Nabil

  • Emmanuel Macron annonce des investissements pour l’oncologie et l’IA

    Un engagement renouvelé pour la lutte contre le cancer

    Le président a salué les efforts des chercheurs, soignants et entrepreneurs engagés dans cette bataille, rappelant l’importance de la stratégie décennale de lutte contre le cancer annoncée en 2021 et dotée de 1,7 milliard d’euros. Un point d’étape prévu cet été permettra d’évaluer les progrès de cette stratégie, notamment en matière de prévention et de détection précoce. Macron a insisté sur l’augmentation de certains cancers et la nécessité d’une action renforcée.

    Le Paris-Saclay Cancer Cluster (PSCC), annoncé en 2021 et opérationnel depuis 2023, constitue un biocluster pour l’innovation en oncologie. Il rassemble chercheurs, entreprises et startups pour développer de nouvelles méthodes thérapeutiques, notamment basées sur l’intelligence artificielle. Lors de sa visite, le président a participé à la pose de la première pierre d’un bâtiment consacré à l’innovation médicale et scientifique, marquant une étape dans le développement du cluster.

    L’intelligence artificielle au service de la médecine

    L’IA est déjà utilisée par près de la moitié des soignants pour le diagnostic, la détection des maladies et la chirurgie assistée. Emmanuel Macron entend accélérer son intégration en facilitant l’accès aux données de santé, en réduisant les délais des essais cliniques et en renforçant les synergies entre public et privé. En amont du sommet international sur l’intelligence artificielle, il a annoncé la création de nouvelles chaires d’excellence et le développement de capacités de calcul pour stimuler la recherche en santé.

    Macron a souligné la nécessité d’évoluer vers une médecine plus préventive et personnalisée, optimisant les soins tout en réduisant les coûts. L’IGR et le PSCC incarnent cette révolution, en développant des approches innovantes et en attirant les meilleurs talents. Enfin, le président a confirmé le maintien des 1,7 milliard d’euros alloués à la stratégie décennale de lutte contre le cancer et a insisté sur la nécessité d’attirer davantage d’investissements privés et philanthropiques.

  • Comment le NLP transforme l’analyse des dossiers médicaux et la documentation clinique ?

    L’enjeu ? Structurer les données médicales

    Chaque jour, le secteur de la santé produit une importante quantité de données issues des dossiers patients électroniques (DPE), des comptes rendus médicaux, des prescriptions et des retours de patients. Ces données restent, souvent, non structurées, ce qui complique leur exploitation. Grâce au NLP, ces informations peuvent être analysées et organisées automatiquement, facilitant leur intégration dans les outils de suivi et d’aide à la décision. Cette technologie permet d’extraire du sens à partir de textes non formatés, qu’il s’agisse de notes médicales, de publications scientifiques ou de documents administratifs.

    Le NLP joue un rôle à deux niveaux :

    • Automatisation des tâches administratives : transcription des consultations, classification des comptes rendus, mise à jour des dossiers médicaux.
    • Aide à la décision médicale : extraction d’informations pertinentes pour les médecins, repérage des tendances pathologiques, appariement des patients avec des essais cliniques.

    Les principales applications du NLP en santé

    Automatisation de la documentation clinique

    • Réduction du temps consacré à la saisie des dossiers médicaux électroniques (DSE).
    • Intégration d’outils de reconnaissance vocale et d’analyse textuelle.
    • Moins d’erreurs et une meilleure précision des notes médicales.

    Analyse des avis patients pour améliorer la prise en charge

    • Exploitation des témoignages patients issus des enquêtes, DSE ou réseaux sociaux.
    • Identification des problèmes récurrents : délais d’attente, communication, organisation des soins…
    • Mise en place d’actions correctives pour améliorer l’expérience patient.

    Analyse prédictive et anticipation des risques médicaux

    • Identification des schémas prédictifs à partir des dossiers médicaux et antécédents patients.
    • Repérage des populations à risque avant l’apparition des symptômes.

    Automatisation du codage médical et de la facturation

    • Transformation des données cliniques en codes standardisés pour la facturation.
    • Réduction de la charge des codeurs médicaux et limitation des erreurs.

    Accélération du recrutement pour les essais cliniques

    • Analyse automatique des dossiers médicaux pour identifier les patients éligibles.
    • Gain de temps pour les chercheurs et accès plus rapide aux traitements innovants.

    Contenu de l’étude :

    Essais cliniques, facturation, documentation… L’usage du NLP s’impose dans la santé

    En 2021, l’American Medical Association estimait que 63 % des médecins étaient en situation d’épuisement, en partie en raison de la lourdeur administrative liée à la documentation. En France, une étude de Medscape indique que les praticiens consacrent en moyenne 15H par semaine à ces tâches. Dans ce contexte, les technologies de NLP apparaissent prometteuses pour optimiser le temps médical.

    Des délais divisés par deux : comment la reconnaissance vocale accélère la transmission des comptes rendus médicaux

    Les professionnels de santé, et en particulier les médecins hospitaliers, consacrent près de 40% de leur temps à la documentation clinique (Les Echos Études pour Nuance, 2016). Un poids administratif qui, dans un contexte d’afflux croissant de patients (20 millions de passages annuels aux urgences), accentue le risque de burn-out et allonge les délais de prise en charge.

    NLP et reconnaissance vocale : 37 solutions qui souhaitent révolutionner l’expérience des soins pour les patients et les médecins

    Analyse des conversations patient-médecin, génération automatique de résumés médicaux, analyse des langages dit « non-standard » pour les retranscrire clairement à l’oral, transcription en temps réel des conversations médicales pour les malentendants… 37 solutions de NLP et de reconnaissance vocale souhaitent améliorer l’expérience des soins pour les patients et les médecins.

    NLP en santé : les méthodes pour structurer et exploiter les données médicales

    Face aux difficultés que posent la gestion des données de santé non structurées, le “traitement automatique du langage naturel” (NLP) offre des solutions pour analyser et organiser ces informations en exploitant plusieurs techniques avancées : classement de texte, reconnaissance d’entités, modélisation thématique et extraction de relations. Tour d’horizon sur les méthodes existantes.

    8,5 % de croissance d’ici 2029, le marché du NLP en expansion

    Le marché mondial du traitement du langage naturel (NLP) en santé et sciences de la vie était évalué à 2,11 milliards USD en 2023 et atteindra 3,42 milliards USD en 2029, avec une croissance annuelle de 8,58 %. L’Amérique du Nord est la région dominante grâce à des technologies avancées et à un solide écosystème.

     

     

  • Des délais divisés par deux : comment la reconnaissance vocale accélère la transmission des comptes rendus médicaux

    Des bénéfices concrets et mesurés

    La reconnaissance vocale, désormais dopée à l’intelligence artificielle, apparaît comme une solution pour optimiser la production documentaire et fluidifier le travail des soignants. Elle permet une documentation plus rapide et plus fluide des dossiers patients. À l’Hôpital Européen de Marseille, l’utilisation de Dragon Medical One a permis de gagner 25% de temps dans la documentation des patients aux urgences. Le CHR d’Orléans a lui totalement éliminé l’étape de validation des comptes-rendus, libérant ainsi un temps précieux pour les médecins et les secrétaires médicaux (Nuance, les EchosEtudes).

    Des dossiers patients plus complets et précis

    Selon une étude menée par le cabinet Ignetica au Royaume-Uni (Nuance, NHS, South Tees Hospitals), la reconnaissance vocale améliore la qualité, la complétude et l’efficience des dossiers patients. Confirmé par une enquête menée en France, ce constat indique que :

    • 86% des médecins estiment que leurs notes sont complètes grâce à la reconnaissance vocale.
    • 67% des médecins rapportent que leurs patients ne voient aucun inconvénient à l’utilisation de cette technologie.
    • Le temps gagné par patient sur la documentation des dossiers atteint 3,5 minutes en moyenne.

    À l’Hôpital Forcilles, la reconnaissance vocale a permis aux patients de repartir avec leur compte-rendu dès la fin de la consultation, alors qu’auparavant, il fallait attendre plusieurs jours.

    Une documentation médicale augmentée

    Une adaptation aux spécificités médicales

    Les nouvelles solutions de reconnaissance vocale, comme Dragon Medical One, intègrent un vocabulaire médical spécifique, régulièrement mis à jour. Chaque médecin peut également ajouter ses propres termes, facilitant ainsi l’intégration des nouvelles molécules ou procédures médicales. Grâce à l’IA conversationnelle, ces outils s’adaptent à la voix, l’accent et le phrasé de chaque utilisateur, précis dès la première utilisation. Ces nouvelles générations d’outils, comme Dragon Medical One, utilisent des réseaux neuronaux profonds qui garantissent précision, même en environnement bruyant. Contrairement aux anciennes solutions, la reconnaissance vocale ne nécessite plus forcement d’entraînement. Elle est immédiatement opérationnelle, sans phase d’apprentissage préalable.

    Un accès facilité grâce au cloud

    Grace au mode SaaS, et contrairement aux logiciels installés sur chaque poste, la reconnaissance vocale est désormais accessible depuis n’importe quel terminal, y compris les smartphones et tablettes, grâce à un hébergement Hébergeur de Données de Santé (HDS). Ce modèle permet une mise à jour continue et un déploiement rapide. Par exemple, au CHU de Toulouse, 85% des 100 médecins testeurs ont adopté la solution, grâce à son ergonomie intuitive et son intégration fluide dans le dossier patient informatisé (DPI).

    Whisper d’OpenAI : quand la reconnaissance vocale transforme la réalité

    Si la reconnaissance vocale en milieu hospitalier offre un gain de temps aux soignants, elle présente encore des risques. Les outils de transcription automatique, comme Whisper d’OpenAI, sont déployés dans de nombreux centres médicaux pour faciliter la documentation des consultations et réduire la charge administrative des praticiens. Plus de 30 000 cliniciens et 40 systèmes de santé, dont la clinique Mankato dans le Minnesota et l’hôpital pour enfants de Los Angeles, ont adopté des solutions basées sur cette technologie (Nabla). Malgré ses promesses, Whisper présente un défaut : il a tendance à “halluciner”, c’est-à-dire à générer des informations erronées ou inexistantes. Une étude de l’Université du Michigan a révélé des erreurs dans 8 transcriptions sur 10 analysées. Un développeur a constaté des hallucinations dans presque toutes les 26 000 transcriptions qu’il a étudiées.

    Un enregistrement mentionnant un “parapluie” a été retranscrit en “un gros morceau de croix… il a tué un certain nombre de personnes”, introduisant des informations complétement erronées. Whisper a également inventé des traitements médicaux fictifs comme “les antibiotiques hyperactivés”.

    Les erreurs de transcription peuvent avoir des conséquences lourdes en milieu hospitalier. Alondra Nelson, ancienne responsable de la politique scientifique à la Maison Blanche, met en garde : “Personne ne veut d’un mauvais diagnostic. Il devrait y avoir une barre plus haute.” L’utilisation de la reconnaissance vocale pose aussi des problèmes d’éthique et de transparence. L’entreprise Nabla, qui propose un outil basé sur Whisper, efface les enregistrements audios d’origine, empêchant toute vérification en cas d’erreur. Pour William Saunders, ancien employé d’OpenAI, cela pose un risque majeur : “Vous ne pouvez pas détecter les erreurs si vous enlevez la vérité du terrain.”

    Face aux critiques, OpenAI affirme travailler sur l’amélioration de Whisper pour réduire ces erreurs. Les chercheurs estiment que la société doit faire de la fiabilité une priorité avant de déployer ces outils à grande échelle. Par ailleurs, les appels à une réglementation de l’IA dans les applications médicales se multiplient. Des experts demandent une supervision plus stricte pour éviter que ces technologies ne compromettent la sécurité des patients.

    @ Health & Tech Intelligence

  • + 8,5 % de croissance d’ici 2029, le marché du NLP en expansion

    Un marché en croissance, porté par les données, la technologie et le cloud

    Le marché mondial du traitement du langage naturel (NLP) est estimé à 31,76 milliards USD en 2024 et devrait atteindre 92,99 milliards USD d’ici 2029 (tout secteur confondu) affichant un taux de croissance annuel composé (CAGR) de 23,9 % sur cette période. Dans le secteur de la santé, selon l’étude NLP in Healthcare and Life Sciences Market (Market insight Research), le marché du NLP en santé et en sciences de la vie était évalué à 2,11 milliards de dollars en 2023 et devrait atteindre 3,42 milliards de dollars en 2029, représentant une croissance de 8,5%. Cette technologie permet d’analyser et structurer les données médicales non exploitées, représentant environ 80 % des informations disponibles, et ainsi d’optimiser les processus hospitaliers, la prise de décision clinique et la gestion des patients.

    Les progrès des modèles de deep learning et de machine learning permettent d’améliorer la précision du NLP dans la reconnaissance vocale, la traduction automatique et l’analyse de texte. L’essor des assistants vocaux, des chatbots et de l’analyse de sentiments pousse les entreprises à investir dans ces solutions. Les progrès des architectures et algorithmes d’apprentissage profond ont permis des avancées dans la reconnaissance d’images et le traitement de la parole, offrant de bons résultats pour les tâches complexes, notamment en santé. L’Amérique du Nord reste la région dominante du marché grâce à un écosystème technologique avancé, des investissements massifs et une adoption rapide des solutions basées sur l’IA. L’Europe et l’Asie-Pacifique accélèrent néanmoins leur transition, portées par l’essor de la télésanté, des plateformes cloud et de la médecine de précision.

    Les principaux moteurs de cette expansion sont :

    • L’explosion des données médicales générées par les dossiers électroniques de santé (DME) et la recherche clinique.
    • L’intégration croissante du NLP aux solutions cloud et aux infrastructures hospitalières.
    • La course à l’innovation des géants technologiques (IBM, Microsoft, Google, Oracle).

    Un marché structuré autour des solutions et services NLP

    Le marché du NLP en santé se divise en deux grandes catégories :

    • Les solutions NLP, qui représentent le segment à la croissance la plus rapide. Elles incluent des outils d’analyse de texte médical, de reconnaissance vocale et de gestion des dossiers patients.
    • Les services NLP, qui comprennent l’intégration de solutions, la maintenance et le conseil en gestion des données.

    Trois approches technologiques se partagent le marché :

    1. Le NLP basé sur des règles, qui repose sur des dictionnaires et des algorithmes préétablis.
    2. Le NLP statistique, qui utilise l’apprentissage automatique et les modèles probabilistes pour analyser les données textuelles.
    3. Le NLP hybride, combinant règles linguistiques et intelligence artificielle pour améliorer la précision des analyses.

    En matière de mode de déploiement, les solutions cloud s’imposent face aux infrastructures sur site, grâce à leur flexibilité et à leur capacité à traiter de grands volumes de données.

    Entre domination des Big Tech et montée des spécialistes

    L’essor du NLP repose sur les grandes organisations et entreprises technologiques qui investissent massivement dans ces solutions. Des acteurs majeurs comme Google, Microsoft, IBM et Amazon dominent le marché avec des plateformes avancées de NLP intégrées dans leurs offres cloud (Google Cloud Natural Language API, Microsoft Azure AI, AWS Comprehend Medical). Les investissements se concentrent sur l’apprentissage profond et les modèles de langage de nouvelle génération, capables de traiter des volumes massifs de texte et d’améliorer la compréhension du langage naturel en contexte médical. L’open source joue un rôle, avec des modèles comme BERT, GPT et BioBERT, spécifiquement entraînés pour les sciences de la vie et la recherche médicale. Toutefois, l’adoption du NLP dans la santé reste difficile pour les petites structures, freinées par le coût élevé des solutions et les exigences réglementaires strictes en matière de protection des données. Les principaux acteurs du NLP en santé sont issus de l’intelligence artificielle, du cloud computing et des technologies médicales. Parmi eux :

    1. Les géants technologiques et du cloud

    • Merative : propose des solutions NLP intégrées aux dossiers médicaux électroniques et aux systèmes de recherche clinique.
    • Azure AI : acteur du cloud, Microsoft développe des outils NLP intégrés aux DME et collabore avec des institutions médicales pour l’analyse de données en temps réel.
    • Google Cloud : avec des modèles avancés comme Med-PaLM2, Google optimise la gestion des données cliniques et la recherche biomédicale.
    • Oracle et AWS : avec leurs plateformes cloud dédiées à la santé, ils offrent des infrastructures NLP adaptées aux grands établissements hospitaliers et laboratoires pharmaceutiques.

    2. Les spécialistes de l’analyse et de la gestion des données médicales

    • IQVIA : leader de l’analyse des données en santé, IQVIA exploite le NLP pour optimiser les essais cliniques et la veille scientifique.
    • SAS Institute : expert en data analytics, SAS développe des solutions NLP pour l’extraction d’informations médicales et l’analyse prédictive.
    • Dolbey Systems et Averbis : spécialisés dans l’automatisation du codage médical et l’intelligence clinique, ces entreprises proposent des outils NLP pour améliorer la gestion des bases de données hospitalières.

    3. Les acteurs émergents et les éditeurs spécialisés

    Outre les grandes entreprises, plusieurs startups et éditeurs spécialisés contribuent à l’innovation sur le marché du NLP en santé. Par exemple :

    • Inovalon, en partenariat avec AWS, développe des solutions NLP adaptées à la gestion des risques et à la santé de la population.
    • Apollo Hospitals, en collaboration avec Google Cloud, exploite des modèles d’IA générative pour analyser les consultations médicales et améliorer les services hospitaliers.

    Les tendances du marché du NLP en santé

    • L’essor du NLP en cloud : Les solutions cloud gagnent du terrain, offrant plus de flexibilité et de puissance de calcul pour le traitement des données. Les leaders du marché, comme Google, IBM et Microsoft, investissent massivement dans l’intégration du NLP à leurs services cloud.
    • L’IA générative et les modèles de langage avancés : L’émergence de modèles IA comme Med-PaLM2 de Google ouvre de nouvelles perspectives pour le NLP en santé. Ces outils résument automatiquement des consultations, analyser les symptômes et générer des recommandations médicales.
    • L’adoption croissante du NLP en télésanté : Les technologies NLP permettent d’analyser les conversations patients-soignants, de traduire automatiquement les comptes rendus médicaux et d’améliorer la compréhension des diagnostics.

    Perspectives du marché : vers une domination des grands acteurs technologiques ?

    Le marché du NLP en santé est en pleine consolidation, avec une croissance continue portée par l’essor de l’IA et des services cloud. Si les grands groupes technologiques dominent actuellement le secteur, les éditeurs spécialisés et startups innovantes pourraient jouer un rôle en proposant des solutions plus ciblées et adaptées aux besoins des établissements de santé.

    L’avenir du marché repose sur trois axes :

    • L’accélération des déploiements NLP dans les hôpitaux et laboratoires pharmaceutiques.
    • L’évolution des cadres réglementaires pour encadrer l’exploitation des données médicales.
    • Le développement d’algorithmes NLP toujours plus précis et spécialisés.

     

  • NLP en santé : les méthodes pour structurer et exploiter les données médicales

    Optimiser l’analyse des données médicales avec le NLP

    Une grande quantité de données est produite quotidiennement, mais 80 % d’entre elles restent non structurées. Ces données proviennent de sources diverses ; des dossiers patients électroniques (DPI), des comptes rendus médicaux, des publications scientifiques et des échanges entre professionnels de santé. Sans structuration, leur exploitation est limitée, freinant l’efficacité du système de soins et la prise de décision clinique. Le NLP permet de transformer ces documents en informations utilisables en extrayant des éléments essentiels, en les organisant et en facilitant leur recherche. Par exemple, un hôpital générant des centaines de comptes rendus d’examens quotidiens (IRM, scanners, prises de sang) peut automatiser leur classement selon les pathologies associées, permettant aux médecins d’accéder rapidement aux données pertinentes. Un laboratoire pharmaceutique analysant des milliers d’articles scientifiques peut identifier les thématiques émergentes et les tendances en matière de nouvelles thérapies.

    • Classer les documents pour mieux structurer l’information

    Le classement de texte permet d’assigner automatiquement une catégorie à un document en fonction de son contenu. Dans le cadre médical, cette technologie permet d’organiser les informations et d’accélérer leur traitement. Dans les services hospitaliers, les dossiers médicaux des patients sont parfois difficiles à exploiter. L’intégration du NLP dans les dossiers permet par exemple de catégoriser ces documents en fonction de la spécialité médicale concernée (neurologie, cardiologie, oncologie) ou du type d’acte réalisé (consultation, imagerie, biologie). Cela facilite la récupération des antécédents médicaux et améliore la coordination entre les professionnels de santé. L’analyse des sentiments est un autre champ d’application du NLP dans le classement de texte. Les établissements de santé collectent des avis et témoignages de patients afin d’évaluer la qualité des soins. Ces retours peuvent être classés automatiquement en sentiments positifs, neutres ou négatifs, mettant en évidence les points à améliorer dans l’expérience. Les technologies employées pour ces tâches vont des algorithmes d’apprentissage automatique supervisé, comme les SVM ou les arbres de décision, jusqu’aux modèles de deep learning tels que BERT ou GPT, qui offrent une compréhension fine du langage médical.

    • Reconnaissance d’entités : identifier les données médicales clés

    La reconnaissance d’entités nommées (NER) permet d’extraire automatiquement des informations essentielles telles que les noms de médicaments, les pathologies, les traitements et les dates clés à partir de textes médicaux. Cette technologie est utile pour les dossiers patients électroniques, où elle permet d’extraire et de structurer des informations dispersées dans les comptes rendus des consultations. Dans un hôpital, une infirmière cherchant un antécédent précis dans un dossier volumineux pourrait perdre du temps en naviguant manuellement à travers les documents. Un moteur de recherche basé sur la reconnaissance d’entités nommées permettrait d’identifier instantanément tous les passages où un traitement spécifique ou une pathologie est mentionné. La pharmacovigilance bénéficie aussi du NLP grâce à l’extraction automatique d’informations dans des publications scientifiques et des bases de données médicales. En appliquant la reconnaissance d’entités, il devient possible de repérer et d’analyser rapidement les signalements. Les approches utilisées pour cette tâche combinent des modèles basés sur des règles (dictionnaires de termes médicaux) et des algorithmes de deep learning comme les réseaux neuronaux BiLSTM ou les Transformers (BERT, RoBERTa), qui permettent une analyse fine et contextuelle des données textuelles.

    • Modélisation thématique : détecter les tendances en santé

    La modélisation thématique regroupe automatiquement les documents médicaux selon leurs sujets principaux, facilitant l’identification de tendances émergentes en recherche médicale et en pharmacovigilance. Le NLP analyse et regroupe les thématiques spécifiques, les publications scientifiques dans un domaine précis, permettant d’identifier les axes de recherche dominants et les tendances émergentes. L’organisation des dossiers médicaux bénéficie de cette technologie. Un centre hospitalier qui cherche à mieux structurer ses archives peut utiliser la modélisation thématique pour regrouper automatiquement les comptes rendus selon les pathologies, facilitant la gestion et la recherche d’informations. Les modèles les plus couramment utilisés pour ces tâches incluent LDA (Latent Dirichlet Allocation), qui repose sur une approche probabiliste, et NMF (Non-Negative Matrix Factorization), une alternative rapide et efficace pour l’identification de thèmes.

    • L’extraction de relations sémantiques : identifier les liens

    L’extraction de relations sémantiques est une technique qui permet d’identifier et de structurer les liens entre différentes entités dans un texte. Elle va au-delà de la simple reconnaissance d’entités en établissant des connexions sémantiques entre elles. Elle peut détecter des relations entre un médicament et ses effets secondaires, une maladie et ses symptômes, ou encore un gène et une pathologie. En s’appuyant sur des modèles linguistiques avancés et des algorithmes d’apprentissage automatique, l’extraction de relations permet d’enrichir les bases de connaissances, d’améliorer la recherche d’information et d’optimiser la prise de décision clinique.

    Déjà déployées dans certains hôpitaux, laboratoires pharmaceutiques et instituts de recherche, les techniques de NLP automatisent l’analyse de dossiers patients, optimisent les diagnostics et accélèrent la recherche médicale. L’adoption à grande échelle ne va pas sans obstacles. Interopérabilité des systèmes, protection des données sensibles et réticence des professionnels de santé freinent encore son déploiement.

     

  • Essais cliniques, facturation, documentation… L’usage du NLP s’impose dans la santé

    Les principales applications du NLP dans le secteur médical

    • Moins d’administratif, plus de temps pour les patients

    L’une des applications les plus concrètes du NLP en santé est la reconnaissance vocale intégrée aux dossiers médicaux électroniques (DME). Ces outils permettent aux médecins de dicter directement leurs observations, évitant ainsi une saisie manuelle. L’hôpital Concord, aux États-Unis, a ainsi déployé la solution Dragon Medical One de Nuance. Résultat : 75 % des soignants ont constaté une amélioration notable de la précision et de la rapidité de leur documentation. Le temps consacré aux tâches administratives a été réduit de moitié.

    • Structurer les données cliniques pour une meilleure prise en charge

    Les dossiers patients, comptes rendus médicaux et publications scientifiques contiennent beaucoup d’information, mais leur format souvent non structuré complique leur exploitation. Le NLP permet d’extraire ces données et de les organiser automatiquement, facilitant ainsi leur analyse. L’atout réside dans l’intégration de la reconnaissance optique de caractères (OCR), qui transforme les documents papier ou manuscrits en fichiers numériques exploitables. Ce procédé réduit les erreurs humaines et améliore l’accès aux données.

    • Un soutien à la prise de décision médicale

    Au-delà de la documentation, le NLP joue un rôle dans l’aide à la décision clinique. En analysant les symptômes et l’historique des patients, les algorithmes peuvent proposer des recommandations médicales en temps réel. Dans les hôpitaux, cette technologie est utilisée pour anticiper les besoins en lits en analysant les motifs d’admission et les tendances pathologiques.

    • Automatiser le codage médical et la facturation

    Le codage médical, pour la facturation et le remboursement des soins, repose traditionnellement sur le travail humain. Aujourd’hui, des solutions comme 3M 360 Encompass exploitent le NLP pour extraire automatiquement les données pertinentes des notes médicales et générer les codes d’assurance correspondants. Cette automatisation permet de réduire les erreurs de facturation, de diminuer la charge administrative des établissements de santé et d’accélérer les remboursements des soins aux patients.

    • Accélérer les essais cliniques et la découverte de traitements

    De nombreuses études sont retardées faute de participants. Le NLP apporte une solution en analysant les dossiers médicaux et en identifiant automatiquement les candidats éligibles. La plateforme Inspirata utilise cette technologie pour filtrer les patients en fonction des critères d’éligibilité des études cliniques, accélérant ainsi le recrutement et le lancement des essais. Au-delà du recrutement, le NLP joue aussi un rôle dans la découverte de nouveaux médicaments. Des entreprises comme Lymba, basée au Texas, exploitent cette technologie pour analyser des millions de publications scientifiques et bases de données génétiques, détectant ainsi de nouvelles associations entre maladies et traitements.

    • Vers une médecine plus centrée sur l’expérience patient

    L’amélioration de l’expérience patient passe aussi par une meilleure prise en compte des avis et ressentis. Grâce au NLP, les établissements de santé peuvent analyser automatiquement les commentaires post-consultation, les avis en ligne ou encore les témoignages sur les réseaux sociaux. Cette approche permet d’identifier les points d’insatisfaction récurrents – temps d’attente trop long, manque de communication avec les équipes médicales – et d’ajuster les services hospitaliers en conséquence.

    Des défis à relever pour une adoption généralisée

    Spécificité du langage médical : Le jargon médical, les acronymes et les abréviations varient d’un établissement à l’autre, rendant difficile l’entraînement des algorithmes. Par exemple, un même mot peut avoir une signification différente en fonction du contexte.

    Interopérabilité des systèmes : De nombreux hôpitaux utilisent encore des systèmes d’information vieillissants, rendant complexe l’intégration des outils de NLP avec les bases de données existantes.

    Sécurisation des données médicales : Le traitement automatisé des données de santé pose des questions éthiques et réglementaires. Les technologies NLP doivent garantir la confidentialité des données patients et être conformes aux réglementations comme le RGPD en Europe ou la HIPAA aux États-Unis.

    Risque de biais des algorithmes : Comme toute technologie d’intelligence artificielle, le NLP peut intégrer des biais si les modèles sont entraînés sur des bases de données déséquilibrées. Par exemple, une étude a montré que les algorithmes de diagnostic pouvaient sous-évaluer les besoins des patients noirs, en raison d’un historique de dépenses médicales moindres pour cette population.

    Enfin, l’acceptation par les professionnels de santé : L’IA doit être perçue comme un outil d’aide à la décision et non comme un substitut à l’expertise humaine. Des efforts sont nécessaires pour former les praticiens et leur fournir des solutions adaptées à leurs besoins quotidiens.

    Malgré ces défis, le marché du NLP en santé poursuit son essor avec une adoption dans les hôpitaux et laboratoires pharmaceutiques. Les solutions de reconnaissance vocale, d’analyse de texte et de modélisation thématique se perfectionnent, offrant aux professionnels de santé des outils puissants pour optimiser leur travail et améliorer les soins aux patients. Les prochaines années verront probablement une intégration plus poussée du NLP dans les plateformes de télémédecine, les systèmes de gestion hospitalière et les programmes de santé publique.

  • Prévention : la Fondation Ramsay Santé renforce son engagement

    Un soutien aux associations françaises

    En 2023-2024, la Fondation a sélectionné six nouvelles associations œuvrant dans l’éducation à la prévention santé. Ces organisations bénéficient d’un accompagnement financier et de l’expertise des collaborateurs de Ramsay Santé. Parmi elles, Agir pour la santé des femmes, Avec nos Proches ou encore Nightline, qui agit pour la santé mentale des jeunes. En parallèle, la Fondation a travaillé à la mise en place d’un outil d’évaluation des actions associatives, afin de mieux mesurer leur impact et d’optimiser leur efficacité sur le terrain.

    Prevent2Care : accélérer l’innovation en prévention santé

    Le programme Prevent2Care a poursuivi son développement en France, avec l’accompagnement de 30 projets, dont 14 startups et 6 associations engagées en prévention santé. Le Prevent2Care Tour a permis de soutenir six associations locales en leur attribuant une dotation de 10 000 euros chacune. Ces organisations, réparties dans plusieurs régions françaises, ont été sélectionnées pour leur engagement dans des actions de sensibilisation et d’éducation à la santé.

    Des actions locales pour améliorer l’accès à la prévention

    La Fondation a poursuivi son engagement envers les publics les plus fragiles avec plusieurs initiatives :

    • Le Bus du Cœur d’Agir pour le cœur des femmes, qui a permis à 2 700 femmes en situation de précarité d’accéder à un dépistage cardio-gynécologique dans neuf villes.
    • L’association VoisinMalin, qui a réalisé des interventions auprès de 350 logements, sensibilisant les parents de jeunes issus de quartiers populaires aux risques liés aux addictions et aux écrans.
    • Un programme de sensibilisation aux écrans en partenariat avec Vivons en Forme, testé dans des écoles avant un déploiement national.

    Un engagement dans le débat public et la sensibilisation numérique

    Les Rencontres Prévention Santé, organisées pour la 7ᵉ année consécutive sous le parrainage du ministère de la Santé, ont abordé en 2024 un sujet d’actualité : les fake news en santé chez les jeunes. Un livre blanc a été publié pour synthétiser les discussions et proposer des solutions éducatives. De plus, le site Mes Questions Prévention Santé a connu une forte progression avec plus de 65 000 visites en un an, grâce notamment à l’ajout d’une nouvelle section dédiée à la santé environnementale.

    Perspectives 2024-2025 : renforcer l’impact local

    Pour l’année à venir, la Fondation prévoit de :

    • Déployer les programmes des six associations soutenues en France.
    • Lancer une formation en prévention santé avec la Croix-Rouge à destination des soignants et professionnels au contact des jeunes.
    • Relancer l’Observatoire du Stress en partenariat avec Opinion Way.
    • Repenser les Rencontres Prévention Santé en simplifiant leur format pour favoriser des débats accessibles et impactants.

    Face aux enjeux de santé publique, la Fondation Ramsay Santé réaffirme son engagement à structurer et développer des actions concrètes en prévention santé sur tout le territoire français.

    Fondation Ramsay Santé – Rapport d’activité 2023 – 2024 

     

  • Détection des fractures : le NICE autorise l’usage de l’IA dans le NHS, sous conditions

    Quatre IA validées, une autre limitée à la recherche

    D’après un document d’évaluation des technologies de la santé publié par le NICE, les solutions Rayvolve (AZmed) et TechCare Alert (Milvue) peuvent être utilisées pour tous les patients, tandis que BoneView (Gleamer AI) et RBfracture (Radiobotics) sont autorisées pour les patients à partir de deux ans. Leur approbation est valable pour une durée de deux ans. En revanche, l’IA qMSK de Qure.AI a été limitée à un usage en recherche, nécessitant des études supplémentaires avant un éventuel déploiement dans le NHS.

    Des critères stricts pour un déploiement sécurisé

    L’utilisation de ces technologies est soumise à l’obtention des certifications réglementaires requises, notamment le DTAC (Digital Technology Assessment Criteria) du NHS England. De plus, leurs développeurs doivent fournir chaque année des données de suivi au NICE sous peine de perdre leur recommandation. Les directives actuelles du NICE exigent qu’un radiologue, un radiographe ou un autre professionnel formé valide les diagnostics avant la sortie du patient, garantissant ainsi la fiabilité des résultats fournis par l’IA.

    Un enjeu clinique et financier majeur

    Selon le NICE, les technologies d’IA pourraient améliorer la détection des fractures sans augmenter le risque d’erreurs diagnostiques. Les fractures non diagnostiquées représentent actuellement 3 % à 10 % des erreurs médicales aux urgences. Une étude du NHS en 2022 a révélé que les réclamations pour négligence liées à ces erreurs ont coûté 1,1 million de livres sterling, un montant évitable selon l’organisme.

    Des bénéfices attendus pour le système de santé

    Le NICE souligne plusieurs avantages potentiels de ces outils :

    • Réduction des écarts de prise en charge, notamment entre différentes régions.
    • Diminution des erreurs diagnostiques, améliorant ainsi la qualité des soins.
    • Moins de consultations répétées aux urgences ou de rappels à l’hôpital après un examen radiologique.

    Pour une intégration à grande échelle, il reste nécessaire de collecter des données supplémentaires sur la précision des diagnostics, l’impact clinique et les coûts associés à ces technologies.

     

  • VIDAL et ArcaScience : une IA pour améliorer la détection des interactions médicamenteuses

    Un enjeu pour l’internationalisation de VIDAL

    Dans le cadre de son expansion internationale, VIDAL, spécialiste des bases de données sur les produits de santé, renforce la qualité de ses informations sur les interactions médicamenteuses. L’objectif : limiter les risques iatrogènes en fournissant un sourcing scientifique spécifique à chaque IAM référencée. La diversité des bases de données internationales et l’évolution constante des connaissances rendent cette tâche complexe. VIDAL a donc fait appel à ArcaScience, expert en intelligence artificielle appliquée au domaine médical, pour automatiser et fiabiliser la veille bibliographique sur les IAM.

    Une IA pour hiérarchiser et analyser les publications scientifiques

    La solution développée par ArcaScience repose sur l’intelligence artificielle et l’analyse de données issues de sources comme PubMed, ClinicalTrials.gov et Medline. Son fonctionnement repose sur plusieurs modèles avancés :

    • Stratification : hiérarchisation des publications selon leur niveau de preuve scientifique ;
    • Traitement du langage naturel (NLP) : classification du contenu lié aux IAM et évaluation des implications thérapeutiques ;
    • Reconnaissance d’entités nommées (NER) : mise en lien des interactions médicamenteuses avec les caractéristiques des patients.

    Un système de cotation, élaboré avec les experts de VIDAL, classe les articles en fonction de leur pertinence et de leur impact clinique, assurant une évaluation robuste et fiable des interactions détectées.

    Des résultats prometteurs et un déploiement en cours

    Après une phase d’expérimentation, l’algorithme d’ArcaScience a démontré sa capacité à détecter avec précision les IAM déjà connues en France et à en identifier de nouvelles sur le marché international. Trois mois après son lancement, VIDAL accélère désormais l’intégration de cette solution à ses bases de données, renforçant la sécurité des prescriptions pour les professionnels de santé en France et à l’étranger. Grâce à cette collaboration, VIDAL et ArcaScience posent les bases d’une approche innovante et automatisée de la surveillance des interactions médicamenteuses.

     

  • Insuffisance cardiaque : la télésurveillance de Satelia réduit de 36 % la mortalité des patients

    Une avancée pour la prise en charge de l’insuffisance cardiaque

    Conduite sur quatre ans dans plus de 300 centres français, l’étude TELESAT-HF est la plus grande jamais réalisée en Europe sur la télésurveillance de l’insuffisance cardiaque. Elle a impliqué des experts de renom, issus du CHU de Bordeaux, du CHU de Nancy, de l’AP-HP et de l’Hôpital Paris Saint-Joseph.

    Les 5 357 patients suivis par Satelia Cardio, en plus des soins conventionnels, ont vu leur risque de décès réduit de 36 %, soit un décès évité tous les 10,5 patients suivis. L’effet est encore plus marqué chez les patients les plus fragiles :

    • -44 % de mortalité pour ceux ayant été hospitalisés une fois dans l’année précédente ;
    • -48 % de mortalité pour ceux ayant été hospitalisés deux fois ou plus dans les 12 derniers mois.

    Une réduction des hospitalisations et des passages aux urgences

    Le programme de télésurveillance Satelia a également démontré son impact sur la prévention des hospitalisations :

    • -17 % de passages aux urgences pour l’ensemble des patients suivis ;
    • -36 % chez les patients les plus à risque (hospitalisés au moins une fois l’année précédente).

    Concrètement, cela signifie une hospitalisation évitée tous les 16 patients suivis.

    Comment fonctionne Satelia Cardio ?

    Le dispositif repose sur une surveillance des symptômes et du poids du patient à une fréquence variable, adaptée à la gravité de sa maladie. Accessible aux patients numériques et non numériques, il fonctionne via une application mobile, un ordinateur ou un téléphone fixe pour ceux en situation d’illectronisme.

    Les données collectées sont analysées par un algorithme d’intelligence artificielle, développé avec plusieurs CHU français, qui attribue un score de risque aux patients. Ce système permet aux cardiologues de se concentrer sur les patients nécessitant une intervention rapide, optimisant ainsi leur charge de travail.

    Le Dr Hélène Benchimol, co-auteur de l’étude et praticienne au GHT Saintes-Jonzac-Royan, témoigne :
    “Suivre 400 patients à domicile est un défi, mais grâce à la télésurveillance, je peux identifier chaque semaine les 10 ou 20 patients dont l’état se dégrade, bien avant qu’ils ne se retrouvent aux urgences. C’est une révolution en matière de prévention et de suivi.”

    L’étude TELESAT-HF démontre que la télésurveillance améliore l’autonomie des patients, réduit les hospitalisations et allège la pression sur les urgences. Contrairement aux dispositifs nécessitant des objets connectés, Satelia mise sur une approche éthique et accessible, centrée sur l’éducation thérapeutique et l’implication du patient. Avec ces résultats, Satelia Cardio s’impose comme un pilier essentiel de la prise en charge des maladies chroniques, ouvrant la voie à une adoption élargie en France et à l’international.