPA), capable de rivaliser avec les meilleurs centres internationaux ; de l’autre, une grande majorité d’établissements dont la transformation reste incrémentale, freinée par des contraintes de ressources humaines, de maturité numérique et de gouvernance.

    Les perspectives stratégiques se dessinent autour de trois axes prioritaires. Premièrement, la consolidation des passerelles entre tiers‑lieux d’innovation, sociétés savantes et établissements de soins de proximité est une nécessité pour éviter que l’innovation reste captive des grands CHU. Deuxièmement, le renforcement du continuum de formation, depuis les écoles IBODE jusqu’aux DIU de gestion des risques. Troisièmement, la mise en place d’un cadre éthique et réglementaire spécifique à l’IA chirurgicale conditionne la confiance des chirurgiens et des patients dans les outils de demain.

    En définitive, la compétitivité de la chirurgie française à l’horizon 2030 dépendra moins de la qualité isolée de ses avant‑postes technologiques que de sa capacité à construire un écosystème cohérent, diffusant, et capable de réduire les asymétries entre les établissements leaders et l’ensemble du tissu hospitalier national.