Les maladies rares représentent un défi sanitaire d’envergure mondiale, affectant entre 300 et 400 millions de personnes à travers le monde[3]. Malgré cette prévalence collective considérable, plus de 90% de ces pathologies demeurent sans thérapie efficace[1], et la majorité des patients restent non diagnostiqués ou insuffisamment traités en raison de délais diagnostiques prolongés et de l’absence de traitements spécifiques[3]. Dans ce contexte, l’intelligence artificielle offre des perspectives transformatrices pour accélérer la détection, optimiser le développement thérapeutique et améliorer la prise en charge clinique des maladies rares.

Le présent article synthétise un corpus de 35 publications scientifiques récentes couvrant la période 2024-2026, issues de revues internationales de référence incluant Journal of Chemical Information and Modeling, Trends in Pharmacological Sciences, Nature, Orphanet Journal of Rare Diseases, JMIR AI, et NEJM AI. Ces travaux proviennent d’institutions académiques et cliniques situées en Europe (Université de Coimbra au Portugal, University College London au Royaume-Uni, Charité-Universitätsmedizin Berlin en Allemagne, Università degli Studi di Milano en Italie), en Amérique du Nord (Mayo Clinic et U.S. Food and Drug Administration aux États-Unis, Boston Children’s Hospital et Harvard Medical School), et en Asie (Showa University Northern Yokohama Hospital au Japon). L’analyse couvre les applications de l’intelligence artificielle dans la découverte de médicaments, le diagnostic précoce, la pharmacovigilance, la gestion clinique et les infrastructures de recherche, en mettant l’accent sur les innovations méthodologiques, les résultats quantitatifs et les implications stratégiques pour le secteur de la santé numérique.

Découverte de Médicaments et Repositionnement Thérapeutique

État des Lieux et Potentiel Transformateur

Le développement de médicaments pour les maladies rares présente des obstacles structurels majeurs. Gangwal et Lavecchia, chercheurs en Inde et en Italie, soulignent que les modèles traditionnels de découverte pharmaceutique, caractérisés par des cycles de développement prolongés et des taux d’échec élevés, génèrent des retours sur investissement insuffisants pour ces pathologies[1]. L’adoption de techniques d’intelligence artificielle, englobant le machine learning et le deep learning, permet de surmonter ces limitations en accélérant l’identification de cibles thérapeutiques, le repositionnement de médicaments existants, la découverte de biomarqueurs et l’optimisation des essais cliniques[1].

Amorim et collaborateurs, affiliés à l’Université de Coimbra et à l’entreprise PURR.AI au Portugal, démontrent que l’intelligence artificielle intègre des données génomiques, cliniques et d’imagerie pour accélérer la détection et la découverte thérapeutique dans le domaine des maladies rares[3]. Cependant, ces auteurs constatent une persistance du fossé entre l’innovation algorithmique et l’impact clinique réel, la plupart des outils d’intelligence artificielle demeurant confinés au stade de preuve de concept[3]. Les avancées récentes dans les modèles génératifs, l’apprentissage fédéré et l’intelligence artificielle explicable ont commencé à surmonter les barrières liées à la rareté des données, aux préoccupations de confidentialité et aux biais algorithmiques[3].

Infrastructures et Données pour la Recherche Thérapeutique

Dette et collaborateurs, issus de l’Université de la Sarre en Allemagne et d’institutions internationales, examinent l’application des jumeaux numériques dans le développement de médicaments pour les maladies rares[5]. Leur analyse de 16 études identifie plusieurs techniques de modélisation sous-jacentes, incluant la modélisation pharmacocinétique physiologique, la modélisation pharmacocinétique de population, la modélisation pharmacologique des systèmes quantitatifs et la modélisation du physiome[5]. Bien que ces approches facilitent la stratégie thérapeutique, la modélisation de la progression de la maladie et le support décisionnel clinique, l’implémentation des jumeaux numériques dans le domaine des maladies rares demeure à un stade précoce de développement[5].

L’intégration de données issues de registres et de dossiers de santé électroniques constitue un levier stratégique pour l’enrichissement des bases de données thérapeutiques. Yadaw et collaborateurs, du National Center for Advancing Translational Sciences aux États-Unis, ont développé un workflow semi-automatisé permettant d’identifier 357 codes ICD-10 et 12 081 codes SNOMED-CT représentant 6 342 maladies rares répartis en 30 classes de linéarisation Orphanet[21]. Cette approche systématique a permis d’identifier 404 735 patients atteints de maladies rares dans une cohorte de 4 835 718 individus positifs à la COVID-19, soit 8,37% de la population étudiée[21]. Les ratios de risque de mortalité et d’hospitalisation pour les différentes classes de maladies rares variaient de 0,23 à 5,28 et de 0,93 à 3,13 respectivement[21].

Diagnostic Précoce et Reconnaissance Phénotypique

Technologies de Reconnaissance Faciale et Multimodale

L’identification précoce des maladies rares constitue un enjeu clinique majeur, les délais diagnostiques prolongés entraînant une progression pathologique et des coûts sanitaires substantiels. Rudy et collaborateurs, représentant des institutions américaines, géorgiennes et italiennes, présentent 17 cas cliniques impliquant 19 patients pour lesquels la technologie DeepGestalt, intégrée dans l’application Face2Gene, a modifié les décisions de tests génétiques des médecins généticiens en temps réel[13]. Cette technologie de reconnaissance faciale avancée permet d’orienter une stratégie de test plus efficace dans les situations où les défis cliniques incluent l’étendue limitée de l’expérience du clinicien, l’absence de dysmorphologie distinctive ou chevauchante, les présentations atypiques et les difficultés d’identification phéno typique à travers différentes ancestralités[13].

Wang et collaborateurs, du Shanghai Health Development Research Center en Chine, identifient des applications de l’intelligence artificielle centrées sur le support décisionnel diagnostique, le phénotypage, le suivi de la progression et la stratification des risques[14]. Les algorithmes d’apprentissage few-shot, conçus pour surmonter la rareté des données, et les modèles fondamentaux validés cliniquement améliorent la cohérence diagnostique entre institutions[14]. Les frameworks d’intelligence artificielle multimodaux, intégrant imagerie, données génomiques et phénotypiques, augmentent la précision diagnostique[14].

Performance Comparative et Intégration Clinique

Sendtner et collaborateurs, de l’Hôpital Universitaire de Bonn en Allemagne, ont comparé les performances de l’outil de diagnostic différentiel Isabel Healthcare DDx companion avec celles de conférences de cas interdisciplinaires sur une cohorte de 100 patients d’âge moyen de 44 ans[24]. L’outil et les conférences ont généré un total de 727 suggestions diagnostiques[24]. Parmi les dix premiers diagnostics suggérés par Isabel Healthcare DDx companion, 28% correspondaient à au moins un diagnostic identifié lors des conférences de cas interdisciplinaires[24]. Les diagnostics suggérés comme plus probables par l’outil présentaient une corrélation plus élevée avec les diagnostics différentiels et les procédures identifiés lors des conférences, suggérant un alignement potentiel dans les processus de prise de décision clinique[24].

Frias et collaborateurs, de l’Hôpital Sant Joan de Déu en Espagne, abordent le défi de l’utilisation de techniques d’intelligence artificielle dans le diagnostic de la dystrophie musculaire congénitale liée au collagène VI à partir d’images de microscopie confocale[17]. Leur étude démontre qu’en utilisant des procédures appropriées de gestion et d’entraînement des données, il est possible de dériver un classificateur hautement précis même avec une quantité limitée de données d’entraînement, en appliquant à la fois des techniques classiques de machine learning et des approches modernes de deep learning[17].

Pharmacovigilance et Surveillance des Effets Indésirables

Limites des Systèmes Conventionnels

La pharmacovigilance pour les maladies rares présente des lacunes considérables dans les mesures conventionnelles, susceptibles d’entraîner des problèmes de sécurité significatifs, particulièrement dans le monitoring de l’efficacité des médicaments orphelins[2]. Jain et Adenwala, chercheurs chez Curis Inc. et Seres Therapeutics Inc. aux États-Unis, identifient les systèmes de notification d’événements indésirables inefficaces, le faible taux d’enrôlement de patients et la surveillance faible des signaux comme obstacles à l’évaluation efficace de la sécurité des maladies rares[2].

Potentiel de l’Intelligence Artificielle et du Machine Learning

Les technologies d’intelligence artificielle et de machine learning offrent la possibilité d’automatiser la notification des événements indésirables en intégrant des données provenant de sources multiples et en augmentant la sensibilité de la détection des risques[2]. Les auteurs identifient des préoccupations techniques et réglementaires telles que la confidentialité et l’explicabilité des modèles comme obstacles à l’adoption de l’intelligence artificielle dans la pharmacovigilance[2]. Toutefois, si elle est correctement intégrée dans le système, cette technologie présente le potentiel d’améliorer le monitoring du traitement des maladies rares et d’augmenter le taux de développement de nouvelles thérapies[2].

Technologies de Santé Numérique et Essais Cliniques

Adoption des Technologies de Santé Numérique

Mao et collaborateurs, affiliés à la Tsinghua University en Chine, aux institutions australiennes, américaines et européennes, ont conduit une revue systématique de 262 études identifiées via ClinicalTrials.gov et d’autres registres internationaux jusqu’au 26 juin 2024[9]. Les applications de technologies de santé numérique ont été classifiées en recrutement de patients, traitement numérique, surveillance et collecte de données, évaluation des résultats, suivi à distance et gestion des soins à long terme[9].

Application DHT	Proportion	Description
Surveillance et collecte de données	31,3%	Suivi continu des paramètres physiologiques pertinents pour des conditions spécifiques de maladies rares
Traitement numérique	21,8%	Principalement physiothérapie numérique

 

Table 1: Distribution des applications de technologies de santé numérique dans les essais cliniques de maladies rares

Une augmentation notable de l’adoption des technologies de santé numérique a été observée entre les périodes 2017-2020 et 2021-2024 dans la quasi-totalité des dix maladies étudiées[9]. Entre 2021 et 2024, la mucoviscidose présentait la proportion la plus élevée d’essais intégrant des technologies de santé numérique par rapport à toutes les études menées pour cette pathologie, soit 29,7%[9]. Les auteurs proposent un cadre conceptuel 4A incluant l’accessibilité, l’agilité, la sensibilisation et l’adaptabilité pour accélérer le développement thérapeutique et élargir l’accès aux soins pour ces populations de maladies rares sous-desservies[9].

Cas d’Usage Spécifique : Maladie de Fabry

Pankow et collaborateurs, de la Charité-Universitätsmedizin Berlin et de l’Hannover Medical School en Allemagne, ont évalué l’intégration de vignettes cliniques dérivées d’experts dans des symptom checkers alimentés par intelligence artificielle pour améliorer la précision diagnostique et la satisfaction utilisateur dans la maladie de Fabry[19]. Trois experts médicaux spécialisés dans les maladies de surcharge lysosomale ont contribué à la création de cinq vignettes cliniques intégrées dans le symptom checker[19]. L’étude a comparé les versions originale et optimisée sur six patients atteints de la maladie de Fabry[19]. La version optimisée a amélioré la précision diagnostique, avec la maladie de Fabry identifiée comme suggestion principale dans 33% des cas, comparativement à 17% avec le modèle original[19]. La satisfaction utilisateur globale était supérieure pour la version optimisée, les participants l’évaluant plus favorablement en termes de couverture des symptômes et d’exhaustivité[19].

Biocuration Assistée et Représentation Structurée des Connaissances

Automatisation de l’Annotation Ontologique

Niyonkuru et collaborateurs, du Jackson Laboratory for Genomic Medicine aux États-Unis et institutions internationales, présentent AutoMAxO, un workflow semi-automatisé exploitant les modèles de langage de grande taille pour rationaliser la biocuration de la Medical Action Ontology[11]. AutoMAxO utilise d’abord les modèles de langage de grande taille pour récupérer des curations candidates à partir de résumés de publications pertinentes, puis les curations candidates sont appariées aux termes ontologiques de MAxO, Human Phenotype Ontology et MONDO disease ontology via une combinaison de modèles de langage de grande taille et de techniques de post-traitement[11]. L’approche a été utilisée pour traiter des résumés liés à 37 maladies génétiques rares et a identifié 958 nouvelles annotations de traitement transférées vers l’ensemble de données d’annotations MAxO[11].

Implications pour la Standardisation des Données

Wang et collaborateurs, de l’Institut Imagine en France, démontrent que l’enrichissement des bases de données structurées avec du texte clinique non structuré augmente de 73,5% le nombre de patients éligibles pour l’analyse longitudinale, élargit de 189% les mesures disponibles et étend significativement la durée médiane de suivi de 3,2 à 6,6 ans dans l’étude de la progression de la maladie rénale chronique chez les patients atteints de ciliopathies[23]. L’utilisation de la régression mixte linéaire pour modéliser les trajectoires individuelles du taux de filtration glomérulaire estimé en fonction de l’âge a révélé que l’enrichissement des données réduisait les erreurs standard de 30%, indiquant une augmentation substantielle de la précision et de la fiabilité[23].

Considérations Éthiques, Réglementaires et Organisationnelles

Enjeux Éthiques dans l’Ère de la Santé Numérique

Siderius et collaborateurs, représentant des institutions néerlandaises, australiennes, lituaniennes, indiennes et portugaises, soulignent que pour améliorer les résultats de santé et de bien-être des personnes atteintes de conditions rares, il est nécessaire d’intégrer tous les aspects de la santé et du bien-être[6]. Les technologies de santé numérique peuvent capturer et partager de manière appropriée des données harmonisées entre les prestataires de soins et les personnes concernées[6]. La qualité de la santé numérique dépend de points de données définis reflétant la situation médicale et sociétale réelle et enregistrant les changements lorsque de nouveaux diagnostics ou thérapies deviennent disponibles[6]. Les expériences de vie des individus vivant avec une condition, individuellement ou en groupe, sont sous-représentées dans le monde en voie de digitalisation[6]. Les auteurs considèrent la notion kantienne de noumènes : seuls les individus atteints de conditions rares invalidantes peuvent véritablement transmettre la réalité de vivre avec ces conditions[6].

Cadre Réglementaire et Défis Techniques

Refolo et collaborateurs, de l’Università Cattolica del Sacro Cuore en Italie et d’institutions espagnoles, roumaines et italiennes, identifient treize problématiques supplémentaires et leurs questions correspondantes dans l’évaluation éthique, légale et sociale des technologies basées sur l’intelligence artificielle pour la prévention et le diagnostic des maladies rares[20]. Les préoccupations éthiques liées aux maladies rares incluent la connaissance insuffisante de l’historique de la maladie, le manque de données cliniques robustes, l’absence d’outils d’efficacité validés, les risques de surdiagnostic et sous-diagnostic et les seuils ICER inconnus[20]. La médecine défensive a été identifiée comme une problématique légale[20]. Pour les technologies basées sur l’intelligence artificielle, les préoccupations incluent les résultats discriminatoires, l’explicabilité et l’impact environnemental sur le plan éthique, la responsabilité et le remboursement sur le plan légal, et l’implication des patients et les pertes d’emplois sur le plan social[20].

Papadopoulou et collaborateurs, de l’Université Ionienne en Grèce, soulignent que malgré les avancées, les préoccupations éthiques concernant l’intelligence artificielle dans la médecine de précision demeurent un défi[16]. Aborder ces problématiques nécessite une recherche transdisciplinaire impliquant des praticiens médicaux, des éthiciens et des scientifiques des données pour développer des cadres de validation robustes et des méthodologies de certification[16]. L’objectif est d’assurer une gouvernance algorithmique responsable garantissant des innovations médicales sûres, transparentes et équitables[16].

Défis de Données et Stratégies d’Atténuation

Poddar et collaborateurs, de la U.S. Food and Drug Administration, examinent les défis liés aux données limitées dans le développement de médicaments pour les maladies rares et proposent des stratégies d’intégration de l’intelligence artificielle[22]. Les problématiques liées aux petites populations de patients, aux informations limitées sur l’histoire naturelle et à l’hétérogénéité clinique au sein des maladies rares peuvent être abordées par diverses stratégies, incluant l’utilisation de l’intelligence artificielle et de méthodes analytiques avancées, l’exploitation de données détaillées au niveau individuel et l’exploration de la génération de données synthétiques pour surmonter les limitations des petits ensembles de données[22]. L’établissement de bases de données centralisées et la promotion de partenariats public-privé peuvent contribuer à construire un référentiel plus complet des données disponibles[22].

Cas d’Usage en Vie Réelle et Validation Clinique

Implémentation dans les Systèmes de Santé

Greco et collaborateurs, de la Harvard Medical School et du Boston Children’s Hospital, proposent WEST, un transformer faiblement supervisé pour le diagnostic et le sous-phénotypage des maladies rares à partir de dossiers de santé électroniques[33]. Au cœur de WEST se trouve un transformer faiblement supervisé entraîné sur un ensemble limité d’étiquettes validées par des experts et d’étiquettes silver-standard probabilistes extensives dérivées de caractéristiques structurées et non structurées des dossiers de santé électroniques, qui sont itérativement raffinées à travers les cycles d’entraînement pour améliorer la calibration du modèle[33]. L’évaluation de WEST sur deux conditions pulmonaires rares utilisant des données de dossiers de santé électroniques du Boston Children’s Hospital démontre qu’il surpasse les méthodes existantes en termes de classification de phénotype, d’identification de sous-phénotypes cliniquement pertinents et de prédiction de la progression de la maladie[33].

Abugabah et collaborateurs, de la Zayed University aux Émirats Arabes Unis et d’institutions indiennes, présentent un framework de santé multimodal intelligent intégrant dossiers de santé électroniques, séquences génomiques et imagerie médicale pour améliorer la détection des maladies rares[26]. Le framework utilise Swin Transformer pour extraire des caractéristiques visuelles hiérarchiques dans les scans radiographiques, Med-BERT et Transformer-XL pour apprendre les relations sémantiques et temporelles à long terme dans les narratifs longitudinaux de dossiers de santé électroniques, et un encodeur basé sur Graph Neural Network pour apprendre les relations fonctionnelles et structurelles dans les séquences génomiques[26]. L’alignement de la représentation cross-modale est renforcé par un mécanisme de Knowledge-Guided Contrastive Learning exploitant les ontologies de maladies rares d’Orphanet pour améliorer l’interprétabilité du modèle et l’infusion de connaissances[26]. Le Nutcracker Optimization Algorithm est proposé pour optimiser les hyperparamètres, calibrer les mécanismes d’attention et améliorer la fusion multimodale[26]. Les résultats expérimentaux sur les ensembles de données MIMIC-IV, ClinVar et CheXpert montrent que le framework surpasse significativement les références multimodales de l’état de l’art en termes de précision et de robustesse du diagnostic précoce des maladies rares[26].

Confidentialité et Sécurité des Données

Rajaganapathy et collaborateurs, de la Mayo Clinic et de l’University of Texas Health Science Center aux États-Unis, développent un framework de diagnostic assisté par modèles de langage de grande taille préservant la confidentialité des patients en exploitant le chiffrement homomorphe, avec le diagnostic de maladies rares comme application représentative[30]. Les textes des antécédents des patients et d’une base de connaissances sur les maladies rares ont été intégrés par les modèles de langage de grande taille dans des vecteurs, puis chiffrés en utilisant le chiffrement homomorphe pour obscurcir les informations privées tout en conservant les nuances sémantiques[30]. Les recommandations diagnostiques ont été générées en calculant et classant les similitudes entre l’historique du patient et les vecteurs de maladies rares dans l’espace chiffré[30]. Le système a été évalué en utilisant 50 rapports de cas synthétiques couvrant cinq maladies rares avec dix rapports chacune[30]. L’application du chiffrement homomorphe a protégé les informations privées contre les attaques de reverse-embedding[30]. Le chiffrement homomorphe a imposé peu de perturbations à la précision diagnostique, avec des valeurs de normalized discounted cumulative gains de 0,6108 ± 0,3412 pour les données chiffrées contre 0,6083 ± 0,3415 pour les données non chiffrées[30].

Stratégies d’Intégration dans les Systèmes de Santé Africains

Gamba et Magili, de l’Université de Liverpool au Royaume-Uni et de la Tanzania Human Genetics Organization en Tanzanie, soulignent la nécessité d’intégrer les maladies rares dans les stratégies de santé numérique de l’Afrique[18]. Cette perspective met en lumière les disparités géographiques dans l’accès aux technologies d’intelligence artificielle et la nécessité de stratégies d’implémentation contextualisées tenant compte des infrastructures sanitaires locales, des capacités techniques et des cadres réglementaires spécifiques aux contextes à ressources limitées.

Discussion et Implications Stratégiques

Synthèse des Acquis et Trajectoires de Recherche

L’analyse du corpus de 35 publications scientifiques révèle une dynamique d’innovation soutenue dans l’application de l’intelligence artificielle aux maladies rares, avec des avancées significatives dans quatre domaines structurants : la découverte de médicaments et le repositionnement thérapeutique, le diagnostic précoce par reconnaissance phénotypique, la pharmacovigilance automatisée et l’optimisation des essais cliniques via les technologies de santé numérique. Les données quantitatives extraites des études démontrent des gains d’efficience substantiels, incluant une augmentation de 73,5% du nombre de patients éligibles pour les analyses longitudinales, une réduction de 30% des erreurs standard dans la modélisation de la progression pathologique, et une amélioration de la précision diagnostique passant de 17% à 33% avec l’intégration de vignettes cliniques expertes dans les symptom checkers.

Les modèles génératifs, l’apprentissage fédéré et l’intelligence artificielle explicable émergent comme solutions technologiques prioritaires pour surmonter les contraintes structurelles de rareté des données, de confidentialité et de biais algorithmiques[3]. L’adoption de techniques d’apprentissage few-shot et de frameworks multimodaux intégrant données génomiques, cliniques et d’imagerie constitue une réponse méthodologique adaptée à la dispersion et à la faible prévalence caractéristiques des maladies rares[14].

Lacunes Actuelles et Impératifs de Développement

Malgré ces avancées, un fossé persistant sépare l’innovation algorithmique de l’impact clinique tangible, la majorité des outils d’intelligence artificielle demeurant confinés au stade de preuve de concept[3]. Amorim et collaborateurs identifient des priorités techniques, éthiques et infrastructurelles incluant l’équité, les données FAIR et la coordination globale comme conditions nécessaires à la traduction de l’intelligence artificielle pour les maladies rares en bénéfices cliniques tangibles[3].

Les défis méthodologiques identifiés incluent l’hétérogénéité des approches de validation, l’absence d’essais contrôlés randomisés publiés spécifiques aux maladies rares, et la prédominance d’études observationnelles mono-centriques de petite taille[29]. Cette situation limite les inférences sur l’efficacité et l’implémentation routinière des technologies d’intelligence artificielle dans les parcours de soins. L’établissement d’infrastructures de données interopérables, la disponibilité de données de haute qualité, les évaluations prospectives multicentriques et la transparence dans le reporting des algorithmes et workflows constituent des priorités pour une adoption sûre, équitable et scalable alignée avec les priorités européennes et globales en matière de maladies rares[29].

Implications pour les Acteurs de la Santé Numérique

Pour les professionnels de santé, l’intégration de l’intelligence artificielle dans les processus diagnostiques et thérapeutiques des maladies rares nécessite une formation spécifique aux outils numériques, une compréhension des limites et biais algorithmiques, et le maintien d’une garantie humaine dans la prise de décision clinique[4]. Germain et collaborateurs, de l’Université de Versailles-Saint-Quentin-en-Yvelines en France, soulignent que l’utilisation de technologies d’intelligence artificielle dans les soins de santé peut générer des risques éthiques spécifiques, ce qui incite à l’établissement de nouveaux cadres réglementaires en Europe et aux États-Unis visant à aborder ces problématiques tout en assurant que l’implication humaine reste au centre des soins aux patients durant cette révolution technologique[4].

Pour les dirigeants du secteur de la santé numérique, les opportunités stratégiques incluent le développement de partenariats public-privé pour la constitution de bases de données centralisées, l’investissement dans des infrastructures cloud sécurisées permettant l’apprentissage fédéré, et la conception de modèles économiques adaptés aux spécificités réglementaires et de remboursement des technologies d’intelligence artificielle pour les maladies rares. Les résultats démontrant une réduction des temps de revue de 24,29 ± 12,62 minutes avec ChatGPT comparativement à 42,54 ± 20,43 minutes avec les matériaux de revue traditionnels[19] illustrent le potentiel d’efficience opérationnelle de ces technologies.

Perspectives d’Évolution et Convergence Technologique

L’émergence de l’Internet of Medical Things représente une nouvelle frontière à l’ère numérique pour les essais cliniques de maladies rares et le développement pharmaceutique global[34]. L’intégration de biomarqueurs numériques dans le développement thérapeutique pour les maladies rares constitue une perspective identifiée par l’International Rare Diseases Research Consortium[32]. Les avancées dans l’intelligence artificielle génomique, illustrées par les développements de DeepMind[28], offrent des perspectives pour résoudre les mystères des maladies rares en améliorant l’interprétation des variants génétiques et l’identification de mutations pathogènes.

Conclusion

L’intelligence artificielle représente un levier transformateur pour surmonter les défis structurels des maladies rares, affectant collectivement des centaines de millions de personnes dans le monde. Les 35 publications analysées, provenant d’institutions académiques et cliniques de référence en Europe, Amérique du Nord et Asie, documentent des avancées significatives dans la découverte de médicaments, le diagnostic précoce, la pharmacovigilance et l’optimisation des essais cliniques. Les données quantitatives extraites démontrent des gains d’efficience substantiels et des améliorations de précision diagnostique mesurables.

Toutefois, le fossé persistant entre innovation algorithmique et implémentation clinique nécessite une attention stratégique aux priorités techniques, éthiques et infrastructurelles. L’établissement de données FAIR, le développement de cadres réglementaires adaptés, la promotion de partenariats public-privé et la garantie d’une gouvernance algorithmique responsable constituent des conditions nécessaires à la traduction de l’intelligence artificielle en bénéfices cliniques tangibles pour les patients atteints de maladies rares.

Pour les professionnels de santé et les dirigeants du secteur de la santé numérique, les trajectoires d’innovation documentées offrent des perspectives d’amélioration des parcours diagnostiques et thérapeutiques, tout en imposant une vigilance continue quant aux enjeux éthiques, de confidentialité et d’équité d’accès. La convergence des technologies d’intelligence artificielle, des infrastructures de données interopérables et des modèles organisationnels collaboratifs définit l’horizon stratégique pour l’écosystème de la santé numérique appliqué aux maladies rares.

 

Références

[1] Gangwal, A., & Lavecchia, A. (2025). AI-Driven Drug Discovery for Rare Diseases. Journal of Chemical Information and Modeling, 65(5), 2214-2231. https://doi.org/10.1021/acs.jcim.4c01966

[2] Jain, A., & Adenwala, Z. (2025). The role of artificial intelligence in pharmacovigilance for rare diseases. Expert Opinion on Drug Safety, 24(8), 893-898. https://doi.org/10.1080/14740338.2025.2474645

[3] Amorim, A. M. B., Orzeł, U., Caniceiro, A. B., Rosário-Ferreira, N., & Moreira, I. S. (2025). Artificial intelligence in rare diseases: toward clinical impact. Trends in Pharmacological Sciences, 46(12), 1241-1268. https://doi.org/10.1016/j.tips.2025.10.010

[4] Germain, D. P., Gruson, D., Malcles, M., & Garcelon, N. (2025). Applying artificial intelligence to rare diseases: a literature review highlighting lessons from Fabry disease. Orphanet Journal of Rare Diseases, 20(1), 186. https://doi.org/10.1186/s13023-025-03655-x

[5] Dette, C. M. U., Alberg, V., Rüdesheim, S., Selzer, D., Marok, F. Z., Bragazzi, N. L., Fuhr, L. M., Brunak, S., Pearson, E. R., Zahn, T., Kiritsi, D., Schwab, M., & Lehr, T. (2025). Advancing rare disease therapeutics through digital twins: Opportunities in drug development and precision dosing. Computational and Structural Biotechnology Journal, 28, 592-608. https://doi.org/10.1016/j.csbj.2025.11.047

[6] Siderius, L., Perera, S. D., Jankauskaite, L., Bhattacharya, A., & Gonçalves, P. (2025). Rare diseases: ethical challenges in the era of digital health. Frontiers in Digital Health, 7, 1539841. https://doi.org/10.3389/fdgth.2025.1539841

[9] Mao, X., Zeng, D., Wang, X., Pearce, D. A., Baynam, G., Chavannes, N. H., Chung, W. K., Wu, H., Tham, Y. C., Zhang, S., Li, G., & Wong, T. Y. (2025). Digital health technology use in clinical trials of rare diseases: a systematic review. Communications Medicine, 5(1), 449. https://doi.org/10.1038/s43856-025-01137-6

[11] Niyonkuru, E., Caufield, J. H., Carmody, L. C., Gargano, M. A., Toro, S., Whetzel, P. L., Blau, H., Soto Gomez, M., Casiraghi, E., Chimirri, L., Reese, J. T., Valentini, G., Haendel, M. A., Mungall, C. J., & Robinson, P. N. (2025). Leveraging generative AI to assist biocuration of medical actions for rare disease. Bioinformatics Advances, 5(1), vbaf141. https://doi.org/10.1093/bioadv/vbaf141

[13] Rudy, N. L., Gomes, A., Tkemaladze, T., Abdul-Rahman, O., Cratsenberg, D., Pascolini, G., Di Zenzo, G., Castiglia, D., Black, E., Washington, C., Chad, L., Curry, C., Del Campo, M., Fleischer, N., Bird, L. M., & Hurst, A. C. E. (2025). Artificial Intelligence Software Changes Rare Disease Testing Strategy in Real Time: An International Case Series Using Face2Gene. American Journal of Medical Genetics Part A, 197(11), e64171. https://doi.org/10.1002/ajmg.a.64171

[14] Wang, X., He, D., & Jin, C. (2025). AI-driven enhancements in rare disease diagnosis and support system optimization. Intractable & Rare Diseases Research, 14(4), 306-308. https://doi.org/10.5582/irdr.2025.01079

[16] Papadopoulou, E., Adam, S., & Exarchos, T. (2026). Precision Medicine Bioethics and AI Ethics: The Case of Rare Diseases. Advances in Experimental Medicine and Biology, 1490, 165-171. https://doi.org/10.1007/978-3-032-03402-1_18

[17] Frías, M., Badosa, C., Jimenez-Mallebrera, C., Porta, J. M., & Roldán, M. (2025). The artificial intelligence challenge in rare disease diagnosis: A case study on collagen VI muscular dystrophy. Computers in Biology and Medicine, 196(Pt A), 110610. https://doi.org/10.1016/j.compbiomed.2025.110610

[18] Gamba, S. F., & Magili, M. (2025). Integrating rare diseases into Africa’s digital health strategies. PLOS Digital Health, 4(11), e0001073. https://doi.org/10.1371/journal.pdig.0001073

[19] Pankow, A., Meißner-Bendzko, N., Kaufeld, J., Fouquette, L., Cotte, F., Gilbert, S., Türk, E., Das, A., Terkamp, C., Burmester, G. R., & Wagner, A. D. (2025). Medical Expert Knowledge Meets AI to Enhance Symptom Checker Performance for Rare Disease Identification in Fabry Disease: Mixed Methods Study. JMIR AI, 4, e55001. https://doi.org/10.2196/55001

[20] Refolo, P., Raimondi, C., Astratinei, V., Battaglia, L., Borràs, J. M., Closa, P., Lo Scalzo, A., Marchetti, M., Muñoz-López, S., Sampietro-Colom, L., & Sacchini, D. (2025). Ethical, Legal, and Social Assessment of AI-Based Technologies for Prevention and Diagnosis of Rare Diseases in Health Technology Assessment Processes. Healthcare, 13(7), 829. https://doi.org/10.3390/healthcare13070829

[21] Yadaw, A. S., Sid, E., Sidky, H., Zeng, C., Zhu, Q., & Mathé, E. A. (2025). Systematic identification of rare disease patients in electronic health records enables evaluation of clinical outcomes. medRxiv. https://doi.org/10.1101/2025.05.02.25325348

[22] Poddar, A., Innes, G. K., Liu, Q., Saha, A., Hanger, M., Franzetti, K., ElZarrad, M. K., & Fakhouri, T. H. (2025). Mitigating Limited Data Challenges to Improve Artificial Intelligence Integration in Rare Disease Drug Development. NEJM AI, 2(12), AIp2500802. https://doi.org/10.1056/AIp2500802

[23] Wang, X., Faviez, C., Douillet, M., Knebelmann, B., Garcelon, N., Burgun, A., & Chen, X. (2025). Enhancing Longitudinal Data Analysis with Unstructured EHRs: A Case Study of Renal Function Evaluation in Rare Disease. Studies in Health Technology and Informatics, 327, 1270-1274. https://doi.org/10.3233/SHTI250602

[24] Sendtner, G. W., Muecke, M., Grigull, L., Bender, T., Behning, C., & Schäfer, V. S. (2025). Cracking the code: a head-to-head comparison of expert clinicians and artificial intelligence in diagnosing rare diseases. Orphanet Journal of Rare Diseases, 20(1), 564. https://doi.org/10.1186/s13023-025-04112-5

[26] Abugabah, A., Shukla, P. K., Shukla, P. K., & Pandey, A. (2025). An intelligent healthcare system for rare disease diagnosis utilizing electronic health records based on a knowledge-guided multimodal transformer framework. BioData Mining, 18(1), 70. https://doi.org/10.1186/s13040-025-00487-0

[28] Callaway, E. (2026). How DeepMind’s genome AI could help solve rare-disease mysteries. Nature. https://doi.org/10.1038/d41586-026-00302-8

[29] Spreafico, A. M. C., Neri, L., Angel, K., Bellettato, C. M., & Scarpa, M. (2026). Digital Health for Rare Diseases: A Scoping Review of Artificial Intelligence, Connected Care, and Enabling Digital Technologies for Lysosomal Storage Disorders. Journal of Medical Internet Research. https://doi.org/10.2196/73612

[30] Rajaganapathy, S., St Sauver, J., Pinto E Vairo, F., Iyer, P. G., Liu, H., & Fan, J. W. (2026). Hide and Seek: Privacy-Preserving Artificial Intelligence with a Feasibility Study in Rare Disease Diagnosis. medRxiv. https://doi.org/10.64898/2026.01.15.26344228

[32] Krishna, R., Jonker, A. H., Morel, T., Sakushima, K., Pasmooij, A. M. G., & O’Connor, D. (2025). IRDiRC perspectives on the application of digital biomarkers in therapeutic development for rare diseases. Nature Reviews Drug Discovery, 24(4), 233-234. https://doi.org/10.1038/d41573-024-00196-z

[33] Greco, K. F., Yang, Z., Li, M., Tong, H., Morini Sweet, S., Geva, A., Mandl, K. D., Raby, B. A., & Cai, T. (2026). A weakly supervised transformer for rare disease diagnosis and subphenotyping from EHRs with pulmonary case studies. npj Digital Medicine. https://doi.org/10.1038/s41746-026-02406-x

[34] Kendirci, A. (2025). Letter: The Internet of Medical Things (IoMT): A New Frontier in the Digital Age for Rare Disease Clinical Trials and Global Drug Development. OMICS: A Journal of Integrative Biology. https://doi.org/10.1177/15578100251394593

Plusieurs études récentes apportent des éclairages complémentaires sur l’usage et l’acceptabilité de la téléconsultation, ainsi que sur ses impacts économiques, organisationnels et environnementaux. Jeon et al., publiés dans le Journal of Medical Internet Research en 2025, analysent la volonté d’utiliser (willingness to use, WTU) et de payer (willingness to pay, WTP) pour la téléconsultation et la télémédecine dans cinq domaines cliniques en Corée du Sud, à partir d’une enquête nationale conduite par l’équipe de l’Université Yonsei et d’autres institutions sud‑coréennes. Arenas‑Gaitán et al., dans The European Journal of Health Economics (2025), étudient la téléconsultation du point de vue des patients en Espagne dans un système de type Beveridge, en s’appuyant sur le modèle UTAUT et une segmentation démographique avancée (Pathmox).

Dans un hôpital universitaire français, Ferre et al. publient en 2025 dans JMIR Formative Research une étude observationnelle rétrospective évaluant l’impact médico‑économique et écologique de la téléconsultation d’anesthésie au CHU de Toulouse, avec un focus sur les économies de coûts, de temps et d’émissions de gaz à effet de serre. Enfin, Khoshsirat et al. proposent en 2025 dans Health Science Reports (Université de Tabriz, Iran) une revue systématique des forces, faiblesses, opportunités et menaces (SWOT) de la téléconsultation, en grande partie dans le contexte de la COVID‑19 et du point de vue des médecins généralistes.

La problématique centrale de cet article est la suivante : comment ces travaux combinés permettent‑ils de caractériser, de façon opérationnelle, les conditions de succès et les limites de la téléconsultation dans des systèmes de santé aux configurations très différentes (Corée du Sud, Espagne, France, pays à revenus faibles et intermédiaires), afin de guider des stratégies de développement adaptées aux patients, aux professionnels et aux payeurs.

Contexte : adoption et segmentation des usages

Facteurs individuels et sociodémographiques

L’étude coréenne de Jeon et al. montre que la WTU et la WTP pour la téléconsultation et la télémédecine sont fortement modulées par l’âge, l’état de santé, le lieu de résidence et l’expérience préalable des soins à distance. La WTP pour la télémédecine augmente de manière significative avec l’âge (P for trend = .02), tout comme la WTP pour la téléconsultation (P for trend = .001). Les patients ayant déjà utilisé des services de téléconsultation présentent des odds ratios de WTU et de WTP compris entre 1,8 et 4 selon les domaines cliniques, ce qui suggère un effet d’apprentissage et de confiance lié à l’expérience.​

Arenas‑Gaitán et al. confirment l’importance d’une hétérogénéité marquée dans les comportements d’adoption de la téléconsultation en Espagne, en identifiant six segments de patients (par exemple « Curious Explorers » ou « Critical Users ») différenciés par l’âge (< 39 ans vs ≥ 39 ans), le niveau d’éducation (universitaire vs non universitaire) et le revenu perçu du ménage. Les segments jeunes, familiarisés avec le numérique, accordent un poids plus modéré à l’utilité perçue (Performance Expectancy) mais sont sensibles aux conditions facilitatrices (dispositifs, accès technique), alors que certains segments plus âgés à faible revenu n’envisagent la téléconsultation qu’en présence d’une forte influence sociale.​

Ces résultats convergent avec la revue SWOT de Khoshsirat et al., qui insiste sur le rôle de la littératie numérique, du contexte socio‑culturel et des barrières infrastructurelles (débit, coût d’Internet) comme déterminants majeurs d’adoption, en particulier dans les pays à revenus faibles et intermédiaires.​

Différences liées au contexte de système de santé

Les trois études empiriques s’inscrivent dans des environnements institutionnels distincts. La Corée du Sud sort d’une période de restriction réglementaire sur la télémédecine, avec un pilotage national et un système d’assurance maladie universelle fortement structuré. L’Espagne met en œuvre la téléconsultation dans un modèle Beveridge, avec une forte présence du secteur public et des dispositifs d’intégration de la téléconsultation dans les centres de soins primaires.

En France, la téléconsultation d’anesthésie étudiée au CHU de Toulouse se déploie dans un cadre où les actes sont tarifés (23 € par téléconsultation de spécialité), avec un financement régional de la plateforme (Agence Régionale de Santé Occitanie) et une articulation avec une activité chirurgicale programmée en orthopédie. Ces différences de cadre influencent les modalités de financement, le modèle économique et les attentes des professionnels et des patients.​

Résultats quantitatifs clés : acceptabilité, valeur économique et écologique

Acceptabilité : WTU/WTP et satisfaction

Dans l’étude coréenne, plus de 80% des répondants se déclarent prêts à utiliser la télémédecine, mais cette acceptabilité globale masque des variations importantes selon les domaines cliniques. Les troubles psychiatriques présentent les niveaux les plus élevés de WTU (64,5%) et de WTP (27,0%) pour la télémédecine, alors que la cancérologie affiche une WTU plus faible pour la télémédecine (27,9%) mais plus élevée pour la téléconsultation médecin‑médecin (WTU 48,6%, WTP 24,8%).​

Arenas‑Gaitán et al. rapportent, dans un échantillon de 1412 utilisateurs de téléconsultation en Espagne, que la variance expliquée de l’intention d’usage par le modèle UTAUT atteint 60,7%, et que l’utilisation effective de la téléconsultation est fortement liée à l’intention (corrélation robuste entre Behavioural Intention et Use). La Social Influence exerce un effet majeur sur l’intention d’usage, contrairement aux conditions facilitatrices qui ne sont significatives que dans certains segments (jeunes diplômés).​

Dans le contexte de la pré‑anesthésie en France, Ferre et al. observent des niveaux de satisfaction très élevés et similaires entre téléconsultation et consultation présentielle, avec un score médian de 9/10 dans les deux groupes (IQR 8‑10 vs 8‑9, P = .64). Seule une minorité de patients souhaite impérativement un prochain rendez‑vous en présentiel (13,6% dans le groupe téléconsultation, 18,6% dans le groupe présentiel). Les taux de complications postopératoires à six mois ne diffèrent pas significativement (3,3% vs 7,1%, P = .24), ce qui suggère une non‑infériorité clinique dans les indications sélectionnées.​

Impacts économiques pour les patients, payeurs et établissements

L’étude française quantifie de façon détaillée les bénéfices économiques de la téléconsultation préanesthésique. Sur 401 patients, 331 (82,5%) ont bénéficié d’une téléconsultation, permettant d’éviter environ 46 000 km de déplacements, pour une économie totale estimée à 40 102 € pour les patients (coûts de transport et pertes de revenus), soit en moyenne 122 € par patient (SD 125).​

Les économies de transport pour les patients atteignent 23 694 € (prise en compte du barème kilométrique, des coûts de stationnement et des remboursements). La perte de revenu évitée (jours de congé, accompagnants) représente 16 408 € pour 330 patients, incluant 6627 € pour les accompagnants et environ 905 € pour les patients retraités ou sans emploi (valorisation du temps libre). Pour l’assurance maladie, la réduction d’utilisation des transports sanitaires (ambulance) conduit à une économie supplémentaire de 2737 € pour seulement 5,7% des patients du groupe téléconsultation.​

Au total, l’économie globale patients + assurance maladie est de 42 840 €, soit 130 € par patient du groupe téléconsultation, sans coût logiciel additionnel pour le centre hospitalier (financement régional de la plateforme TlO). Ces ordres de grandeur confirment, de manière chiffrée, l’un des principaux « strengths » identifiés par la revue SWOT de Khoshsirat et al., à savoir la réduction du temps et des coûts pour les patients et pour les systèmes de santé.

Impact écologique : empreinte carbone

Ferre et al. évaluent l’empreinte carbone du parcours présentiel versus téléconsultation en intégrant les modes de transport (voiture individuelle, transport sanitaire, transports en commun, avion) et la consommation énergétique des équipements numériques. Les téléconsultations conduisent à une réduction de 9688 kg équivalent CO₂, soit environ 29,3 kg CO₂eq évités par patient du groupe téléconsultation.​

La contribution du numérique est marginale : l’ensemble des 331 téléconsultations génère 2,30 kg CO₂eq liés à la connexion (plateforme TlO et équipements du patient) et 0,004 kg CO₂eq par consultation pour le poste informatique hospitalier. Ainsi, la substitution d’un déplacement motorisé par une téléconsultation entraîne une réduction d’environ 99% des émissions liées à la consultation préanesthésique, ce qui positionne la téléconsultation comme levier concret de décarbonation des parcours programmés.​

Téléconsultation : forces, faiblesses, opportunités et menaces

La revue systématique de Khoshsirat et al., portant sur 32 études issues de 21 pays, offre un cadre SWOT utile pour interpréter et généraliser les résultats des études de terrain.​

Forces

Les principaux points forts identifiés sont les suivants​

• Réduction du temps et des coûts : jusqu’à 2 heures économisées par consultation pour les patients dans certaines études, avec des économies de transport particulièrement significatives pour les populations à faible revenu. Les données françaises chiffrées (122 € par patient) et coréennes (réduction des coûts perçus et amélioration de l’accessibilité pour les résidents hors capitale) illustrent concrètement ce levier.

• Facilité d’usage et faible besoin de compétences techniques : dans de nombreux contextes, les professionnels nécessitent moins de 30 minutes de formation pour maîtriser les plateformes, et les patients, y compris âgés, peuvent utiliser des interfaces jugées intuitives.​

• Facilitation de la documentation : l’utilisation de dossiers partagés et de solutions cloud réduit la charge administrative de l’ordre de 40% dans certaines expériences, en standardisant le stockage et l’accès aux informations cliniques.​

Faiblesses

Trois grandes faiblesses ressortent et rejoignent des préoccupations cliniques et médico‑légales​

• Absence d’examen physique : plusieurs travaux rapportent une augmentation de 15% des erreurs diagnostiques pour certaines affections dermatologiques, avec des risques d’erreur de prescription lorsque l’examen clinique est critique.​

• Communication moins riche : des incompréhensions sur les explications thérapeutiques et un moindre accès aux émotions des patients sont observés, ce qui peut affecter la qualité de la relation et l’adhésion aux traitements.​

• Problèmes techniques : interruptions de connexion, débit insuffisant, coûts de l’Internet et insuffisance d’infrastructures dans les zones rurales ou les pays à revenu intermédiaire sont fréquemment rapportés. Ces limites contrastent avec les contextes coréen et français étudiés, où l’infrastructure et la couverture sont relativement favorables.

Opportunités

Les opportunités identifiées sont particulièrement importantes pour les stratégies industrielles et de politique publique​

• Progrès rapides des technologies médicales (IA, imagerie, capteurs) : la combinaison téléconsultation + outils d’aide au diagnostic peut améliorer la sécurité clinique, notamment là où l’examen physique est partiellement substituable (télédentisterie, suivi de maladies chroniques).​

• Continuité des soins : les systèmes de rappel automatisé et de suivi à distance augmentent l’adhésion thérapeutique (jusqu’à +30% pour la prise de médicaments dans certaines études), réduisant les ruptures de parcours.​

• Appétence croissante pour le numérique : environ 70% des patients de moins de 50 ans préfèrent le recours à la télésanté pour les soins de routine dans plusieurs cohortes étudiées, ce qui rejoint les observations espagnoles sur les segments jeunes et digitalisés.

Menaces

Les menaces sont principalement d’ordre socio‑culturel, organisationnel et économique​

• Barrières culturelles et de confiance : dans certains contextes, la consultation en présence est perçue comme un standard non négociable, et l’écran comme un dispositif déshumanisant, en particulier chez les personnes âgées.​

• Enjeux éthiques et de formation : les craintes relatives à la confidentialité, aux fuites de données et à la gestion des situations sensibles (santé mentale, sexualité) limitent l’usage, tandis que les besoins en formation continue pour les professionnels et les patients sont sous‑estimés.​

• Conflits d’intérêts : les modèles de rémunération, les stratégies des assureurs (refus de prise en charge, remise en cause de l’efficacité) et les arbitrages entre téléconsultation et activité présentielle peuvent créer des tensions et freiner l’intégration dans les pratiques standards.​

Synthèse transversale : conditions de réussite et implications pour la santé numérique

Alignement usages–indications–modèle économique

Les données coréennes montrent que la téléconsultation médecin‑médecin est particulièrement pertinente en cancérologie, où les patients souhaitent conserver une relation présentielle avec leur médecin local, tout en bénéficiant d’une expertise tertiaire à distance. En revanche, la télémédecine directe médecin‑patient est mieux acceptée pour les troubles psychiatriques, où la confidentialité, la flexibilité horaire et l’évitement de la stigmatisation sont prioritaires.​

En anesthésie pré‑opératoire, la téléconsultation apparaît efficiente pour des patients à faible ou moyen risque, dans un cadre protocolisé et avec un outil de pré‑triage numérique (score MyRISK), ce qui permet de concentrer les ressources présentielles sur les cas complexes. L’analyse espagnole souligne que, même à l’intérieur d’un même système, les stratégies doivent être différenciées selon les segments de patients, en adaptant les messages (utilité, sécurité, complémentarité avec le présentiel) et les leviers (influence sociale, accompagnement technologique).

Implications organisationnelles et industrielles

Pour les établissements de santé et les opérateurs de téléconsultation, ces résultats invitent à

• Concevoir des parcours hybrides (présentiel + téléconsultation) par pathologie et par segment de patients, plutôt que des programmes génériques.

• Intégrer des outils de tri et de stratification du risque (par exemple MyAnesth/MyRISK) pour sécuriser la délégation au numérique dans les segments à faible risque et limiter les consultations inutiles.

• Investir dans la qualité des interfaces et dans l’accompagnement des patients et professionnels (formation, support), particulièrement dans les segments identifiés comme « Experienced Experimenters » ou « Resilient Adapters », où l’influence sociale et le niveau de confiance sont déterminants.​

• Positionner la réduction de l’empreinte carbone comme un argument stratégique, notamment dans les activités programmées à forte volumétrie et fort éloignement géographique (orthopédie, cancérologie programmée), où les gains chiffrés sont substantiels.​

Tableau de synthèse : principaux indicateurs issus des études

Les travaux analysés convergent vers une vision de la téléconsultation comme composante structurante mais non universelle de l’offre de soins. L’adoption dépend de facteurs individuels (âge, formation, état de santé, expérience préalable), contextuels (modèle de financement, organisation des parcours), technologiques (infrastructures, ergonomie) et culturels (représentations de la relation de soin).

Sur le plan médico‑économique, la téléconsultation peut générer des économies substantielles pour les patients et les payeurs, tout en réduisant significativement l’empreinte carbone des parcours, comme l’illustre l’exemple de la pré‑anesthésie en France. La revue SWOT met toutefois en évidence des faiblesses cliniques (absence d’examen physique), techniques (connectivité) et organisationnelles (modèles de rémunération, formation), qui imposent une sélection rigoureuse des indications et une conception prudente des modèles d’affaires.

Pour les décideurs et les CEO de la santé numérique, la priorité n’est pas de généraliser la téléconsultation de manière indifférenciée, mais de développer des architectures de services segmentées, alignées sur les profils d’usagers, les besoins cliniques et les contraintes des systèmes de santé, tout en articulant les arguments de valeur économique, de qualité de soins et de durabilité environnementale.