alexandre

  • 314 millions d’euros levés par les entreprises du numérique en santé au T1 2026, plus haut niveau depuis le T2 2022

    +600% sur trois mois, +300% sur un an, plus haut niveau depuis 2022.

    Les 314 millions d’euros levés représentent le cinquième plus haut trimestre depuis le début du suivi des levées de fonds par Care Insight en 2016, et le montant le plus important depuis dix ans, hors période de juillet 2021 à septembre 2022. Cependant, cette dynamique est fortement influencée par la simultanéité des levées de fonds de deux des quatre licornes françaises du numérique en santé : 100 millions d’euros levés par Alan et 84 millions par Dental Monitoring.

    Ces deux entreprises, qui représentent 17% du total des structures ayant levé des fonds, concentrent à elles seules 58% du montant global.

    Oncologie et cardiologie toujours très présentes, assurance et dentisterie émergent ce trimestre.

                                       

    Le secteur de l’oncologie était le troisième domaine ayant levé le plus de fonds sur l’année 2025 ; la tendance persiste pour l’instant en 2026. De la même manière, la cardiologie confirme sa place de secteur incontournable.

    L’IA représente moins de la moitié des fonds.

    L’IA totalise moins de la moitié des montants levés, concurrencée par les plateformes (Alan, MyC et MadeForMed) et la robotique (FineHeart, Carvolix et Lifebloom). Une répartition plus équilibrée que la moyenne de l’année passée, où l’IA représentait plus des trois cinquièmes des levées de fonds. La robotique en santé confirme son statut de technologie clé avec 51 millions d’euros ce trimestre.

  • 7 Fusions-Acquisitions et 314 M€ levés en France : un T1 2026 intense pour le numérique en santé en France

    📌314 M€ levés au T1 2026, dopés par Alan et DentalMonitoring »

    Sur le premier trimestre 2026, les startups françaises du numérique en santé lèvent 314 M€, soit +600% sur trois mois et +300% sur un an, au plus haut depuis 2022. Alan (100 M€) et DentalMonitoring (84 M€), deux licornes, concentrent à elles seules 58% des montants alors qu’elles ne représentent que 17% des opérations. L’oncologie et la cardiologie restent des verticales majeures, tandis que l’assurance et la dentisterie s’affirment comme nouveaux moteurs sectoriels. L’IA pèse moins de la moitié des capitaux ce trimestre, concurrencée par les plateformes et la robotique, cette dernière totalisant 51 M€ de levées.

    👉 Plus de détails sur «314 millions d’euros levés par les entreprises du numérique en santé au T1 2026, plus haut niveau depuis le T2 2022 – Health & tech»

     

    📌T1 2026 : 12 healthtech françaises lèvent des fonds ce trimestre ntre IA, robotique et plateformes

    Au T1 2026, une dizaine de startups et scale-ups healthtech structurent le paysage des levées avec plus de 250 M€ mobilisés, entre tours de Série A et financements de croissance. On y retrouve des plateformes comme MyC (10 M€), MadeForMed (200 k€) et Alan (100 M€), mais aussi des medtechs d’IA clinique telles que BrightHeart (11 M€), Parallel (20 M$, environ 17 M€) et DentalMonitoring (100 M$). La robotique et les dispositifs connectés montent en puissance avec FineHeart (83 M€), Carvolix (repositionnée autour de la robotique cardiovasculaire) et Lifebloom (8 M€ combinant capital et aides publiques). En parallèle, DiappyMed (5 M€) et Dermascan (environ 2,5 M€) illustrent l’essor des thérapies numériques et du télédépistage assisté par IA, confirmant la diversité des modèles dans la healthtech française.

    👉 Plus de détails sur «12 levés de fonds pour les entreprises du numériques en santé, dont 2 des 4 licornes françaises en santé. – Health & tech»

     

    📌Blackstone Life Sciences VI : un fonds record de 6,3 Md$ pour les phases cliniques avancées

    Blackstone Life Sciences a annoncé la levée d’un sixième fonds de 6,3 milliards de dollars, soit 40 % de plus que celui de 2020, portant ses actifs sous gestion à 15 milliards, un record pour le secteur. Sur‑souscrit, le fonds BXLS VI ciblera le financement des phases tardives de développement clinique et de pré‑commercialisation, avec un taux d’approbation réglementaire de 86 %. En renforçant ses partenariats avec les grands laboratoires, Blackstone consolide son rôle pivot dans la concentration mondiale du capital santé et ouvre des perspectives de co‑investissement pour les acteurs européens.

    👉 Plus de détails sur «Blackstone Life Sciences lève 6,3 Mds$ pour financer les phases avancées de développement – Health & tech»

     

    📌7 deals stratégiques et 48 M€ de subventions : bilan des opérations financières hors levées de fonds.

    Le premier trimestre 2026 est marqué par sept fusions-acquisitions et une subvention de 48 M€ qui accélèrent la consolidation de la healthtech française, de la télésurveillance à la robotique interventionnelle. Des opérations structurantes comme Lifen–Curecall et Corilus–Sofia renforcent des plateformes logicielles intégrées, tandis que RadNet–Gleamer et Extens–Orthalis–Dentalsoft illustrent la concentration dans l’imagerie et les logiciels dentaires. Quantum Surgical–Neuwave Medical et le regroupement autour de Carvolix positionnent la robotique et les mini‑robots guidés par IA au cœur des thérapies mini‑invasives et cardiovasculaires. FineHeart bénéficie en parallèle de 48 M€ de subventions européennes, complétant ses 83 M€ de capitaux privés pour structurer une chaîne de valeur des dispositifs implantables connectés à l’échelle du continent.

    👉 Plus de détails sur «7 fusions-acquistions et une subvention de 48 millions d’euros au premier trimestre 2026 – Health & tech»

  • LLM santé grand public : ChatGPT, Claude, Perplexity et Gemini, entre personnalisation des données et verrou réglementaire européen

    LLM santé : d’un usage générique à des plateformes spécialisées

    En 2026, le marché de l’IA médicale grand public atteint un point d’inflexion, avec plus de 230 millions de personnes posant chaque semaine des questions de santé ou de bien‑être à ChatGPT, avant même l’arrivée d’une offre dédiée. Cette massification des usages amène OpenAI, Anthropic et Perplexity à lancer des déclinaisons santé spécialisées : ChatGPT Health le 7 janvier 2026, Claude for Healthcare le 11 janvier 2026, puis Perplexity Health en mars 2026.

    Ces solutions marquent le passage d’outils perçus comme une aide individuelle pour novice à de véritables dispositifs métiers, conçus pour articuler données cliniques et littérature scientifique dans une logique d’aide à la décision. Elles se positionnent comme compléments au médecin, en environnement isolé du reste de la plateforme grand public, avec des flux de données de santé cloisonnés et une promesse commune de non‑réutilisation des données pour l’entraînement des modèles.

    Personnalisation par la donnée et bifurcation B2C / B2B

    La tendance structurante est la personnalisation par la donnée, via l’interopérabilité avec les écosystèmes existants : Apple Health, Fitbit, Withings, Oura, dossiers médicaux électroniques (DME), résultats biologiques et objets connectés. L’objectif est de quitter le registre de la réponse générique pour proposer des analyses contextualisées appuyées sur l’historique individuel, avec à terme la perspective de « jumeaux numériques » capables de simuler des trajectoires cliniques.

    Une bifurcation nette apparaît entre stratégies B2C et B2B : ChatGPT Health et Perplexity Health visent en priorité le grand public, tout en cherchant à embarquer les cliniciens, alors qu’Anthropic, avec Claude for Healthcare, cible d’abord les institutions de santé, assureurs et acteurs pharmaceutiques. Anthropic compense une base utilisateur grand public plus restreinte par des contrats d’infrastructure, quand OpenAI et Perplexity misent sur une expérience directe utilisateur, avec intégrations DME et apps de bien‑être.

    La souveraineté des données et la confiance constituent un autre axe : les trois plateformes annoncent cloisonnement des données, chiffrement renforcé, et contrôle utilisateur sur les autorisations, mais la traduction juridique de ces engagements reste partielle dans le cadre européen.

    ChatGPT Health : usage massif, co‑conception clinique et limites de conformité

    ChatGPT Health se déploie comme un espace dédié au sein de ChatGPT, accessible aux abonnés, connecté à Apple Health, Function, MyFitnessPal et au DME b.well pour le marché américain. OpenAI affirme avoir conçu l’outil avec 260 médecins couvrant 60 pays et 60 spécialités, avec des cas d’usage allant de la préparation de consultation au décodage de bilans en passant par l’accompagnement bien‑être.

    Sur le plan technique, ChatGPT Health fonctionne dans un environnement isolé, avec la promesse de ne pas utiliser les conversations de santé pour l’entraînement, mais la version grand public n’est pas certifiée HIPAA et ne propose pas de chiffrement de bout‑en‑bout, ce que certains observateurs soulignent comme une limite pour les usages cliniques. En Europe, l’accès aux DME reste désactivé et les conditions de conformité RGPD et AI Act doivent encore être discutées avec les autorités nationales, notamment sur la transparence des traitements et les mécanismes d’audit.

    Claude for Healthcare : infrastructure institutionnelle et IA « constitutionnelle »

    Claude for Healthcare se positionne comme une offre orientée institutions, avec une infrastructure décrite comme HIPAA‑ready pour les usages enterprise et des intégrations aux systèmes hospitaliers, assureurs et laboratoires pharmaceutiques. Anthropic met en avant son approche d’« IA constitutionnelle », qui encadre le comportement du modèle par un corpus de principes éthiques afin de réduire les réponses cliniquement non sûres.

    Les retours d’usage terrain donnent des signaux d’efficacité : Novo Nordisk a réduit la production de rapports d’études cliniques de plusieurs mois à quelques minutes via la plateforme NovoScribe bâtie sur Claude, tandis que Banner Health indique que 85% de ses utilisateurs travaillent plus vite avec une meilleure précision sur une base de plus de 22 000 prestataires. Claude est utilisé pour l’administration hospitalière, la prior authorization, la synthèse de dossiers et le support essais cliniques, avec une orientation vers l’optimisation des processus plutôt que le face‑à‑face patient.

    Perplexity Health : moteur de réponse sourcé et architecture multi‑agents

    Perplexity Health arrive plus tard, mais avec une proposition axée sur la recherche augmentée et la transparence des sources. La plateforme combine connexion à Apple Health, Fitbit, Withings, Ultrahuman et à des DME couvrant plus de 1,7 million de prestataires, avec un moteur de réponse qui cite systématiquement les sources médicales utilisées en temps réel.

    Sur le plan architectural, Perplexity Health s’appuie sur une technologie multi‑agents (Perplexity Computer) capable de coordonner plusieurs modèles pour produire des bilans pré‑consultation en croisant DME, résultats biologiques et données de capteurs, dans une logique d’exhaustivité. Perplexity met en avant un engagement explicite de ne ni revendre ni utiliser les données médicales pour l’entraînement de ses modèles, mais la documentation sur la conformité institutionnelle et les intégrations wearables reste encore limitée hors marché américain.

    Gemini / Google : IA grand public et controverses sur la qualité des réponses

    Le benchmark des LLM grand public inclut aussi Gemini (Google), même si la documentation dédiée santé est moins structurée que pour les trois autres offres. Les expériences récentes des « AI Overviews » de Google, incluant des réponses erronées sur des sujets médicaux de base, ont alimenté le débat sur la fiabilité des systèmes de recherche augmentée appliqués à la santé.

    Ces épisodes rappellent que l’absence de transparence sur les sources et de garde‑fous cliniques peut exposer les utilisateurs à des recommandations inexactes, en particulier lorsque l’IA est intégrée directement au moteur de recherche. Dans ce contexte, la capacité à tracer les sources, à auditer les modèles et à encadrer les cas d’usage devient un critère de différenciation pour les solutions santé spécialisées, face aux déploiements plus généralistes.

    Risques d’hallucinations et nécessité de supervision clinique

    Toutes les plateformes partagent un risque documenté d’hallucination, y compris dans des contextes médicaux sensibles. Une étude Penn LDI de 2025 montre que les LLM peuvent produire des recommandations cliniques incohérentes, tandis que l’outil Elsa de la FDA, basé sur Claude, a été rapporté comme ayant halluciné des études inexistantes.

    Des cas graves ont été décrits, comme des modèles incitant à des pensées suicidaires, ce qui souligne l’importance de garder un professionnel en position de supervision pour toute décision clinique. Les recommandations générales des auteurs convergent : maintenir la responsabilité finale du praticien, limiter les usages à l’aide à la décision, expliciter les limites (hallucinations, biais) auprès des soignants et des patients.

    RGPD : données de santé, consentement et détournement de finalité

    Dans le cadre européen, les données de santé sont des données sensibles au sens de l’article 9 du RGPD, dont le traitement est en principe interdit sauf exceptions strictement encadrées. Pour des plateformes américaines comme ChatGPT Health, Claude for Healthcare ou Perplexity Health, cela implique un consentement explicite, libre et éclairé, difficile à obtenir dans un contexte d’usage grand public et d’interface conversationnelle.

    Le risque de détournement de finalité constitue une autre contrainte : l’article 5.1.b du RGPD interdit de réutiliser des données médicales recueillies à des fins d’assistance pour l’entraînement des modèles sans nouveau consentement, même sous forme anonymisée. Si les trois acteurs affirment ne pas utiliser les données de santé pour l’entraînement, cette promesse contractuelle n’est pas encore assortie de mécanismes de vérification indépendants accessibles aux régulateurs européens.

    AI Act et MDR : double conformité et responsabilités

    L’AI Act, entré en vigueur en 2024 avec des premières dispositions applicables depuis février 2025, introduit une classification par niveau de risque qui impacte directement ces outils. Pour des usages principalement conversationnels et administratifs, les chatbots sont classés « risque limité », avec une obligation d’informer l’utilisateur qu’il interagit avec une machine.

    Dès qu’une IA santé influence une décision médicale, interprétation de résultats, orientation thérapeutique, détection de patterns cliniques, elle peut être requalifiée en système à haut risque au sens de l’article 6, avec des obligations renforcées de gestion des risques, gouvernance des données et documentation technique. La pleine application des dispositions pour les systèmes à haut risque dans la santé est attendue pour mi‑2026, avec des périodes de transition de 6 à 12 mois, ce qui coïncide avec la montée en puissance de ces plateformes.

    La convergence entre AI Act et Règlement sur les Dispositifs Médicaux (MDR) crée une double contrainte : l’AI Act impose des exigences sur la qualité des données d’entraînement et la robustesse aux attaques, alors que le MDR couvre la sécurité clinique. Le texte clarifie aussi la répartition des responsabilités : si un hôpital déploie un système à haut risque sans supervision adéquate ou hors des finalités prévues, la responsabilité peut se déplacer vers l’établissement, ce qui concerne directement les directions médicales et celles des systèmes d’informations.

    Déploiement en France : frein réglementaire et scénarios de transition

    À ce stade, les connexions directes aux DME via ChatGPT Health, Claude for Healthcare et Perplexity Health restent cantonnées au territoire américain, principalement en raison des divergences entre HIPAA et RGPD. Sur le marché français et plus largement européen, les acteurs ne proposent que des versions sans accès DME, dont la conformité doit être examinée par la CNIL et les autorités nationales.

    La Commission européenne a annoncé fin 2025 un étalement du calendrier d’application des dispositions AI Act relatives aux systèmes à haut risque, ouvrant une fenêtre de transition sans pour autant alléger les obligations RGPD déjà en vigueur. Pour les établissements français, la mise en œuvre passe par des analyses d’impact relatives à la protection des données (AIPD), des dispositifs d’audit conformes à l’ISO 27789, et la désignation d’un superviseur humain dans la boucle de décision pour tout usage clinique.

    Recommandations opérationnelles pour les acteurs de la santé

    Les recommandations convergent vers trois axes : formation, interopérabilité et éthique par conception. D’une part, intégrer l’IA dans les cursus initiaux et la formation continue afin de transformer les soignants en opérateurs éclairés de ces outils, capables d’identifier hallucinations et biais, et d’autre part, généraliser les standards d’interopérabilité pour fluidifier l’accès aux données secondaires tout en sécurisant l’hébergement sur des infrastructures souveraines (par exemple SecNumCloud pour le Health Data Hub) afin de réduire les délais d’accès aux données, aujourd’hui évalués à 18 mois en France contre quelques jours aux États‑Unis ou en Asie. Enfin, privilégier des solutions intégrant l’« ethics by design », avec de l’explicabilité, du contrôle humain systématique et une isolation stricte entre données de santé et modèles généralistes, pour concilier performance et exigence réglementaire.

     

  • AMI lève 1,03 milliard de dollars pour développer des « world models » appliqués à la santé, en partenariat avec Nabla

    Un nouveau modèle d’IA pour dépasser les limites des LLM

    Advanced Machine Intelligence (AMI) vient d’annoncer une levée de fonds de 1,03 milliard de dollars destinée à accélérer le développement de « world models », une nouvelle classe de systèmes d’intelligence artificielle. Contrairement aux grands modèles de langage (LLM), ces architectures ne se limitent pas à la prédiction textuelle : elles apprennent à représenter et simuler le fonctionnement d’environnements complexes et dynamiques.

    Dans le cadre de son partenariat exclusif avec AMI, la société française Nabla bénéficiera d’un accès anticipé à ces technologies. L’objectif : concevoir des systèmes d’IA plus sûrs, traçables et capables d’assister les professionnels de santé dans des contextes réels.

    Comprendre l’environnement clinique, pas seulement le langage

    Les LLM ont déjà trouvé leur place dans le milieu médical, automatisant la documentation, l’analyse sémantique et la récupération d’informations. Mais leurs limites apparaissent dès que la logique probabiliste atteint ses bornes : incapacité à raisonner de façon déterministe, difficulté à exploiter des données multimodales continues ou à anticiper l’évolution de situations cliniques.

    Les « world models », cherchent à modéliser les interactions entre les variables d’un environnement  pour simuler leurs conséquences dans le temps. En santé, où les décisions cliniques s’inscrivent dans des chaînes d’actions interdépendantes, cette approche pourrait transformer la manière dont les outils d’IA accompagnent les soignants.

    Vers des systèmes agentiques en santé

    Le programme de recherche d’AMI repose sur quatre axes : mémoire persistante, raisonnement contextuel, planification sous contraintes réelles, et contrôle de la sécurité. Intégrée dans l’écosystème Nabla, cette approche doit permettre le développement d’une IA dite « agentique », capable de réaliser certaines actions dans un flux de travail clinique défini, tout en restant auditable.

    Parmi les avancées visées :

    • prise de décision déterministe et vérifiable ;
    • raisonnement par simulation, incluant des analyses de type « what if » ;
    • traitement de signaux médicaux variés (audio, imagerie, données physiologiques) ;
    • compatibilité avec les exigences réglementaires des systèmes autonomes.

    Accélérer l’adoption clinique et interspécialités

    La diversité des pratiques médicales reste un frein à la généralisation de l’IA : le système de santé américain compte plus de 40 spécialités et 130 sous-spécialités, avec des workflows distincts. Les outils actuels se concentrent surtout sur la documentation en soins primaires, santé mentale ou urgences, où Nabla a démontré, selon une étude publiée dans NEJM AI, une réduction du temps de saisie et de la charge cognitive.

    Les « world models » pourraient faciliter le passage à d’autres disciplines en apprenant des représentations plus efficaces des environnements médicaux spécialisés, rendant les systèmes plus robustes et adaptables.

    Une vision commune pour l’IA clinique

    Selon Alexandre Lebrun, Delphine Groll et Martin Raison, cofondateurs de Nabla, l’ambition reste la même : intégrer des systèmes d’IA fiables dans la pratique médicale quotidienne, en co-création avec les soignants et les établissements. Leur assistant d’IA ambiante est déjà utilisé dans plusieurs centaines de structures pour la transcription automatique, la rédaction des notes cliniques et le codage en temps réel.

    Avec AMI, Nabla prépare la prochaine étape : rapprocher l’IA des réalités opérationnelles du soin, sans se limiter aux capacités linguistiques. L’enjeu, à moyen terme, est de doter le secteur de solutions computationnelles capables de comprendre non seulement le langage médical, mais aussi les mécanismes concrets du travail clinique.

     

  • De la polysomnographie au smartphone : la révolution discrète de la médecine du sommeil

    Insights :

    • 45% des Français déclarent au moins un trouble du sommeil et 9% une apnée du sommeil (5% en 2013).

     

    • Les troubles du sommeil représentent un fardeau sous‑adressé, générateur de coûts indirects importants (absentéisme, accidents, productivité).

     

    • L’apnée du sommeil est le cas d’usage pivot, avec un sous‑diagnostic massif qui justifie des approches IA de dépistage et diagnostic scalable.

     

    • Le lien bidirectionnel entre sommeil et santé mentale justifie que le sommeil soit intégré à la Grande Cause nationale Santé mentale 2025.

     

    • Un modèle fondationnel (SleepFM) démontre que les signaux de sommeil peuvent prédire de nombreuses maladies chroniques au‑delà des seules pathologies du sommeil.

     

    • L’adoption massive des wearables crée un flux continu de données nocturnes utilisables pour des parcours de prévention, dépistage et suivi intégrés.

    📌Sommeil des Français : un adulte sur cinq dort moins de 6 heures par nuit

    En 50 ans, le temps de sommeil des Français a diminué d’1 h 30, 45% déclarent au moins un trouble du sommeil et 9% souffrent d’apnée, contre 5% en 2013. Les adultes dorment en moyenne 7 h par nuit, mais 1 sur 5 dort moins de 6 h, tandis que 15–20% souffrent d’insomnie et 1 Français sur 4 présente une somnolence diurne, impliquée dans 10–20% des accidents de la route. Chez les jeunes, plus de 30% des enfants et jusqu’à 70% des adolescents dorment insuffisamment, avec un impact documenté sur les performances cognitives et la réussite scolaire. Le manque de sommeil augmente de 55% le risque d’obésité chez l’adulte et de 89% chez l’enfant, et de 28% celui de diabète de type 2, tout en accroissant les risques cardiovasculaires, immunitaires et neurodégénératifs. L’insomnie double le risque de dépression et concerne 75% des personnes avec troubles psychiques, ce qui justifie une feuille de route 2025–2026 de 25 mesures et le déploiement d’outils comme l’application gratuite Jardin Mental pour le suivi du sommeil et de l’humeur.

    👉 Plus de détails sur «Troubles du sommeil : 45% de la population déclare au moins un trouble du sommeil – Health & tech»

     

    📌IA et sommeil : 200 études montrent une performance proche des experts pour l’AOS et le scoring

    À partir de 200 publications entre 2024 et 2026, l’article identifie quatre grands champs d’usage de l’IA : dépistage de l’apnée obstructive du sommeil, scoring automatique des stades, phénotypage et outils de coaching/thérapie. Les méta-analyses montrent des AUC souvent supérieures à 0,80 pour le diagnostic d’AOS à partir d’ECG ou de SpO₂ et une précision de 80–85% pour le scoring polysomnographique, avec des accords « substantiels à presque parfaits » avec les experts. Des indices de brain age dérivés de l’EEG sur plus de 7 000 sujets se révèlent prédictifs du risque de démence, tandis que des biomarqueurs numériques respiratoires et moléculaires enrichissent la stratification cardiovasculaire et cardiométabolique. Les systèmes de coaching personnalisés, chatbots et LLM de santé du sommeil commencent à être testés en télémédecine, mais les auteurs insistent sur l’hétérogénéité méthodologique, le manque de validation externe et les enjeux d’équité, d’explicabilité et de responsabilité clinique. L’IA est ainsi positionnée comme outil de triage, de priorisation et de suivi, complémentaire à la polysomnographie et à l’expertise des spécialistes plutôt que substitut.

    👉 Plus de détails sur «IA et médecine du sommeil : de la validation clinique ciblée aux nouveaux parcours numériques – Health & tech»

     

    📌Médecine du sommeil : un marché en industrialisation face à un fardeau sous‑diagnostiqué

    L’article décrit un champ où les troubles du sommeil, fortement contributifs aux maladies chroniques et aux coûts indirects (absentéisme, accidents, productivité), demeurent largement sous‑diagnostiqués, créant un important réservoir de valeur médicale et économique. Des réseaux comme l’INSV et le Réseau Morphée structurent un maillage territorial, tandis que des centres comme AQODI ou le centre du sommeil de la clinique Jeanne‑d’Arc à Lunéville industrialisent l’exploration du sommeil via des plateaux techniques mutualisés et des parcours standardisés. La montée en puissance de formations spécialisées (DIU « Le sommeil et sa pathologie ») et de chaires comme Sleep Health‑AI consolide le capital humain et ouvre la voie à des modèles intégrant données de vie réelle, IA et partenariats public‑privé. En parallèle, l’article met en avant des risques majeurs : fragmentation de l’offre et disparités régionales, tension sur les compétences, incertitudes sur les modèles économiques et maturité inégale des solutions numériques. Les auteurs recommandent une intégration en « parcours » articulant prévention, soins primaires, centres spécialisés et plateformes de données/IA, afin de sécuriser le passage à l’échelle.

    👉 Plus de détails sur «Sommeil : un champ médical sous-exploité à la croisée de l’industrialisation des soins et de la révolution data/IA – Health & tech»

     

    📌 IA et apnée du sommeil : 14 cas d’usage pour réduire un sous‑diagnostic estimé à 80%

    Partant des 900 millions de personnes concernées dans le monde par l’apnée du sommeil, dont environ 80% ignorent leur condition, l’article présente 14 cas d’usage d’IA couvrant du smartphone aux modèles fondationnels multimodaux. Il montre comment des solutions de dépistage automatisé, de scoring embarqué dans des dispositifs (matelas, wearables, capteurs acoustiques), ou encore de monitoring en réanimation et en pédiatrie visent à contourner les limites de la polysomnographie, coûteuse et peu accessible. Plusieurs exemples mettent en avant des capacités de diagnostic ou de pré‑screening en ambulatoire avec des performances jugées cliniquement acceptables, permettant de prioriser l’accès aux laboratoires du sommeil. L’article souligne également les apports de l’IA pour l’optimisation personnalisée du repos nocturne, la détection de détériorations en soins intensifs et le suivi de nourrissons à risque, ouvrant des perspectives de médecine préventive. Il insiste cependant sur la nécessité de validation clinique, de cadres de remboursement et d’intégration aux parcours de soins pour éviter une prolifération de gadgets non validés.

    👉 Plus de détails sur «14 cas d’usage de l’intelligence artificielle en médecine du sommeil – Health & tech»

     

    📌 17 solutions d’IA en médecine du sommeil : quatre familles pour structurer le marché d’ici 2025

    L’article dresse un panorama 2025 de 17 solutions d’IA en médecine du sommeil, organisées en quatre grandes catégories : dépistage/diagnostic AOS simplifié, scoring automatique, plateformes de phénotypage‑données et outils de coaching/thérapies digitales. Il met en avant quelques indicateurs clés : tests domicile PPG/ECG avec bonne concordance à la polysomnographie, scores de risque intégrables en soins primaires, et plateformes combinant sommeil, comorbidités cardiométaboliques et suivi d’adhésion. Les auteurs analysent les opportunités (réduction du sous‑diagnostic, optimisation des flux en laboratoire du sommeil, création de biomarqueurs numériques de risque) et les risques (biais de données, manque d’interopérabilité, absence de modèles économiques stabilisés). L’article insiste sur le besoin de standards de reporting, de validations multicentriques et de cadres d’évaluation médico‑économique pour soutenir l’adoption par payeurs et cliniciens. Il conclut que les solutions les plus prometteuses sont celles ancrées dans des partenariats académiques forts, des infrastructures de données robustes et une intégration explicite aux parcours de soins existants.

    👉 Plus de détails sur «Panorama 2025 des solutions d’IA en médecine du sommeil (17 solutions, 4 grandes catégories) – Health & tech»

  • Revue systématique des LLM en clinique : peu de bénéfices démontrés au lit du patient 

    Une « méta‑revue »… réalisée avec un LLM

    Les auteurs partent d’un constat simple : depuis 2022, les études sur les grands modèles de langage en médecine se multiplient à un rythme tel qu’une revue systématique classique devient difficilement gérable. Pour contourner ce problème, ils conçoivent un pipeline de revue systématique s’appuyant lui‑même sur un LLM de pointe : le modèle est utilisé pour filtrer les articles, appliquer des critères d’inclusion/exclusion et extraire automatiquement les caractéristiques des études à partir des titres et résumés.

    Concrètement, plusieurs bases de données sont d’abord « aspirées », puis un LLM (GPT‑5 en mode reasoning) est chargé de décider si chaque étude doit être incluse et de la classer dans un niveau de preuve prédéfini. Les performances de ce screening automatisé sont ensuite comparées à celles d’équipes humaines sur un sous‑échantillon afin d’estimer la sensibilité, la spécificité et les marges d’erreur, avant d’appliquer un modèle bayésien pour corriger les totaux finaux.

    Un paysage saturé d’études… mais peu de données réelles

    Entre janvier 2022 et septembre 2025, la revue identifie 4 609 études évaluant des LLM en médecine clinique, soit environ 3,2 articles par jour. Pourtant, seule une minorité repose sur des données réellement représentatives de la pratique : 1 048 études utilisent des données patient réelles, et parmi elles seulement 19 sont des essais randomisés prospectifs évaluant un système déployé en situation clinique.

    La plupart des travaux se situent dans des contextes simulés (1 857 études) ou sur des tâches de type QCM/examen (1 704 études), loin des décisions complexes et du bruit des situations de soins réelles. Les modèles d’OpenAI dominent très largement le paysage : ChatGPT et modèles apparentés représentent 65,7 % des modèles évalués, tandis que Gemini/Bard arrive loin derrière avec 13,1 %, les autres modèles se partageant une fraction marginale.

    Un cadre en quatre niveaux de preuve

    Pour rendre lisible ce foisonnement, les auteurs proposent une grille de lecture par niveaux de preuve, inspirée des classifications classiques en médecine mais adaptée aux spécificités des LLM.

    • Tier S : études « or » – évaluations prospectives de systèmes déjà déployés, en environnement clinique réel, idéalement en essais randomisés contrôlés, avec des critères de jugement cliniques.

    • Tier I : évaluations rétrospectives ou prospectives sur de vraies données cliniques non vues pendant l’entraînement, mais sans déploiement en routine ni randomisation systématique.

    • Tier II : études sur données ou scénarios simulés ou synthétiques (vignettes cliniques, cas simulés, jeux de données artificiels), permettant de tester le comportement du modèle dans un cadre contrôlé.

    • Tier III : évaluations centrées sur la restitution de connaissances (questions‑réponses, examens, quiz), souvent éloignées des situations concrètes de prise en charge.

    Faute d’un nombre suffisant d’études Tier S, celles‑ci sont fusionnées avec le Tier I pour les analyses statistiques. Le LLM utilisé pour la revue détecte 1 094 études de Tier I (incluant les Tier S), 1 767 études de Tier II et 1 727 de Tier III, révélant un déséquilibre net au profit de travaux moins proches de la pratique réelle.

    LLM vs humains : des performances très dépendantes du contexte

    Sur 1 046 études comportant une comparaison directe LLM‑humains, les modèles surpassent les cliniciens dans 33 % des cas, mais cette proportion varie fortement selon le réalisme de la tâche et le niveau de formation des humains comparés. Dans les études de Tier III (tâches de type examens et questions de connaissances), les LLM dépassent les humains bien plus souvent que dans les études Tier I centrées sur des données cliniques réelles (38,4 % contre 25,9 %, différence statistiquement significative).

    Les auteurs observent également une évolution temporelle : dans les études Tier I et II, la fréquence à laquelle les LLM surpassent les humains tend à augmenter au fil des années, ce qui reflète l’amélioration rapide des modèles. À l’inverse, dans les études Tier III (examens), les gains semblent se tasser, suggérant que les marges de progression sur des tâches de pure connaissance sont désormais limitées.

    Un pipeline de revue assistée par LLM… validé et généralisable

    Au‑delà de la cartographie du champ, l’apport clé de ce travail est méthodologique : il montre qu’il est possible d’utiliser un LLM pour construire une revue systématique à grande échelle, tout en encadrant statistiquement les erreurs. Sur le sous‑ensemble d’articles annotés manuellement, le LLM atteint une sensibilité d’environ 0,91 et une spécificité de 0,92 pour la décision d’inclusion/exclusion, avec des intervalles de confiance étroits.

    En extrapolant ces performances à l’ensemble des 4 609 études via un modèle bayésien, les auteurs estiment que l’automatisation induit quelques centaines de faux positifs et faux négatifs (environ 669 faux positifs et 386 faux négatifs, avec des intervalles d’incertitude), mais sans remettre en cause les grandes tendances. Le code et un outil d’exploration des résultats sont mis à disposition en open source, afin de permettre à d’autres équipes d’adapter ce cadre à d’autres domaines de la médecine ou à de futurs modèles.

    Ce que cela change pour la médecine de demain

    Pour les auteurs, le déséquilibre flagrant entre le nombre total de publications et la rareté des données cliniques robustes doit amener à réorienter les priorités de recherche. Les LLM ont déjà démontré leur capacité à restituer des connaissances médicales et à performer sur des scénarios synthétiques, mais les preuves de bénéfice patient‑centré restent limitées, avec très peu d’essais randomisés et une majorité d’études de petite taille (au moins un quart des études ont des effectifs inférieurs à 30 participants ou cas).

    Les auteurs proposent une feuille de route graduelle : en l’absence d’études Tier III, commencer par évaluer la compétence brute du modèle sur des tâches de connaissances, puis passer à des simulations (Tier II), avant de tester les modèles sur de vraies données (Tier I) et, in fine, en déploiement clinique contrôlé (Tier S). Selon eux, renforcer cette progression, augmenter les tailles d’échantillon et intégrer des outcomes cliniques pertinents sont des conditions indispensables pour que les LLM puissent prétendre à une place durable dans les parcours de soins.

  • Panorama 2025 des solutions d’IA en médecine du sommeil (17 solutions, 4 grandes catégories)

    1 adulte sur 5 souffrirait d’apnée du sommeil : un moteur pour le dépistage à domicile

    Les solutions de dépistage et diagnostic de l’apnée du sommeil à domicile constituent un premier bloc de 3 solutions principales : Sleep Analyzer (Withings), Apneal et les travaux académiques de diagnostic à domicile. Withings Sleep Analyzer, développé avec les médecins du sommeil de l’hôpital Béclère et comparé à la polysomnographie clinique, détecte l’apnée du sommeil de façon « médicalement validée » à partir de capteurs pneumatiques et sonores placés sous le matelas. Il mesure en temps réel fréquence cardiaque, respiration, mouvements, durée des ronflements, structure des cycles de sommeil et propose une classification de la sévérité de l’apnée, intégrée dans un score de sommeil exploitable par le patient et potentiellement par les professionnels.

    Apneal, mis en avant par Bpifrance, illustre la montée d’acteurs spécialisés qui exploitent l’IA pour automatiser le dépistage de l’apnée du sommeil, avec une promesse de simplification du parcours par rapport à la polysomnographie traditionnelle en laboratoire. Les travaux de l’AI Modelling and Prediction Group au Luxembourg visent également un diagnostic à domicile, en s’appuyant sur des modèles d’IA pour analyser les signaux collectés dans l’environnement naturel du patient. Ce triptyque témoigne d’une convergence vers des dispositifs moins intrusifs, plus accessibles économiquement, et potentiellement intégrables dans des stratégies populationnelles de dépistage ciblé.

    Les objets portés et lits intelligents, deuxième pilier  7 solutions

    Les objets connectés de suivi continu du sommeil et de la santé constituent une deuxième catégorie comptant au moins 7 solutions : Oura Ring, Circular Ring 2, Ultrahuman, RingConn, Galaxy Ring, lits intelligents Sleep Number et Eight Sleep, ainsi que les fonctions de suivi du sommeil de l’Apple Watch. Oura Ring se positionne comme « compagnon de santé personnel » 24/7, combinant mesure du sommeil, activité, variabilité de la fréquence cardiaque et température pour produire des scores d’alignement circadien et de préparation, interprétés par des modèles propriétaires d’IA. Circular Ring 2, RingConn ou Galaxy Ring adoptent des architectures similaires, avec capteurs d’activité, de fréquence cardiaque et de température, et couches d’algorithmes permettant la détection automatisée des phases de sommeil et la production de recommandations quotidiennes.

    Au-delà des bagues, les lits intelligents Sleep Number et Eight Sleep intègrent des capteurs de pression, de température et parfois de fréquence cardiaque pour ajuster automatiquement fermeté, inclinaison ou température selon les signaux physiologiques nocturnes, grâce à des modèles d’IA embarqués. L’Apple Watch, via watchOS, fournit un suivi des durées et phases de sommeil, intégré à Apple Health, et alimente en données des applications tierces comme Somno. L’ensemble dessine un écosystème matériel dominé par des acteurs grand public, mais techniquement armé pour produire des séries temporelles riches en données exploitables par les cliniciens, sous réserve d’interopérabilité et de validation clinique.

    Rapport de sommeil par IA : les applications d’accompagnement numérique 4 solutions

    Les applications d’accompagnement et de coaching numérique du sommeil constituent un troisième bloc de 4 solutions principales : Somno,  le coach IA de Google et les écouteurs dédiés aux insomniaques. Somno, application de surveillance du sommeil, importe et analyse automatiquement les données issues de l’Apple Watch et d’autres appareils, et génère un « rapport de sommeil par IA » qui explique les causes probables des problèmes et propose des recommandations actionnables. Elle intègre un réveil intelligent, un algorithme breveté de détection de siestes, un verrouillage nocturne pour limiter l’usage d’applications après l’heure de coucher, ainsi qu’un score de « recharge énergétique » reposant sur des algorithmes propres.

    Le coach IA de Google, décrit comme un assistant 24/7 pour sport et sommeil, va plus loin en combinant données de multiples capteurs et historique comportemental pour fournir des conseils continus. Enfin, les écouteurs « pour insomniaques » utilisent des algorithmes pour adapter en temps réel sons, bruits blancs ou contenus audio en fonction des réactions de l’utilisateur, avec pour objectif de faciliter l’endormissement et de réduire les éveils nocturnes. Ces solutions ne produisent pas de diagnostic, mais structurent un espace de prévention et de modification comportementale à grande échelle.

    Cas d’usage pédiatrique et hospitalier 3 solutions

    Les cas d’usage spécialisés constituent une quatrième catégorie de 3 solutions : le babyphone dopé à l’IA, le « pyjama intelligent » et le dispositif pour patients de réanimation. Le babyphone de Cubo AI promet d’améliorer le sommeil du nourrisson et des parents en analysant en continu sons, mouvements et éventuellement paramètres physiologiques, puis en ajustant recommandations et alertes via IA. Ce type de solution ouvre la voie à un dépistage précoce de troubles du sommeil pédiatriques, tout en répondant à une forte demande parentale.

    Le « pyjama intelligent » dévellopé par l’université de Cambridge , intègre des capteurs permettant de surveiller les troubles du sommeil de manière non invasive, avec une analyse des signaux par IA pour détecter événements et anomalies. Enfin, la startup poitevine Somno enginnering développe un dispositif pour surveiller et « prendre soin du sommeil » des patients de réanimation, milieu où la fragmentation du sommeil aggrave morbidité et récupération. Ces solutions restent en phase plus expérimentale, mais préfigurent l’extension de l’IA du domicile vers les unités hospitalières critiques, avec un potentiel d’intégration aux systèmes de monitoring existants.

    Withings Intelligence et abonnements : opportunités économiques et cliniques transverses

    L’introduction de services basés sur l’IA – comme « Withings Intelligence », les abonnements Withings+ avec Cardio Check-Up, ou les offres Premium des applications Somno et Oura – crée un modèle récurrent de monétisation des algorithmes et de la donnée, au‑delà du seul matériel. Les offres d’abonnement (mensuelles ou annuelles) de Somno et Withings structurent un marché de services numériques qui peut intéresser assureurs, mutuelles et hôpitaux dans une logique de programmes de prévention ou de suivi à distance.

    Du point de vue clinique, la combinaison de dépistage validé (Sleep Analyzer, projets académiques), de suivi continu (bagues, lits, montres) et de coaching comportemental (applications IA, coach Google) ouvre la possibilité de parcours de soins hybrides, où le patient est suivi dans son environnement réel, avec des alertes pouvant déclencher des téléconsultations ou des examens complémentaires. Pour les dirigeants hospitaliers, ces briques offrent des leviers de désengorgement des laboratoires de sommeil, de fluidification du triage, et potentiellement de réduction des complications cardiovasculaires associées à l’apnée non traitée.

    Aucune donnée n’est téléchargée ou divulguée : risques, limites et enjeux de gouvernance

    Plusieurs solutions mettent en avant la protection des données, comme Somno qui affirme que toutes les données sont stockées localement ou chiffrées dans iCloud, sans téléchargement ni divulgation, ou Withings qui promet un stockage illimité sécurisé et non partagé avec des tiers. Cette transparence reste un élément clé pour l’adoption par les patients comme par les institutions, mais ne supprime pas les enjeux de gouvernance des algorithmes, de biais potentiels ni de validation clinique externe.

    Les limites tiennent également à la fragmentation de l’écosystème et à l’absence de standards d’interopérabilité réellement opérationnels entre dispositifs grand public et systèmes d’information hospitaliers, malgré la compatibilité annoncée avec Apple Health et plus de 100 applications pour certaines solutions. La frontière entre bien‑être et dispositif médical est parfois floue, comme en témoignent la différence de positionnement entre Sleep Analyzer (détection médicalement validée) et des applications de coaching; ceci pose des questions de responsabilité clinique, de remboursement et de régulation à moyen terme.

    Vers une médecine du sommeil augmentée par l’IA, encore à structurer

    Au total, les documents mettent en évidence au moins 17 solutions d’IA appliquées au sommeil, réparties entre dépistage/diagnostic à domicile (3), objets connectés et lits intelligents (7), coaching numérique et applications (4) et cas d’usage spécialisés pédiatriques ou hospitaliers (3). Pour les décideurs, l’enjeu est désormais de transformer ce foisonnement en parcours de soin structurés, fondés sur des dispositifs cliniquement validés et interopérables avec les systèmes hospitaliers.

    Les perspectives stratégiques en médecine du sommeil reposent ainsi sur trois axes : industrialiser le dépistage de l’apnée du sommeil à domicile grâce aux solutions validées, capitaliser sur les flux de données issus des objets connectés pour un suivi longitudinal réellement exploitable, et encadrer les outils de coaching IA par des référentiels cliniques et éthiques robustes. L’arbitrage entre innovation rapide portée par les acteurs grand public et exigences de sécurité, de preuve clinique et de souveraineté des données constituera le principal déterminant de la valeur créée pour les systèmes de santé comme pour les investisseurs.

  • 14 cas d’usage de l’intelligence artificielle en médecine du sommeil

    Un sous-diagnostic massif comme moteur principal : 80% des malades ignorent leur condition

    L’apnée du sommeil constitue le cas d’usage pivot de l’IA en médecine du sommeil, précisément parce que la barrière au diagnostic est structurelle. L’examen de référence — la polysomnographie (PSG) — est coûteux, logistiquement contraignant et peu accessible hors des grandes métropoles. Ce déficit de diagnostic est massif : sur les quelque 900 millions de personnes affectées dans le monde, environ 80% ignorent leur condition. En France, l’INSERM estimait à 1,8 million le nombre de patients traités par pression positive continue en 2017, témoignant d’un réservoir de malades non captés considérable.

    C’est dans ce contexte que plusieurs acteurs, publics et privés, développent des approches d’IA pour automatiser, démédicaliquer ou amplifier le diagnostic.

    Trois cas d’usage diagnostiques : du smartphone à la bague connectée

    Le smartphone comme dispositif médical de dépistage

    La startup française Apneal a présenté au CES 2025 une application mobile qui transforme le smartphone en dispositif médical logiciel d’aide au diagnostic du syndrome d’apnées-hypopnées obstructives du sommeil (SAHOS). Positionné sur le thorax du patient en mode avion, le smartphone mobilise ses capteurs intégrés (accéléromètre à 500 valeurs/seconde, gyroscope six axes, microphone) pour enregistrer les mouvements respiratoires, les battements cardiaques et les sons nocturnes (ronflements). L’IA génère ensuite un rapport transmis au médecin, atteignant un taux de corrélation de 90% avec la PSG. La solution fait l’objet d’une étude clinique européenne impliquant plus de 1 000 patients dans 20 centres répartis entre la France, l’Allemagne et l’Espagne. La startup est lauréate du programme de l’accélérateur prévention de BPIFrance et co-pilote d’un consortium EIT Health Flagship (budget global de 2,2 M€) avec Air Liquide, leader européen du traitement de l’apnée du sommeil.

    Le capteur de literie à validation clinique

    Withings Sleep Analyzer propose un dispositif sous-matelas à capteur pneumatique qui mesure la fréquence cardiaque, la respiration et les mouvements tout au long de la nuit, sans contact direct avec le dormeur. L’appareil permet une détection de l’apnée du sommeil cliniquement validée, développée en collaboration avec les médecins du sommeil de l’Hôpital Béclère à Paris, dont les résultats ont été comparés à ceux de la PSG. Son algorithme classifie les résultats selon leur gravité. C’est à ce jour l’une des rares solutions grand public bénéficiant d’une validation clinique explicite.

    Les bagues connectées multi-capteurs

    Plusieurs acteurs du marché des bagues connectées intègrent désormais des fonctionnalités de suivi du sommeil et de détection préliminaire de l’apnée : Oura Ring 4, valorisé à 11 milliards de dollars selon CNBC après une levée de 900 millions de dollars, mesure plus de 20 données biométriques (fréquence cardiaque, VFC, température, SpO2) ; la Samsung Galaxy Ring, disponible dans 53 pays depuis son lancement mondial en juillet 2024, analyse les phases de sommeil, la température cutanée et les niveaux d’oxygène sanguin ; la RingConn Gen 2 embarque un algorithme d’apprentissage profond affichant un taux de précision annoncé de 90,7% pour la détection de l’apnée du sommeil dans des études cliniques ; enfin, Ultrahuman Ring AIR propose un Sleep Index composite basé sur la qualité du sommeil profond, la chute de fréquence cardiaque nocturne, la température corporelle et la VFC, sans abonnement obligatoire contrairement à ses concurrents.

    Trois cas d’usage d’optimisation du sommeil : du lit intelligent au coach algorithmique

    Le lit thermorégulé à adaptation temps réel

    Eight Sleep (Pod) est un matelas à régulation thermique active dont l’IA adapte en temps réel la température de chaque côté du lit (entre 13 °C et 43 °C) en fonction des données biométriques du dormeur. L’entreprise annonce une réduction du temps d’endormissement jusqu’à 44%, une augmentation du sommeil profond jusqu’à 34%, une réduction des ronflements jusqu’à 45% et une diminution des réveils nocturnes jusqu’à 23%. La base ajustable détecte les ronflements et surélève automatiquement le buste pour dégager les voies respiratoires. Sleep Number, de son côté, a analysé plus de 13 milliards d’heures de données sur le sommeil pour améliorer ses algorithmes de détection, avec une ambition déclarée de détecter à terme les maladies cardiovasculaires et les troubles du sommeil.

    Le coach IA contextualisé et adaptatif

    Google/Fitbit a annoncé en août 2025 un Personal Health Coach basé sur l’IA Gemini, intégré à l’application Fitbit Premium. Ce coach exploite les nouvelles avancées algorithmiques de Fitbit en analyse du sommeil — notamment la capacité à distinguer précisément la phase d’endormissement de la phase de sommeil effectif — pour adapter dynamiquement les recommandations d’activité physique, de récupération et de gestion du stress. Si un score de sommeil dégradé est détecté, le plan d’entraînement est automatiquement allégé. L’intégration avec Health Connect (poids, VFC, glucose) permet une approche holistique.

    L’application de suivi personnalisé

    L’application Somno (iOS) génère des rapports de sommeil par IA à partir des données Apple Watch, identifie les causes des problèmes dans un langage simplifié et propose des recommandations actionnables. Elle intègre un algorithme de score de recharge énergétique personnalisé tenant compte de la qualité du sommeil, des rythmes naturels et des objectifs individuels. Apple Watch propose de son côté un suivi nativement intégré des phases de sommeil (paradoxal, lent, profond) et de la fréquence respiratoire nocturne, avec une recommandation explicite de ne pas utiliser ces données à des fins médicales.

    Deux cas d’usage émergents : des populations cliniques spécifiques

    La réanimation : protéger le sommeil des patients critiques

    La startup poitevine Somno Engineering, issue du CHU de Poitiers et cofondée par le Professeur Xavier Drouot (chef du service de neurophysiologie clinique), a développé un dispositif médical qui analyse en temps réel l’activité cérébrale des patients de réanimation afin d’identifier les fenêtres de sommeil et d’éviter que les interventions soignantes ne les interrompent. Présenté au CES 2025, le dispositif a déjà été testé par neuf services de réanimation en France, dont certains l’ont acheté. La startup a obtenu son marquage CE en novembre 2025, franchissant ainsi le verrou réglementaire majeur pour sa commercialisation en routine hospitalière. Ce cas d’usage adresse un enjeu documenté : un meilleur sommeil en réanimation réduit les séquelles, accélère la guérison et diminue la confusion post-réanimatoire.

    La pédiatrie et la parentalité connectée

    Le babyphone CuboAi 3 intègre une IA capable d’analyser la qualité du sommeil du nourrisson, de suivre automatiquement la croissance (taille), de détecter les situations de danger (visage couvert, zone à risque) six fois plus rapidement que le modèle précédent, et de générer des recommandations à destination des parents. Les données sont accessibles depuis une application partagée entre jusqu’à huit utilisateurs simultanément.

    Trois cas d’usage de confort augmenté : textiles, audio et domotique

    Les textiles intelligents

    Des chercheurs de l’Université de Cambridge ont développé un pyjama à capteurs graphène intégrés, capables d’identifier six états de sommeil distincts (dont le sommeil régulier, la respiration buccale, le ronflement et l’apnée) avec une précision de 98,6%, publiée dans les Proceedings of the National Academy of Sciences. L’objectif déclaré : offrir une alternative « confortable et facile à utiliser chaque nuit » à la PSG clinique, selon le Professeur Luigi Occhipinti du Cambridge Graphene Center.

    Les écouteurs inducteurs de sommeil

    La startup sud-coréenne dbbeats (For Me Buds) propose des écouteurs Bluetooth équipés de capteurs infrarouges, de mouvement et de photopléthysmographie (PPG) qui analysent le sommeil et diffusent des sons à battement binaural pour induire l’endormissement. Une étude publiée dans la revue Sleep en avril 2024 indique que ce type de stimulation dynamique a aidé 50% des sujets à s’endormir. L’application propose plus d’une centaine de contenus audio avec une sélection algorithmique automatique.

    L’environnement de sommeil domotisé

    Samsung Health, couplée à SmartThings, analyse l’environnement de sommeil (température, humidité, qualité de l’air, luminosité) et peut ajuster automatiquement les paramètres de la pièce pour créer des conditions optimales au coucher. Cette convergence entre données biométriques personnelles et actionneurs domotiques illustre la montée en puissance d’une logique d’environnement de sommeil intelligent.

    Un cas d’usage fondationnel émergent : la prédiction de maladies à partir du sommeil

    Le modèle SleepFM, publié dans Nature Medicine en janvier 2026 et développé conjointement par Stanford et Mount Sinai, constitue la percée scientifique la plus significative recensée dans ce corpus. Entraîné sur 585 000 heures de données polysomnographiques issues de 65 000 participants, ce modèle fondationnel multimodal (EEG, ECG, EMG, flux respiratoire, SpO2) prédit avec précision 130 conditions pathologiques, dont la maladie de Parkinson (C-index 0,89), la démence (0,85), les crises cardiaques (0,81), le cancer du sein (0,87) et la mortalité toutes causes confondues (0,84). Mobilisant une technique d’entraînement inédite dite leave-one-out contrastive learning, ce modèle — qui « apprend le langage du sommeil » selon le Professeur James Zou (Stanford) — démontre que les signaux de sommeil constituent une mine d’or physiologique encore largement inexploitée.

    Opportunités Principales

    Une convergence technologique sans précédent : l’adoption massive des wearables crée un flux continu de données biométriques nocturnes exploitables par des algorithmes de plus en plus performants. Les cas d’usage couvrent désormais l’ensemble du continuum — prévention, dépistage, diagnostic d’aide à la décision, suivi thérapeutique et prédiction pronostique — ce qui ouvre des possibilités inédites de parcours de soin intégré.

    La désintermédiation du laboratoire du sommeil : des solutions comme Apneal (90% de corrélation avec la PSG) ou la RingConn Gen 2 (90,7% de précision annoncée pour l’apnée) offrent une alternative scalable à la PSG traditionnelle, créant les conditions d’un dépistage de masse pour une pathologie dont le sous-diagnostic coûte des milliards aux systèmes de santé.

    La valeur prédictive du signal sommeil : SleepFM illustre que les données de sommeil sont prédictives non seulement des troubles du sommeil mais de conditions oncologiques, neurodégénératives et cardiovasculaires à long terme. Pour les assureurs, les hôpitaux et les systèmes de santé à paiement à la valeur, cette prédictivité représente une opportunité de prévention primaire structurée.

    Risques Majeurs

    La validité clinique reste le verrou central : la majorité des dispositifs grand public (bagues, applications mobiles) ne bénéficient pas d’un statut de dispositif médical. Samsung elle-même précise que la Galaxy Ring « n’est pas un dispositif médical » ; Apple stipule que les données respiratoires ne doivent pas « être utilisées à des fins médicales ». L’écart entre précision commercialement annoncée et validation clinique réglementaire est structurellement sous-estimé.

    La fragmentation des données et l’interopérabilité : la multiplication des écosystèmes propriétaires (Apple Health, Samsung Health, Oura, Withings+) génère des silos de données incompatibles avec les systèmes d’information hospitaliers, freinant l’intégration dans les parcours de soin réels.

    Les biais algorithmiques et la représentativité des cohortes : des modèles entraînés sur des populations homogènes (ethniquement, physiologiquement) risquent de sous-performer pour des sous-groupes non représentés, particulièrement en pédiatrie, en gériatrie et pour les populations à comorbidités multiples.

    La gouvernance des données de santé nocturnes : le suivi biométrique continu durant le sommeil génère des données particulièrement sensibles (HRV, SpO2, cycles circadiens, comportements nocturnes). Les risques liés à la monétisation secondaire, aux cyberattaques et à l’absence de consentement éclairé en contexte de somnolence constituent des enjeux éthiques et juridiques non résolus.

    Synthèse et Perspectives Stratégiques

    Au total, ce corpus identifie 14 cas d’usage actifs ou en cours de validation en médecine du sommeil, structurés en cinq catégories :

    Catégorie Nombre de cas d’usage Exemples clés
    Diagnostic et dépistage 3 Apneal, Withings Sleep Analyzer, RingConn Gen 2
    Optimisation et coaching 3 Eight Sleep Pod, Google/Fitbit Gemini Coach, Somno App
    Populations cliniques spécifiques 2 Somno Engineering (réanimation), CuboAi (pédiatrie)
    Confort et environnement de sommeil 3 Pyjama Cambridge, For Me Buds, Samsung SmartThings
    Prédiction pronostique fondationnelle 1 SleepFM (Stanford / Mount Sinai)
    Dispositifs de suivi multimodaux 2 Oura Ring 4, Samsung Galaxy Ring

    La trajectoire stratégique de ce marché suit une logique d’escalade de valeur : des solutions de confort (wearables grand public) vers des outils cliniques validés (dispositifs médicaux logiciels), puis vers des modèles fondationnels prédictifs. Les acteurs les mieux positionnés seront ceux capables d’articuler précision médicale, validation réglementaire (marquage CE, FDA clearance) et intégration dans les systèmes d’information de santé. Pour les dirigeants hospitaliers, l’enjeu immédiat réside dans la définition de protocoles d’intégration différenciés selon le niveau de validation clinique des outils ; pour les investisseurs, dans l’identification des acteurs capables de franchir le verrou réglementaire, à l’image de Somno Engineering avec son marquage CE obtenu fin 2025 et d’Apneal dont la validation européenne est en cours sur 20 centres.

  • Sommeil : un champ médical sous-exploité à la croisée de l’industrialisation des soins et de la révolution data/IA

    L’écosystème de la médecine du sommeil se structure autour d’un continuum allant de la prévention et de l’éducation à la santé jusqu’aux centres d’exploration du sommeil et aux chaires de recherche intégrant l’IA, avec une montée en puissance des approches réseau et des modèles industrialisés de prise en charge. Dans ce contexte, les principaux acteurs (réseaux associatifs, centres de santé spécialisés, structures hospitalières, universités et plateformes d’IA) disposent d’importants leviers de création de valeur, mais sont confrontés à des contraintes organisationnelles, économiques, réglementaires et technologiques significatives.

    Opportunités principales

    Un fardeau épidémiologique et sociétal encore largement sous-adressé

    • Les troubles du sommeil (insomnie, apnées, hypersomnies, parasomnies, troubles du rythme veille–sommeil) restent sous-diagnostiqués alors qu’ils constituent un déterminant majeur de la santé cardiométabolique, cognitive et mentale.

    • Les données issues de chaires comme Sleep Health‑AI montrent que les troubles du sommeil contribuent de manière significative aux maladies chroniques et aux coûts indirects (absentéisme, baisse de productivité, accidents), ce qui crée un important potentiel de réduction de coûts pour les payeurs et les employeurs.

    • Cette « sous‑adéquation » entre besoin réel et capacité de prise en charge ouvre un espace de croissance pour les acteurs capables d’augmenter les volumes diagnostiqués (centres du sommeil, plateformes de dépistage, réseaux de santé, acteurs de l’IA appliquée).

     Structuration d’un maillage territorial et renforcement des parcours de soins

    • L’INSV développe une cartographie des structures prenant en charge les troubles du sommeil et se positionne comme interface de communication et de prévention entre associations de patients, professionnels de santé et pouvoirs publics, ce qui favorise la lisibilité de l’offre et la construction de parcours coordonnés.

    • Le Réseau Morphée, réseau de santé francilien financé par l’ARS, illustre le rôle des réseaux territoriaux pour l’orientation des patients, la formation des médecins et la mise en place de parcours de soins innovants, notamment via un questionnaire en ligne de pré‑évaluation et des actions structurées autour du sommeil de l’enfant et de l’adolescent.

    • Les centres comme AQODI ou les nouveaux centres intégrés dans des cliniques (ex. clinique Jeanne‑d’Arc à Lunéville) mettent en œuvre des parcours complets (consultation, examens, mise en place du traitement, suivi) et renforcent la capacité régionale d’exploration du sommeil, contribuant à réduire les délais d’accès aux diagnostics.

    Industrialisation et professionnalisation des centres de sommeil

    • AQODI déploie des centres de santé et des laboratoires du sommeil « partout en France », avec une gouvernance médicale forte, des équipes pluridisciplinaires et des équipements de pointe, cherchant ainsi à standardiser la qualité et à mutualiser les investissements techniques (polysomnographie, enregistrements multiparamétriques, etc.).

    • Le centre du sommeil de la clinique Jeanne‑d’Arc (Lunéville), adossé à un groupe privé (Louis Pasteur Santé) et à une association médicale spécialisée (AGEM), témoigne du potentiel d’intégration verticale entre groupes de cliniques, associations de somnologie et plateaux techniques dédiés.

    • La montée en puissance de ces modèles permet de créer des économies d’échelle, de développer des protocoles standardisés et d’améliorer la productivité médicale, préfigurant l’émergence d’opérateurs nationaux de la médecine du sommeil.

    Montée en compétence des professionnels et consolidation du capital humain

    • Le DIU « Le sommeil et sa pathologie » (Montpellier–Nîmes) est emblématique d’une offre de formation inter‑universitaire pluridisciplinaire, visant à approfondir les connaissances des professionnels sur la physiologie du sommeil et l’ensemble des pathologies associées, avec une articulation explicite entre diagnostic, thérapeutique et prise en charge globale.

    • Les actions de formation du Réseau Morphée, notamment les webinaires dédiés aux professionnels, renforcent les compétences en soins primaires pour le dépistage, l’orientation et la prise en charge, contribuant à diffuser une culture somnologique au‑delà des centres spécialisés.

    • L’INSV, en tant qu’association nationale de référence fondée sous l’impulsion de la SFRMS, structure un écosystème où associations de patients, sociétés savantes et professionnels se coordonnent autour d’actions de prévention, de sensibilisation et de formation continue.

    Transformation numérique et IA comme leviers de rupture

    • La chaire internationale Sleep Health‑AI, portée par l’Université Grenoble Alpes avec des partenaires académiques et industriels, vise explicitement à transformer la médecine du sommeil par l’exploitation de l’IA et des données de vie réelle (dossiers médicaux, données de remboursement, capteurs portables, données rapportées par les patients).

    • L’intégration de l’IA dans la prévention, le diagnostic et la gestion des troubles du sommeil permet d’envisager des approches de médecine prédictive, préventive et personnalisée, avec des algorithmes transparents, physiologiquement ancrés et cliniquement interprétables, ce qui répond aux attentes de confiance des cliniciens.

    • Ces initiatives ouvrent de nouvelles opportunités pour les partenariats public–privé (universités, industriels du dispositif médical, éditeurs de logiciels, fabricants de wearables, assureurs), et pour la création de plateformes de données et d’algorithmes pouvant être déployées à large échelle dans les centres du sommeil ou en ambulatoire.

    Différenciation par la prévention, la pédagogie et l’ancrage grand public

    • L’INSV, via ses campagnes de prévention et la Journée du Sommeil, contribue à la reconnaissance du sommeil comme facteur essentiel de la santé, renforçant la demande sociale pour des solutions et légitimant les investissements publics et privés dans ce champ.

    • Le Réseau Morphée développe des ressources numériques ciblées sur le sommeil de 0 à 18 ans, avec un site de référence et des contenus à destination des parents, enseignants et infirmières scolaires, ce qui positionne le réseau comme acteur clé de la prévention pédiatrique.

    • Ces actions offrent aux acteurs de la médecine du sommeil des opportunités d’extension de leur périmètre d’activité vers l’éducation à la santé, les partenariats avec le système scolaire et les programmes d’entreprise, favorisant des modèles économiques hybrides (financement public, partenariats privés, mécénat).

    Risques majeurs

    Fragmentation de l’offre et disparités territoriales

    • Malgré les efforts de cartographie de l’INSV et le développement de réseaux locaux (Morphée) ou de centres spécialisés (AQODI, cliniques privées), l’offre demeure hétérogène, avec un risque de disparités importantes entre régions bien dotées et territoires sous‑équipés.

    • Les initiatives restent souvent portées par des structures associatives ou des opérateurs privés isolés, ce qui peut limiter la mutualisation des moyens, la standardisation des pratiques et la visibilité globale de l’écosystème pour les patients et les payeurs.

    • Pour les dirigeants hospitaliers et les investisseurs, cette fragmentation complexifie la mise en œuvre de stratégies d’expansion cohérentes et augmente le risque de duplication des investissements ou d’effets d’aubaine à faible impact populationnel.

    Tension sur les compétences et dépendance à une expertise rare

    • La montée en puissance de centres spécialisés (AQODI, centres hospitaliers, cliniques privées) accroît la demande en médecins du sommeil, techniciens de sommeil, psychologues et infirmiers spécialisés, alors que le vivier de professionnels formés reste limité.

    • Si le DIU « Le sommeil et sa pathologie » et les actions de formation des réseaux contribuent à élargir le socle de compétences, ces dispositifs nécessitent du temps pour produire un volume suffisant de professionnels, créant un risque de goulet d’étranglement sur la capacité de montée en charge.

    • À court terme, cette tension peut se traduire par une concurrence accrue entre acteurs pour l’attraction des talents, une augmentation des coûts salariaux et un risque de dégradation de la qualité si des profils insuffisamment formés sont mobilisés pour répondre à la demande.

    Incertitudes économiques et soutenabilité des modèles

    • Les réseaux de santé comme Morphée sont largement dépendants de financements publics (ARS), ce qui les expose aux arbitrages budgétaires et aux priorités changeantes des autorités sanitaires.

    • Les centres associatifs ou médico‑sociaux (ex. AQODI) combinent des missions de qualité des soins, de prévention et de prise en charge des pathologies chroniques, avec des contraintes économiques propres au secteur médico‑social, créant une tension structurelle entre mission sociale et viabilité économique.

    • Les investissements nécessaires en équipements (plateaux techniques d’exploration du sommeil), en systèmes d’information et, demain, en infrastructures de données et d’IA, peuvent peser lourdement sur les comptes d’exploitation des cliniques, des centres et des hôpitaux si les modèles de financement ne reconnaissent pas pleinement la valeur générée (prévention, réduction des complications, gain de productivité).

    Maturité inégale des solutions numériques et risques de non‑adoption de l’IA

    • La chaire Sleep Health‑AI affiche une ambition forte d’intégration de l’IA dans la prévention, le diagnostic et la gestion de la santé du sommeil, mais la transposition opérationnelle de ces travaux dans les pratiques cliniques est conditionnée par la capacité des établissements et des professionnels à intégrer de nouveaux outils et à adapter leurs workflows.

    • Les exigences de transparence, de reproductibilité et d’interprétabilité des algorithmes, rappelées par la chaire, sont critiques pour obtenir la confiance des cliniciens, mais peuvent allonger les cycles de développement et de validation, retardant la disponibilité de solutions matures.

    • En l’absence de cadres de remboursement, de référentiels d’évaluation et d’interopérabilité clairement définis, les solutions d’IA en médecine du sommeil risquent de rester cantonnées à des pilotes académiques, sans passage à l’échelle, ce qui constituerait un risque pour les investisseurs technologiques et les établissements qui misent sur ces innovations.

    Risques de cloisonnement entre prévention, soins primaires et centres spécialisés

    • L’INSV et les réseaux comme Morphée portent une forte dynamique de prévention et d’éducation, mais la traduction de ces actions en flux structurés vers les centres de sommeil (publics, privés, associatifs) dépend de la qualité de l’intégration avec les médecins traitants et les systèmes d’orientation.

    • Le développement de centres spécialisés et de plateaux techniques peut conduire à une forme d’hyperspécialisation, si les liens avec les soins primaires, la pédiatrie, la santé mentale et la médecine du travail ne sont pas activement entretenus, entraînant des ruptures de parcours ou des retours insuffisants d’information aux prescripteurs.

    • La multiplication d’initiatives numériques (questionnaires en ligne, sites d’information, webinaires) sans intégration dans les systèmes d’information de santé (DMP, logiciels métiers) accentue ce risque de cloisonnement, en créant des « silos » d’information déconnectés des décisions cliniques.

    Concurrence des approches non validées et enjeux d’image

    • Le fort intérêt du grand public pour le sommeil favorise l’émergence d’acteurs non médicaux (applications grand public, dispositifs non certifiés, contenus non validés) susceptibles de brouiller les repères et de détourner une partie des patients des parcours validés par les sociétés savantes et les réseaux.

    • Les acteurs légitimes (INSV, réseaux, centres agréés, universités) doivent maintenir un haut niveau d’exigence scientifique et de pédagogie pour se différencier, au risque sinon de voir leur image diluée dans un environnement informationnel surchargé.

    • Pour les investisseurs et dirigeants d’établissements, ce contexte accroît la nécessité de due diligence scientifique et réglementaire avant d’accompagner des projets liés à la santé du sommeil, afin d’éviter des risques réputationnels et de conformité.

    Synthèse et perspectives stratégiques

    Les acteurs de la médecine du sommeil évoluent aujourd’hui dans un environnement où l’ampleur des besoins non couverts, la structuration progressive de réseaux et de centres spécialisés, et l’émergence de solutions d’IA créent un potentiel important de valeur médicale, sociale et économique. Dans le même temps, la fragmentation de l’offre, la rareté des compétences, les incertitudes financières et la maturité encore incomplète des solutions numériques font peser des risques élevés sur la soutenabilité et la capacité de passage à l’échelle de ces modèles.

    Pour les dirigeants hospitaliers, la priorité stratégique consiste à intégrer la médecine du sommeil dans une vision de parcours, en articulant prévention, soins primaires, centres d’exploration et plateformes numériques, tout en investissant dans la formation (DIU, réseaux) et dans des partenariats structurés avec les acteurs référents (INSV, Réseau Morphée, chaires universitaires). Pour les investisseurs, les opportunités les plus attractives se situent probablement à l’intersection des opérateurs de centres multi‑sites (modèles type AQODI, cliniques intégrant des centres du sommeil) et des plateformes de données/IA ancrées dans des partenariats académiques solides, à condition de maîtriser le risque réglementaire et d’adoption. Pour les médecins, enfin, l’enjeu est de tirer parti de ces dynamiques (formations spécialisées, réseaux, outils d’IA) pour enrichir leur pratique, participer à la co‑construction de standards de qualité et s’assurer que la transformation numérique reste alignée avec les exigences de la clinique et de l’éthique.

  • Imagerie : L’Académie de médecine inscrit l’IA validée dans l’obligation de moyens

    Le non-recours aux outils validés pourrait constituer “une perte de chance”

    Dans son rapport adopté en janvier 2026, l’Académie nationale de médecine considère que l’utilisation des applications d’IA dont l’utilité clinique a été démontrée relève désormais des obligations de moyens en imagerie médicale. L’IA est décrite comme un outil d’assistance 24 h/24 au radiologue et au clinicien qui limite les risques d’erreur, d’inattention ou de méconnaissance et facilite la décision médicale, notamment via l’amélioration de la qualité des images, la détection d’anomalies, la segmentation, la quantification et l’estimation de paramètres pronostiques.

    Le rapport va jusqu’à indiquer que la non‑utilisation d’applications ayant un marquage réglementaire, des performances scientifiquement démontrées et une utilité clinique documentée pourrait, à terme, être assimilée à une perte de chance pour le patient. Cette position s’appuie sur une vision où l’IA, lorsqu’elle est validée, fait partie intégrante de l’arsenal de moyens que le radiologue doit mobiliser au bénéfice du patient, au même titre que les protocoles d’examen ou les outils de post‑traitement.

    En parallèle, l’Académie rappelle que l’autorisation de mise sur le marché par la FDA ou via le marquage CE repose souvent sur la non‑infériorité par rapport à des panels de radiologues, sans preuve systématique d’un bénéfice clinique final, ce qui impose de ne pas réduire l’obligation de moyens à une simple conformité réglementaire. Le recours à l’IA doit rester encadré par une démarche de preuve, des essais cliniques et une évaluation continue de la valeur ajoutée pour la prise en charge.

    Un usage encadré par la vigilance et la validation médicale

    L’obligation de moyens n’exonère pas les professionnels de leurs responsabilités individuelles et collectives dans l’utilisation de systèmes d’IA parfois opaques et sensibles aux biais. Le rapport insiste sur le fait que les résultats des applications d’IA doivent toujours être validés par le médecin responsable de l’examen, afin d’éviter une délégation de facto de la décision à la machine. L’Académie alerte sur le risque d’absence de validation humaine, dans un contexte de pression démographique et économique qui pourrait pousser certains acteurs à s’appuyer excessivement sur des flux automatisés.

    Cette vigilance passe aussi par l’information systématique des patients et des prescripteurs sur le recours à l’IA, de façon traçable, en cohérence avec la loi de bioéthique de 2021 et les exigences d’explicabilité du fonctionnement des algorithmes. Le rapport souligne que les concepteurs doivent assurer une explicabilité suffisante pour les utilisateurs et que les professionnels doivent pouvoir accéder aux données utilisées et aux résultats produits. Sur le plan juridique, l’Académie anticipe un développement rapide d’un droit de l’IA en santé calé sur la loi de 2002, la loi de 2021, le règlement européen du 13 juin 2024 et la jurisprudence existante sur les robots médicaux.

    L’algorithmovigilance, une maintenance continue des modèles

    Au‑delà de la vigilance médicale, le texte introduit explicitement la notion d’algorithmovigilance, entendue comme une maintenance continue des algorithmes par les fabricants et les utilisateurs. Les constructeurs d’équipements embarquant de l’IA et les éditeurs d’applications doivent assurer une matériovigilance et une algorithmovigilance sur leurs produits et leurs évolutions successives, avec remontée, analyse et prise en compte des résultats erronés.

    L’Académie décrit un dispositif dans lequel les structures d’imagerie ont la responsabilité locale de surveiller les performances, de détecter les dérives, de recenser les erreurs et de les communiquer aux constructeurs, tout en garantissant la protection des données des patients sur l’ensemble du circuit des images. Cette organisation suppose la mise en place de registres ou de grandes cohortes rigoureusement collectées et annotées, l’identification de « vérités terrain » (biopsies, suivi longitudinal) et un dialogue continu entre cliniciens, radiologues, data scientists et industriels.

    Les facteurs de dérive identifiés sont multiples : nouvelles modalités d’acquisition (scanners à comptage photonique), modifications d’algorithmes embarqués, nouveaux produits de contraste, émergence de nouvelles pathologies, évolution des populations ou des pratiques thérapeutiques. Pour y répondre, les auteurs insistent sur la nécessité de réentraîner régulièrement les modèles, d’utiliser des données synthétiques pour anticiper des situations inédites et de documenter les versions successives dans une charte de responsabilité.

    Charte de responsabilité, gouvernance et IA Act européen

    L’algorithmovigilance s’inscrit dans un cadre plus large de gouvernance et de responsabilité partagée entre fabricants et usagers. L’Académie recommande l’élaboration et le respect d’une charte de responsabilité pour les algorithmes utilisés en diagnostic radiologique, inspirée du code de conduite de la National Academy of Medicine, couvrant des critères de fiabilité, sécurité, efficacité, équité, efficience, accessibilité, transparence, responsabilité, sûreté et évolutivité. Chaque centre d’imagerie ou institution doit désigner une gouvernance robuste, chargée de veiller au respect de cette charte et au déploiement effectif de l’algorithmovigilance.

    Le rapport articule cette gouvernance avec le règlement européen sur l’IA adopté le 13 juin 2024, qui classe la plupart des systèmes utilisés en santé parmi les IA « à haut risque » et impose des exigences renforcées sur la maîtrise de l’outil, la qualité des données, la formation des utilisateurs et la cybersécurité. L’Académie rappelle que la CNIL demande un contrôle humain effectif, une transparence sur le système et un niveau approprié d’exactitude, de robustesse et de stabilité tout au long du cycle de vie, et souligne la convergence avec les principes américains de « learning health system ».

    Dans ce cadre, la responsabilité se répartira entre professionnels de santé (mauvaise utilisation, défaut de maintenance), établissements, fabricants (produits défectueux au sens de la loi de 1998) et acteurs intermédiaires, avec une probabilité croissante de contentieux liés soit à une utilisation inadéquate, soit à la non‑utilisation d’un outil pertinent, assimilable à une perte de chance.

    Former à la fois à l’obligation de moyens et à l’algorithmovigilance

    Enfin, l’Académie fait de la formation un levier central de cette double dynamique : obligation de moyens et algorithmovigilance. La compréhension du potentiel de l’IA en imagerie, de ses biais, de ses limites, de ses risques, de la nécessité de son actualisation continue et des questions éthiques associées doit faire partie intégrante de la formation initiale et continue de tous les professionnels de santé. L’objectif est d’éviter la perte de compétence, le biais de supériorité de la machine et la dépendance aux systèmes automatisés, tout en développant une culture de maîtrise humaine et de contrôle critique des résultats.