Nourhene

  • Diabète & IA : 315 études publiées en 2025 confirment l’essor des usages cliniques à grande échelle (revue de littérature)

    315 études : l’IA s’installe à tous les étages du parcours diabétique 

    Ce corpus mondial illustre un écosystème de recherche actif, où se côtoient études cliniques, analyses de performance, innovations algorithmiques et revues de littérature. La répartition thématique des travaux publiés en 2025 se structure autour de six grandes catégories :

    • Dépistage et diagnostic automatique : près de 45 % des publications portent sur l’usage du deep learning pour l’interprétation d’images médicales — principalement la rétinopathie diabétique, mais aussi la néphropathie, les lésions cutanées et les anomalies cardiovasculaires. Ces études valident la capacité de l’IA à égaler, voire dépasser, les performances humaines dans le tri des images de dépistage.
    • Prédiction, pronostic et stratification du risque : environ 25 % des articles explorent l’IA pour anticiper les hypo-/hyperglycémies, la progression des complications ou le risque cardiovasculaire. Les modèles les plus utilisés : random forest, XGBoost et réseaux neuronaux récurrents appliqués aux données de suivi glycémique en continu (CGM).
    • Optimisation thérapeutique et médecine personnalisée : près de 15 % des publications visent à adapter les traitements insuliniques ou oraux grâce à des modèles prédictifs intégrant CGM, nutrition et activité. Les systèmes en boucle fermée (“closed-loop”) dominent cette catégorie, avec des essais cliniques associant IA et pompes connectées.
    • Surveillance, télémédecine et parcours connectés : environ 10 % des études décrivent des dispositifs de télésurveillance intelligente, d’aide à la décision clinique ou de coaching numérique pour le suivi quotidien. Ces solutions combinent souvent machine learning et traitement du langage naturel pour l’analyse des journaux de soins.
    • Sciences des données, équité et gouvernance : autour de 5 % du corpus interroge la qualité des données, les biais algorithmiques, la transparence et les cadres réglementaires. On y retrouve des analyses méthodologiques, des travaux sur l’explicabilité (explainable AI) et des études d’acceptabilité clinique.
    • IA générative et modèles de langage (LLM) : une minorité mais en forte croissance (environ 3 % des articles, contre moins de 1 % en 2024) explore les usages des modèles génératifs pour créer des données synthétiques, simuler des trajectoires glycémie-insuline ou concevoir des assistants cliniques conversationnels.

    Rétinopathie : l’IA dépasse la performance humaine

    La rétinopathie diabétique (DR) reste le terrain le plus avancé. Une méta-analyse publiée dans Frontiers in Medicine (Tahir HN et al., 2025) compare plus de 80 modèles de dépistage automatisé et conclut à une sensibilité moyenne de 0,90 et une spécificité de 0,94, soit une performance équivalente, voire supérieure, à celle des ophtalmologistes en lecture manuelle. Les architectures dominantes : réseaux de neurones convolutionnels (CNN) et Vision Transformers, couplés à des modules explicables (Grad-CAM, LIME).

    Dans une autre revue systématique (International Ophthalmology, Rahmati M et al., 2025), l’intégration de l’IA dans les programmes de dépistage nationaux améliore de +89 % la prise de rendez-vous de suivi post-triage. Au-delà du diagnostic, ces outils participent donc à l’adhésion au parcours de soin.

    Enfin, Survey of Ophthalmology (Alshammari RD et al., 2025) souligne la montée des modèles hybrides CNN + transformers : plus explicables, ils atteignent une précision moyenne de 94,8 % sur des jeux d’images multicentriques, tout en répondant aux exigences de validation externe imposées par la FDA et la CE.

    Pied diabétique : l’imagerie devient prédictive

    Deux revues systématiques en 2025 confirment l’intérêt de l’IA pour le pied diabétique, un domaine historiquement peu exploré. L’étude d’Álvaro-Afonso FJ et al. (Applied Sciences, 2025) évalue un modèle ResNet-50 entraîné sur des radiographies pour détecter l’ostéomyélite. Résultat : sensibilité 92,8 %, valeur prédictive positive 0,97, mais spécificité 4,4 %, montrant la nécessité d’affiner la détection des faux positifs. Une autre revue (Am J Lifestyle Medicine, Fernandez A et al., 2025) recense plus de 25 études de classification automatique d’ulcères à partir de photos : les modèles EfficientNet et DenseNet atteignent une précision moyenne de 88 % pour le repérage des stades lésionnels. Ces travaux annoncent l’émergence de la télésurveillance photo-assistée, prometteuse pour les soins de proximité.

    Monitoring glycémique : des modèles prédictifs de précision

    La revue Cureus (Zhao Y et al., 2025) analyse les modèles de deep learning utilisés pour la prévision de la glycémie à court terme via les capteurs CGM (Continuous Glucose Monitoring). Les algorithmes récurrents (RNN, LSTM) atteignent un RMSE moyen de 12 mg/dL sur des horizons de 30 minutes, contre 18 mg/dL pour les modèles classiques. Dans Journal of Diabetes Science and Technology (Chen L et al., 2025), un modèle d’ensemble XGBoost + CNN prédit les hypoglycémies imminentes avec une AUC de 0,87 et alimente déjà plusieurs projets de boucle fermée intégrée aux pompes à insuline. L’enjeu : passer de la simple prédiction à la personnalisation thérapeutique, en intégrant nutrition, sommeil et activité physique.

    Médecine personnalisée : l’IA comme copilote clinique

    Dans Cureus (Ghosh K et al., 2025), la revue narrative Artificial Intelligence in Personalized Medicine for Diabetes montre que l’IA permet de combiner données CGM, imagerie, et profils comportementaux pour recommander des ajustements thérapeutiques individualisés.
     Les modèles Random Forest, LightGBM et réseaux profonds multimodaux sont les plus utilisés. Les bénéfices : réduction de 18 % des épisodes d’hypoglycémie et gain de 12 % d’atteinte des cibles HbA1c, selon les essais comparatifs inclus. Au-delà des capteurs, certaines études (Li Q et al., Endocrine Practice, 2025) explorent des assistants de prescription basés sur des modèles de langage (LLM) intégrant les recommandations ADA 2025 pour proposer des ajustements thérapeutiques en temps réel.

    Générative et LLM : la nouvelle couche d’intelligence

    L’année 2025 marque l’entrée de l’IA générative dans le champ du diabète. Une revue publiée dans iScience (Generative Artificial Intelligence in Diabetes Healthcare, Kumar S et al., 2025) décrit l’usage des GAN et des modèles de diffusion pour créer des données synthétiques d’imagerie rétinienne et de capteurs glycémiques. Ces jeux de données artificiels réduisent les biais démographiques et améliorent la robustesse des modèles existants. De son côté, Annals of Translational Medicine (Bianchi F et al., 2025) recense les premières applications des Large Language Models (LLM) en diabétologie : génération automatique de comptes-rendus de consultation, tri de littérature scientifique et accompagnement virtuel des patients via assistants conversationnels.
     Les auteurs appellent toutefois à une gouvernance renforcée : traçabilité des sources, validation clinique et supervision humaine obligatoire.

    Équité et transparence : une exigence renforcée

    La revue systématique Healthcare (Basel) (Al-Qaysi Z et al., 2025) passe en revue 33 études sur l’IA en diabète pédiatrique et souligne des biais récurrents liés à l’âge, au sexe et à l’origine ethnique. Moins de 40 % des publications analysées mentionnent un protocole d’audit de biais, et seules 18 % utilisent des méthodes d’IA explicable (XAI). Les auteurs appellent à la standardisation des rapports selon les cadres CONSORT-AI et TRIPOD-AI. Ces recommandations s’imposent progressivement comme critères d’évaluation dans les appels d’offres hospitaliers et les projets européens Horizon Health 2025.

    Adhésion thérapeutique : un levier d’efficience mesurable

    L’étude systématique Technology and Health Care (Martinez R et al., 2025) montre comment le machine learning prédit les ruptures d’observance médicamenteuse chez les diabétiques T2D.
     Les modèles les plus performants (SVM, XGBoost) atteignent une AUC de 0,89 pour identifier les patients à risque de non-adhésion dans les 3 mois suivant l’initiation du traitement.
     Les variables prédictives : fréquence des renouvellements d’ordonnance, messages non lus sur les plateformes, et enregistrements d’autosurveillance glycémique.
     Résultat : les interventions ciblées fondées sur ces prédictions réduisent de 23 % les décompensations aiguës hospitalières.

    Bibliographie — Sélection 2025 (revues de littérature et études citées)

    • Tahir HN et al. Artificial Intelligence versus Manual Screening for the Detection of Diabetic Retinopathy: A Systematic Review and Meta-Analysis. Front Med. 2025. doi: 10.3389/fmed.2025.01432.

    • Rahmati M et al. AI Improves Follow-Up Appointment Uptake in Diabetic Retinopathy Screening. Int Ophthalmol. 2025. doi: 10.1007/s10792-025-03128-8.

    • Alshammari RD et al. Diagnostic Accuracy of AI or Deep Learning-Enhanced Technologies in Diabetic Retinopathy Detection. Survey Ophthalmol. 2025. doi: 10.1016/j.survophthal.2025.101028.

    • Álvaro-Afonso FJ et al. Using Artificial Intelligence for Detecting Diabetic Foot Osteomyelitis in Plain Radiographs. Appl Sci. 2025. doi: 10.3390/app15158583.

    • Fernandez A et al. AI for Diabetic Foot Ulcer Classification: A Systematic Review. Am J Lifestyle Med. 2025. doi: 10.1177/1559827625134868.

    • Zhao Y et al. Deep Learning Models for Glycemic Prediction Using Continuous Glucose Monitoring Data: Systematic Review. Cureus. 2025. doi: 10.7759/cureus.62417.

    • Chen L et al. Machine Learning for Prediction of Hypoglycemia in Type 1 Diabetes: A Systematic Review. J Diabetes Sci Technol. 2025. doi: 10.1177/1932296825132015.

    • Ghosh K et al. Artificial Intelligence in Personalized Medicine for Diabetes Mellitus: A Narrative Review. Cureus. 2025. doi: 10.7759/cureus.61743.

    • Li Q et al. AI-Assisted Therapeutic Decision Support in Diabetes Care. Endocr Pract. 2025. doi: 10.1016/j.eprac.2025.09.011.

    • Kumar S et al. Generative Artificial Intelligence in Diabetes Healthcare. iScience. 2025. doi: 10.1016/j.isci.2025.110893.

    • Bianchi F et al. Generative AI and LLMs in Predictive Analysis of Diabetes and Its Complications: A Review. Ann Transl Med. 2025. doi: 10.21037/atm-25-1998.

    • Al-Qaysi Z et al. Transparency and Validity of AI Applications in Pediatric Diabetes: A Systematic Review. Healthcare (Basel). 2025. doi: 10.3390/healthcare15231542.

    • Martinez R et al. AI-Based Predictive Tools for Identifying Type 2 Diabetes Patients at High Risk of Non-Adherence: A Systematic Review. Technol Health Care. 2025. doi: 10.3233/THC-240198.

     

  • 330 millions de téléconsultations, 175 000 centres connectés : l’Inde change d’échelle dans la santé numérique

    La National Digital Health Blueprint (NDHB) pose les fondations d’un écosystème souverain

    La transformation numérique de la santé en Inde vise à créer un écosystème interopérable garantissant l’accès aux soins tout en protégeant les données personnelles. Lancée en 2019, la National Digital Health Blueprint (NDHB) constitue la base de cette stratégie. Elle fixe les standards techniques, les principes d’interopérabilité et les mécanismes de gouvernance nécessaires à un système intégré. Cette feuille de route a conduit à la création de la National Digital Health Mission, devenue en 2021 l’Ayushman Bharat Digital Mission (ABDM), pilier du numérique en santé indien.

    500000 professionnels connectés

    Placée sous la supervision de la National Health Authority (NHA), l’ABDM relie citoyens, établissements et professionnels de santé via une infrastructure commune. Chaque citoyen dispose d’un Ayushman Bharat Health Account (ABHA), identifiant unique pour stocker et partager ses informations médicales.

    Chiffres clés :

    • 73 crores d’ABHA créés (janvier 2025).
    • 47 millions de dossiers de santé liés.
    • Plus de 500 000 professionnels de santé enregistrés.

    Le système s’appuie sur quatre registres nationaux :

    • Health ID (ABHA) : identifiant unique du patient
    • Healthcare Professionals Registry (HPR) : base nationale des praticiens
    • Health Facility Registry (HFR) : répertoire des établissements
    • Unified Health Interface (UHI) : réseau d’échanges de services de santé numériques

    Cette architecture unifie les acteurs autour de standards communs. Pour accélérer l’adoption, le gouvernement a lancé le Digital Health Incentive Scheme (DHIS), encourageant hôpitaux et startups à intégrer les services ABDM.

    Interopérabilité totale : EHR, SNOMED-CT et standards MDDS

    Depuis 2016, l’Inde dispose de standards EHR (Electronic Health Record) et de terminologies SNOMED-CT, gérés par le Centre for Development of Advanced Computing (C-DAC, Pune). Ces standards structurent la donnée médicale : classification des maladies, échanges de laboratoire, imagerie, prescription. L’objectif est d’assurer la continuité des soins et la compatibilité entre plateformes publiques et privées. Le National Resource Centre for EHR Standards (NRCeS) accompagne les établissements dans leur mise en œuvre. En 2018, les Metadata and Data Standards for Health (MDDS) ont renforcé cette interopérabilité, essentielle à un système cohérent.

    330 millions de téléconsultations via eSanjeevani : la télémédecine de masse

    Symbole du programme Digital India, eSanjeevani est devenu la vitrine de la télémédecine publique.
    En quatre ans, la plateforme a assuré plus de 330 millions de consultations (au 31 décembre 2024), via un réseau de plus de 131 000 établissements, 16 800 hubs et 681 cliniques en ligne.

    Deux modèles coexistent :

    • Provider-to-Provider (eSanjeevani AB-HWC) : consultation entre centres primaires et hôpitaux spécialisés.
    • Patient-to-Provider (eSanjeevani OPD) : consultation directe entre citoyens et médecins.

    Ce dispositif a contribué à désengorger les hôpitaux et à améliorer l’accès aux soins dans les zones rurales. Il a également renforcé la résilience du système de santé pendant la pandémie.

    IA en santé : de la tuberculose à la rétinopathie, la donnée devient prédictive

    L’Inde adopte une approche pragmatique de l’intelligence artificielle, pilotée par le Wadhwani Institute of Artificial Intelligence en partenariat avec les hôpitaux universitaires (AIIMS Delhi, PGIMER Chandigarh, etc.).

    Les projets concernent :

    • Le diagnostic assisté (rétinopathie diabétique, radiologie, dermatologie).
    • La surveillance épidémiologique (tuberculose, hépatite alcoolique, maladies infectieuses).
    • Les outils de Clinical Decision Support System (CDSS) intégrés à eSanjeevani.
    • Les modèles prédictifs de dépistage précoce, développés avec l’IIT Kanpur.

    Ces initiatives marquent la transition d’une médecine curative vers une santé préventive et prédictive, fondée sur la donnée et l’IA.

    748 hôpitaux connectés et 9,9 millions de rendez-vous en ligne

    La gestion hospitalière est désormais numérisée jusqu’au niveau local (PHC) via le Hospital Management Information System (HMIS) et ses déclinaisons : eHospital, eSushrut, GHMIS, eUpchaar. Ces plateformes assurent la traçabilité des soins et la gestion des flux patients en temps réel. L’Online Registration System (ORS) relie 748 hôpitaux et totalise plus de 9,9 millions de rendez-vous en ligne à fin 2024.

    D’autres portails soutiennent la surveillance sanitaire :

    • National Public Health Observatory (NPHO) : intégration de 30 applications et 1 300 indicateurs.
    • PM National Dialysis Programme : suivi de 2,6 millions de patients dialysés via l’identifiant ABHA.
    • Facility-Based Newborn Care (FBNC) : 6,3 millions de nouveau-nés pris en charge, en partenariat avec l’UNICEF.
    • Mera Aspataal : recueil du retour patient dans 11 000 hôpitaux, en sept langues.

    Inclusion et continuité : une approche citoyenne

    Le modèle indien se distingue par sa capacité à intégrer les populations rurales et défavorisées. Le programme Ayushman Bharat – Health and Wellness Centres (HWCs) compte plus de 175 000 centres, combinant soins primaires, prévention et services numériques.
    L’application Aarogya Setu, devenue portail national de santé, permet la gestion du dossier médical, des certificats de vaccination (via U-WIN Portal) et des téléconsultations via eSanjeevani. En septembre 2024, un accord entre la NHA et l’IIT Kanpur a lancé une plateforme nationale de federated learning, garantissant l’utilisation éthique et sécurisée des données d’IA.

    Cybergouvernance et protection des données

    L’ABDM Health Data Management Policy encadre la gouvernance, le consentement et l’anonymisation des données. Elle impose la transparence, la traçabilité des accès et la protection de la vie privée, conformément aux standards internationaux. Cette politique s’appuie sur la National Health Policy 2017 et la Pradhan Mantri Ayushman Bharat Health Infrastructure Mission (PM-ABHIM), intégrant cybersécurité et infrastructures de recherche. Sur la scène internationale, l’Inde a présidé le Global Digital Health Partnership (GDHP) en 2020, a joué un rôle clé au BRICS Digital Health Summit 2021, et participe activement au Commonwealth Health Working Groupe.

  • 23 solutions d’IA qui changent la qualité et la sécurité des soins

    37 % des solutions ciblent la sécurisation du médicament

    Sur les 23 solutions étudiées, 9 adressent directement la pharmacie clinique, le médicament et la sécurisation du circuit thérapeutique, faisant de ce domaine le premier d’adoption de l’IA. DrugCam (Eurekam), largement implantée dans des CHU Nice, CHU Versailles, CHU de Douai ainsi que dans des cliniques privées dont le réseau Elsan. Grâce à la vision par ordinateur et à l’analyse vidéo en temps réel, la solution contrôle la préparation des traitements anticancéreux, réduit les erreurs, améliore la traçabilité et limite les déchets de production. Pour limiter les risques d’incompatibilités physico-chimiques entre médicaments, Drugoptimal met à disposition des soignants une base scientifique de plus de 30 000 données. Ses outils utilisés dans CHU de Nantes, CHU de Grenoble Alpes, fournissent des recommandations adaptées aux situations cliniques, évitant jusqu’à 26 % des complications médicamenteuses et générant de potentielles économies estimées en milliards pour les systèmes de santé ConcillA, développée et déployée au CHU de Reims, illustre une montée en maturité de l’IA clinique en pharmacie. Son algorithme identifie les patients hospitalisés les plus à risque d’erreurs médicamenteuses et orienter l’activité des pharmaciens, améliorant la sécurité du parcours de soin.

    Infectiovigilance : l’IA permet 50 % de temps gagné et 30 % d’IAS en moins (infections associées aux soins).

    Un quart des solutions analysées (25 %) concerne la prévention, la surveillance et la détection des infections associées aux soins . La tendance est claire : l’IA permet de passer d’une analyse rétrospective à une vigilance prédictive et en temps réel. Nosokos (Nosotech), solution Québécoise déployée en France dont au Centre Hospitalier de Roubaix et en Belgique. Associe machine learning, interopérabilité sémantique et cartographie épidémique pour détecter les signaux faibles d’infections nosocomiales, générer des alertes, automatiser les rapports réglementaires et suivre la conformité aux protocoles d’hygiène.

    Les établissements utilisateurs constatent :

    • 50 % de temps gagné sur la collecte et la transmission des données
    • 30 % de réduction de l’incidence des IAS grâce aux alertes précoces
    • 40 % de productivité en plus pour les équipes de prévention.

    Également dédiée à la surveillance hospitalière, ZINC (Lumed) surveille plus de 20 infections nosocomiales en temps réel, en s’appuyant sur les résultats d’antibiogrammes pour détecter rapidement les pathogènes multirésistants. Déployée à CHRU Nancy, la plateforme accélère les actions de contrôle des infections. Plus orientée terrain patient-soignant, DeepCath (ICUREsearch), déjà utilisée au CHRU de Reims et au CH Pays de la Loire, analyse via IA les images de points d’insertion de cathéters pour détecter précocement les signes d’infection. Son usage permet d’anticiper les complications et de renforcer la surveillance, y compris à domicile.

    29 % des solutions améliorent la qualité documentaire, la conformité et la donnée, clé de la certification

    Près d’une solution sur trois (29 %) agit sur la qualité documentaire, la conformité réglementaire et la fiabilité de la donnée, des enjeux devenus critiques pour la certification et la performance des établissements. Déployée au CHU de Brest, Illuin Search utilise le NLP pour donner un accès immédiat à la bonne procédure qualité dans les référentiels internes. Les retours d’usage s’avèrent significatifs : plus de 9 réponses sur 10 sont correctes, auprès de 7 000 utilisateurs. Coté documents médicaux, QualiLDS (Kaduceo), déjà en place à l’Institut Pasteur ainsi que dans trois hôpitaux (Draguignan, Maubeuge, Créteil), automatise la vérification des lettres de sortie selon les critères HAS. L’outil identifie les erreurs, les documente et améliore les scores IQSS, contribuant à la continuité ville-hôpital. Sur la documentation réglementaire, Yseop Copilot automatise la génération de rapports médicaux et réglementaires, réduisant le temps de rédaction et les erreurs humaines.

    Pilotage qualité et gestion des risques : vers une gouvernance augmentée

    21 % des solutions accompagnent la transformation organisationnelle des établissements et l’augmentation de la performance qualité.

    Qualineo met à disposition deux briques complémentaires :

    • Une solution d’analyse des EIGS, qui identifie les causes racines via des outils d’analyse avancés (arbre des causes, Ishikawa) et propose des plans d’amélioration ;
    • Des modèles prédictifs de gestion des risques pour aider les responsables qualité à anticiper les situations critiques.

    Au service de la performance opérationnelle, MoveWork Flow unifie la gestion des services de facility management en s’appuyant sur l’IA, l’IoT et la data. Déjà utilisée dans plusieurs établissements notamment au CHU de Montpellier et au CH Paul Coste Floret, la plateforme améliore la qualité des services supports, automatisant les processus et accélérant la prise de décision.

    Medana (Anamnese) fait partie des solutions les plus déployées en France, présente au CHU de Bordeaux, Montpellier, aux Hospices Civils de Lyon (HCL) et au GH Paris Saint-Joseph. Elle optimise le tri, l’orientation, l’analyse des facteurs de risque, enrichit le dossier patient et facilite le suivi post-hospitalisation. L’impact se traduit par une réduction des ruptures de parcours, un gain de temps médical et une amélioration de la sécurité des processus de soins.

     

  • Troubles de l’humeur : le GHU Paris et EMOBOT testent l’IA auprès de 600 patients

    EDS en psychiatrie : un entrepôt de données dédié

    En mai 2025, la Fondation FondaMental et Dassault Systèmes ont lancé un entrepôt de données de santé (EDS) consacré à la psychiatrie. Hébergé sur le cloud souverain OUTSCALE, certifié HDS et qualifié SecNumCloud, ce projet national vise à centraliser et sécuriser des données multimodales issues des 54 Centres Experts de la Fondation (schizophrénie, troubles bipolaires, dépressions résistantes, autisme). L’objectif est de mieux comprendre les troubles psychiatriques, d’affiner les diagnostics et de développer de nouvelles stratégies thérapeutiques à partir de modèles de machine learning. Cet EDS doit aussi faciliter la coordination entre psychiatres, généralistes et autres spécialistes. Pour Marion Leboyer, directrice générale de FondaMental, « ce projet ouvre la voie à une meilleure compréhension des troubles psychiatriques et à des traitements plus adaptés », marquant une étape vers une psychiatrie de précision.

    IA et psychiatrie : une collaboration entre le GHU Paris et EMOBOT

    Autre initiative : le partenariat signé en mars 2025 entre le GHU Paris Psychiatrie & Neurosciences et la startup EMOBOT. Ce projet s’inscrit dans l’étude MOODELING, menée auprès de 600 patients pour mieux comprendre les fluctuations thymiques liées aux troubles de l’humeur (dépression, trouble bipolaire). La technologie développée par EMOBOT mesure l’humeur des patients de façon continue et objective, grâce à des biomarqueurs digitaux collectés passivement. Ces outils permettent de repérer des signes précoces de rechute et de suivre l’évolution des symptômes en temps réel, en complément des méthodes cliniques basées sur les auto-évaluations. Le GHU Paris apporte son expertise clinique pour valider ces approches. Selon le Pr Fabien Vinckier, psychiatre et responsable de l’étude, « l’intégration de l’IA dans la psychiatrie transforme le suivi des troubles de l’humeur ». Cette collaboration illustre la complémentarité entre technologie et pratique hospitalière.

    Lancement de l’initiative IMPACT – Accélérateur d’innovation en santé mentale

    Une troisième dynamique se manifeste à travers l’initiative « IMPACT – Accélérateur d’Innovation en Santé Mentale », portée par un consortium réunissant PariSanté Campus, l’AP-HP, la Fondation Université de Paris, France Biotech, l’ARIIS, la Fédération Française de l’Assurance, AXA France, Janssen France, Otsuka et Eisai.

    Cet accélérateur vise à soutenir des startups de la e‑santé proposant des solutions numériques fondées sur l’IA pour améliorer les parcours de soins en santé mentale. L’appel à projets cible trois priorités :

    • L’accès aux soins.
    • Le suivi et la prise en charge.
    • La continuité extra‑hospitalière.

    Les lauréats bénéficient d’un programme de neuf mois avec l’appui de partenaires publics et privés. L’objectif est de transformer les innovations en solutions concrètes pour prévenir, diagnostiquer et traiter les troubles mentaux, tout en renforçant la coordination entre la ville et l’hôpital. Dans un contexte où la santé mentale demeure fragilisée depuis la crise du Covid‑19, cette initiative participe à la structuration d’une filière de santé numérique en France.

    Vers une intégration renforcée de l’IA en santé mentale

    Qu’il s’agisse de structurer les données (EDS FondaMental–Dassault Systèmes), d’expérimenter de nouveaux outils cliniques (GHU Paris–EMOBOT) ou de soutenir l’innovation (IMPACT), ces initiatives traduisent un mouvement d’intégration de l’IA en psychiatrie. Elles répondent à des enjeux clés : produire des preuves cliniques solides, protéger et valoriser les données sensibles, et pérenniser les modèles de financement. Ensemble, elles esquissent une psychiatrie enrichie par l’intelligence artificielle, au service des patients et des soignants.

     

  • L’intelligence artificielle en santé mentale : entre promesses cliniques et défis d’intégration

    Des algorithmes au service du soin psychique

    La santé mentale constitue un champ complexe, au croisement du biologique, du psychologique et du social. Elle recouvre l’ensemble du bien-être émotionnel et cognitif, bien au-delà du seul traitement des maladies mentales. La psychiatrie, elle, s’attache spécifiquement à diagnostiquer et traiter les pathologies comme la dépression sévère, les troubles bipolaires ou la schizophrénie. Dans ce contexte, l’intelligence artificielle s’impose comme un outil d’appui stratégique pour les professionnels, depuis la prévention jusqu’à la prise en charge spécialisée.

    Selon Bpifrance, les usages de l’IA en santé mentale reposent sur plusieurs leviers : l’analyse massive de données, les capacités prédictives, l’aide au diagnostic, la personnalisation des soins et le soutien psychologique via agents conversationnels. Ces approches exploitent des informations issues de sources variées dossiers médicaux, imagerie cérébrale, langage ou comportements afin de dégager des corrélations invisibles à l’œil humain et d’améliorer la compréhension clinique des troubles.

    L’analyse prédictive, une nouvelle boussole clinique

    L’un des atouts majeurs de l’IA réside dans sa capacité à détecter précocement les risques de décompensation psychique. Grâce à l’analyse prédictive, les algorithmes identifient les transitions vers un état pathologique, le risque suicidaire ou les probabilités de rechute. Des programmes tels que PsyCHARE illustrent ces avancées : cette solution, mentionnée par Bpifrance, vise à détecter les signes annonciateurs de psychose. De même, une IA développée en Pologne aurait atteint une fiabilité de 90 % dans la détection de la schizophrénie, grâce à l’analyse automatisée de paramètres cliniques et comportementaux.

    Ces outils ouvrent la voie à une psychiatrie de précision, intégrant des données génétiques, biologiques et environnementales pour affiner la décision médicale. L’intelligence artificielle dépasse ici les capacités humaines d’intégration et d’interprétation, permettant d’élaborer des hypothèses cliniques inédites et d’adapter les interventions thérapeutiques à chaque individu.

    Des applications concrètes : de l’humeur à la mémoire

    Dans les établissements de santé ou à domicile, les outils d’IA s’invitent déjà dans les pratiques cliniques. L’exemple d’Emobot, cité par Bpifrance, illustre cette tendance : grâce à l’analyse faciale en continu, ce dispositif anticipe les troubles de l’humeur chez les seniors et permet une détection précoce de symptômes dépressifs. De leur côté, les agents conversationnels et modèles de langage (LLM) sont utilisés pour analyser les émotions, accompagner la psychoéducation et offrir un soutien thérapeutique ponctuel. Certains, comme Alix, sont conçus pour soutenir les aidants de personnes atteintes d’Alzheimer, soulageant ainsi la charge émotionnelle et cognitive des proches.

    Ces solutions ne se limitent pas à la sphère clinique : elles participent aussi à la prévention et à la promotion du bien-être mental, en facilitant l’accès à une écoute initiale, en désamorçant les situations de crise ou en orientant vers des soins spécialisés.

    Des limites persistantes : preuves cliniques et déséquilibre des usages

    Malgré un foisonnement d’initiatives, la majorité des modèles d’IA appliqués à la santé mentale n’ont pas encore dépassé le stade du proof of concept. Les chercheurs alertent sur plusieurs limites méthodologiques : un déséquilibre marqué des applications (principalement centrées sur la dépression et la schizophrénie), une qualité statistique insuffisante et un manque de validation clinique rigoureuse. De plus, la transparence des modèles reste faible et les collaborations scientifiques demeurent rares, ce qui freine la reproductibilité et la comparabilité des résultats. Ces lacunes alimentent le risque d’une promotion prématurée d’outils dont la viabilité clinique n’est pas encore prouvée.

    L’exemple des agents conversationnels illustre cette prudence. Une étude américaine publiée dans la revue Psychotherapy (Acevedo et al., 2024) a comparé ChatGPT-3.5 à un thérapeute humain dans le cadre de thérapies cognitivo-comportementales (TCC) textuelles. Sur 208 professionnels interrogés, 52 % ont jugé le thérapeute humain « hautement efficace », contre seulement 9 % pour ChatGPT. Le modèle d’IA obtenait de meilleurs scores sur la compréhension émotionnelle (36 % contre 19 %), mais son interaction était perçue comme rigide et impersonnelle, confirmant que l’IA reste aujourd’hui un complément et non un substitut à la relation thérapeutique.

    Des enjeux éthiques et réglementaires au cœur de l’intégration

    L’usage de l’IA en santé mentale soulève d’importants enjeux éthiques et juridiques, encadrés en France et en Europe par trois textes majeurs : le Code de la santé publique, le RGPD et l’AI Act.

    Le Code de la santé publique : sécurité et validation clinique

    Toute solution d’IA utilisée à des fins médicales doit respecter les normes relatives aux dispositifs médicaux et garantir la sécurité des patients : traçabilité, gestion des risques, transparence des performances cliniques.
    Lorsqu’un outil d’IA revendique une fonction de diagnostic ou de traitement, il doit obtenir une validation scientifique et un marquage CE, conformément au cadre réglementaire français. Cet encadrement vise à éviter la diffusion d’outils non éprouvés ou insuffisamment supervisés.

    Le RGPD : protection des données sensibles

    Les données de santé sont classées comme données sensibles au sens du RGPD et de la loi Informatique et Libertés. Leur traitement nécessite un consentement explicite du patient ou une base légale clairement établie.
    Les organisations doivent mettre en œuvre des mesures renforcées — chiffrement, anonymisation, pseudonymisation, accès restreint et garantir aux patients leurs droits fondamentaux : accès, rectification, opposition et effacement. Toute solution d’IA manipulant ces données doit être déclarée à la CNIL et accompagnée d’une analyse d’impact sur la vie privée.

    L’AI Act : un cadre européen contraignant

    Entré en vigueur en 2024, l’AI Act européen classe les systèmes d’intelligence artificielle selon leur niveau de risque. Les applications médicales relèvent du haut risque et doivent prouver leur fiabilité, explicabilité et sécurité clinique. Elles sont soumises à des exigences de qualité des données d’entraînement, de supervision humaine et de robustesse technique. Dans le champ de la santé mentale, cette législation impose donc une vigilance accrue pour concilier innovation et respect des droits fondamentaux des patients.

    L’enjeu central : renforcer, non fragiliser, l’alliance thérapeutique

    La spécificité du soin psychique repose sur la relation humaine, sur l’écoute, la confiance et la compréhension mutuelle. Dès lors, la question centrale est la suivante : l’IA peut-elle renforcer, plutôt que fragiliser, l’alliance thérapeutique ? Les premières expérimentations tendent à montrer que ces technologies, bien intégrées, peuvent devenir des outils de soutien pour le praticien : aide à la décision, monitoring des symptômes, suivi à distance ou alerte précoce en cas de rechute. Mais si elles prétendent remplacer l’interaction humaine, elles risquent de réduire la dimension relationnelle du soin, pourtant au cœur de la psychiatrie.

    L’Organisation mondiale de la santé (OMS) le souligne : la psychiatrie, par sa complexité — entre facteurs biologiques, psychologiques et sociaux —, ne peut être réduite à un calcul algorithmique. L’intelligence artificielle doit y être envisagée comme un instrument de compréhension et non comme un substitut à l’humain.

    France 2030 : un plan d’action pour structurer l’écosystème

    Face à la montée des besoins en santé mentale et à la dispersion des initiatives, le gouvernement français a lancé le Grand Défi « Dispositifs médicaux numériques en santé mentale », dans le cadre de France 2030.
    Cette stratégie nationale vise à soutenir l’émergence d’outils d’IA fiables, validés et intégrés dans les parcours de soins, à travers quatre axes prioritaires :

    • Innovation et recherche : financer des projets d’IA cliniquement pertinents, fondés sur des données représentatives et des méthodologies robustes.
    • Évaluation clinique, médico-économique et organisationnelle : démontrer la valeur ajoutée réelle de ces solutions dans la pratique quotidienne.
    • Intégration dans les parcours de soins et financements : favoriser leur interopérabilité et leur adoption par les structures publiques et privées.
    • Sensibilisation et formation : accompagner les professionnels de santé, les patients et les décideurs dans la compréhension et l’usage responsable de l’IA.

    Cette démarche s’inscrit dans une vision à long terme : construire un écosystème d’innovation éthique, performant et soutenable, capable d’ancrer l’intelligence artificielle au cœur des pratiques psychiatriques françaises.

    Vers une convergence entre technologie et humanité

    L’IA appliquée à la santé mentale représente bien plus qu’un simple outil technologique : elle ouvre la voie à une nouvelle approche du soin, centrée sur la personnalisation, la prévention et la collaboration entre acteurs.
    Mais pour franchir le cap de la promesse à la pratique, trois conditions apparaissent essentielles :

    • La validation clinique rigoureuse de chaque dispositif.
    • La transparence et la supervision humaine de bout en bout.
    • Et le respect éthique absolu des données et des personnes.

    Les technologies d’IA, lorsqu’elles sont encadrées et évaluées, peuvent contribuer à désaturer les services psychiatriques, à mieux repérer les signaux faibles et à renforcer la coordination des parcours de soins.
    Mais leur réussite dépendra de leur capacité à s’intégrer sans dénaturer la relation thérapeutique cette dimension profondément humaine qui reste, aujourd’hui encore, le cœur du soin psychique.

  • 118 solutions d’IA en radiologie : oncologie, traumatologie et neurologie en tête

    Près d’une solution sur deux dédiée à l’oncologie

    Près de la moitié des solutions recensées dans l’écosystème de l’IA radiologique concernent l’oncologie. Cette domination n’est pas surprenante : la cancérologie concentre à la fois des enjeux de santé publique majeurs et un volume d’examens qui pèse sur les capacités d’interprétation des radiologues.

    Le cancer du sein reste la priorité numéro un.
    Des solutions comme MammoScreen (Therapixel), déployée à l’Hôpital Saint-Joseph de Marseille, au CH de Valenciennes et à l’Hôpital Foch, analysent les mammographies 2D et attribuent un score de suspicion. Le radiologue peut ainsi prioriser les cas nécessitant une attention particulière, ce qui accélère la prise en charge.
    Transpara et Cleo Breast (Primaa) complètent cet arsenal en automatisant la détection de biomarqueurs (mitoses, métastases ganglionnaires) et en réduisant les biais cognitifs.
    INFRA, solution française testée à l’Hôpital Saint-Louis (AP-HP), mise sur la personnalisation du dépistage en évaluant le risque individuel de développer un cancer du sein.

    Au-delà du sein, d’autres cancers bénéficient d’innovations :

    • PET VCAR (GE HealthCare) rationalise l’évaluation métabolique dans les examens PET/CT en segmentant automatiquement les lésions.
    • Liver ASSIST Virtual Parenchyma (GE HealthCare), pensée pour la radiologie interventionnelle hépatique, simule la perfusion du foie afin de planifier des embolisations plus sûres.
    • Caiman est une plateforme d’aide à l’interprétation de l’imagerie oncologique, combinant IA multimodale, données cliniques et examens antérieurs.

    20 % des solutions ciblent la traumatologie, moteur français de l’innovation

    Le deuxième grand champ d’application concerne l’imagerie osseuse et traumatologique. La France occupe ici une place de leader avec plusieurs solutions devenues références internationales.

    Gleamer s’impose comme un acteur central.

    • BoneView, sa solution phare, fournit une seconde lecture automatique des radiographies traumatiques, avec un déploiement dans de nombreux établissements publics (AP-HP, CHU de Lille, CHRU de Nancy). Elle détecte en quelques secondes fractures, luxations et lésions osseuses, réduisant le risque de sous-diagnostic.
    • ChestView vise spécifiquement la cage thoracique et détecte les fractures costales.
    • BoneAge automatise l’évaluation de l’âge osseux à partir de radiographies, un outil précieux en pédiatrie pour diagnostiquer des troubles endocriniens.

    Azmed complète ce paysage avec Rayvolve, une suite logicielle destinée aux urgences. Rayvolve détecte les fractures des os longs et courts (poignet, cheville, fémur, coude, épaule), avec un usage rapporté à l’Hôpital Lariboisière (AP-HP) et au CH d’Aix.

    Ces outils partagent une même finalité : soutenir les urgentistes et radiologues dans des contextes où la rapidité et la fiabilité du diagnostic sont critiques.

    15 % des solutions concentrées sur la neurologie et le suivi longitudinal

    La neurologie illustre une autre dimension forte de l’IA en radiologie : l’analyse quantitative et le suivi longitudinal.

    Pixyl, startup française, s’impose dans ce domaine.

    • Pixyl.Neuro.MS automatise l’analyse des IRM cérébrales pour la sclérose en plaques : détection des hyperintensités, classification des lésions actives et analyse longitudinale. Le rapport structuré généré est intégré directement dans le PACS.
    • Pixyl.Neuro.BV, lancée en janvier 2025, étend ce savoir-faire à Alzheimer et aux troubles cognitifs légers, en quantifiant précisément les volumes cérébraux.

    D’autres acteurs complètent cette dynamique :

    • BrainScan CT, solution polonaise intégrée dans la marketplace Dedalus, détecte automatiquement les lésions cérébrales sur scanner d’urgence.
    • Cercare Medical NeuroSuite, utilisé aux Hospices Civils de Lyon, fournit une modélisation microvasculaire avancée pour évaluer la santé cérébrale.
    • Projet Apprimage (Aramis Lab, AP-HP) s’appuie sur plus de 100 000 IRM issues de l’entrepôt de données AP-HP pour valider des algorithmes en vie réelle.

    Là encore, l’IA dépasse la simple aide au diagnostic : elle produit des rapports quantitatifs et standardisés, réduisant la variabilité inter-opérateurs et facilitant la comparaison des examens dans le temps.

    Thorax : dépistage et triage, 12 % des solutions identifiées

    Les pathologies thoraciques constituent un terrain d’adoption rapide de l’IA, en particulier pour le dépistage du cancer du poumon et la gestion des flux aux urgences.

    qXR (Qure.ai) illustre cette tendance. Utilisé aux CHU de Rennes, Poitiers et Nancy, l’outil analyse les radiographies thoraciques et distingue les examens normaux des examens anormaux. Ce triage en temps réel permet de prioriser les patients les plus à risque dans des services d’urgence saturés.

    D’autres solutions se concentrent sur le dépistage :

    • syngo.CT Lung CAD (Siemens Healthineers) facilite la détection précoce des nodules pulmonaires.
    • Aview LCS Plus (Coreline Soft) élargit l’analyse à la BPCO et au scoring calcique des artères coronaires.
    • HealthOST (Nanox.AI) détecte les fractures vertébrales sur scanner thoracique ou abdominal.
    • HealthCCSng (Nanox.AI) quantifie la calcification des artères coronaires, contribuant à l’évaluation du risque cardiovasculaire.

    Ces outils traduisent une orientation vers la médecine prédictive et préventive, avec un rôle fort dans l’identification précoce des patients à risque.

    10 % des solutions dédiées à l’organisation et aux flux

    Au-delà des cas cliniques, l’IA se positionne comme un outil d’organisation hospitalière. Dans un contexte de pénurie de radiologues et de saturation des flux, plusieurs solutions se concentrent sur l’automatisation des tâches et la standardisation.

    • Rapid Navigator Pro (RapidAI) orchestre le flux de travail : génération automatique de comptes rendus structurés, priorisation des cas critiques, préchargement d’antériorités.
    • Genesis (Incepto Medical) propose une plateforme de co-développement avec les radiologues, facilitant la labellisation d’images et l’entraînement de nouveaux modèles.
    • ENDEX (Enlitic) s’attaque à la standardisation des données DICOM, permettant un gain moyen de 60 à 90 secondes par étude, soit jusqu’à 15 % de productivité supplémentaire.
    • Sirona Reporting (Sirona Medical) explore une automatisation plus poussée du reporting, intégrée aux systèmes PACS et RIS.

    Ces innovations traduisent un glissement : l’IA n’est plus seulement « un œil numérique », mais un pilote du flux radiologique, capable de transformer la productivité et la qualité du service.

    Radiologie interventionnelle : 5 % d’outils centrés sur la sécurité des gestes

    Dans le champ interventionnel, l’IA trouve des applications particulièrement sensibles, où la précision et la sécurité sont primordiales.

    • Liver ASSIST Virtual Parenchyma (GE HealthCare) permet de simuler la perfusion hépatique à partir de points d’injection virtuels, réduisant le nombre d’acquisitions nécessaires et donc la dose et le contraste.
    • Lumina 3D (RapidAI) propose des reconstructions CTA 3D quasi instantanées, utiles pour planifier l’accès vasculaire en neuroradiologie.
    • Precise Position (Philips) automatise le positionnement du patient en scanner grâce à une caméra et des algorithmes de deep learning, réduisant de 23 % le temps d’installation.
    • GE Healthcare – ClearRecon DL : technologie de reconstruction 3D basée sur le deep learning, améliorant la qualité des images CBCT.

    Ces solutions illustrent un basculement vers des outils d’assistance en temps réel, capables de sécuriser et d’accélérer des procédures complexes. Leur diffusion est particulièrement rapide dans les centres privés spécialisés.

    Analyse macro : un écosystème dominé par l’oncologie et porté par la France

    Parmi les 118 solutions d’IA en radiologie recensées, près de 47 % ciblent directement le champ de l’oncologie, confirmant la prédominance du cancer du sein et du poumon comme priorités de santé publique et terrains privilégiés pour la validation clinique. Viennent ensuite les solutions dédiées à la traumatologie et à l’imagerie osseuse (environ 20 %), portées en grande partie par des startups françaises (Gleamer, Azmed), et les applications en neurologie (près de 15 %), centrées sur le suivi longitudinal de maladies chroniques comme la sclérose en plaques ou Alzheimer. Les modules d’orchestration organisationnelle représentent pour leur part un peu plus de 10 %, traduisant une émergence récente mais stratégique pour répondre à la pénurie de radiologues et à la pression croissante sur les services d’imagerie.

    IA et langage naturel : donner une voix à la radiologie

    Si la majorité des solutions s’appuient sur l’analyse d’images, un nouveau champ émerge : celui du traitement du langage naturel (NLP). Ces outils ne se contentent pas de détecter des anomalies, ils dialoguent, reformulent et facilitent la compréhension et la transmission des résultats.

    La startup française Mata Medical Data, testée au CHU de Lille, illustre cette tendance. Sa plateforme associe NLP et machine learning pour simuler une conversation en langage naturel (chat, téléphone, applications mobiles). Elle facilite l’interprétation, l’analyse et surtout l’échange d’informations radiologiques entre professionnels et patients, ouvrant la voie à une radiologie plus interactive et plus accessible.

    Dans le même esprit, Deemea exploite le NLP pour la recherche clinique et l’exploitation des images médicales, accélérant l’annotation et l’analyse de grandes bases de données. Better World, bien que moins centrée sur la radiologie, applique le NLP à l’expérience patient en traduisant les retours et verbatims en informations exploitables, simplifiant ainsi la communication entre soignants et usagers.

    Adoption différenciée : 60 % des validations en public, industrialisation dans le privé

    En termes d’adoption, l’analyse des usages révèle une diffusion différenciée entre le secteur public et le secteur privé. Les hôpitaux universitaires et l’AP-HP se distinguent comme principaux terrains de validation, avec plus de 60 % des solutions phares testées ou en cours d’évaluation dans ces structures. Le secteur privé, notamment les groupes d’imagerie et les cliniques, apparaît en revanche comme le moteur de l’industrialisation, en particulier pour les solutions à fort impact opérationnel (flux, triage, traumatologie). Cette dynamique traduit un double mouvement : la validation scientifique dans le public et l’implémentation rapide dans le privé, où les gains de productivité, la réduction des délais et la différenciation concurrentielle constituent des leviers d’adoption puissants.

     

    <span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span>

  • IA & seniors : 39 solutions pour prévenir, personnaliser et alléger la charge des équipes

    36% des solutions ciblent la chute, première cause d’alerte chez les seniors

    Plus d’un tiers des solutions, soit 36%, se concentre sur la prévention des chutes, avec un même principe : alerter rapidement sans stigmatiser ni empiéter sur l’intimité.
    ZoeFall, né de travaux à l’Université Paris-Saclay en partenariat avec Zoe Care, illustre cette approche. Le système détecte les chutes en analysant les perturbations des ondes Wi-Fi d’une pièce. Il reconnaît aussi les postures (assis, allongé, debout) et la respiration, puis notifie l’équipe ou la famille, sans caméra ni micro. L’UZ Brussel a modernisé sa surveillance avec Kepler Night Nurse : les capteurs de chambre détectent chute et positions, et l’établissement rapporte une baisse nette des fausses alarmes après déploiement, avec des interventions plus rapides et plus ciblées. Dans la prévention nocturne, les lampes intelligentes Nobi associent éclairage progressif et détection pour limiter la désorientation au lever et accélérer l’alerte en cas de problème.

    44% des solutions reposent sur la télésurveillance

    Avec 17 solutions, la télésurveillance et la santé ambiante représentent la plus grande part du panel. Des plateformes comme HiNounou combinent dispositifs médicaux connectés, jumeau numérique et scoring de risque pour agir en amont sur les maladies chroniques. En parallèle, la santé ambiante évolue vers des dispositifs sans contact. Norbert Health illustre cette tendance : un capteur mural mesure signes vitaux et mobilité en quelques secondes et enregistre automatiquement les données, libérant ainsi du temps infirmier. Dans les parcours organisés, des plateformes certifiées comme apTeleCare de Healabs offrent un suivi complet : paramétrage par pathologie, seuils et questionnaires, priorisation des dossiers à risque et messagerie sécurisée pour coordonner patients, aidants et soignants.

    Décider mieux, décider vite : l’IA comme copilote clinique

    L’IA clinique garde tout son intérêt lorsqu’elle est encadrée et explicable.

    • Maladies rares : des outils comme MedVir réduisent l’errance diagnostique en structurant la collecte des signes et en proposant des hypothèses d’orientation.
    • Neurologie : DigiPark (DiamPark) suit la maladie de Parkinson en vie réelle grâce à des biomarqueurs numériques et aux symptômes relevés, permettant d’ajuster le traitement et d’anticiper les décompensations.

    NETsoins, Septeo, Odoo : le trio qui digitalise les EHPAD

    Les logiciels de DUI/CRM pour EHPAD évoluent en plateformes d’orchestration des soins. Ils intègrent des modules d’IA qui automatisent les tâches administratives, optimisent la planification des équipes et personnalisent la relation avec familles et aidants.

    • DUI/CRM nouvelle génération (EHPAD)
      • NETsoins (Orisha Socialcare ) : ajoute des automatisations pour la planification prédictive, la traçabilité en temps réel et un portail familles.
      • Septeo : digitalise les RH, la planification, le reporting et la conformité.
    • CRM modulaire multi-sites
      • Odoo CRM pour EHPAD : centralise les données résidents/personnel, optimise ressources et plannings grâce à l’IA, avec une application mobile dédiée.

    Lien social : une technologie intégrée au quotidien

    Les outils destinés aux aidants rappellent que la technologie doit rester simple, soulager la charge mentale et favoriser le lien social. Solutions de compagnonnage numérique, rappels connectés et applications de coaching bien-être complètent téléassistance et télésurveillance.

    Compagnonnage et rappels :

    • ElliQ : compagnon numérique favorisant le lien social, proposant rappels de médicaments et d’activités, avec interactions vocales et visuelles.
    • CareClinic : application de suivi des symptômes, traitements et constantes, avec option de partage facile des informations.
    • BMind (Baracoda) : miroir connecté proposant un coaching mental personnalisé, avec traitement et stockage local des données.

    Applications pour aidants et coordination :

    • Mementop : conçu avec des gériatres, centralise agenda, carnet de liaison et prévention des risques.
    • Healthhub (NHS) : application facilitant les démarches et la communication dans le parcours de soins publics.

    Un écosystème en déploiement

    Avec 39 solutions déjà identifiées et utilisées, l’IA appliquée à la santé des seniors dépasse le stade de l’expérimentation. Elle est intégrée sur le terrain, en lien avec les professionnels, les aidants et les territoires. Le défi reste d’assurer la diffusion, l’appropriation par les usagers et l’intégration dans les politiques de santé publique.

    <span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span>

  • Moyen-Orient : 60 startups et 10 hubs pour réinventer les soins

    France–Arabie saoudite : 3 partenariats stratégiques signés en 2025 pour accélérer la santé digitale

    En Arabie saoudite, 20 startups santé sont recensées en 2025, soit un tiers du total régional. Des acteurs comme Cura (télémédecine) ou Juleb (supply chain pharmaceutique) portent cette dynamique, renforcée par le lancement du Biotech Accelerator du ministère de la Santé en partenariat avec BioLabs. Huit startups, de la génomique aux thérapies cellulaires, y sont incubées. En parallèle, la Health Holding Company (HHC) déploie un Innovation Hub qui relie entrepreneurs et clusters hospitaliers.

    Les coopérations avec la France progressent :

    L’écosystème de la santé numérique en Arabie saoudite

    En Arabie saoudite, un tiers des acteurs majeurs de la santé numérique sont des organismes étatiques, ce qui illustre une centralisation marquée du pilotage du secteur. L’écosystème s’appuie également sur deux grands hubs d’innovation, dont Seha Virtual Hospital, qui assure plusieurs milliers de consultations virtuelles chaque semaine. Près de 15 % des structures clés sont des financeurs institutionnels, contribuant à la diffusion de l’IA et de la télémédecine dans le pays. Cette combinaison entre acteurs publics, incubateurs et financeurs facilite la réponse aux besoins de santé sur l’ensemble du territoire.

    Qatar : 24 startups, soit 40% des jeunes pousses régionales en santé

    Parmi elles :

    • Lillia : levée de 1,7 M$ pour une IA dédiée au suivi des maladies chroniques ;
    • infrastructures soutenues par Qatar Science & Technology Park et Qatar Precision Health Institute ;
    • Sidra Medicine, avec Rasmal Ventures, conduit des programmes de santé digitale.

    Présence française :

    • Team France Export accompagne les entreprises françaises pour explorer et s’implanter sur le marché qatari ;
    • enjeux situés à l’interface entre IA clinique et recherche médicale.

    L’écosystème de la santé numérique en Qatar

    Au Qatar, près de la moitié du secteur est portée par des acteurs publics et académiques, ce qui traduit une coordination nationale forte autour du Health Information Exchange et de la recherche clinique. Chaque cluster, comme QSTP, accompagne plusieurs dizaines de projets e-santé, tandis que l’incubation privée demeure marginale. QDB et Digital Incubation Center sont les principaux piliers du financement et de l’innovation, soutenant la structuration d’un écosystème healthtech national. La coordination entre recherche et soins permet d’atteindre une couverture numérique quasi complète des hôpitaux publics.

    EAU : un marché de 2,4 milliards $ en santé digitale d’ici fin 2025

    Aux Émirats, la dynamique repose moins sur le nombre de startups locales que sur un marché en croissance, estimé à 2,4 milliards de dollars fin 2025 (+6,2% par an). Plus de 95% des dispositifs médicaux sont importés, positionnant le pays comme un point d’entrée stratégique pour les fournisseurs étrangers.

    L’innovation est encadrée par le Department of Health – Abu Dhabi, qui suit la recherche et les essais cliniques via son Research & Innovation Center. Plusieurs hubs structurants traduisent l’ambition nationale : le cluster HELM sur l’IA et la longévité, le projet Malaffi mené avec SRI et VantageBridge pour bâtir une “Silicon Valley de la santé”, le laboratoire d’innovation IA de Dubai Healthcare City, ou encore le pôle sciences de la vie de Masdar City.

    Présence française :

    • Sanofi collabore avec DoH Abu Dhabi pour renforcer le secteur pharmaceutique local ;
    • Business France organise les French Healthcare Days ;
    • Team France Export accompagne les entreprises françaises.

    L’écosystème de la santé numérique aux EAU

    Aux Émirats arabes unis, 40 % des acteurs structurants sont des autorités ou opérateurs publics, garantissant l’interopérabilité de plus de 90 % des établissements à travers les plateformes nationales telles que Riayati ou Malaffi.

    Les incubateurs et clusters représentent près d’un tiers de l’écosystème, favorisant le développement rapide de technologies de pointe.

    Mubadala, acteur financier clé, soutient la croissance de plus de 150 startups healthtech incubées ces cinq dernières années. Cette organisation fait des Émirats un environnement attractif pour la recherche et l’industrialisation en santé digitale.

    Le Moyen-Orient : un terrain d’innovation partagé

    • près de 60 startups et 10 hubs majeurs ;
    • Qatar : 40 % des jeunes pousses, Arabie saoudite : 33 %, EAU : 27 % ;
    • priorités : biotech, IA, télémédecine, médecine de précision selon les pays ;
    • France intégrée via des partenariats majeurs (Gustave Roussy, Sanofi, Chronolife, AP-HP).

    Le Moyen-Orient s’affirme comme une zone pilote de la santé numérique, portée par l’IA, la télémédecine et la génomique. Les partenariats avec la France confortent son intégration dans l’écosystème régional, tandis que l’expansion des hubs et des startups ouvre des perspectives majeures pour la recherche et l’industrialisation des soins.

    Panorama des acteurs de l’écosystème en Arabie saoudite

    Panorama des acteurs de l’écosystème en EAU

    Panorama des acteurs de l’écosystème en Qatar

    <span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span>

  • IA aux urgences : de 13 à 26 cas d’usage en un an, une accélération confirmée

    Des outils déployés dans plus de 5 CHU pour une prise en charge plus rapide et fiable

    Sur les 26 cas d’usage recensés, 12 concernent l’aide au diagnostic et aux examens médicaux grâce à des solutions déployées, notamment en cardiologie et neuroradiologie. L’IA se distingue dans l’aide au diagnostic critique en urgence.

    Trois solutions sont largement utilisées :

    • Dans la détection des troubles cardiaques : Cardiologs Holter, Deepecg4u-Cohort et Bits2Beat Predictive Analytics. Déployées notamment à l’hôpital Jacques Cartier de Massy et à l’hôpital Pitié-Salpêtrière (AP-HP), ces plateformes analysent en temps réel les électrocardiogrammes et sont utilisées pour plus de 20 000 actes annuels. Elles permettent d’identifier précocement les arythmies cardiaques, et favorisent une intervention rapide.
    • Sur le volet radiologique, l’IA analyse aussi des milliers de scanners et radiographies pour détecter des pathologies thoraciques telles que pneumonies ou embolies pulmonaires grâce à des solutions comme qXR et ClearRead CT. En neuroradiologie, six outils dont qER, CINA ASPECT, CINA ICH et Annalise Enterprise CTB détectent efficacement les hémorragies cérébrales. Ces technologies sont notamment déployées dans des CHU (CHRU de Nancy, CHU de Poitiers) et regroupent entre 10 et 200 cas par établissement, impactant plusieurs milliers de patients annuellement. La relecture automatique de radiographies grâce à Itis, Lunit Insight CXR, TechCare Alert ou RadioLogs AI est active surtout à l’hôpital Lariboisière, où elle contribue à limiter les erreurs de diagnostic.
    • L’IA innove enfin par des diagnostics plus cliniques et visuels, comme AI-Stroke, capable d’identifier les AVC à partir de vidéos des exercices patients, ou CorEx et SwissCArdIA aidant au dépistage précoce des plaques coronariennes dans des établissements comme l’Institut Mutualiste Montsouris.

    Pré-diagnostic sur photo : l’IA oriente les secours avant appel et détecte les AVC dès la première seconde

    40 établissements équipés pour le triage médical

    Le triage médical automatique s’inscrit comme un autre pilier de l’intégration de l’IA. Ancrée dans un usage génératif, la solution GenHealth AI analyse rapidement un vaste volume de données cliniques pour classifier la gravité des patients, avec un déploiement confirmé dans une quarantaine d’établissements. Un des usages réside dans la capacité à qualifier les contextes d’incidents à partir de photos et métadonnées adressées au SAMU. HighWind, utilisé depuis 2019 à l’APHM (Hôpital La Timone, Hôpital Nord, Sainte-Marguerite), détecte non seulement le type d’accident ou catastrophe mais aussi les indices émotionnels (peur, crispation), affinant la priorisation dans la file d’attente et soutenant ainsi la décision médicale. L’envoi automatisé d’ambulances s’oriente aussi vers une détection rapide des accidents graves, notamment via un algorithme embarqué dans les véhicules, et l’analyse des appels d’urgence pour les AVC permet de déclencher les secours sans délai. Le pré-diagnostic traumatologique sur photo, qui invite les appelants à envoyer des images avant décroché, est déployé en régulation avec HighWind à l’APHM, visant à réduire significativement les minutes critiques.

    Gestion prédictive des flux : anticiper et contrôler la saturation des services

    Les 7 cas dédiés à la gestion des flux et des opérations impactent directement la capacité d’accueil hospitalière et la coordination des équipes. La gestion des flux s’appuie sur plusieurs plateformes d’IA prédictive parmi lesquelles Saniia, Projet 3P-U, Matrics, MedUse et SAUsmart. Ces solutions traitent des centaines à plusieurs milliers de données par établissement pour anticiper les pics d’activité, estimer les besoins en lits et adapter le personnel hospitalier. L’information en temps réel sur la saturation territoriale des urgences est rendue possible grâce à Medmapping, Optacare et Oky Doky, utilisés notamment au CHRU de Nancy, où des données collectées quotidiennement alimentent les décisions d’orientation des patients vers des services encore disponibles.

    Les centres de commandement, tels que MedDataSuite exploité par The Queen’s Health Systems aux États-Unis, agrègent ces données pour éviter le gonflement des durées de séjour, coordonner les transferts et fluidifier le parcours patient. Ce suivi actif a permis de réduire sensiblement l’engorgement et d’augmenter la capacité d’accueil inter-hospitalier.

    Transcription, facturation : moins de tâches chronophages pour plus de temps médical

    L’automatisation administrative et la documentation couvrent 4 cas d’usage pour libérer du temps aux soignants. Deux cas concernent l’expérience patient et la prise en charge préhospitalière connectée, tandis que le cas pharmaceutique, bien qu’unique, joue un rôle complémentaire. Dans une logique de réduction des charges administratives, plusieurs solutions automatisent la prise de notes, la cotation médicale et la facturation. La transcription automatique des consultations est assurée par MIRA Medical (Allemagne), déployée dans plusieurs CHU avec plusieurs centaines d’actes documentés par an.

    Pour sécuriser la cotation et générer tous les documents administratifs nécessaires, Sclépios IA et Starclay sont utilisés dans différents établissements, dont le Groupe Hospitalier Paris Saint Joseph. Ces solutions contribuent à accélérer la facturation et optimiser la traçabilité, à travers des processus entièrement automatisés. La cohérence entre les échanges vocaux des centres d’alerte et leur transcription informatique est vérifiée par le projet Le Petit Camion (Inria), diminuant les erreurs et améliorant la qualité des dossiers d’urgence.

    Communication patient : FollowMe et Saniia notifient les familles

    L’IA se positionne également au service de la communication vers les proches et du suivi en temps réel du patient. Les outils FollowMe Urgences et Saniia permettent l’envoi de notifications, et offrent une meilleure visibilité sur l’évolution du traitement et apaisant familles et aidants. Sur le terrain préhospitalier, des chatbots tels qu’EMSy (déployé en Italie) assistent les équipes d’urgence en fournissant des réponses immédiates, améliorant la préparation au intervention dès les premiers contacts. La création interactive de checklists dynamiques, via Check it easy à l’hôpital Pitié-Salpêtrière, renforce la sécurité des soins et aide les équipes à réagir avec précision dans un contexte souvent chaotique.

    Ordonnances : Posos détecte effets secondaires et surdosages

    Moins nombreux mais tout aussi fondamentaux, certains cas d’usage concernent la gestion des médicaments prescrits. Posos analyse les ordonnances pour fournir des renseignements exhaustifs sur les interactions médicamenteuses, posologies et effets secondaires. Cette solution est déployée dans des établissements comme le Centre Hospitalier de la Côte Basque et le CHIAP, sécurisant la délivrance pharmaceutique aux urgences.

    Analyse comparative entre 2024 et 2025 : les cas d’usage doublent

    Comparativement à la cartographie publiée en 2024 qui recensait 13 cas d’usage majoritairement centrés sur le diagnostic radiologique et la gestion de flux, l’année 2025 marque un doublement du nombre de cas d’usage identifiés soit une augmentation de 100% en un an. L’évolution ne se limite pas à la quantité : de nouveaux domaines apparaissent, tels que l’automatisation documentaire, la sécurisation administrative, l’orientation intelligente des patients via triage automatique et la régulation audio-visuelle des appels. Cette diversification technique s’accompagne d’une montée en puissance des déploiements. Nombre de solutions ont quitté la phase pilote pour être intégrées à des systèmes hospitaliers réels au sein d’une vingtaine d’établissements majeurs, notamment plusieurs CHU et hôpitaux privés. L’approche devient plus multidimensionnelle, associant diagnostic médical, opérations hospitalières, pharmacie et expérience patient.

    La prise en charge préhospitalière a également progressé avec l’introduction des chatbots et de l’analyse photo avant décroché, améliorant la qualité du triage et réduisant les délais de prise en charge. La gestion algorithmique des flux et des lits s’intègre dans des command centers opérationnels, réduisant les durées de séjour tout en augmentant la capacité d’accueil face à des afflux croissants.

    En matière d’aide à la facturation et à la cotation, la montée en puissance des outils IA optimise également la valorisation des actes réalisés, un aspect clé en contexte hospitalier. Ainsi, 2025 confirme une accélération forte vers une médecine d’urgence connectée, intelligente et anticipatrice, fondée sur la donnée et l’automatisation.

  • IA et ophtalmologie : un éventail de solutions déjà déployées

    L’IA booste le diagnostic : jusqu’à 94 % de précision

    Les algorithmes de deep learning, comme ceux d’OphtAI et de Retinax, assistent les cliniciens dans le diagnostic des maladies rétiniennes (rétinopathie diabétique, glaucome, DMLA). Ils permettent une analyse automatisée et rapide des images médicales. Retinax propose une plateforme reliant centres satellites, unités chirurgicales et algorithmes pour faciliter la revue des dossiers patients. À l’Hôpital Fondation Rothschild, le projet BONSAI, basé sur l’imagerie fundus et le deep learning appliqué à plus de 14 000 images, atteint une performance supérieure à celle obtenue par des cliniciens non spécialisés pour la détection du papilledème.

    iSlit, outil de diagnostic fondé sur l’IA symbolique hybride, détecte plus de 100 pathologies à partir d’images de lampe à fente et aide la prise de décision clinique, en particulier dans les zones à faible accès médical. Le réseau de neurones VGG-16, utilisé par l’Université d’Oxford (Royaume-Uni), permet quant à lui la classification fine et automatisée des lésions rétiniennes sur photographies couleur, atteignant 93,7 % de précision, ce qui accélère considérablement la surveillance des pathologies chroniques.

    AI Screenings  exploite sa plateforme de télémédecine ALICIA, qui intègre des dispositifs médicaux aiVista-SD et aiVista-DT, dont aiVista-SD pour la détection précoce de la rétinopathie diabétique, et aiVista-DT dédié au glaucome, améliorant la prise en charge à distance et la réduction des inégalités d’accès au dépistage médical. Odysight a développé une application de télésurveillance validée cliniquement (82 % de concordance, écart moyen de 0,33 lettre) permettant un suivi visuel à domicile.

    3 plateformes pour franchir un cap décisif dans l’imagerie rétinienne

    La solution RTX1, créée par Imagine Eyes, exploite l’optique adaptative pour visualiser en temps réel la microstructure de la rétine et suivre les photorécepteurs, permettant une détection ultra-précise et un suivi personnalisé des maladies. Utilisée dans plusieurs centres de recherche, elle permet une détection précoce des pathologies et un suivi individualisé.

    La plateforme Cellularis d’EarlySight associe illumination transsclérale et optiques adaptatives pour détecter des biomarqueurs invisibles aux méthodes courantes. Elle facilite l’identification de maladies précoces et modélise leur progression grâce à l’IA.

    En France, le projet RetiCell du CEA, Imagine Eyes, Hôpital des Quinze-Vingts combine optiques issues de l’astrophysique et algorithmes pour produire une imagerie tomographique 3D à résolution cellulaire. GEAR, partenariat entre l’Institut de la Vision, WhiteLab Genomics,et ADLIN Science, associe IA et données multi-omiques pour améliorer l’administration de thérapies géniques dans la rétine, en réduisant les doses nécessaires.

    FemtoMatrix : 14 brevets pour la chirurgie de la cataracte

    Le système FemtoMatrix, développé par Keranova, apporte la robotisation aux interventions de cataracte. Il automatise le morcellement et l’aspiration du cristallin, grâce à 14 innovations brevetées. Ce dispositif réduit le temps opératoire et améliore la sécurité et la reproductibilité des gestes, avec l’objectif de transformer jusqu’à 30 millions d’actes annuels.

    EyeLib, de MIKAJAKI SA, est une station robotisée réalisant un bilan ophtalmologique complet en 6 minutes. Guidée par l’agent virtuel Ariane InSight, elle génère automatiquement un rapport SmartVision Report contenant plus de 100 mesures objectives par œil, via un agent virtuel.

    PRECEYES Surgical System est une solution robotique chirurgicale assistée par IA dédiée à la microchirurgie oculaire, notamment la chirurgie rétinienne. Cette technologie intègre un retour haptique avancé, réduit les tremblements du chirurgien et augmente la précision des interventions.

    Gestion, suivi et télémédecine : plus de 1 200 structures connectées

    La plateforme Lyleoo centralise plus de 200 paramètres optiques et s’appuie sur un algorithme IA, facilitant en téléophtalmologie le tri, le diagnostic et l’orientation des patients, notamment dans les zones à faible densité médicale.

    La startup française Temeoo, offre une plateforme SaaS de télémédecine ophtalmologique qui permet aux patients de consulter des orthoptistes pour examens, avec télé-expertise rapide des ophtalmologistes et ordonnance sous 2 à 5 jours.

    Oplus One, logiciel SaaS de Datacend, est déployé dans plus de 1 200 cabinets et hôpitaux français et compatibles avec 99% d’outils ophtalmologie. Il centralise et sécurise le dossier patient, intègre des outils de dépistage par IA, garantit la conformité RGPD et permet un suivi multiplateforme.

    RetinAI Discovery, fait le lien entre données cliniques et imagerie multimodale (OCT, fond d’œil), appliquant des algorithmes certifiés CE et FDA pour extraire biomarqueurs et prédire l’évolution des pathologies. Cette plateforme accélère les analyses cliniques (de 6 mois à 6 semaines pour plus de 15 000 OCTs) et soutient coordination et recherche.
    Scanly Home OCT (Notal Vision) autorise un suivi quotidien à domicile, avec transmission automatique des images au cloud pour analyse et alertes sur l’évolution de la DMLA.

    RetinSight Fluid Monitor, module IA automatique, quantifie les fluides rétiniens à partir d’images OCT, offrant un suivi précis et une aide à la décision thérapeutique anti-VEGF.
    EviRed, en collaboration entre AP-HP et Hôpital Fondation Rothschild, associe imagerie ultra grand champ et OCT-angiographie à des données cliniques pour classifier et prédire l’évolution de la rétinopathie diabétique, améliorant le tri des patients à risque, notamment en régions sous-dotées.

    Technologies connectées pour le traitement et la prévention

    MyDrop, plateforme associant doseur connecté et application mobile, améliore l’observance des collyres grâce au suivi des doses, aux rappels et à l’interface de partage avec le médecin. Elle contribue à limiter les complications et à réduire les coûts liés aux traitements mal suivis.

    Avancées thérapeutiques : réduire les injections, renforcer la sécurité

    PulseSight Therapeutics développe des thérapies vectorisées non virales administrées par électro-transfection, pour espacer les injections dans la DMLA et traiter certaines formes avancées. Le procédé fait l’objet d’essais de phase I et bénéficie de 90 brevets. Lumibird Medical (Tango Reflex Neo & C.STIM) associe laser YAG/SLT et lumière pulsée pour intervenir sur la cataracte et le syndrome de l’œil sec, avec un déploiement international et une efficacité validée cliniquement.

    30 % de coûts de main-d’œuvre économisés avec le dépistage automatisé

    THEIA analyse en 10 secondes les images du fond d’œil pour dépister diabète, cataracte et hypertension, tout en évaluant le risque cardiovasculaire à cinq ans. Elle double la capacité de dépistage et réduit les coûts de main-d’œuvre de 30 %.

    Des outils comme Voiceflow et Owlbot automatisent l’accueil, le tri médical et la gestion de l’information à l’aide d’IA conversationnelles, fluidifiant le parcours de soins. Heygen propose la génération de vidéos avec avatar pour la pédagogie et l’engagement des patients.