Nabil

  • Étude : une IA pourrait éviter des chimiothérapies inutiles à partir des lames tumorales (Lancet)

    En oncologie, la décision de prescrire une chimiothérapie repose sur un équilibre délicat : traiter suffisamment pour éviter une rechute, sans exposer inutilement les patients à des effets secondaires lourds. Dans le cancer du sein, ce dilemme est particulièrement structurant, avec le recours croissant à des tests génomiques pour affiner la décision thérapeutique.

    Des tests génomiques pas toujours accessibles

    Ces tests permettent d’estimer le risque de récidive et le bénéfice attendu du traitement. Ils se sont progressivement imposés mais ils restent coûteux, nécessitent des délais d’analyse et ne sont pas accessibles dans tous les établissements ni dans tous les systèmes de santé. Certaines patientes reçoivent ainsi une chimiothérapie dont le bénéfice est incertain, tandis que d’autres n’y ont pas accès alors qu’elles pourraient en tirer profit.

    Dans ce contexte, l’idée d’exploiter des données déjà disponibles — en l’occurrence les lames histologiques standard — ouvre une nouvelle piste. Aujourd’hui, ces lames sont déjà utilisées en routine pour analyser les tumeurs au microscope. L’enjeu serait désormais d’en tirer davantage d’informations pour orienter la décision thérapeutique.

    Une IA pour décrypter les lames histologiques

    Des chercheurs, notamment du National Cancer Institute, ont donc conçu une intelligence artificielle capable d’analyser des lames histologiques standards. Concrètement, le modèle s’appuie sur l’analyse de l’aspect des cellules et de l’organisation des tissus afin d’identifier des signaux associés au pronostic et à la réponse au traitement. Les performances du modèle ont été évaluées en confrontant ses prédictions aux données cliniques réelles. Les chercheurs ont également comparé ses résultats aux méthodes actuellement utilisées en pratique, qui combinent critères cliniques et tests génomiques, afin de vérifier si l’IA permettait de mieux distinguer les patientes à haut ou faible risque.

    L’enjeu : identifier les patientes initialement considérées à haut risque pour lesquelles la chimiothérapie n’apporte pas de bénéfice mesurable — et qui pourraient donc être reclassées.

    Les résultats de cette étude ont été publiés le 11 mars 2026 dans la revue The Lancet Oncology

    Résultats : près d’1 patiente sur 3 à haut risque reclassées grâce à l’IA

    • 31 % des patientes initialement classées à haut risque sont reclassées à faible risque.
    • Dans ce groupe reclassé, aucun bénéfice significatif de la chimiothérapie n’est observé.
    • Le modèle distingue les patientes à haut et faible risque dans environ 9 cas sur 10.

    Ces résultats ouvrent une piste : s’appuyer sur des données déjà produites en routine pour orienter la décision thérapeutique. « Notre modèle montre qu’il est possible d’extraire des informations pronostiques et prédictives directement à partir de lames histologiques standard », soulignent les auteurs. Autrement dit, une partie de la décision pourrait être prise dès l’analyse anatomopathologique, sans attendre des examens complémentaires.

    Vers une amélioration de la médecine de précision

    L’impact est aussi organisationnel. En utilisant des examens déjà réalisés, cette approche pourrait réduire le recours à des tests génomiques, et donc raccourcir le temps entre diagnostic et décision en réunion de concertation pluridisciplinaire, et homogénéiser les pratiques entre établissements. « Cette approche pourrait améliorer l’accès à la médecine de précision, en particulier dans les contextes où les tests génomiques ne sont pas disponibles », indiquent-ils.

    Reste la question de l’intégration dans les pratiques. Le déploiement suppose une numérisation des lames et une intégration dans les outils d’anatomopathologie, mais aussi une appropriation par les équipes médicales, qui devront articuler ces résultats avec les autres critères cliniques. « Des études prospectives supplémentaires sont nécessaires pour valider l’utilisation clinique de ce modèle », précisent les chercheurs.

     

    * Deep learning on histopathological images to predict breast cancer recurrence risk and chemotherapy benefit: a multicentre, model development and validation study Gil Shamai, PhDa sgils@technion.ac.il ∙ Shachar Cohen, BSca ∙ Yoav Binenbaum, MD PhDd,e ∙ Edmond Sabo, MDf,g ∙ Alexandra Cretu, MDf ∙ Chen Mayer, MDh ∙ et al.

    The Lancet Oncology, Volume 27, Issue 4, 2026

    https://www.thelancet.com/journals/lanonc/article/PIIS1470-2045(25)00727-2/fulltext

     

  • AI Act : les médecins s’opposent à un allègement des règles pour les dispositifs médicaux et défendent le maintien intégral des exigences

    Dans une série d’amendements publiés en mars 2026, le Comité permanent des médecins européens s’oppose à la proposition de la Commission européenne qui vise à limiter l’application du règlement sur l’IA (AI Act) aux seuls aspects jugés pertinents pour les dispositifs médicaux.

    L’exécutif européen propose en effet d’éviter les chevauchements entre le règlement sur les dispositifs médicaux (MDR), celui sur les dispositifs de diagnostic in vitro (IVDR) et le règlement sur l’IA.

    L’objectif : simplifier le cadre réglementaire pour les dispositifs intégrant de l’IA.

    Le CPME rejette cette approche. Il estime que cette limitation rendrait inapplicables des exigences jugées essentielles, notamment en matière de supervision humaine, de gestion des risques spécifiques à l’IA, de transparence, de robustesse et de cybersécurité.

    L’organisation plaide au contraire pour le maintien du régime actuel de l’AI Act, considérant que celui-ci prévoit déjà des mécanismes de simplification adaptés aux dispositifs médicaux.

    DM : préserver les exigences pour les systèmes à haut risque

    Au cœur des préoccupations du CPME figure le statut des systèmes d’IA à haut risque utilisés en santé. Les médecins européens demandent explicitement que les dispositifs médicaux et dispositifs de diagnostic in vitro restent soumis aux exigences du chapitre III de l’AI Act. Cela inclut notamment :

    • La supervision humaine.
    • Le suivi continu des algorithmes.
    • La qualité et la représentativité des données.
    • La gestion des biais et des dérives de performance.

    Ces exigences sont considérées comme les seules à intégrer des risques spécifiques à l’IA, absents des réglementations sectorielles MDR/IVDR. Le CPME insiste également sur la nécessité de clarifier le rôle des organismes notifiés dans l’évaluation de ces systèmes hybrides, à la croisée de plusieurs cadres réglementaires.

    Encadrement renforcé pour les données de santé

    Les amendements portent aussi sur l’utilisation des données.

    Le CPME s’oppose à l’extension des possibilités de traitement des données sensibles pour la détection et la correction des biais dans les systèmes d’IA non classés à haut risque. Selon l’organisation, une telle ouverture augmenterait les risques d’usage abusif et d’atteinte aux droits des patients.

    L’organisation recommande de limiter strictement ces traitements aux cas où ils sont nécessaires, en cohérence avec les positions du Comité européen de la protection des données (EDPB) et du Contrôleur européen de la protection des données (EDPS).

    Elle alerte également sur l’usage des dossiers médicaux électroniques pour entraîner des IA commerciales, appelant à clarifier le cadre juridique et les responsabilités associées.

    Sur le volet des dispositifs médicaux, le CPME s’oppose à toute réduction des exigences en matière de preuves cliniques, notamment pour les dispositifs à haut risque (classe III).

    Les amendements proposés par la Commission permettraient, dans certains cas, de s’appuyer sur des dispositifs équivalents déjà commercialisés pour éviter de nouvelles investigations cliniques.

    Le CPME met en garde contre cette approche, qu’il juge risquée pour la sécurité des patients. Il s’appuie notamment sur :

    • Des données montrant la faiblesse des preuves cliniques disponibles pour certains dispositifs.
    • Des études qui indiquent un risque fort d’alertes de sécurité et de rappels en Europe par rapport aux États-Unis.

    L’organisation demande que toute exemption d’essai clinique soit conditionnée au fait que le dispositif équivalent ait lui-même été évalué par une investigation clinique.

    Vers un système européen d’alerte des pénuries

    Le CPME soutient en revanche certaines évolutions proposées par la Commission, notamment sur la gestion des pénuries de dispositifs médicaux. Il appuie la création d’un système d’information européen permettant de signaler les interruptions ou arrêts de commercialisation, en lien avec l’Agence européenne des médicaments (EMA). Deux conditions sont toutefois posées :

    • Rendre ces informations publiques.
    • Garantir leur diffusion en temps utile pour permettre aux établissements de santé de s’adapter.

    Numérisation des notices : un cadre à ne pas étendre

    Concernant la dématérialisation des notices, le CPME adopte une position nuancée. L’organisation reconnaît l’intérêt de ces formats pour les professionnels de santé et leur contribution à la durabilité. Elle s’oppose toutefois à leur généralisation au-delà du cadre actuel. Elle demande :

    • Le maintien de versions papier en cas de défaillance des infrastructures numériques.
    • Une limitation aux usages déjà prévus par la réglementation.
    • Une vigilance sur l’impact environnemental du numérique.

    Au-delà des dispositifs médicaux, les amendements au Digital Omnibus traduisent une volonté de structurer la gouvernance de l’IA en santé. Le CPME défend le maintien d’une obligation d’AI literacy pour les professionnels, l’introduction de la notion d’IA agentique dans la définition réglementaire, et la création d’un « AI officer » dans les organisations déployant des systèmes à risque.

    L’objectif est d’assurer un déploiement de l’IA aligné avec les exigences éthiques, la sécurité des soins et la confiance des patients.

    À travers ces amendements, le CPME défend une position constante : éviter toute instabilité réglementaire et préserver les garanties existantes.

    Pour les médecins européens, l’enjeu n’est pas d’alléger les règles mais de clarifier leur articulation.

  • Offre hospitalière : la Cour des comptes critique une gradation insuffisamment structurée

    Une offre hospitalière dense mais fragilisée

    La Cour des comptes consacre une partie de son rapport public annuel 2026 à l’accès aux soins, présenté comme un “enjeu de cohésion territoriale”. En métropole, le maillage hospitalier reste dense avec 2 380 sites hospitaliers recensés en 2023.

    En 2024, 75 % des patients étaient hospitalisés à moins de 43 kilomètres de leur domicile, soit environ 48 minutes en voiture. Mais cette moyenne recouvre de fortes disparités selon les activités : 25 kilomètres pour l’obstétrique, contre 119 kilomètres pour les transplantations d’organes.

    Pour la Cour, ce maillage a peu évolué alors même que les besoins de santé changent. Le vieillissement de la population, la progression des maladies chroniques (25 millions de patients en 2023, en hausse de 7 % depuis 2015) et la spécialisation de la médecine accentuent la tension entre proximité des soins et exigences de qualité.

    À cela s’ajoutent les fermetures de services liées au manque de personnels et la dégradation de la situation financière des établissements, les hôpitaux publics ayant enregistré un déficit de 2,4 Md€ en 2023.

    Une organisation des soins encore incomplètement structurée

    La Cour estime que l’offre hospitalière doit évoluer vers davantage de complémentarité entre établissements. Elle juge inachevée l’organisation graduée des soins, alors que les hôpitaux de proximité sont censés assurer le premier niveau de cette gradation. Dans les faits, cette mission est assumée plus largement par les établissements, sans financement toujours adapté.

    Le rapport souligne aussi les limites des coopérations actuelles. Seuls 26 groupements hospitaliers de territoire sur 135 ont mis en place une direction commune pour l’ensemble de leurs membres.

    Or, selon la Cour, le partage du temps médical, les directions communes et des filières mieux coordonnées peuvent faciliter les parcours de soins et rendre l’offre plus cohérente à l’échelle territoriale.

    Elle appelle donc le ministère de la santé à définir une nouvelle stratégie nationale d’évolution de l’offre hospitalière fondée sur la gradation des soins, déclinée par région.

    Elle recommande aussi :

    • D’évaluer la qualité des parcours de soins avec la Haute Autorité de santé.
    • De recentrer le fonds d’intervention régional sur la recomposition de l’offre.
    • Et d’autoriser les activités multisites par les ARS.

    La juridiction réitère par ailleurs sa recommandation de fusionner les établissements d’un même groupement hospitalier de territoire au sein d’une personne morale unique.

    Des fragilités sanitaires plus marqués en outre-mer

    L’insularité, l’éloignement et des conditions socio-économiques plus dégradées limitent l’accès aux soins en outre-mer, où 34,6 % de la population vit sous le seuil de pauvreté (15,4 % en métropole). Ces fragilités se traduisent par une prévalence plus élevée de pathologies chroniques et de troubles psychiques.

    L’offre de soins reste très inégale, avec une densité de praticiens comprise entre 39 et 174 pour 100 000 habitants (146 en moyenne nationale). Les délais de prise en charge sont plus longs. Ils atteignent 42 jours en cardiologie contre 26 en métropole, avec des retards diagnostiques et des renoncements aux soins.

    L’offre hospitalière, moins développée et sous-financée, souffre de capacités limitées. L’absence de certaines filières impose des transferts vers la métropole, générant des coûts élevés.

    La Cour des comptes plaide pour des réponses territorialisées

    Face à ces écarts, la Cour défend une approche différenciée, ancrée dans les réalités locales.

    Elle considère que le niveau territorial est le plus pertinent pour faire émerger des solutions adaptées, qu’il s’agisse de renforcer l’attractivité pour les professionnels de santé, de développer des postes partagés avec les établissements métropolitains ou encore de structurer des formations sanitaires locales.

    Le rapport met aussi en avant les dispositifs d’« aller-vers », avec des équipes mobiles adaptées aux contraintes géographiques, ainsi que le développement de la téléexpertise et de la télésurveillance.

    Les recommandations de la Cour

    La Cour formule six recommandations pour l’outre-mer.

    • Elle demande d’abord une collecte et un suivi centralisé des données de santé, afin d’améliorer le pilotage national et territorial.
    • Elle recommande ensuite d’organiser des filières de postes partagés ou de missions médicales régulières entre établissements ultramarins et métropolitains.
    • De développer des filières de formation sanitaire adaptées aux spécificités locales.
    • Et de créer des instances interrégionales chargées de faire émerger des centres référents spécialisés.
    • Elle propose aussi de favoriser, dans les territoires ultramarins, le recours aux expérimentations prévues par l’article 51 de la loi de financement de la sécurité sociale pour 2018.
    • Enfin, elle recommande de développer, dans le cadre de la télémédecine et de la téléexpertise, des consultations de spécialités avancées dans les archipels et les zones de brousse.

    La Cour des comptes défend une même ligne : l’accès aux soins ne peut plus être abordé uniquement sous l’angle du maintien d’une offre existante.

    Il suppose d’arbitrer entre proximité, qualité, sécurité et disponibilité des professionnels. En métropole comme en outre-mer, elle invite les pouvoirs publics à sortir d’une logique uniforme pour organiser l’offre à partir des besoins de santé et des contraintes propres à chaque territoire.

  • IQVIA lance IQVIA.ai, une plateforme d’IA agentique déjà adoptée par 19 laboratoires

    Une plateforme unifiée pour industrialiser l’IA dans les sciences de la vie

    IQVIA annonce le lancement d’IQVIA.ai, une plateforme d’IA agentique conçue pour transformer les opérations, la prise de décision et l’innovation dans les sciences de la vie.

    Cette solution repose sur la combinaison des actifs de données d’IQVIA et de technologies développées avec NVIDIA, notamment Nemotron, NeMo Agent Toolkit, Dynamo et LangChain.

    L’objectif est de permettre un apprentissage continu à partir des retours opérationnels.

    IQVIA indique avoir engagé sa collaboration avec NVIDIA il y a plus d’un an pour bâtir les fondations de cette plateforme. Dans ce cadre, l’entreprise a déposé plus de 100 brevets liés à l’IA et déployé plus de 150 agents intelligents, en interne comme chez ses clients.

    19 des 20 plus grands laboratoires pharmaceutiques utilisent déjà ces agents dans leurs workflows.

    Clinique, commercial, et données en vie réelle sont les premiers cas d’usage

    Cette initiative répond à l’augmentation du volume et de la complexité des données dans le secteur, qui dépassent les capacités des approches traditionnelles.

    Contrairement à des outils d’IA généralistes ou isolés, IQVIA.ai vise une intégration directe dans les processus métiers. La plateforme permet d’orchestrer des tâches et des analyses à partir de multiples sources de données, afin de notamment :

    • Accélérer la recherche et l’analyse.
    • Améliorer l’efficacité opérationnelle.
    • Soutenir des prises de décision plus rapides.

    Intégration directe dans les workflows métiers

    IQVIA.ai se positionne comme un « centre de commande numérique » combinant automatisation, analytique avancée et outils d’aide à la décision.

    La plateforme associe une interface conversationnelle à un catalogue d’agents intelligents, prêts à l’emploi ou configurables, structurés autour des usages réels des sciences de la vie.

    Elle permet aux organisations de déployer et de faire évoluer ces agents au sein d’une architecture pilotée par IQVIA.

    La première version d’IQVIA.ai cible des cas d’usage à forte valeur dans trois domaines :

    • le clinique,
    • le commercial,
    • les données en vie réelle.

    IQVIA prévoit l’ajout de nouveaux agents et fonctionnalités au quatrième trimestre 2026.

  • IA et détection des hémorragies intracrâniennes : 93 % d’exactitude malgré des limites sur les lésions complexes

    Une évaluation indépendante en conditions proches du réel

    L’hémorragie intracrânienne est associée à une mortalité précoce élevée. Ce qui nécessite de poser un diagnostic rapide par scanner cérébral (et sans injection).

    Dans ce contexte, les outils d’IA se déploient en radiologie pour automatiser la détection et prioriser les examens urgents.

    L’étude menée par Clotilde Ruesch et ses co-auteurs évalue les performances du logiciel CINA-ICH v1.0.8 (Avicenna.ai) à partir de deux cohortes distinctes :

    • Une base rétrospective bicentrique.
    • Et une cohorte prospective monocentrique.

    L’objectif est de dépasser les limites méthodologiques fréquentes dans la littérature, notamment les biais liés aux jeux de données simplifiés ou aux validations mono-lecteur.

    Cohorte enrichie en cas complexes

    Des performances d’IA légèrement en retrait

    La cohorte rétrospective regroupe 725 scanners réalisés entre 2012 et 2024 dans deux centres hospitaliers universitaires brestois. Elle inclut volontairement une diversité de situations cliniques :

    • 60 % d’HIC.
    • 25 % de diagnostics différentiels (tumeurs, malformations vasculaires, calcifications, artefacts).
    • Et des examens normaux.

    La vérité terrain repose sur une lecture indépendante en aveugle de trois radiologues parmi cinq, avec consensus majoritaire. Les lésions ont été annotées manuellement, permettant une analyse fine des sous-types selon des critères stricts de concordance spatiale.

    Dans cette cohorte, l’accord inter-observateurs est élevé (kappa = 0,80). Les performances de l’IA apparaissent légèrement inférieures à celles rapportées dans la littérature :

    • Sensibilité : 0,85
    • Spécificité : 0,83
    • Exactitude : 0,85

    Cette baisse s’explique par l’intégration de cas complexes et de diagnostics différentiels, rarement inclus dans les études antérieures.

    La cohorte prospective comprend 423 examens consécutifs réalisés entre avril et mai 2024, avec une prévalence d’HIC de 19,7 %. Les patients, issus des urgences ou hospitalisés, ne font l’objet d’aucune sélection. Dans ce cadre plus proche de la pratique clinique, les performances du logiciel restent élevées :

    • Sensibilité : 0,86
    • Spécificité : 0,95
    • Exactitude : 0,93

    La vérité terrain repose sur les comptes rendus validés par un radiologue sénior, sans analyse détaillée des sous-types.

    Des écarts de performance entre sous-types

    L’analyse exploratoire des sous-types, réalisée uniquement sur la cohorte rétrospective, met en évidence une hétérogénéité des performances. Les hématomes intraparenchymateux sont mieux détectés, tandis que les hémorragies intraventriculaires présentent des sensibilités plus faibles.

    Ces résultats s’expliquent en partie par les critères d’évaluation retenus : un sous-type n’est considéré comme détecté que si toutes les lésions correspondantes sont identifiées, ce qui augmente mécaniquement le nombre de faux négatifs.

    Profils d’erreurs récurrents

    L’analyse des discordances révèle des profils similaires entre les deux cohortes. Les faux négatifs concernent principalement :

    • Les lésions de petite taille (< 10 mm).
    • Les hémorragies isodenses.
    • Les localisations proches de la base du crâne.

    Les faux positifs sont associés à :

    • Des tumeurs intra-axiales.
    • Des calcifications.
    • Des artefacts.
    • Certaines structures anatomiques normales (faux du cerveau, tente du cervelet, sinus veineux).

    Ces limites rejoignent celles décrites dans les travaux antérieurs.

    Détection des HIC, des résultats solides avec des limites sur les cas complexes

    Sous réserve de validation humaine

    L’étude confirme que CINA-ICH atteint des performances élevées, en particulier en conditions prospectives. Elle se distingue par une méthodologie plus robuste que la moyenne, intégrant diagnostics différentiels et annotation multi-lecteurs.

    Les résultats mettent toutefois en évidence des limites, notamment pour les lésions de petite taille ou situées dans des régions anatomiques complexes.

    Ces éléments permettent de mieux définir les conditions d’usage de ces outils en pratique clinique :

    • Pertinence pour le triage automatisé.
    • Nécessité d’une validation humaine systématique.
    • Vigilance dans certaines situations à risque d’erreur.

    Au-delà des performances globales, l’étude souligne l’importance d’évaluations indépendantes et en conditions réelles pour guider l’intégration des systèmes d’IA dans les flux de travail radiologiques.

  • Diabète : des profils patients différenciés et un virage vers la prévention cardiovasculaire

    Une prévalence en hausse sur dix ans

    En 2019, 4,4 millions d’adultes vivent avec un diabète en France, soit 8,3 % de la population adulte  (près d’1 adulte sur 12). Cette progression s’inscrit dans une tendance continue sur la période 2010-2019, avec une hausse de +29 % pour le diabète de type 2 et de +15 % pour le diabète de type 1.

    L’étude EpiCoDiab, menée par Roche Diagnostics France, timkl et IQVIA France, repose sur l’exploitation de dix années de données du Système National des Données de Santé. Elle mobilise un algorithme de machine learning qui permet, pour la première fois à cette échelle, de distinguer les deux types de diabète et d’en analyser séparément les trajectoires.

    Les profils des patients diffèrent nettement :

    • DT1 : âge moyen de 46 ans.
    • DT2 : âge moyen de 67 ans, avec des comorbidités fréquentes.

    Ces écarts structurent les besoins de prise en charge et les coûts associés.

    Le diabète de type 2, une pathologie à dominante cardiovasculaire

    L’étude met en évidence le poids des complications cardiovasculaires dans le DT2. En 2019 :

    • 72,7 % des patients sont hypertendus.
    • 10,6 % ont des antécédents d’infarctus du myocarde ou de maladie cardiaque.
    • 9 % présentent une insuffisance cardiaque ou des troubles du rythme.

    Les patients traités par insuline apparaissent comme les plus fragiles :

    • 15,3 % ont été hospitalisés pour complications.
    • Coût annuel moyen : 13 424 €, contre 5 091 € pour les patients sans insuline.

    Ces résultats repositionnent le DT2 comme une pathologie cardiovasculaire à part entière et suggèrent d’intégrer la prévention cardiovasculaire dès le diagnostic.

    Diabète de type 1, des gains liés aux innovations

    Sur la période étudiée, la prise en charge du DT1 évolue sous l’effet des technologies et des traitements.

    L’usage des pompes à insuline progresse de 12,5 % en 2010 à 26,7 % en 2019. Cette diffusion s’accompagne :

    • D’une baisse des hospitalisations d’urgence.
    • D’une amélioration de la qualité de vie.

    Les indicateurs de mortalité évoluent également :

    • Taux de mortalité : de 2,6 % à 1,5 %.
    • Age moyen au décès : +2,7 ans (64,1 à 66,8 ans).

    Le coût moyen par patient diminue de 9,6 % (11 102 € à 10 033 €), en lien avec une réduction des dépenses de soins de ville. Des marges de progression subsistent, notamment sur l’accès aux spécialistes et le respect des examens recommandés.

    Un coût global en hausse, mais une meilleure efficience

    Les dépenses liées au diabète dépassent 30 milliards d’euros en 2019, contre 23 milliards en 2011. Le DT2 représente près de 90 % de ce total. Cette augmentation est principalement liée à la croissance du nombre de patients. En parallèle, le coût moyen par patient diminue :

    • -9,6 % pour le DT1.
    • -7,7 % pour le DT2 traité par insuline.

    Le déséquilibre entre hausse de la prévalence et baisse des coûts unitaires maintient toutefois une pression sur les dépenses globales.

    Vers une médecine du diabète plus anticipative

    L’étude identifie plusieurs axes d’évolution pour le système de santé :

    • Intégrer la prévention cardiovasculaire dès le diagnostic du DT2.
    • Accélérer l’accès aux technologies innovantes.
    • Structurer le suivi pour améliorer l’adhérence aux parcours de soins.
    • Pérenniser l’usage d’algorithmes de classification à l’échelle nationale.

  • Données de santé : un corpus fictif de 6 000 comptes rendus pour entraîner l’IA sans données patients

    PARTAGES publie 6 000 comptes rendus médicaux fictifs en open data

    Le projet PARTAGES publie un corpus de plus de 6 000 comptes rendus médicaux de patients fictifs en open data. Coordonné par la Plateforme des données de santé (Health Data Hub) et réunissant 32 partenaires, ce jeu de données a été entièrement rédigé et validé par des médecins. L’objectif est de répondre à une double contrainte :

    • Garantir la sécurité des données cliniques.
    • Faciliter  le développement de modèles d’IA.

    Les systèmes entraînés sur des données réelles présentent un risque de mémorisation d’informations sensibles, ce qui rend leur partage complexe et limite la disponibilité de corpus ouverts.

    En s’appuyant sur des cas cliniques imaginés, PARTAGES propose une alternative sans données patients, mobilisable sans contrainte réglementaire, en conservant un niveau de réalisme clinique.

    Le corpus résulte d’un appel lancé en avril 2025 auprès d’associations d’internes et de centres hospitalo-universitaires. Il a permis de constituer un panel de 120 médecins couvrant différentes spécialités et territoires.

    Les praticiens ont produit plus de 6 000 comptes rendus à partir de situations fictives. Ce travail s’accompagne d’un encadrement méthodologique, avec des guides de rédaction et de relecture ainsi que des annotations destinées à des cas d’usage spécifiques.

    Ce livrable s’inscrit dans une démarche scientifique formalisée, avec une publication associée : PARHAF, a human-authored corpus of clinical reports for fictitious patients in French. Il a été présenté le 25 mars lors du comité stratégique de mi-parcours du projet.

    9,4 M€ pour structurer des communs numériques en IA santé

    Lauréat de l’appel à projets « Communs numériques pour l’intelligence artificielle générative », PARTAGES bénéficie d’un financement de 9,4 millions d’euros sur deux ans (2025-2027), dans le cadre du plan France 2030 opéré par Bpifrance. Outre le corpus principal, plusieurs livrables sont mis à disposition :

    • Un guide méthodologique de production et de relecture.
    • Des sous-ensembles annotés.
    • Quatre guides d’annotation orientés cas d’usage.
    • Un corpus complémentaire de données médicales ouvertes (articles, notices, cas cliniques) utilisé pour entraîner des modèles de fondation.

    PARTAGES vise 7 modèles spécialisés et une évaluation dans 20 hôpitaux d’ici 2027

    D’ici 2027, PARTAGES prévoit le développement de sept modèles d’IA dédiés à des usages ciblés : codage des informations médicales, résumé automatique de comptes rendus, détection en infectiologie ou encore analyse de la réponse aux traitements en oncologie.

    Les premiers modèles et leurs protocoles d’évaluation doivent être publiés prochainement sur le site de la Plateforme des données de santé.

    En parallèle, une plateforme nationale d’évaluation fédérée est en cours de déploiement. Elle sera testée dans 20 hôpitaux et entrepôts de données de santé hospitaliers, afin d’évaluer les algorithmes sur des données réelles dans un cadre sécurisé.

  • LLM en médecine clinique : 4 609 études recensées depuis 2022, mais seulement 19 essais randomisés sur données réelles

    Depuis la mise à disposition publique de ChatGPT en novembre 2022, les grands modèles de langage se sont imposés comme objet de recherche à part entière en médecine clinique. Réponse aux questions de patients, synthèse de notes cliniques, aide à la décision, documentation, formation médicale : les cas d’usage étudiés se sont multipliés à un rythme soutenu.

    Une littérature en forte croissance depuis la sortie de ChatGPT

    Dans ce contexte, une équipe de chercheurs a entrepris de cartographier cette littérature. Leur article, publié dans Nature Medicine, repose sur une revue systématique assistée par LLM qui couvre les publications parues entre le 1er janvier 2022 et le 6 septembre 2025.

    4 609 études retenues

    Les auteurs ont interrogé PubMed, Embase et Scopus avec des requêtes portant sur les termes “large language model”, “LLM”, “GPT”, “ChatGPT”, “LLaMA”, “Claude”, “Gemini” et “Bard”. Au total, 23 614 enregistrements ont été repérés, puis ramenés à 12 894 études uniques après déduplication.

    Face à ce volume, l’équipe a mis en place un pipeline automatisé fondé sur GPT-5, utilisé pour filtrer les études, les classer selon un niveau de preuve, puis extraire des métadonnées à partir des titres et résumés. Ce tri automatisé a été validé sur un sous-échantillon relu par des examinateurs humains. Les auteurs rapportent une bonne concordance entre l’outil et les décisions humaines, aussi bien pour l’inclusion que pour le classement par niveau de preuve.

    Au final, 4 609 études ont été retenues. Le modèle statistique des auteurs estime que le nombre “réel” d’études répondant aux critères d’inclusion sur la période se situe autour de 4 361, soit environ 3,2 publications par jour.

    Des preuves encore concentrées sur les simulations et les examens

    Moins d’un quart des études sur les LLM reposent sur des données réelles

    L’enseignement principal de l’étude tient à la structure même de cette littérature. Sur les 4 609 travaux inclus, seuls 1 048 portent sur des données cliniques réelles. Et parmi eux, seulement 19 correspondent à de véritables essais prospectifs randomisés.

    Les auteurs distinguent quatre niveaux de preuve :

    • Le niveau le plus élevé correspond aux évaluations prospectives randomisées en conditions réelles de soins.
    • Viennent ensuite les études sur données cliniques réelles, rétrospectives ou prospectives,
    • Puis les travaux reposant sur des scénarios simulés ou des données synthétiques,
    • Et enfin les évaluations de type examens, QCM ou cas cliniques à réponse attendue.

    Dans les faits, la littérature reste largement dominée par les études de simulation et les tâches académiques. Les auteurs estiment à 1 857 le nombre de travaux de niveau intermédiaire fondés sur des scénarios simulés, et à 1 704 ceux relevant surtout d’examens ou d’épreuves de connaissances. Autrement dit, plus des trois quarts des études recensées n’analysent pas des situations de soins réelles.

    Cette lecture est renforcée par la taille des échantillons. L’étude détecte une taille d’échantillon dans 3 289 résumés. Parmi eux, un quart des travaux portent sur moins de 20 cas, et au moins 25 % de l’ensemble des études incluses ont un échantillon inférieur à 30.

    OpenAI domine très largement les modèles évalués

    L’autre enseignement tient à la concentration des évaluations sur un petit nombre d’acteurs. Les modèles d’OpenAI, dont ChatGPT, représentent 65,7 % des modèles étudiés. Gemini et Bard, de Google, arrivent loin derrière avec 13,1 %.

    Les modèles ouverts restent minoritaires. Les auteurs relèvent que 87,7 % des modèles évalués sont fermés. Ils soulignent aussi le faible nombre d’études portant sur certains assistants déjà présents dans les usages quotidiens, comme Google Assistant ou Alexa, alors même qu’ils peuvent être sollicités par le grand public pour des questions de santé.

    Pour les chercheurs, ce biais en faveur des modèles propriétaires pose un problème de reproductibilité. Ils insistent sur la nécessité d’évaluer davantage les modèles open source, dont le comportement peut rester vérifiable dans le temps, contrairement à des services fermés susceptibles d’évoluer ou de disparaître.

    Communication patient, questions-réponses et formation en tête des usages étudiés

    En moyenne, chaque étude analyse 1,93 tâche.

    • Les usages les plus fréquents relèvent de la communication et de l’éducation destinées aux patients, qui représentent 17,4 % des tâches recensées.
    • Viennent ensuite la recherche de connaissances et les questions-réponses cliniques, puis l’éducation, l’évaluation et la simulation.
    • Les travaux sur le raisonnement diagnostique et la détection de maladie arrivent derrière.
    • Suivis par les usages liés à la gestion clinique et à l’organisation du travail.
    • Côté jeux de données, les questions d’examen et d’autoévaluation des cliniciens restent les plus fréquentes, devant les FAQ patients, les vignettes cliniques, les recommandations professionnelles, l’imagerie et les dossiers de santé électroniques.

    Les auteurs notent aussi un problème de reproductibilité des données : parmi les jeux de données dont l’accessibilité a pu être déterminée, moins de la moitié sont en accès ouvert.

    Une répartition inégale selon les spécialités

    L’analyse met en évidence une concentration des travaux sur quelques disciplines. La médecine interne est la spécialité la plus souvent représentée, devant la radiologie, la médecine préventive, la chirurgie orthopédique et la médecine de famille.

    Dans les spécialités chirurgicales, l’orthopédie arrive largement en tête, suivie par l’ORL, l’urologie, la chirurgie générale et la chirurgie plastique. En médecine interne, l’oncologie, la cardiologie, la médecine du sommeil, la gastroentérologie et les maladies infectieuses dominent.

    Les auteurs y voient un déséquilibre de la littérature plutôt qu’un reflet des besoins cliniques. Ils estiment que de nombreuses disciplines restent peu explorées, alors qu’elles pourraient constituer des terrains d’évaluation utiles pour les usages futurs des LLM.

    Des performances très dépendantes du contexte

    L’étude a recensé 1 046 travaux dans lesquels l’issue de la comparaison entre LLM et experts humains pouvait être déterminée à partir du résumé. Dans 33 % des cas, le modèle surpasse l’humain ; dans 64,5 %, il fait moins bien ; dans 2,5 %, les résultats sont mixtes.

    Mais cette moyenne masque de fortes variations. Les LLM surpassent plus souvent les humains dans les études de bas niveau de preuve, en particulier lorsqu’il s’agit de tâches de restitution de connaissances ou d’examens standardisés. Leur taux de surperformance est nettement plus faible dans les études fondées sur des données réelles.

    Autre constat,  le résultat dépend du niveau d’expertise de la personne comparée. Les modèles surpassent moins souvent les médecins seniors que les médecins moins expérimentés ou les étudiants. Les auteurs en tirent une recommandation méthodologique claire :

    un modèle doit être comparé à l’expert réellement compétent pour la tâche étudiée, et non à un clinicien générique ou à un professionnel en formation lorsque cela n’est pas justifié.

    Les auteurs soulignent que le rythme de publication des essais randomisés demeure faible, malgré la croissance générale du champ.

    Les recommandations des auteurs pour la suite

    Au-delà du constat bibliométrique, l’article propose une trajectoire pour produire des preuves plus utiles à la décision clinique.

    • Première recommandation : ne pas s’arrêter aux performances sur examens, cas fictifs ou jeux de données synthétiques. Les auteurs plaident pour une progression par étapes, depuis les évaluations de capacité et de simulation jusqu’aux études sur données réelles, puis aux essais randomisés en conditions de soins.
    • Deuxième recommandation : augmenter la taille des échantillons et améliorer la qualité méthodologique des travaux. Les auteurs rappellent que les petits effectifs restent fréquents, ce qui limite la portée des conclusions.
    • Troisième recommandation : comparer les modèles aux bons experts humains, c’est-à-dire aux professionnels dont le niveau de qualification correspond exactement à la tâche clinique testée.
    • Quatrième recommandation : développer des modèles open source et des jeux de données ouverts lorsque cela est possible, afin de renforcer la reproductibilité, l’examen par les pairs et la capacité de réutilisation des travaux.

    Enfin, les auteurs appellent à des études plus ancrées dans les usages réels, sur des données cliniques représentatives et dans des spécialités aujourd’hui moins couvertes.

    Une littérature abondante mais encore peu décisive pour l’adoption clinique

    La revue met ainsi en évidence un paradoxe. La recherche sur les LLM en médecine clinique progresse à un rythme soutenu, mais la base de preuves directement utile pour l’adoption en pratique reste limitée. Les modèles donnent des résultats solides dans des contextes académiques ou simulés, mais les données prospectives, comparatives et centrées sur le patient restent rares.

    La dynamique de publication ne suffit pas à documenter une utilité clinique. Avant une diffusion plus large dans les parcours de soins, les auteurs estiment que le champ doit produire davantage d’études prospectives sur données réelles, puis passer à des essais randomisés de plus grande ampleur.

    LLM-assisted systematic review of large language models in clinical medicine

  • Waiv lève 30 M€ pour l’oncologie par IA



    Waiv lève 30 M€ pour l’oncologie par IA

    Publié le vendredi 27 mars 2026 à 15h58

    Spin-out d’Owkin, Waiv lève 30 M€ pour industrialiser des tests d’oncologie par IA. La start-up développe des outils de pathologie numérique combinant données cliniques et biologiques pour améliorer le diagnostic, la stratification des patients et l’orientation thérapeutique en médecine de précision.

  • US : l’interopérabilité de l’imagerie face aux tensions hospitalières et territoriales

    La pression financière conduit à la pression clinique

    Aux États-Unis, plusieurs hôpitaux ruraux sont aujourd’hui menacés de fermeture, que plus de 450 établissements présentent un risque élevé. En vingt ans, 195 établissements ont cessé leur activité et plus de 1 000 ont réduit leurs services d’hospitalisation.

    Cette fragilisation s’inscrit dans un contexte de baisse de couverture santé. Depuis 2023, la fin de la couverture continue de Medicaid a conduit à la sortie de plus de 25 millions de personnes du dispositif. Une partie de ces patients connaît des interruptions d’assurance liées à des variations de revenus, ce qui génère mécaniquement des ruptures de suivi.

    En conséquence de quoi, les patients :

    • Retardent les soins préventifs.
    • Consultent tardivement.
    • Arrivent aux urgences avec des pathologies à un stade avancé.

    Les structures rurales, déjà contraintes en ressources humaines et financières, doivent alors prendre en charge des cas complexes, comme des cancers avancés ou des maladies cardiovasculaires décompensées.

    Une fragmentation qui multiplie les examens et les transferts

    Le fonctionnement en silo des systèmes d’information accentue ces difficultés. Dans les territoires ruraux, un patient peut passer par plusieurs structures (centre de proximité, établissement régional, suivi local) avec des images médicales stockées dans différents systèmes PACS non interopérables.

    Cette fragmentation entraîne deux conséquences principales :

    • Répétition des examens : faute d’accès aux images antérieures, les patients sont à nouveau exposés à des examens, avec un coût et un impact clinique.
    • Transferts évitables : en l’absence de visibilité sur l’historique ou d’avis spécialisé rapide, les médecins privilégient le transfert vers des centres urbains.

    “L’imagerie interopérable” pour éclairer la décision clinique

    Les solutions d’interopérabilité permettent d’agréger les données issues de multiples sources et de restituer une vision longitudinale du patient. L’accès aux examens antérieurs (comme les échocardiographies, imageries vasculaires,) permet d’évaluer l’évolution d’une pathologie plutôt que de raisonner à partir d’un seul examen. Cette approche améliore la prise de décision. Et l’interopérabilité facilite l’intégration de réseaux de lecture à distance. En unifiant les environnements PACS au sein de listes de travail partagées, les établissements peuvent :

    • Orienter les examens vers des spécialistes à distance.
    • Augmenter leur volume d’activité sans recruter.
    • Réduire les délais d’interprétation.

    Un cas neurologique complexe peut ainsi être interprété en quelques minutes par un neuroradiologue situé dans un centre urbain, avec un impact direct sur la prise en charge.

    Le partage en temps réel des images permet également d’éviter certains transferts. Lorsqu’un spécialiste valide à distance la possibilité d’une prise en charge locale, le patient reste dans son environnement, ce qui présente un double effet : maintien des revenus pour l’établissement et amélioration de l’expérience patient en limitant les déplacements.

    Une transformation sans remplacement des systèmes existants

    Les solutions actuelles reposent sur des plateformes dites « vendor-neutral », capables de s’intégrer aux infrastructures existantes sans nécessiter de remplacement complet des systèmes.

    Un système vendor-neutral est une solution qui permet à des logiciels ou équipements de différents fournisseurs de fonctionner ensemble, sans dépendre d’un seul éditeur. En santé, il sert surtout à connecter plusieurs systèmes d’imagerie (PACS) pour partager les données sans remplacer les outils existants.

    Ces architectures permettent aux hôpitaux ruraux de :

    • Etendre leur offre (imagerie avancée avec appui distant) ;
    • Réduire les erreurs diagnostiques grâce à l’accès aux historiques ;
    • Anticiper les modèles de financement à la valeur, en limitant les actes redondants.

    Vers une réduction des inégalités territoriales

    Au-delà des contraintes structurelles (pénurie de professionnels, couverture incomplète, tensions financières, l’interopérabilité de l’imagerie contribue à réduire les écarts d’accès au diagnostic entre territoires, en dissociant la localisation du patient de celle de l’expertise médicale.

    France : des tensions structurelles comparables

    En France, bien que le système d’assurance maladie diffère, le renoncement aux soins est réel, notamment pour des raisons d’accès territorial (déserts médicaux) ou de reste à charge.

    Des pressions financières s’exercent sur les établissements. De nombreux hôpitaux de proximité présentent des déficits récurrents, avec des tensions sur les capacités d’investissement et de recrutement. Les fermetures sont plus rares, mais les restructurations (fermetures de lits, transformation en centres de soins non programmés) traduisent une fragilisation comparable.

    Malgré les politiques nationales en faveur de l’interopérabilité, les systèmes d’information hospitaliers restent hétérogènes. Les solutions d’imagerie (PACS, RIS) varient selon les établissements et ne sont pas toujours interconnectées de manière fluide.

    Conséquences similaires :

    • Examens redondants, en l’absence d’accès rapide aux images antérieures.
    • Transferts vers des centres hospitaliers universitaires (CHU), parfois par défaut plus que par nécessité médicale.
    • Perte de temps médical liée à la recherche ou à la reconstitution des données.

    Pour y répondre, La France déploie plusieurs dispositifs pour renforcer l’interopérabilité des données de santé, notamment via le Ségur du numérique, le DMP, Mon espace santé et des plateformes régionales d’imagerie, avec un déploiement encore hétérogène.

    La téléradiologie s’impose comme une réponse au manque de spécialistes, mais son efficacité reste conditionnée à la capacité des systèmes à échanger les données.

    En parallèle, les architectures « vendor-neutral » se développent pour mutualiser les images à l’échelle territoriale et soutenir l’accès au diagnostic dans les zones sous-dotées.