Nabil

  • Etude : la complexité du réel, principal moteur des biais algorithmiques (MIS Quaterly)

    En analysant 363 incidents documentés, ils montrent comment ces limites peuvent affecter des décisions sensibles, notamment dans le champ sanitaire. Alors que les usages de l’IA se multiplient dans la santé, l’industrie et les services publics, les cas de décisions injustes ou incohérentes se succèdent : erreurs de triage, recommandations inadaptées, évaluations sociales contestées… Ces dérives nourrissent un débat récurrent sur les biais algorithmiques et sur les limites des modèles actuels.

    Une origine des biais sous-estimée

    L’étude publiée le 1er décembre dans MIS Quarterly, l’une des revues les plus sélectives et influentes dans le domaine des systèmes d’information, apporte un éclairage nouveau sur ces dysfonctionnements. Contrairement à l’idée récurrente selon laquelle les biais proviendraient surtout de données défaillantes ou d’un manque de précision, les auteurs montrent que l’IA échoue souvent pour une raison plus fondamentale : elle ne parvient pas à représenter l’ensemble de la complexité des situations qu’elle tente d’automatiser.

    L’étude a été menée par des chercheurs à la Texas McCombs School of Business (University of Texas at Austin). Leur objectif était d’identifier les mécanismes structurels qui conduisent les algorithmes à produire des décisions biaisées. Les auteurs ont analysé en détail 363 incidents algorithmiques recensés dans la base AI Algorithmic and Automation Incidents and Controversies, qui documente des cas de discriminations, d’erreurs ou de controverses liées à des systèmes automatisés. Chaque algorithme impliqué dans un incident a été comparé à un modèle de nature similaire mais n’ayant pas fait l’objet d’un signalement, afin de comprendre pourquoi un biais était survenu.

    Une simplification excessive du réel

    Les chercheurs ont notamment examiné si, pour chaque tâche automatisée, il existait une référence fiable et reconnue permettant de vérifier la justesse des décisions produites par le modèle. Ils ont également étudié la manière dont certains algorithmes simplifiaient ou omettaient des dimensions importantes du contexte réel. Enfin, ils ont analysé la responsabilité des organisations — par exemple si elles utilisent des jeux de données limités, mettent la pression pour automatiser rapidement un processus, imposent des contraintes de budget… Le tout pouvant conduire à la production de modèles incomplets, plus susceptibles de générer des biais.

    Cette approche centrée sur les mécanismes internes plutôt que sur une évaluation statistique, permet d’identifier des facteurs récurrents expliquant pourquoi certains modèles basculent vers des décisions injustes alors que d’autres, pourtant proches dans leur conception, n’exposent pas les mêmes dérives.

    Résultats : 3 facteurs majeurs de biais

    • Absence de référence fiable : de nombreux algorithmes sont chargés d’automatiser des décisions pour lesquelles il n’existe pas de méthode reconnue permettant de vérifier l’exactitude du résultat. L’estimation de l’âge osseux sur radiographie en est un exemple : faute de consensus clinique, un modèle peut obtenir de très bons scores tout en produisant des décisions inadaptées.
    • Simplification excessive du réel : certains modèles reposent sur des données incomplètes ou omettent des variables importantes, ce qui conduit à des représentations appauvries de situations complexes.
    • Manque d’implication des parties prenantes : lorsque des systèmes destinés à des populations diverses sont conçus par des équipes homogènes, certaines réalités ne sont pas prises en compte, augmentant le risque d’angles morts et de décisions inéquitables.

    L’analyse montre en outre qu’un modèle peut afficher une précision élevée tout en restant biaisé si les données ne reflètent qu’une partie limitée de la situation réelle. Les incidents examinés révèlent que les biais apparaissent particulièrement lorsque des algorithmes automatisent des décisions qui, en pratique, reposent sur des évaluations humaines intégrant de nombreux éléments contextuels, sociaux ou cliniques. Faute d’accéder à ces dimensions, les modèles produisent une représentation trop simplifiée du réel, ce qui explique une grande partie des dérives observées.

    L’étude invite les développeurs, les industriels et les décideurs publics à revoir la manière dont les systèmes d’IA sont conçus et déployés, en particulier lorsque les décisions reposent sur des facteurs cliniques, sociaux ou contextuels difficiles à formaliser. Les auteurs recommandent de limiter l’automatisation aux situations pour lesquelles une référence fiable existe réellement, faute de quoi les modèles risquent de produire des décisions cohérentes sur le plan technique mais inadaptées dans la pratique. Ils rappellent que « les biais ne disparaissent pas en améliorant la précision d’un modèle si celui-ci ne comprend pas réellement la complexité de la situation qu’il automatise ».

    Des algorithmes éloignés du monde…

    Les travaux insistent également sur la nécessité de mieux documenter le contexte réel dans lequel les algorithmes interviennent et d’impliquer plus largement les professionnels de terrain, les usagers et les populations concernées lors de la conception. Cette démarche apparaît essentielle dans des domaines sensibles comme la santé, où les décisions exigent une compréhension fine de situations individuelles que les modèles peinent encore à représenter. Comme le résume l’un des auteurs, « un algorithme ne peut juger que le monde qu’il voit. S’il en perçoit trop peu, il se trompe ».

    * Algorithmic Social Injustices: Antecedents and Mitigations Hüseyin Tanriverdi; John-Patrick Olatunji Akinyemi

    MIS Quarterly (2025) 49 (4): 1417–1448. https://misq.umn.edu/misq/article-abstract/49/4/1417/3265/Algorithmic-Social-Injustices-Antecedents-and

     

  • Etude : la complexité du réel, principal moteur des biais algorithmiques (MIS Quaterly)

    En analysant 363 incidents documentés, ils montrent comment ces limites peuvent affecter des décisions sensibles, notamment dans le champ sanitaire. Alors que les usages de l’IA se multiplient dans la santé, l’industrie et les services publics, les cas de décisions injustes ou incohérentes se succèdent : erreurs de triage, recommandations inadaptées, évaluations sociales contestées… Ces dérives nourrissent un débat récurrent sur les biais algorithmiques et sur les limites des modèles actuels.

    Une origine des biais sous-estimée

    L’étude publiée le 1er décembre dans MIS Quarterly, l’une des revues les plus sélectives et influentes dans le domaine des systèmes d’information, apporte un éclairage nouveau sur ces dysfonctionnements. Contrairement à l’idée récurrente selon laquelle les biais proviendraient surtout de données défaillantes ou d’un manque de précision, les auteurs montrent que l’IA échoue souvent pour une raison plus fondamentale : elle ne parvient pas à représenter l’ensemble de la complexité des situations qu’elle tente d’automatiser.

    L’étude a été menée par des chercheurs à la Texas McCombs School of Business (University of Texas at Austin). Leur objectif était d’identifier les mécanismes structurels qui conduisent les algorithmes à produire des décisions biaisées. Les auteurs ont analysé en détail 363 incidents algorithmiques recensés dans la base AI Algorithmic and Automation Incidents and Controversies, qui documente des cas de discriminations, d’erreurs ou de controverses liées à des systèmes automatisés. Chaque algorithme impliqué dans un incident a été comparé à un modèle de nature similaire mais n’ayant pas fait l’objet d’un signalement, afin de comprendre pourquoi un biais était survenu.

    Une simplification excessive du réel

    Les chercheurs ont notamment examiné si, pour chaque tâche automatisée, il existait une référence fiable et reconnue permettant de vérifier la justesse des décisions produites par le modèle. Ils ont également étudié la manière dont certains algorithmes simplifiaient ou omettaient des dimensions importantes du contexte réel. Enfin, ils ont analysé la responsabilité des organisations — par exemple si elles utilisent des jeux de données limités, mettent la pression pour automatiser rapidement un processus, imposent des contraintes de budget… Le tout pouvant conduire à la production de modèles incomplets, plus susceptibles de générer des biais.

    Cette approche centrée sur les mécanismes internes plutôt que sur une évaluation statistique, permet d’identifier des facteurs récurrents expliquant pourquoi certains modèles basculent vers des décisions injustes alors que d’autres, pourtant proches dans leur conception, n’exposent pas les mêmes dérives.

    Résultats : 3 facteurs majeurs de biais

    • Absence de référence fiable : de nombreux algorithmes sont chargés d’automatiser des décisions pour lesquelles il n’existe pas de méthode reconnue permettant de vérifier l’exactitude du résultat. L’estimation de l’âge osseux sur radiographie en est un exemple : faute de consensus clinique, un modèle peut obtenir de très bons scores tout en produisant des décisions inadaptées.
    • Simplification excessive du réel : certains modèles reposent sur des données incomplètes ou omettent des variables importantes, ce qui conduit à des représentations appauvries de situations complexes.
    • Manque d’implication des parties prenantes : lorsque des systèmes destinés à des populations diverses sont conçus par des équipes homogènes, certaines réalités ne sont pas prises en compte, augmentant le risque d’angles morts et de décisions inéquitables.

    L’analyse montre en outre qu’un modèle peut afficher une précision élevée tout en restant biaisé si les données ne reflètent qu’une partie limitée de la situation réelle. Les incidents examinés révèlent que les biais apparaissent particulièrement lorsque des algorithmes automatisent des décisions qui, en pratique, reposent sur des évaluations humaines intégrant de nombreux éléments contextuels, sociaux ou cliniques. Faute d’accéder à ces dimensions, les modèles produisent une représentation trop simplifiée du réel, ce qui explique une grande partie des dérives observées.

    L’étude invite les développeurs, les industriels et les décideurs publics à revoir la manière dont les systèmes d’IA sont conçus et déployés, en particulier lorsque les décisions reposent sur des facteurs cliniques, sociaux ou contextuels difficiles à formaliser. Les auteurs recommandent de limiter l’automatisation aux situations pour lesquelles une référence fiable existe réellement, faute de quoi les modèles risquent de produire des décisions cohérentes sur le plan technique mais inadaptées dans la pratique. Ils rappellent que « les biais ne disparaissent pas en améliorant la précision d’un modèle si celui-ci ne comprend pas réellement la complexité de la situation qu’il automatise ».

    Des algorithmes éloignés du monde…

    Les travaux insistent également sur la nécessité de mieux documenter le contexte réel dans lequel les algorithmes interviennent et d’impliquer plus largement les professionnels de terrain, les usagers et les populations concernées lors de la conception. Cette démarche apparaît essentielle dans des domaines sensibles comme la santé, où les décisions exigent une compréhension fine de situations individuelles que les modèles peinent encore à représenter. Comme le résume l’un des auteurs, « un algorithme ne peut juger que le monde qu’il voit. S’il en perçoit trop peu, il se trompe ».

    * Algorithmic Social Injustices: Antecedents and Mitigations Hüseyin Tanriverdi; John-Patrick Olatunji Akinyemi

    MIS Quarterly (2025) 49 (4): 1417–1448. https://misq.umn.edu/misq/article-abstract/49/4/1417/3265/Algorithmic-Social-Injustices-Antecedents-and

     

  • Le ministère de la Santé crée une direction unifiée pour la recherche, l’innovation et le numérique

    Une direction unique pour un pilotage intégré

    À l’occasion des Assises hospitalo-universitaires, la ministre de la Santé, des Familles, de l’Autonomie et des Personnes handicapées, Stéphanie Rist, a présenté une réforme structurelle du ministère. Dans le cadre de la mission gouvernementale « État efficace », elle a annoncé la création d’une direction unifiée chargée de la recherche, de l’innovation et du numérique en santé. Cette nouvelle entité regroupera la Délégation du numérique en santé, l’Agence de l’innovation en santé, la mission Article 51 ainsi que les équipes ministérielles dédiées à la recherche et à l’innovation. L’objectif est de mettre fin à un pilotage institutionnel fragmenté, au profit d’une approche plus cohérente, réactive et lisible.

    Anticiper les ruptures et rationaliser les investissements

    La réorganisation vise à

    • Simplifier les circuits de décision en brisant les logiques de silos.
    • Elle entend également renforcer la capacité d’anticipation du ministère face aux transformations technologiques, en particulier dans les domaines de l’intelligence artificielle et de la donnée de santé.
    • La nouvelle direction sera également chargée de mieux orienter les investissements publics.

    Chaque année, deux milliards d’euros sont alloués à la recherche et à l’enseignement dans les établissements hospitalo-universitaires. L’idée est de garantir une allocation plus efficiente de ces ressources en cohérence avec les priorités stratégiques nationales.

    Faciliter l’accès des patients à l’innovation

    Parmi les leviers d’action identifiés, figure l’accélération du transfert des innovations vers les patients. La ministre a rappelé la mise en place récente d’une procédure réglementaire accélérée pour certains essais cliniques. Cette mesure s’inscrit dans une volonté de fluidifier les parcours d’innovation, de la recherche à l’application clinique.

    Maintenir la position de la France dans la recherche clinique

    Cette réforme s’inscrit dans un contexte de concurrence internationale fort. La France, actuellement troisième en Europe pour la recherche clinique et première en oncologie, entend consolider sa position. Cela passe par un meilleur accompagnement des CHU et des écosystèmes régionaux d’innovation. Enfin, Stéphanie Rist a souligné que la souveraineté sanitaire repose autant sur les capacités de production que sur la faculté à innover et à transférer les résultats de la recherche.

  • Le ministère de la Santé crée une direction unifiée pour la recherche, l’innovation et le numérique

    Une direction unique pour un pilotage intégré

    À l’occasion des Assises hospitalo-universitaires, la ministre de la Santé, des Familles, de l’Autonomie et des Personnes handicapées, Stéphanie Rist, a présenté une réforme structurelle du ministère. Dans le cadre de la mission gouvernementale « État efficace », elle a annoncé la création d’une direction unifiée chargée de la recherche, de l’innovation et du numérique en santé. Cette nouvelle entité regroupera la Délégation du numérique en santé, l’Agence de l’innovation en santé, la mission Article 51 ainsi que les équipes ministérielles dédiées à la recherche et à l’innovation. L’objectif est de mettre fin à un pilotage institutionnel fragmenté, au profit d’une approche plus cohérente, réactive et lisible.

    Anticiper les ruptures et rationaliser les investissements

    La réorganisation vise à

    • Simplifier les circuits de décision en brisant les logiques de silos.
    • Elle entend également renforcer la capacité d’anticipation du ministère face aux transformations technologiques, en particulier dans les domaines de l’intelligence artificielle et de la donnée de santé.
    • La nouvelle direction sera également chargée de mieux orienter les investissements publics.

    Chaque année, deux milliards d’euros sont alloués à la recherche et à l’enseignement dans les établissements hospitalo-universitaires. L’idée est de garantir une allocation plus efficiente de ces ressources en cohérence avec les priorités stratégiques nationales.

    Faciliter l’accès des patients à l’innovation

    Parmi les leviers d’action identifiés, figure l’accélération du transfert des innovations vers les patients. La ministre a rappelé la mise en place récente d’une procédure réglementaire accélérée pour certains essais cliniques. Cette mesure s’inscrit dans une volonté de fluidifier les parcours d’innovation, de la recherche à l’application clinique.

    Maintenir la position de la France dans la recherche clinique

    Cette réforme s’inscrit dans un contexte de concurrence internationale fort. La France, actuellement troisième en Europe pour la recherche clinique et première en oncologie, entend consolider sa position. Cela passe par un meilleur accompagnement des CHU et des écosystèmes régionaux d’innovation. Enfin, Stéphanie Rist a souligné que la souveraineté sanitaire repose autant sur les capacités de production que sur la faculté à innover et à transférer les résultats de la recherche.

  • Premier bilan ESMS numérique : 630 M€ engagés, 34 000 structures équipées et 750 000 DUI utilisés chaque jour dans les établissements

    Le Ségur numérique, d’abord initié dans le champ médical, a été décliné dans le secteur social et médicosocial avec l’objectif de transformer l’offre avec l’apport des outils numériques. La CNSA a piloté le programme, les ARS ont été en soutien des établissements ainsi que les groupements régionaux d’appui au développement de l’e-santé (GRADes). La CNSA, par la voix de Deniz Leblanc, en charge du pilotage du programme, a dressé un premier bilan de son impact.

    630 M€ de crédits

    Les crédits engagés entre 2022 et 2025, sur des fonds européens, s’élèvent à 630 M€, dont 80 pour la dernière année du programme. Afin de les répartir au mieux, la CNSA s’est appuyée sur les ARS et certains départements pour la connaissance des établissements. Outre l’achat de l’équipement informatique et des logiciels, les crédits ont pris en charge le coût d’une chefferie de projet et l’assistance à la maîtrise d’ouvrage, nécessaire pour accompagner les évolutions organisationnelles et professionnelles portées par le numérique et particulièrement le dossier usager informatisé (DUI). Fin 2025, il reste 10 M€ de crédits non consommés, qui pourront être distribués en 2026.

    Ce programme s’adressant en principe à 47 000 ESMS, la CNSA a dû fixer des priorités. Ce sont les établissements et services du champ de l’autonomie, du handicap et des personnes âgées qui ont bénéficié d’abord d’un soutien financier. Dans ces conditions l’objectif fixé était d’équiper 34 000 structures et il est atteint.

    Une transformation bien engagée

    Le financement d’un projet se fait en deux temps : au démarrage pour l’amorcer puis en fonction de l’atteinte de cibles d’usage, afin d’inciter les ESMS à utiliser les outils numériques : Mon espace santé, la messagerie sécurisée et le DUI. Les structures se sont massivement emparées de l’outil du DUI, qui permet de tracer l’information, d’éviter les ruptures de parcours et de personnaliser les prises en charge : 750 000 DUI sont ainsi utilisés chaque jour. L’utilisation de la messagerie sécurisée de santé a été plus inégale, son utilisation supposant que les professionnels de santé d’un même territoire en soient également dotés.

    Il faut en moyenne deux ans entre le choix du logiciel, son paramétrage, les formations, la conduite du changement, ainsi que l’entraînement au bon usage des outils. On estime qu’environ un tiers des projets ont atteint les cibles d’usage, qui sont les véritables facteurs de transformation. C’est pourquoi la CNSA estime que « les usages sont encore à consolider pour pouvoir faire un bilan des effets du programme » et mesurer l’engagement des établissements sur le long terme.

    Instructions 2025 pour la généralisation de l’ESMS numérique :

    Instruction du 16 avril relative à la mise en œuvre de la phase de généralisation du programme esms-numérique https://bulletins-officiels.social.gouv.fr/instruction-ndeg-dnsdgcscnsa2025100-du-2-septembre-2025-modifiant-linstruction-ndeg-dnsdgcscnsa202540-du-16-avril-2025-relative-la-mise-en-oeuvre-de-la-phase-de-generalisation-du-programme-esms-numerique

    Instruction du 32 septembre 2025 relative à la mise en œuvre de la phase de généralisation du programme esms-numérique https://bulletins-officiels.social.gouv.fr/instruction-ndeg-dnsdgcscnsa2025100-du-2-septembre-2025-modifiant-linstruction-ndeg-dnsdgcscnsa202540-du-16-avril-2025-relative-la-mise-en-oeuvre-de-la-phase-de-generalisation-du-programme-esms-numerique

     

     

  • Réforme du MDR/IVDR : la Commission européenne promet 3 milliards € d’économies annuelles pour l’industrie

    La Commission européenne veut alléger la recertification pour éviter l’asphyxie réglementaire

    Face aux risques de pénurie, à la perte de compétitivité et à l’embouteillage réglementaire, la Commission européenne propose une refonte des règlements MDR (Medical Device Regulation) et IVDR (In Vitro Diagnostic Regulation), estimant à 3 milliards d’euros par an les économies attendues pour l’industrie européenne.

    Le changement le plus structurel concerne la fin de la recertification systématique tous les cinq ans. Les certificats n’auront plus de date d’expiration automatique : les organismes notifiés effectueront désormais une surveillance continue, avec des revues périodiques modulées selon le niveau de risque. Cette mesure cherche à désengorger le système et à concentrer les ressources sur l’évaluation des innovations. Le texte introduit aussi une reconnaissance élargie de l’équivalence clinique, assouplissant les conditions pour éviter des essais redondants sur des dispositifs déjà éprouvés. Des données cliniques issues d’anciens produits marqués CE ou de concurrents pourront être utilisées, y compris via des simulations numériques (tests in silico).

    Une nouvelle catégorie, les “dispositifs bien établis” (WET), bénéficiera de procédures d’évaluation allégées. Sont concernés les produits aux usages cliniques stables, à la conception standardisée et au faible taux d’incidents, notamment les implants historiques et les instruments chirurgicaux réutilisables.

    Eudamed devient la base réglementaire unique dans l’UE

    La réforme adapte aussi les obligations de sécurité (PSUR) selon la classe de risque et la maturité des produits. Le délai de déclaration pour les incidents non urgents est allongé à 30 jours. Pour les PME, la fonction de Personne Chargée du Respect de la Réglementation (PRRC) devient plus flexible : la rigidité des diplômes exigés est supprimée au profit de la reconnaissance de l’expérience métier, et l’obligation de présence continue est assouplie, permettant un recours facilité à des prestataires externes. La réforme prévoit également une obligation de signalement des ruptures d’approvisionnement via Eudamed. L’Agence européenne du médicament (EMA) coordonnera ces alertes au niveau européen pour anticiper les pénuries critiques.

    L’EMA voit son rôle renforcé avec la prise en charge du secrétariat des panels d’experts. Les soumissions de documents techniques seront désormais possibles uniquement en format électronique, et la carte d’implant pourra être transmise sous forme numérique. Par ailleurs, l’intégration des modules d’Eudamed est accélérée pour en faire la base unique de référence réglementaire dans l’UE.

    Un cadre d’innovation plus souple

    Des “sandboxes réglementaires” sont instaurées pour permettre aux technologies de rupture d’être évaluées en temps réel sous supervision. Les dispositifs destinés aux maladies rares ou à la pédiatrie bénéficieront de voies spécifiques allégées afin d’éviter leur retrait du marché pour des raisons économiques. Le texte suit la procédure législative ordinaire. Il doit être examiné début 2026 par la Commission ENVI du Parlement européen, avec une adoption finale attendue fin 2026 ou début 2027.

  • Prévention de la démence : un programme en ligne améliore les fonctions cognitives sur 3 ans

    L’étude*, publiée dans une revue à comité de lecture, et coordonnée par des chercheurs de l’Université de Nouvelle-Galles du Sud, a comparé deux groupes :

    • L’un bénéficiant d’un accompagnement personnalisé via un coaching en ligne sur deux à quatre modules (activité physique, nutrition, activité cognitive, gestion de la dépression ou de l’anxiété).
    • L’autre recevant uniquement des informations générales sur ces thématiques.

    Les modules du programme s’appuient sur les axes reconnus de la prévention comportementale : activité physique, nutrition, santé mentale et stimulation cognitive. Cette approche multidimensionnelle, à distance et adaptable, renforce la faisabilité d’un déploiement à grande échelle, y compris dans une logique de santé publique populationnelle. Les participants ont été répartis de façon équitable entre un groupe bénéficiant du programme en ligne et un groupe témoin. Les femmes représentaient 64 % des personnes suivies. Le critère principal de l’étude était l’évolution des performances cognitives globales. Après trois ans, celles-ci se sont améliorées en moyenne près de trois fois plus dans le groupe ayant reçu l’intervention. L’écart observé entre les deux groupes est jugé statistiquement significatif.

    Une intervention peu risquée et potentiellement généralisable

    Les événements indésirables liés à l’étude sont restés rares : 19 dans le groupe intervention (0,60 %) contre un seul dans le groupe témoin (0,03 %). Le caractère numérique, individualisé et à distance de l’intervention ouvre la voie à une généralisation à grande échelle. Le protocole de l’étude est enregistré sous ACTRN12618000851268 sur le registre australien et néo-zélandais des essais cliniques. Plusieurs institutions académiques et hospitalières ont contribué à ce travail, parmi lesquelles Neuroscience Research Australia, l’Université de Melbourne, le Royal Melbourne Hospital, Monash University, Flinders University, l’Université de Sydney et l’Université de Bristol.

    *An online multidomain lifestyle intervention to prevent cognitive decline in at-risk older adults: a randomized controlled trial

  • Note aux abonnés : bonnes fêtes de fin d’année, reprise des publications le 5 janvier

    Chers abonnés,

    L’équipe Health & Tech Intelligence vous souhaite d’excellentes fêtes.

    Nous vous donnons rendez-vous lundi 5 janvier pour la reprise de notre couverture quotidienne du numérique en santé.

    Au programme de ce début d’année :

    • Un bilan des faits marquants de 2025 et des échéances à venir en 2026 (publication le 7 janvier).

    • Un panorama des levées de fonds 2025 (publication le 14 janvier).

    D’ici là, la plateforme H&TI reste pleinement accessible : vous pouvez consulter les derniers articles et études thématiques, les bases de données et les cartographies.

    Pour vous accompagner durant ces fêtes, nous avons pensé à vous ! Vous recevrez chaque jour une newsletter mettant en avant un article sélectionné, en attendant notre retour.

    Anticipons ensemble

    Vous souhaitez abonner plus de monde, accéder à toutes nos analyses dès la rentrée 2026 ou encore participer aux travaux du Think Tank? Notre service Client est à votre disposition pour échanger sur vos besoins ou établir un devis personnalisé, contactez-nous par mail gustave.degos@care-insight.fr !

    À très bientôt,

    L’équipe Health & Tech Intelligence, by Care Insight

     

    Profitez-en pour (re)découvrir les dernières études thématiques :

    Interopérabilité en santé : du cadre légal français à l’agenda européen : La capacité à partager des données de santé fiables, compréhensibles et réutilisables conditionne désormais l’intégration aux grandes plateformes nationales et européennes. Standards internationaux, terminologies cliniques et référentiels français se combinent pour sécuriser les usages tout au long du parcours de soins.

    Du dépistage vocal aux pancréas artificiels : les nouvelles frontières de l’IA appliquée au diabète : L’IA ouvre une nouvelle ère pour le diabète en combinant dépistage automatisé, prédiction des risques et personnalisation fine des traitements, depuis la rétinopathie jusqu’aux complications cardiovasculaires, en s’appuyant sur des capteurs connectés, des boucles fermées et des modèles prédictifs intégrés au suivi quotidien.

    Prévention : comment la donnée réinvente la sécurité des soins : face à l’augmentation des incidents graves, l’intelligence artificielle émerge comme un levier important pour prévenir les erreurs et fiabiliser les pratiques cliniques. La HAS inscrit désormais son encadrement au cœur du référentiel qualité.

    La santé mentale toujours confrontée à un déficit d’accès aux soins, l’IA peut-elle inverser la tendance ? Annoncée comme Grande cause nationale, la santé mentale reste marquée par un manque d’accès aux soins, notamment en pédopsychiatrie. Malgré des dispositifs comme « Mon soutien psy » ou « Repérer, soigner, reconstruire », les professionnels alertent sur l’absence de réponse structurelle.

    Santé 2.0 : l’Inde bâtit le plus vaste écosystème médical connecté au monde : L’Inde avance dans la numérisation de son système de santé santé avec 10,5 Mds € investis dans l’IA, la télémédecine et la numérisation. Soutenue par l’Ayushman Bharat Digital Mission, elle compte plus d’un milliard de citoyens connectés, 330 millions de téléconsultations et vise une croissance médicale inclusive et sécurisée.

    Radiologie et IA : mutation, défis et innovations : L’IA transforme la radiologie, améliorant qualité, sécurité et efficience tout en posant des défis d’intégration et d’éthique. La France, via un écosystème structuré, allie innovation, recherche et adaptation aux besoins cliniques spécifiques.

     

  • Etude : l’association IA–expertise humaine améliore la qualité des données (Annals of oncology)

    Publiée en décembre 2025 dans Annals of Oncology, l’étude* montre que l’IA réduit les erreurs par rapport aux méthodes manuelles, et que son association à une relecture humaine ciblée améliore encore la fiabilité des données tout en accélérant leur collecte.

    Extraction des données : l’enjeu de l’automatisation

    La recherche clinique en oncologie repose sur l’exploitation de volumes croissants de données issues de dossiers médicaux hétérogènes, majoritairement non structurés. Leur extraction reste largement manuelle et mobilise fortement les équipes de recherche clinique, avec des pratiques variables selon les centres. Dans une interview précédente à HTI, le Pr Fabrice André, directeur de la recherche à l’IGR, soulignait que la complexification des essais cliniques, marquée par une inflation des procédures et des tâches de recueil, fragilise leur faisabilité et leur équité. Il plaidait pour une automatisation ciblée de l’opérationnel afin de simplifier les processus sans compromettre la qualité scientifique. L’étude publiée dans Annals of Oncology s’inscrit dans cette logique, en comparant de manière structurée différentes méthodes d’extraction de données cliniques.

    Une étude française pilotée par l’IGR

    L’étude rétrospective a été conduite dans le cadre de la cohorte LUCC (Large & Unified Cancer Cohort), consacrée au cancer du poumon. Parmi les 10 000 patients de la cohorte, 311 issus de 10 centres publics et privés ont été sélectionnés aléatoirement. Les chercheurs ont analysé 31 variables cliniques, incluant des données démographiques, des facteurs de risque, des biomarqueurs génomiques et les traitements. Trois approches ont été comparées à partir des mêmes comptes rendus médicaux pseudonymisés : une extraction manuelle réalisée par des attachés de recherche clinique expérimentés, une extraction automatisée par intelligence artificielle et une approche hybride combinant extraction par IA et relecture humaine ciblée. Pour chaque variable, les valeurs extraites ont été comparées. En cas de divergence, un professionnel senior de la recherche clinique, supervisé par des oncologues et aveugle à la méthode utilisée, a établi la valeur de référence.

    Résultats : Deux fois moins d’erreurs grâce à l’IA

    • Taux d’erreur global : 14,2 % pour l’extraction manuelle, contre 7,0 % pour l’IA seule, soit deux fois moins d’erreurs.
    • Approche hybride : le taux d’erreur descend à 4,4 % lorsque l’IA est associée à une relecture humaine ciblée, après révision d’environ 30 % des cas jugés incertains.
    • Efficacité opérationnelle : l’approche hybride permet un traitement des données quatre fois plus rapide que l’extraction strictement manuelle.
    • Homogénéité multicentrique : l’IA réduit la variabilité des données extraites entre centres, par rapport à la saisie manuelle.
    • Variables complexes, notamment génomiques : l’IA extrait ces données avec une fiabilité supérieure à la saisie manuelle, avec un taux de concordance atteignant 0,97, contre 0,86 pour l’extraction réalisée par des professionnels.
    • Analyses de survie : les analyses de survie globale et sans progression réalisées à partir des données extraites par IA sont proches de la valeur de référence définie par expertise humaine.

    Les auteurs indiquent que l’extraction automatisée par intelligence artificielle présente donc une précision plus élevée et une variabilité inter-centres plus faible que l’extraction manuelle, et que l’approche hybride permet d’atteindre le meilleur compromis entre qualité des données et efficacité opérationnelle. Selon eux, ce mode d’organisation, dans lequel l’IA réalise l’extraction initiale et oriente l’intervention humaine vers les cas les plus complexes, pourrait faciliter la constitution de cohortes multicentriques de grande taille et élargir la participation de centres disposant de ressources limitées. Dans une interview précédente à HTI, le Pr Fabrice André rappelait que « si l’on n’a pas l’infrastructure pour délivrer, on ne peut rien faire ». Pour les auteurs, les résultats de l’étude suggèrent que la performance des essais cliniques dépend par conséquent aussi de la manière dont les données sont produites et structurées en amont, et pas uniquement des analyses réalisées a posteriori.

    * Next-Generation Multicenter Studies: Using Artificial Intelligence to Automatically Process Unstructured Health Records of Patients with Lung Cancer across Multiple Institutions

    M. Aldea, L. Zullo, V. Levrat, J. Bennouna, S. Schneider, O. Mercier, E. Mougenot, E. Bergot, C. Dujon, N. Cloarec, C.Audigier Valette, A. Nuccio, M. Deloger, C. Helissey, S. Simon, A. Carpentier, A. Djarallah, P. Rolland, J.C. Louis, L. Ancillon, B. Vignal, F. Rambaud, P. Tessier, L. Chuttoo, K. Siby, A. Poplu, K. Zarca, S. Michiels, F. Barlesi, F. Le Ouay, B. Besse

    Annals of Oncology, publication en ligne le 15 décembre 2025

    https://www.annalsofoncology.org/article/S0923-7534(25)06320-3/abstract

     

  • Sept nouveaux projets pour étoffer la bibliothèque open source d’algorithmes en santé (BOAS)

    Sept projets ont été retenus par la Plateforme des données de santé (PDS), dans le cadre de la 9e édition de l’appel à manifestation d’intérêt pour la Bibliothèque Ouverte d’Algorithmes en Santé (BOAS). Ils viennent s’ajouter aux 33 projets déjà accompagnés depuis le lancement de ce programme.

    Trois axes de développement

    L’AMI BOAS s’inscrit dans une stratégie de réutilisation des données de santé. Trois thématiques ont été définies :

    • Documentation d’algorithmes existants pour en faciliter la diffusion et la réutilisation (Thématique 1) ;
    • Création d’outils de ciblage ou d’autres programmes pour mieux exploiter la base principale du Système national des données de santé (SNDS) (Thématique 2) ;
    • Développement d’outils exploitant d’autres sources de données que le SNDS, notamment les entrepôts hospitaliers (Thématique 3).

    Les projets sélectionnés bénéficieront d’un accompagnement humain, technique et financier, après évaluation par un jury d’experts indépendants.

    Projets sur la base principale du SNDS

    • ALGOPREM (Inserm) : analyse des conséquences d’une extrême prématurité sur le développement à 2 et 5 ans, via l’identification des comorbidités néonatales et troubles neurodéveloppementaux.

    Projets sur d’autres sources de données

    • Data Contrat (CHU de Brest) : outils open source pour automatiser le contrôle qualité des données des EDS partenaires, incluant documentation, validateur et librairie Python.
    • Open Tak (Heva) : identification et visualisation des parcours de soins à partir de données de vie réelle.
    • PALOMA (RCTs) : recours à l’intelligence artificielle et à la génération de patients synthétiques pour améliorer l’imputation des données manquantes dans une cohorte longitudinale (DESIR).
    • ESMEMIIC (Institut Curie) : croisement de données cliniques, biologiques et thérapeutiques sur le cancer du sein métastatique, à partir de la base ESME CSM-SNDS.
    • Arcade (AP-HP) : identification des cas d’asthme pédiatrique dans les données hospitalières de l’AP-HP (enfants de 6 à 17 ans).
    • Doc2Text (CHU de Bres) : structuration des comptes rendus médicaux pour faciliter leur analyse via des modèles de traitement automatique du langage.

    Une bibliothèque collaborative et ouverte

    La BOAS centralise des outils open source permettant de structurer, filtrer ou anonymiser les données de santé. Elle répond à un objectif de mutualisation des efforts pour éviter les redondances et accélérer les projets de recherche et d’innovation. Plus de 40 ressources sont actuellement accessibles. L’appel à manifestation d’intérêt reste ouvert aux porteurs de projets souhaitant contribuer à cette bibliothèque.

    Une nouvelle édition de l’AMI BOAS sera prochainement lancée.