SekkatNajib

  • IA : un levier pour 3 millions de patients atteints de maladies rares en France

    Les enseignements clés

    • IA déployée sur tout le continuum des maladies rares, du repérage clinique au drug discovery ;
    • environ 3 millions de personnes concernées en France, avec 2 à 3 ans de délai moyen de diagnostic, et jusqu’à 5 à 15 ans pour certains patients ;
    • accelRare fait progresser la performance diagnostique des professionnels de santé de 47 % à 73 % pour 270 maladies rares disposant d’un traitement ou d’une prise en charge ;
    • SeqOne Platform permet d’identifier 96 % des variants diagnostiques dans une shortlist moyenne de 20 variants, et Emedgene annonce jusqu’à 75 % de réduction du temps d’interprétation ;
    • la plupart des solutions d’aide au diagnostic et à la décision clinique sont classées IA « haut risque » dans le cadre du MDR/IVDR et de l’AI Act ;
    • les EDS hospitaliers, le NLP et les partenariats avec l’industrie structurent un nouvel écosystème d’IA pour les maladies rares.

    Cartographie des 28 solutions d’IA pour les maladies rares

     

    3 millions de personnes concernées concernés par les maladies rares en France

    Les solutions d’IA appliquées aux maladies rares se déploient sur l’ensemble du continuum, de la recherche de nouvelles thérapies au diagnostic, au suivi et à la formation des professionnels, avec une intensité particulière sur la réduction de l’errance diagnostique.
    Notre cartographie des solutions et projets recense des outils utilisant le machine learning, le deep learning, le NLP et la vision par ordinateur, portés par des start‑up, des industriels du médicament, des centres hospitaliers universitaires (CHU) et des instituts académiques, couvrant des cas d’usage cliniques, de recherche et d’organisation des parcours.
    Les besoins adressés sont majeurs : en France, les maladies rares concernent environ 3 millions de personnes, avec des délais moyens de diagnostic de 2 à 3 ans pour de nombreuses pathologies, pouvant atteindre 5 à 15 ans pour certains patients, et un nombre élevé de consultations avant l’obtention d’un diagnostic.
    Les données mobilisées sont variées : dossiers médicaux électroniques structurés et non structurés, données génomiques, images faciales ou histologiques, données de capteurs et de suivi patient, corpus de notes cliniques.
    Sur le plan réglementaire, la majorité des cas d’usage cliniques relèvent de l’IA « haut risque » au sens de l’AI Act, du fait de leur intégration dans des dispositifs médicaux logiciels de diagnostic, de stratification du risque ou de décision thérapeutique (SeqOne Platform, accelRare, MedVir, Saventic Med, Patient similaire, AXIA, CardI‑HACK, Face2Gene, DeepGestalt, Belle 1k Skin AI, PathAI, SISH, STARVar, PhenoTips).
    À côté de ces solutions, des plateformes d’IA de recherche et de drug discovery (One Biosciences, Recursion OS, TxGNN, Healnet, Nexus‑Rx, Brink Therapeutics, Emedgene, etc.) sont positionnées comme « risque minimal », en l’absence de sortie directe de décision clinique au niveau individuel.
    Enfin, des projets hospitaliers structurants (AXIA, Patient similaire, CardI‑HACK) s’appuient sur les entrepôts de données de santé (EDS) et des approches NLP/machine learning pour faire émerger de nouveaux modèles de repérage et de stratification des maladies rares, avec une transformation des organisations hospitalières et de la coordination ville‑hôpital.

    Opportunités : de 47 % à 73 % de performance diagnostique avec accelRare

    Les solutions d’IA ciblant les maladies rares offrent quatre grands champs d’opportunités : réduction de l’errance diagnostique, optimisation de la décision clinique, personnalisation des traitements et accélération de la R&D thérapeutique.

    Réduction de l’errance et repérage précoce

    accelRare, solution de pré‑diagnostic et de diagnostics différentiels financée et portée par Sanofi et basée sur l’IA de MedVir, permet aux médecins de premier recours de suspecter 270 maladies rares disposant d’un traitement ou d’une prise en charge, en 5 à 10 minutes, à partir d’un questionnaire structuré.
    Les évaluations disponibles montrent une progression du taux de performance diagnostique des professionnels de santé de 47 % sans accelRare à 73 % avec l’outil, avec un gain de précision dans un contexte de délais de diagnostic de 2 à 3 ans, voire 5 à 15 ans pour certains patients.
    Des outils d’exploration de données hospitalières comme l’algorithme Codoc (amylose cardiaque) ou les solutions Saventic Med et FindEHR (ThinkGenetic) analysent à grande échelle dossiers électroniques, données structurées et notes cliniques pour identifier des patients susceptibles d’avoir une maladie rare non diagnostiquée.
    Codoc mobilise les EDS de plusieurs hôpitaux (GHU Paris, Necker, Foch, Gustave Roussy, GH Diaconesses Croix Saint‑Simon) pour repérer des patients à risque d’amylose cardiaque et réduire les délais de détection, tandis que Saventic Med et FindEHR ciblent plus largement des maladies rares génétiques dans les dossiers de santé électroniques (DSE), avec des modèles de licensing B2B pour hôpitaux et payeurs.
    Des outils de reconnaissance faciale et de phénotypage avancé comme DeepGestalt et Face2Gene, ainsi que des projets comme AIDY (syndrome de Kabuki) et Belle 1k Skin AI en dermatologie, utilisent la vision par ordinateur pour détecter des syndromes génétiques rares à partir de photographies, avec un impact attendu sur l’accélération des diagnostics et la réduction des coûts de tests génétiques inutiles.
    Face2Gene propose aussi des modules collaboratifs (Forums, Library, Labs) permettant la relecture de cas complexes et la priorisation des variants en laboratoire, contribuant à l’amélioration de la pertinence des diagnostics différentiels et au partage d’expertise entre centres.
    Les projets AXIA et Patient similaire, portés par des CHU (Angers, Tenon, Bichat) avec des partenaires comme Codoc ou le Health Data Hub, mobilisent NLP et machine learning sur 1 à 13 millions de dossiers pour repérer des signaux faibles compatibles avec l’ataxie de Friedreich et d’autres maladies rares, ou identifier des « patients jumeaux » afin d’orienter plus vite vers les centres experts.
    AXIA vise explicitement à réduire une errance diagnostique moyenne de 5 à 6 ans, pouvant atteindre 10 à 15 ans dans l’ataxie de Friedreich, en articulant une brique d’IA hospitalière fondée sur les EDS et une solution de pré‑diagnostic en ville.

    Optimisation du diagnostic moléculaire et génomique

    SeqOne Platform, certifiée CE‑IVD, est une plateforme cloud d’analyse génomique clinique couvrant le flux NGS, de FASTQ au rapport clinique, avec un module DiagAI explicable pour prioriser les variants sur la base de prédictions de pathogénicité, d’appariement phénotypique HPO et de règles expertes.
    Pour les diagnostics de maladies héréditaires, DiagAI ShortList et SmartPick permettent d’identifier 96 % des variants diagnostiques dans une shortlist moyenne de 20 variants, ce qui réduit le goulot d’étranglement de l’interprétation et sécurise les délais de rendu dans des laboratoires confrontés à une forte croissance des volumes d’exomes et de génomes.
    D’autres outils d’interprétation génomique, tels que STARVar (KAUST), PhenoTips, Emedgene (Illumina), ciblent l’identification de mutations responsables de maladies rares et l’optimisation des workflows d’analyse tertiaire.
    STARVar vise la réduction du temps de diagnostic et l’amélioration de la précision en identifiant rapidement les mutations pathogènes, tandis qu’Emedgene annonce jusqu’à 75 % de réduction du temps d’interprétation par sujet en recherche sur les maladies rares.
    Ces solutions, combinées aux capacités de phénotypage fin (Face2Gene, PhenoTips), contribuent à la mise en œuvre d’une médecine de précision en reliant génome, phénotype et données cliniques pour accélérer la confirmation diagnostique et orienter les choix thérapeutiques.

    Personnalisation du suivi et de la décision thérapeutique

    MSCopilot, dispositif médical logiciel de suivi pour des patients atteints de maladies graves et invalidantes (dont mucoviscidose, hémophilie et autres maladies rares), permet une auto‑évaluation en conditions réelles via smartphone, afin d’affiner le suivi de l’évolution et la personnalisation thérapeutique.
    L’outil, classé dispositif médical logiciel (MDSW) de classe IIa, est positionné sur l’amélioration de la communication patient‑médecin et la personnalisation des traitements, dans une logique de suivi continu de maladies chroniques rares.
    CardI‑HACK, projet de l’Institut hospitalo‑universitaire (IHU) ICAN sur la cardiomyopathie hypertrophique (maladie cardiaque héréditaire rare), combine données génétiques et données cliniques détaillées de plus de 500 patients pour affiner la stratification du risque (au‑delà du score ESC 2014) et guider la décision d’implantation préventive d’un défibrillateur automatique.
    L’objectif est d’améliorer la prédiction du risque de mort subite et d’insuffisance cardiaque, d’adapter la fréquence du suivi et de réduire l’incertitude clinique des cardiogénéticiens face à des profils génétiques similaires mais des évolutions cliniques hétérogènes.
    Des outils comme SISH (Self‑Supervised Image Search for Histology) ou PathAI visent l’amélioration de la précision diagnostique en anatomopathologie, y compris pour des maladies rares, via la recherche de cas similaires et la réduction des erreurs de diagnostic sur biopsies.

    Accélération de la découverte et du repositionnement de médicaments

    One Biosciences exploite l’analyse transcriptomique unicellulaire et l’IA pour identifier de nouvelles cibles et biomarqueurs, notamment en oncologie, néphrologie et maladies rares, avec des partenariats de recherche avec Gustave Roussy, l’Institut Curie et l’AP‑HP.
    L’impact attendu porte sur l’accélération de la découverte de traitements, la réduction des échecs d’essais cliniques liés à un mauvais appariement traitement‑profil tumoral et le rapprochement de la médecine de précision de la pratique clinique.
    Des plateformes comme Recursion OS, Healnet (Healx), TxGNN (Harvard), Nexus‑Rx (MedInsights) ou Brink Therapeutics analysent des millions de points de données pour identifier des opportunités de repositionnement ou de découverte de médicaments pour des milliers de maladies rares dépourvues de traitement.
    TxGNN cherche par exemple à identifier des thérapies potentielles en réutilisant des médicaments existants, en visant la réduction des coûts et des délais de développement et l’utilisation de molécules déjà approuvées, mieux caractérisées en termes de sécurité.
    Ces approches s’accompagnent de modèles économiques fondés sur des partenariats pharma/biotech, des milestones et des royalties plutôt que sur la vente de logiciels aux hôpitaux, avec un positionnement B2B industriel.

    Risques majeurs : IA de diagnostic et de décision clinique classées haut risque

    Le déploiement de ces solutions s’accompagne de risques cliniques, réglementaires, organisationnels et éthiques, particulièrement marqués pour les systèmes d’IA « haut risque » intégrés à des dispositifs médicaux.

    Risques cliniques liés à l’erreur de diagnostic ou de stratification

    Les solutions d’aide au diagnostic (accelRare, MedVir, Codoc, Saventic Med, SymptomMatcher, FindEHR, Patient similaire, AXIA, DeepGestalt, Face2Gene, Belle 1k Skin AI, SISH, PathAI, STARVar, PhenoTips, SeqOne Platform) sont qualifiées de systèmes d’IA haut risque, car elles influencent directement la décision diagnostique, le choix d’examens ou de traitements, avec un impact important en cas de retard ou d’erreur.
    Les descriptions soulignent le risque de préjudice significatif, notamment dans des pathologies graves (amylose cardiaque, cardiomyopathie hypertrophique, maladies génétiques complexes) où une mauvaise stratification ou un faux négatif peut compromettre la prise en charge ou la prévention (par exemple pour l’indication d’un défibrillateur).
    Les outils de reconnaissance faciale pour syndromes rares (DeepGestalt, Face2Gene, AIDY) et de classification dermatologique (Belle 1k Skin AI) mobilisent des approches de vision par ordinateur sur des populations souvent vulnérables, ce qui renforce la sensibilité des usages en cas de performance insuffisante ou biaisée des modèles.

    Exigences réglementaires et complexité de conformité

    La plupart des solutions cliniques relèvent du règlement sur les dispositifs médicaux (MDR) et du règlement sur les dispositifs médicaux de diagnostic in vitro (IVDR) en tant que logiciels de dispositifs médicaux ou dispositifs de diagnostic in vitro (DMDIV), le plus souvent avec une classe attendue au moins IIa/IIb (voire C pour les IVDR), impliquant une évaluation par organisme notifié et une qualification explicite comme systèmes d’IA haut risque au sens de l’AI Act.
    Les fiches projets rappellent que ces systèmes doivent respecter des exigences renforcées de gestion des risques, de gouvernance des données, de documentation technique, de supervision humaine, de qualité des journaux (logs), de validation multicentrique, de surveillance post‑mise sur le marché et d’enregistrement dans les registres dédiés.
    Des projets comme AXIA et CardI‑HACK, encore en phase de recherche ou de data challenge, sont déjà analysés comme futurs systèmes d’IA haut risque intégrés à des dispositifs médicaux d’aide au diagnostic ou à la décision thérapeutique, ce qui impose d’anticiper tôt les contraintes réglementaires.
    À l’inverse, des briques technologiques comme EDS‑NLP sont positionnées comme « risque minimal », mais leur intégration dans des chaînes de décision clinique pourrait, à terme, les faire basculer dans un cadre plus contraint, ce qui nécessite une vigilance d’architecture.

    Risques liés à la qualité, la gouvernance et les biais des données

    Plusieurs projets soulignent l’importance de la gouvernance et de la qualité des données, en particulier pour les EDS, les données génomiques et les images, avec des enjeux de représentativité ethnique, d’hétérogénéité des cohortes et de qualité des annotations.
    Les projets fondés sur des EDS massifs (AXIA, Patient similaire, Codoc, Saventic Med) ou sur des données génétiques de patients et d’apparentés (CardI‑HACK) mettent en évidence la complexité d’intégration de sources hétérogènes et la nécessité d’une anonymisation robuste, en lien avec des acteurs comme le Health Data Hub.
    Les solutions de vision faciale et dermatologique (DeepGestalt, Face2Gene, Belle 1k Skin AI, AIDY) exposent des risques de biais si les bases d’apprentissage sous‑représentent certaines ethnies ou tranches d’âge, ce qui peut conduire à des performances hétérogènes selon les populations, alors que la diversité phénotypique est centrale dans les maladies rares.

    Risques organisationnels, d’acceptabilité et de dépendance technologique

    Des solutions comme accelRare, MedVir, Saventic Med, FindEHR, Patient similaire, AXIA ou MSCopilot modifient les workflows des médecins de ville et hospitaliers en introduisant des couches d’alerte, de scoring ou de saisie structurée qui peuvent soit fluidifier, soit complexifier l’activité selon la qualité de l’intégration ergonomique.
    L’acceptabilité par les cliniciens dépendra de la transparence des algorithmes, de leurs performances démontrées et de leur capacité à s’inscrire dans les systèmes existants (dossiers patients informatisés, DPI, systèmes d’archivage et de communication d’images, PACS, systèmes de gestion de laboratoire, LIMS) sans surcharge de travail.
    Plusieurs solutions reposent sur des modèles économiques B2B (licence SaaS, pay‑per‑analysis, campagnes de détection sur DSE, projets partenariaux) qui peuvent créer une dépendance vis‑à‑vis d’acteurs technologiques externes (start‑up, industriels, plateformes pharma), avec des enjeux de soutenabilité économique pour les hôpitaux en l’absence de bénéfices cliniques et médico‑économiques objectivés.

     Autres dynamiques clés : 96 % des variants capturés avec SeqOne

    Au‑delà des opportunités et risques, plusieurs tendances structurent l’écosystème des IA pour les maladies rares : montée en puissance des EDS, convergence clinique‑recherche, diversification des modèles économiques et rôle croissant de la formation.

    Entrepôts de données et infrastructures hospitalières

    Les EDS hospitaliers constituent un socle central pour les projets de repérage de maladies rares : AXIA à Angers, Codoc sur plusieurs groupes hospitaliers universitaires (GHU) parisiens, Patient similaire à Tenon et Bichat, Saventic Med ou FindEHR chez certains partenaires internationaux.
    Ces projets illustrent la capacité des hôpitaux à exploiter massivement des notes cliniques, comptes‑rendus d’urgences et données administratives pour transformer des données de vie réelle peu exploitées en leviers de repérage précoce et de constitution de cohortes de recherche.
    L’usage de frameworks techniques comme EDS‑NLP (AP‑HP), compatibles avec spaCy et PyTorch, illustre l’émergence de briques open source modulaires permettant d’accélérer l’extraction de concepts médicaux dans les notes cliniciennes, y compris en contexte de maladies rares, tout en restant initialement en « risque minimal ».

    Convergence entre clinique, R&D et industrie pharmaceutique

    De nombreuses solutions se positionnent à l’interface entre industrie pharmaceutique, CHU et start‑up : One Biosciences travaille avec Gustave Roussy, l’Institut Curie et l’AP‑HP pour la sélection de cibles et la stratification de patients en essais cliniques, tandis que le projet AXIA associe Biogen, Codoc, le CHU d’Angers et l’association de patients RADAR.
    Nexus‑Rx (MedInsights) et Healnet (Healx) structurent des plateformes de repositionnement de médicaments en s’appuyant sur des données cliniques et d’essais, avec des modèles de partage de risques, de milestones et de royalties.
    Recursion OS, TxGNN et Brink Therapeutics incarnent la montée de plateformes d’IA intégrant vision cellulaire, réseaux de connaissances et modèles de prédiction pour accélérer la découverte de candidats thérapeutiques et optimiser la probabilité de succès clinique dans les maladies rares.

    Formation et accompagnement des professionnels

    DocSimulator, développé par le CHU de Montpellier, utilise l’IA générative pour simuler des consultations de type ECOS, y compris des cas de maladies rares, afin d’améliorer l’apprentissage clinique des étudiants en sixième année.
    Les premiers retours indiquent que 80 % des étudiants ont eu le sentiment d’échanger avec un véritable patient, ce qui suggère un potentiel d’usage pour renforcer la préparation aux situations rares.
    Face2Gene, via ses modules Library et Forums, contribue également à la formation continue des généticiens et des pédiatres en facilitant l’accès à une base de connaissances syndromiques actualisée et le partage de cas complexes au sein de la communauté.

    Modèles économiques et segments de marché

    Les modèles économiques sont diversifiés : pay‑per‑analysis pour SeqOne Platform sur l’analyse NGS en oncologie et maladies rares, campagnes B2B avec one‑time fee et licence annuelle pour ThinkGenetic (SymptomMatcher, FindEHR), offres B2B SaaS pour Saventic Med, Belle 1k Skin AI, PhenoTips, PathAI.
    Certaines solutions, comme Face2Gene et DeepGestalt, proposent un accès gratuit aux cliniciens avec une monétisation via des partenariats industriels, tandis que des plateformes internes comme Healnet, Recursion OS, Nexus‑Rx ou One Biosciences ciblent prioritairement les acteurs pharma/biotech.
    accelRare illustre un modèle B2B2C où un industriel (Sanofi) finance la solution pour la mettre gratuitement à disposition des professionnels, dans une logique d’amélioration de la prise en charge des maladies rares tout en favorisant l’identification de patients éligibles à certains traitements.

    Réduction de l’errance diagnostique de 5 à 15 ans

    Les solutions d’IA dans les maladies rares constituent un champ en forte activité, avec un portefeuille d’outils couvrant repérage, diagnostic, stratification du risque, suivi, découverte et repositionnement de médicaments, ainsi que formation des professionnels.
    Les cas d’usage les plus matures se concentrent sur la réduction de l’errance diagnostique, via des outils de pré‑diagnostic en ville (accelRare, MedVir, SymptomMatcher), des algorithmes de fouille de DSE et d’EDS (Saventic Med, FindEHR, Codoc, AXIA, Patient similaire) et des solutions de phénotypage avancé (Face2Gene, DeepGestalt, AIDY, Belle 1k Skin AI).
    Sur le plan clinique, des gains quantifiables sont rapportés : amélioration de la performance diagnostique de 47 % à 73 % avec accelRare, réduction du temps d’interprétation des variants jusqu’à 75 % avec Emedgene, capture de 96 % des variants diagnostiques dans des shortlists réduites avec SeqOne, réduction potentielle du temps de diagnostic et amélioration de l’efficacité clinique avec PhenoTips.
    Sur le plan organisationnel, les projets fondés sur les EDS et le NLP (AXIA, Patient similaire, Codoc, EDS‑NLP) montrent le potentiel d’une transformation des parcours, via une articulation renforcée entre médecine de ville et milieu hospitalier, la mobilisation de données jusqu’ici peu exploitées et la constitution de cohortes pour la recherche.
    Cependant, ces gains s’accompagnent d’un niveau de risque élevé pour de nombreuses solutions, classées IA haut risque dans le cadre du MDR/IVDR et de l’AI Act, avec des exigences fortes en matière de gestion des risques, de gouvernance des données, de validation clinique et de supervision humaine.
    Les risques cliniques (erreurs de diagnostic ou de stratification), les enjeux de qualité et de représentativité des données, les contraintes réglementaires et les questions d’acceptabilité imposent une approche prudente, structurée et pluridisciplinaire pour tout déploiement à grande échelle.

    Pour les dirigeants hospitaliers, les investisseurs et les médecins, les axes prioritaires consistent à :

    • prioriser les cas d’usage apportant des bénéfices cliniques démontrables (réduction de l’errance, amélioration de la stratification, accélération du diagnostic moléculaire) dans les aires thérapeutiques les plus critiques ;
    • sécuriser la trajectoire réglementaire et la gouvernance des données dès la phase de conception, en anticipant le statut « haut risque » pour les outils à finalité diagnostique ou de décision thérapeutique ;
    • investir dans des infrastructures de données (EDS, pipelines NLP) et des capacités internes d’évaluation clinique et médico‑économique pour objectiver les apports de l’IA dans les maladies rares ;
    • articuler les partenariats avec l’industrie pharmaceutique, les start‑up et les laboratoires académiques pour tirer parti des plateformes de drug discovery et de repositionnement, tout en conservant la maîtrise des choix cliniques et des priorités de santé publique.

    Ces orientations conditionneront la capacité des systèmes de santé à transformer la prise en charge des maladies rares, en passant d’un modèle d’errance longue et fragmentée à un modèle de repérage précoce, de diagnostic de précision et de trajectoires thérapeutiques mieux orchestrées, appuyées sur des IA robustes, évaluées et intégrées aux pratiques.

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

  • IA et essais cliniques : le screening automatisé réduit de 80% le temps de revue d’éligibilité (revue 2025-2026)

    Les essais cliniques constituent le socle de la médecine fondée sur les preuves, permettant l’évaluation rigoureuse de nouvelles thérapeutiques avant leur mise sur le marché. Toutefois, ce processus demeure caractérisé par des inefficiences structurelles : coûts élevés (en moyenne 879,3 millions de dollars par médicament développé), durées prolongées, taux d’échec considérables (seuls 14,3% des molécules obtiennent une approbation réglementaire) et difficultés persistantes de recrutement des patients. L’intelligence artificielle (IA), et en particulier les grands modèles de langage (Large Language Models, LLM), apparaît comme un levier potentiel pour transformer chaque étape du cycle de vie des essais cliniques, du recrutement à l’analyse des résultats.[1]

    Le présent article propose une synthèse rigoureuse de la littérature scientifique récente (2025-2026) consacrée aux applications de l’IA dans les essais cliniques. Il s’appuie exclusivement sur un corpus d’articles publiés dans des revues de référence. Parmi les sources mobilisées figurent notamment :

    • l’essai randomisé de Unlu et al. publié dans JAMA (Mass General Brigham / Harvard Medical School, Boston) ;
    • la revue de cadrage de Le Berre et al. dans Clinical Gastroenterology and Hepatology (Inserm / CHU de Nantes, France ; Western University, Canada ; IRCCS San Raffaele, Milan) ;
    • l’étude de Teodoro et al. dans NPJ Digital Medicine (Université de Genève, Suisse ; CNRS / Université Paris-Saclay, France) ;
    • l’essai randomisé de Mazor et al. dans JAMA Network Open (Dana-Farber Cancer Institute, Boston) ;
    • l’étude de Callies et al. dans Communications Medicine (Inato, Paris ; Université Paris Cité / INSERM) ;
    • le système CTPM de Gong et al. dans JCO Clinical Cancer Informatics (Yale Cancer Center) ;
    • l’étude sur les jumeaux numériques de Wang et al. dans Alzheimer’s & Dementia: Translational Research & Clinical Interventions (AbbVie / Unlearn AI) ;
    • la plateforme NetraAI de Geraci et al. dans NPJ Digital Medicine (NetraMark Corp. / Queen’s University / NIH) ;
    • ainsi que plusieurs autres travaux publiés dans Cancer Cell, Drug Discovery Today, ESMO Open, BMJ Open, Clinical Pharmacology & Therapeutics et Scientific Data.

    L’objectif de cette revue de littérature est d’offrir une vue d’ensemble structurée des avancées, des performances quantifiées et des limites de l’IA appliquée aux essais cliniques.

    Recrutement et appariement patient-essai

    Un goulet d’étranglement persistant

    Le recrutement reste le principal défi opérationnel des essais cliniques. En oncologie, moins de 10% des adultes atteints de cancer participent à un essai. Le taux d’inclusion global ne dépasse pas 5 à 7%. L’appariement manuel entre dossiers médicaux et critères d’éligibilité est chronophage et sujet à l’erreur humaine.​

    Performances des systèmes automatisés

    Plusieurs études récentes ont évalué l’apport des LLM et du traitement automatique du langage naturel (Natural Language Processing, NLP) :​

    Étude Revue Méthode Précision Gain d’efficacité
    Unlu et al. (2025) JAMA LLM pour le pré-screening (insuffisance cardiaque) Essai randomisé IA vs. manuel Réduction du temps de pré-screening
    Callies et al. (2025) Communications Medicine Pipeline multimodal LLM 93% (n2c2) ; 87% (réel) Revue en < 9 min/patient (−80%)
    Gong et al. (2026) JCO Clin Cancer Inform Système hybride NLP + règles 94% rétrosp., 88% prosp. Charge ÷ 10 ; temps −41%
    Mazor et al. (2025) JAMA Network Open Notifications IA (progression tumorale) Pas d’effet significatif (p = 0,41) Résultat négatif
    Hassan et al. (2025) Interventional Neuroradiology Détection IA d’hématomes VPP 81,4% Inclusion +36%

    Le pipeline multimodal de Callies et al. (Inato, Paris / Université Paris Cité) exploite les capacités visuelles des LLM pour interpréter directement les documents médicaux non structurés (images, tableaux). Les coordinateurs ont évalué l’éligibilité en moins de 9 minutes par patient, soit −80% par rapport aux revues manuelles.​

    L’essai randomisé de Mazor et al. (Dana-Farber, n = 20 707) montre que la simple notification aux oncologues d’essais génomiquement appariés lors d’une progression tumorale ne suffit pas à augmenter l’inclusion (+0,18 point, IC 95% : −0,25 à 0,58 ; p = 0,41). L’IA doit intervenir au-delà de la seule prédiction de changement thérapeutique.​

    Disparités d’accès et déterminants socio-économiques

    L’étude de Mehari et al. (Science Advances, UCSF / Duke University) a analysé 1 042 patients atteints de gliome à l’aide de réseaux de neurones augmentés (Boosted Neural Networks, BNN). Pour les populations minoritaires, les variables socio-économiques (statut d’assurance : effet total = 0,213 ; classification professionnelle : 0,204) deviennent les facteurs les plus influents, devant les variables cliniques.​

    Prédiction des résultats et conception des essais

    Évaluation des risques par IA

    La revue de cadrage de Teodoro et al. (NPJ Digital Medicine, Université de Genève / CNRS Paris-Saclay) a analysé 142 études (2013-2024). Trois catégories émergent : prédiction de la sécurité (n = 55), de l’efficacité (n = 46) et des risques opérationnels (n = 45). En 2023, les LLM apparaissent dans 7 des 33 études publiées. Certains modèles atteignent un AUROC de 96%, mais des biais de sélection et un manque d’études prospectives persistent.​

    Prédiction de la durée des essais

    Cho et al. (Contemporary Clinical Trials Communications, MIT) ont appliqué des modèles de survie au plus vaste jeu de données constitué dans ce domaine. Le modèle DeepSurv produit les prédictions les plus précises et identifie les facteurs clés de la durée des essais.​

    Prédiction de la survie à partir de critères de substitution

    Hwang et al. (ESMO Open, MGH / Harvard / Samsung Medical Center) développent des modèles de machine learning explicables pour prédire la survie globale (SG) dans les cancers tête et cou. Le taux de survie à 1 an présente la corrélation la plus forte avec la SG médiane (r = 0,87, p < 0,001). Le modèle Elastic Net atteint une corrélation de 0,74 sur le jeu de test.​

    Jumeaux numériques et enrichissement des essais

    Jumeaux numériques pour la maladie d’Alzheimer

    Wang et al. (Alzheimer’s & Dementia: TRC&I, AbbVie / Unlearn AI) démontrent l’utilité des jumeaux numériques (digital twins, DT) générés par IA. Un modèle de machine de Boltzmann conditionnelle restreinte (CRBM), entraîné sur 6 736 sujets historiques, génère des prédictions individualisées des trajectoires cliniques sous placebo. La variance résiduelle est réduite de 9 à 15%, permettant une réduction équivalente de la taille d’échantillon et une réduction du bras contrôle de 17 à 26%. Cette technologie est acceptée par la FDA et l’EMA.​

    Enrichissement de précision par IA explicable

    Geraci et al. (NPJ Digital Medicine, NetraMark / Queen’s University / NIH) présentent NetraAI, une plateforme d’IA explicable. Appliquée à un essai de phase II sur la kétamine dans la dépression résistante (n = 63), NetraAI améliore la précision prédictive de 25 à 30% par rapport aux modèles standards. Un modèle à 8 caractéristiques IRM atteint 95% de précision et 100% de spécificité.​

    Découverte de biomarqueurs prédictifs

    Arango-Argoty et al. (Cancer Cell, AstraZeneca / Tempus AI) présentent le Predictive Biomarker Modeling Framework (PBMF), un réseau de neurones basé sur l’apprentissage contrastif. Appliqué à un essai de phase 3, il identifie un biomarqueur conférant une amélioration de 15% du risque de survie.​

    Éducation des patients et consentement éclairé

    Gao et al. (JNCI Cancer Spectrum, MIT / Harvard / Dana-Farber) évaluent la capacité de GPT-4 à générer des résumés éducatifs à partir de formulaires de consentement éclairé. Les résumés améliorent la compréhension et l’intérêt des patients pour les essais. Plus de 80% des participants rapportent une meilleure compréhension après lecture (Waters, JNCI Cancer Spectrum). Le principal risque identifié : la production d’informations inexactes lorsque le LLM est sollicité sur des éléments insuffisamment décrits dans les formulaires sources.​

    Surveillance de la sécurité

    Bejan et al. (medRxiv, étude multi-institutionnelle) évaluent GPT-3.5, GPT-4 et GPT-4o pour l’identification des événements indésirables immuno-médiés (immune-related Adverse Events, irAE) chez 442 patients sous inhibiteurs de point de contrôle immunitaire. GPT-4o obtient les meilleurs scores F1 : 1,0 (irAE hématologiques), 0,81-0,85 (gastro-intestinaux). Les modèles présentent une tendance à la sur-prédiction.​

    Qualité des protocoles et conformité au reporting

    Shin et al. (Clinical Pharmacology & Therapeutics, University at Buffalo) évaluent GPT-4o pour la revue des plans d’analyse statistique. Sur 15 essais, le modèle identifie correctement la maladie, l’intervention et les groupes comparateurs dans 100% des cas.​

    Wrightson et al. (BMJ Open, UBC / Ottawa) évaluent GPT-4 Turbo et Llama 2 pour vérifier la conformité au reporting dans 113 articles d’essais cliniques en médecine du sport. GPT-4 Turbo atteint un F1 de 0,89 et une précision de 90% (IC 95% : 85-94%).​

    Enjeux éthiques, réglementaires et limites

    Plusieurs limites transversales émergent :​

    • Nécessité persistante de supervision humaine (taux d’hallucination de 21 à 50% selon les modèles) ;

    • risques de « faux espoir » pour les patients et courbe d’apprentissage pour les professionnels ;

    • préoccupations relatives à la confidentialité des données et à l’intégration avec les dossiers médicaux électroniques (DME) / dossiers de santé électroniques (DSE) ;

    • Le Berre et al. (Clinical Gastroenterology and Hepatology, Inserm / Nantes) concluent que l’IA peut accélérer le développement médicamenteux sous réserve de prendre en compte les limitations éthiques et réglementaires ;

    • un rapport conjoint FDA / Clinical Trial Transformation Initiative (Poddar et al., NEJM AI, 2025) cadre les réflexions réglementaires sur l’intégration transparente de l’IA dans le développement de médicaments.

  • Télémédecine : 60% des pays déploient sans évaluation systématique, selon une analyse de 32 systèmes de santé

    Les enseignments clés

    • 32 pays et initiatives analysés sur six continents couvrant modèles de santé, cadres légaux et adoption utilisateurs ;
    • 60% des régions WHO/Europe ne procèdent à aucune évaluation systématique des programmes de télémédecine déployés ;
    • L’Estonie occupe le rang #1 mondial (Bertelsmann Foundation 2024) avec 100% de dossiers patients numérisés et 99% des services publics digitalisés ;
    • Les États-Unis ont versé 4,4 milliards USD en remboursements télémédecine Medicare, avec 50% des cas patients connus autorisés en 2025 ;
    • L’Australie affiche un taux d’adoption de 22,5% de la population (2024‑25) grâce à des subsides gouvernementaux permanisés ;
    • Les économies en développement (Inde, Afrique) restent limitées par des infrastructures fragiles et l’absence de cadres réglementaires contraignants.

    Estonie, leader mondial : 100% des patients disposent d’un dossier électronique

    L’Estonie occupe la première place du classement mondial de la santé numérique (Bertelsmann Foundation 2024). Le système repose sur l’infrastructure X‑Road, qui interconnecte l’ensemble des services publics et privés depuis 2008. La technologie blockchain Guardtime KSI, déployée dès 2011, sécurise chaque accès au dossier médical par un certificat cryptographique de non‑répudiation.

    100% des patients ayant consulté un médecin disposent d’un dossier électronique. Le système enregistre 2,7 millions de requêtes patients par mois. 95% des données hospitalières et médicales sont numérisées. Le coût de lancement s’est élevé à environ 7,50 euros par citoyen.

    Le succès estonien repose sur trois piliers : un soutien politique continu depuis l’indépendance en 1991, une infrastructure nationale unifiée (X‑Road) et un contrôle patient des données via authentification forte (carte d’identité nationale, mobile‑ID). Le déploiement précoce, antérieur à 2009, a évité la fragmentation observée dans d’autres pays.

    Les défis persistent : l’interopérabilité avec les systèmes de santé étrangers reste limitée. L’acceptation initiale par les professionnels de santé a nécessité des programmes de formation et d’incitation.

    États‑Unis : 4,4 milliards de dollars versés en remboursements télémédecine

    Le marché américain demeure le plus dynamique en nombre de solutions commerciales et d’innovation. L’adoption reste toutefois fragmentée selon la couverture d’assurance et la géographie. Les assouplissements introduits durant la pandémie COVID‑19 pour Medicare et Medicaid (nouveaux patients, consultations inter‑États, dérogations HIPAA) ont été partiellement permanisés par l’American Relief Act 2025.

    Les téléconsultations à domicile sont désormais autorisées de façon permanente, y compris en audio seul. Les consultations inter‑États deviennent permanentes pour les praticiens éligibles. Les codes de facturation ont été étendus aux kinésithérapeutes, ergothérapeutes et orthophonistes.

    Le gouvernement Medicare a versé 4,4 milliards USD en remboursements télémédecine. 50% des cas de télémédecine concernent des patients connus (avril 2025, avant la limite de 30% pour les patients inconnus).

    Trois défis majeurs subsistent : les lacunes de couverture d’assurance santé créent des inégalités d’accès importantes. La variation réglementaire entre États génère une complexité administrative. Les préoccupations relatives à la confidentialité des plateformes sociales (vidéo via Facebook, WhatsApp) restent non conformes aux recommandations HIPAA.

    Allemagne : normalisation accélérée et applications de santé remboursées

    L’Allemagne transite en 2025 d’un cadre expérimental vers une normalisation systématique. Le Digital Healthcare Act (DVG) et l’ordonnance DiGAV établissent un processus d’approbation accéléré (fast‑track) pour les applications numériques de santé (DiGA).

    L’annexe 31c BMV‑Ä (1er mars 2025) normalise les consultations vidéo pour les praticiens de l’assurance maladie statutaire (SHI). Le registre DiGA liste les applications automatiquement remboursées si elles respectent les critères de qualité. Des limites d’adoption encadrent le déploiement : 50% des cas pour patients connus (avril 2025), 30% pour patients inconnus, avec plafonds trimestriels.

    Le marché allemand a atteint une valorisation de 6,15 milliards USD en 2024, avec une croissance annuelle estimée à 7,29%. Les limites de 50%/30% visent à contrôler le risque de débordement des volumes.

    Le modèle repose sur trois facteurs de succès : un processus réglementaire accéléré favorise l’innovation, un remboursement basé sur liste assure la qualité, et des normes professionnelles élevées préexistantes facilitent l’adoption.

    Australie : 22,5% de la population adoptent la télémédecine

    L’Australie affiche un taux d’adoption élevé (22,5% de la population en 2024‑25) grâce à des subsides gouvernementaux permanisés après la pandémie COVID‑19. Le Medicare Benefits Schedule étendu couvre les consultations vidéo pour tous les résidents.

    Le service 1800MEDICARE a enregistré 1,4 million d’appels en 2024, dont 73% de consultations virtuelles avec médecin généraliste sans déplacement du patient. L’initiative Better Access accélère l’adoption en santé mentale. Le dossier médical électronique My Health Record (MHR) bénéficie d’investissements de 350,9 millions AUD pour opération et extensions (2024‑26). Les Medicare Urgent Care Clinics (137 cliniques) représentent un investissement de 1,4 milliard AUD sur 7 ans.

    Des disparités persistent : 18,5% des consultations concernent la médecine générale en vidéo, contre seulement 4% pour les spécialistes. Les zones isolées connaissent un accès inégal malgré les objectifs d’expansion.

    Convergence mondiale : remboursement équivalent et infrastructure unifiée

    Les pays affichant une adoption élevée privilégient un remboursement identique entre téléconsultations et visites physiques. Les Pays‑Bas appliquent un remboursement équivalent aux actes « normaux » via la NZa. La France rembourse 70% par l’Assurance Maladie et 30% par les complémentaires, identique à une visite de médecin généraliste. L’Australie uniformise les codes de facturation MBS. Le Canada adapte les codes de facturation provinciaux.

    À l’inverse, les restrictions géographiques ou différenciations de remboursement limitent l’adoption. La Corée du Sud, en raison d’une interdiction historique médecin‑patient, affiche une adoption de 9,38% post‑COVID, contre des taux supérieurs dans les pays sans restriction.

    Les leaders combinent une infrastructure numérique centralisée avec une flexibilité locale. L’Estonie interconnecte tous les systèmes via X‑Road et sécurise par blockchain KSI, avec un portail e‑Patient contrôlé par le patient. La Norvège propose le portail national Helsenorge.no intégrant l’IA en radiologie. La Suède (Stockholm) utilise l’application décentralisée Always Open, soutenue par une fonction centrale et le système Primary Care Quality de benchmarking. Le Royaume‑Uni déploie l’application NHS avec 28 millions d’utilisateurs.

    La Suisse illustre l’inverse : la fragmentation cantonale limite l’adoption à un usage auxiliaire. La télémédecine comme traitement exclusif à distance reste interdite par le Tribunal fédéral. L’absence d’infrastructure nationale crée un manque d’interopérabilité.

    60% des pays déploient sans évaluation : un risque pour la sécurité

    L’OMS/Europe constate que 37% des pays seulement évaluent leurs programmes de télémédecine (enquête 2022). Cette absence d’évaluation pose trois risques majeurs.

    Sécurité inefficace : les données sur la qualité clinique et l’incidence des effets indésirables manquent. Coût‑efficacité opaque : les ressources réelles (informatique, support, formation) comparées aux bénéfices restent mal documentées. Équité invisibilisée : les disparités par âge, revenu et géographie ne sont pas mesurées.

    Un essai norvégien de monitoring à domicile pour maladies chroniques a amélioré la sécurité des patients et réduit les réadmissions. Les ressources opérationnelles substantielles requises laissent cependant la question du coût‑efficacité ouverte.

    Infrastructure et connectivité : économies en développement freinées

    Les économies à revenus faibles et moyens (LMIC : Bangladesh, Inde, Afrique) rencontrent des barrières structurelles. En Afrique du Sud, 66% de smartphones sont attendus d’ici 2025, mais la fiabilité du réseau reste variable. La littératie numérique des populations rurales limite l’usage des outils digitaux. Le financement d’infrastructure nécessite un investissement gouvernemental soutenu.

    L’Inde constitue un cas d’étude. La National Telemedicine Task Force a été établie en 2005. 500 000 consultations par vidéoconférence ont été réalisées en 15 ans, une progression lente. Le projet ISRO a connecté 45 hôpitaux ruraux et 15 hôpitaux spécialisés en 20 ans.

    La barrière majeure reste l’absence de réglementation contraignante et les lacunes en matière de consentement patient et de responsabilité médico‑légale.

    Cadres réglementaires incomplets : déploiements ad hoc

    Plusieurs juridictions tardent à mettre en place des cadres complets. L’Italie a lancé un appel politique pour la télémédecine en mars 2020 seulement, lors de la crise COVID‑19. Le déploiement ad hoc dans les hôpitaux débordés s’est heurté à une infrastructure limitée.

    La Belgique pratiquait la télémédecine de longue date avant la mise en place d’un cadre légal formel (décret royal avril 2025). Le Parlement a appelé en 2024 à un cadre complet pour les applications de santé numériques et à la création d’une Health Data Protection Authority.

    Télésanté mentale : adoption rapide dans 51% des pays européens

    L’OMS/Europe identifie la télésurveillance en santé mentale dans 51% des pays de la région, contre 84% pour la téléradiologie et 77% pour la télémédecine/monitoring général.

    La Norvège propose la plateforme eMeistring pour la thérapie en ligne. La Suède (Stockholm) a initialement lancé des services avec quatre médecins en ligne uniquement. L’Australie accélère la tendance via l’initiative Better Access. Les États‑Unis autorisent désormais les services comportementaux sans restrictions géographiques de façon permanente.

    Monitoring à domicile : bénéfices cliniques, coût‑efficacité incertain

    Le monitoring à domicile pour patients chroniques affiche des bénéfices cliniques, mais le coût‑efficacité reste incertain. L’essai norvégien a réduit les réadmissions et amélioré la sécurité, mais les ressources opérationnelles substantielles requises soulèvent des questions.

    Le Danemark déploie des tablettes de monitoring pour la BPCO au niveau national. Un monitoring de l’insuffisance cardiaque était prévu en 2022. La France rembourse à 100% la télésurveillance pour huit indications : tension artérielle, poids, fréquence cardiaque, saturation en oxygène, débit de pointe expiratoire, INR, glucose, oxymétrie du sommeil.

    Inégalités d’accès : fractures par âge et géographie

    Israël révèle une disparité majeure : les jeunes utilisent trois fois plus la télésanté que les personnes âgées post‑COVID (9,38% vs ~3%). Le programme Telemedicine for the Periphery améliore l’accès rural mais ne comble pas la fracture par âge.

    Le Canada montre que les patients ruraux bénéficient de moins de rendez‑vous virtuels que les urbains. L’adoption est élevée en Colombie‑Britannique et à Terre‑Neuve‑Labrador, faible au Québec et en Alberta. L’Australie constate un accès inégal dans les zones isolées. La Corée du Sud affiche une adoption inégale selon le revenu, l’âge et la géographie.

    Le Royaume‑Uni illustre l’impact de l’inclusion numérique. Le programme Learn My Way a permis à 83% des participants de gagner en confiance avec les outils digitaux en 2019. Dix millions de personnes supplémentaires utilisent NHS.uk et les applications de santé en 2021 par rapport à 2020. Le programme NHS Widening Digital Participation (2013‑20) a bénéficié d’un investissement de 150 millions de livres pour la digitalisation des soins sociaux adultes.

    🌍 Pays/Initiative 🏥 Contexte Système Santé 📜 Cadre Légal/Politique 📱 Services Déployés 💰 Modèle Remboursement 📊 Indicateurs Usage ⚙️ Technologies/Plateformes ⚠️ Défis/Facteurs Succès 🎓 Leçons Internationales
    🇿🇦 Afrique du Sud Système de santé hétérogène entre pays africains, fardeau élevé de maladies, pénurie de médecins, fortes disparités urbain‑rural Lignes directrices HPCSA 2014 amendées 2020, absence de politiques télémédecine cohésives à l’échelle du continent Soins primaires, programmes VIH, pilotes eHealth, initiatives ciblant les zones rurales Donnée non disponible Pénétration des smartphones projetée à 66% d’ici 2025 Solutions mHealth, applications sur smartphones Connectivité limitée, coûts élevés, accès à l’électricité, instabilité politique; succès porté par la forte pénétration mobile et les partenariats internationaux Nécessité de soutien international pour l’infrastructure, adaptation aux contextes locaux et financement externe avant viabilité
    🇩🇪 Allemagne SHI couvrant 73 M de personnes (86,5% pop.), système fédéral Digital Healthcare Act, DiGAV, Annexe 31c BMV‑Ä (2025), DVPMG (fast‑track), jurisprudence sur les traitements à distance, réforme hôpitaux KHVVG Téléconsultations SHI, télémédecine assistée en pharmacie, applications DiGA Barème SHI, DiGA remboursées si inscrites au registre; plafonds 50%/30% des cas en téléconsultation Limites trimestrielles 50%/30% instaurées; marché télémédecine ~6,15 Md USD en 2024 Registre DiGA, plateformes de vidéoconférence accessibles à la plupart des spécialités Publicité des traitements à distance encadrée, priorité aux patients de proximité, évaluation HTA européenne; fast‑track favorise innovation Remboursement conditionné à une liste approuvée comme levier qualité, rôle clé du cadre réglementaire accéléré
    🇧🇷🇨🇱 Amérique latine (Brésil, Chili) Écart rural‑urbain marqué, population vieillissante, systèmes fragmentés Stratégies nationales dans certains pays, réseau Rute (Brésil) depuis 2006 Réseau télémédecine infarctus, technologies EHAS rurales, téléconsultations Chili : transition vers financement gouvernemental Adoption hôpitaux publics ~30% plus élevée que privés Réseau Rute (124 universités/hôpitaux), solutions Wi‑Fi bas coût Absence de départements dédiés, progression lente; assouplissements COVID au Brésil catalyseurs Coopérations inter‑pays efficaces; importance d’investir dans l’infrastructure rurale
    🇦🇺 Australie Vaste territoire, communautés isolées, population vieillissante, Medicare universel Extensions MBS pour tous, mesures COVID pérennisées, investissement 1,4 Md AUD pour 137 Urgent Care Clinics Télésanté primaire et spécialisée, télé‑santé mentale, modèles hybrides, programmes ciblant communautés indigènes Facturation MBS (bulk‑billing concessions), codes COVID rendus permanents, subsides Medicare, initiative Better Access 22,5% de la population a utilisé la télésanté en 2024‑25; 86 M+ personnes ont accédé à la télésanté depuis 2020 Plateformes variées, My Health Record, outils IA de support diagnostique Couverture des zones isolées reste difficile; réformes gouvernementales stables et demande croissante en zones rurales Subventions publiques et pérennisation des mesures COVID comme leviers majeurs; pertinence des modèles hybrides
    🇧🇩 Bangladesh Inégalités marquées, qualité variable, infrastructure limitée Aucun cadre national de télémédecine Système hub‑and‑spoke, visioconsultations entre hôpitaux Donnée non disponible Donnée non disponible Skype et visioconférence entre établissements Infrastructure limitée, enjeux confidentialité et sécurité des données Priorité à un cadre réglementaire national et à l’investissement dans les infrastructures de base
    🇧🇪 Belgique Assurance santé basée sécu sociale, accès universel Cadre morcelé jusqu’en 2025; décret royal télésanté avril 2025, lois santé, hôpitaux, droits patients, eHealth, RGPD Téléconsultations, soins à distance, prescriptions numériques, e‑diagnostic Remboursement pour services inscrits à la nomenclature si conditions remplies (souvent contact physique préalable) Donnée non disponible Plateforme publique eHealth, DME Pratiques anciennes formalisées tardivement; COVID a révélé enjeux de confidentialité et d’intégration Alignement remboursement, qualité et intégration dans le parcours de soins comme condition de durabilité
    🇨🇦 Canada Système public avec fortes différences provinciales, focus historique sur le rural Réglementations et codes de facturation provinciaux adaptés pendant COVID Téléconsultations urbaines et rurales, soins virtuels de première ligne, pré/post‑chirurgie, urgences virtuelles Codes de facturation spécifiques par province 45,2% des patients ont eu un rendez‑vous virtuel en 2023, après un pic à 70% en Ontario T2 2020 Plateformes virtuelles provinciales, visioconférence Hétérogénéité inter‑provinciale, adoption plus faible en zones rurales; préférences pour le présentiel Besoin de cohésion nationale; démonstration qu’une transformation organisationnelle lourde n’est pas toujours nécessaire
    🌴 Caraïbes Îles éloignées, petites populations, systèmes fragmentés Stade précoce, pas de cadre régional cohésif DSE (Bahamas), pilotes télémédecine (Jamaïque, SickKids oncologie) Donnée non disponible Donnée non disponible DPI basiques, projets pilotes Coordination inter‑îles difficile, ressources limitées Fort potentiel de mutualisation régionale des ressources et expertises
    🇨🇳 Chine Écart urbain‑rural majeur, population massive Règles e‑healthcare 2018 élargissant la télémédecine au médecin‑patient; cadre encore peu clair Réseaux nationaux, hôpital IA de Wuhan, télémédecine médecin‑patient, innovations sans contact Donnée non disponible Croissance rapide des plateformes commerciales durant et après COVID Plateformes Good Doctor, Alibaba Health, Tencent, robots médicaux, dispositifs sans contact Réglementation floue, persistance des écarts urbain‑rural; forte capacité d’innovation Importance d’un cadre clarifié pour un déploiement équitable, tout en capitalisant sur l’innovation technologique
    🇰🇷 Corée du Sud Société vieillissante, coûts croissants, infrastructure IT avancée, accès universel NHI Medical Service Act interdisant historiquement médecin‑patient à distance, assouplissements COVID et grève médecins, pilote télémédecine 2023, base légale en crise sanitaire Téléconsultations inter‑professionnels, pilote patients connus, applis mHealth, CGM, ECG domicile IA, DTx approuvées MFDS Couverture NHI pendant COVID, pilotes financés MOHW/NHIS Usage télésanté passé d’environ 4% à plus de 9%; marché mHealth et distance health en forte croissance projetée Plateformes mHealth, CGM, ECG IA, Dr. Answer 3.0, services via smartphones/wearables Barrières réglementaires, disparités d’usage; rôle clé des géants ICT et du soutien gouvernemental Pandémie comme catalyseur, besoin d’interventions ciblées pour l’équité et de consolidation réglementaire
    🇩🇰 Danemark Système régional/municipal, GP gatekeepers, couverture universelle Plan national télémédecine 2012 Télémédecine plaies (care.net), monitoring BPCO et insuffisance cardiaque, app My Doctor Mix paiement à l’acte et capitation Donnée non disponible Plateforme care.net, tablettes de monitoring, applications mobiles Réforme santé en discussion, volonté de renforcer les soins primaires Déploiement national de cas d’usage ciblés, accéléré par COVID
    🇪🇸 Espagne Système national de santé, forte variation régionale Pas de politique nationale unifiée, stratégie IT 2012 Téléconférences ambulatoires, consultations COVID via apps gratuites Donnée non disponible Adoptions rapides dans certains hôpitaux pendant COVID Application MediQuo, plateformes vidéo Surcharge hospitalière, fortes disparités régionales Besoin de diffusion nationale des modèles hospitaliers performants
    🇪🇪 Estonie Couverture universelle, 95% des données médicales numérisées Système e‑Health national (2008), X‑Road, blockchain KSI depuis 2011 Téléconsultations, DME national, e‑prescriptions quasi totales, collaboration GP‑spécialistes Coût de lancement e‑Health ~7,5 € par citoyen 100% des patients ont un dossier numérique; 2,7 M requêtes patients/mois; classée n°1 digital health index 2024 X‑Road, blockchain KSI, portail e‑Patient, carte ID et m‑ID Interopérabilité, acceptation pro, cybersécurité; fort soutien politique Importance d’une infrastructure numérique intégrée et d’un portage politique fort; gouvernance centralisée efficace pour petit pays
    🇺🇸 États‑Unis Forte variabilité inter‑États, disparités de couverture, Medicare/Medicaid pour populations ciblées Assouplissements COVID prolongés par l’American Relief Act 2025, CY 2025 PFS final rule élargissant la télésanté Toutes spécialités, audio‑only domicile, services comportementaux, rôle des RHC/FQHC Medicare/Medicaid, assureurs privés, fonds FCC, nouveaux codes et règles de facturation Offre et utilisation fortement accrues depuis COVID, part significative des consultations en télémed Plateformes diverses, solutions audio‑vidéo, systèmes conformes HIPAA Inégalités d’accès liées à l’assurance et au numérique; besoin de cohérence fédérale Leader d’innovation; importance de pérenniser les mesures efficaces et d’évaluer les services sur critères cliniques
    🇫🇮 Finlande Centres de santé municipaux, système décentralisé Réforme santé débattue de longue date Visioconférence croissante, e‑références, travail en équipe à distance Mix paiement à l’acte et salaire 86% des districts hospitaliers et 39% des centres de santé utilisaient la vidéo en 2017 Systèmes de visioconférence, DME Pénurie de médecins généralistes, besoin d’intégrer santé et social Télémédecine comme réponse aux pénuries, importance des approches multidisciplinaires
    🇫🇷 France Assurance Maladie universelle avec compléments Stratégie nationale santé 2017‑22, LFSS 2017, généralisation téléconsultation (2018) et téléexpertise (2019) Téléconsultation toutes spécialités, téléexpertise, télésurveillance (8 indications), solutions CHU Téléconsultation remboursée 70% AMO/30% AMC, télésurveillance prise en charge à 100% sur périmètre défini Donnée non disponible DMP, plateformes vidéo conformes Accord patient préalable, compte‑rendu obligatoire, extension progressive de la téléexpertise Remboursement de droit commun comme accélérateur, DMP pour la continuité et la structuration des usages
    🇬🇱 Groenland Isolement extrême, population dispersée, pas de niveaux de soins formalisés Révision du plan de santé en cours Pipaluk (store‑and‑forward) en retrait, nouveaux outils via Steno Diabetes Centre, Skype largement utilisé Salaire Donnée non disponible Pipaluk, Skype, outils Steno Recours fréquent à des médecins de courte durée, continuité des soins difficile Pertinence des solutions store‑and‑forward pour zones ultra‑isolées, besoin de renouvellement technologique
    🇫🇴 Îles Féroé Petite population insulaire, dispersion géographique Pas de guidelines spécifiques pour GP, pas de registre systématique Données limitées sur les services Mix paiement à l’acte et capitation Donnée non disponible Donnée non disponible Pratique solo répandue, recours à médecins de courte durée Manque de données pour orienter les politiques, besoin de suivi structuré
    🇮🇳 Inde Important écart urbain‑rural, système mixte public‑privé IT Act 2000, guidelines télémédecine 2020, NDHB 2020, National Digital Health Mission, task force télémédecine 2005 eSanjeevani OPD, projets ISRO, réseaux ruraux, projets nationaux (IDSP, ONCONET) Donnée non disponible Forte montée en charge pendant COVID, progression structurelle lente Plateforme eSanjeevani, architecture fédérée NDHM, Digital Health Card Infrastructure télécom limitée, cadre juridique incomplet, manque d’investissement privé Besoin d’un cadre contraignant complet et d’un investissement massif dans l’infrastructure et la formation
    🇮🇸 Islande Grandes zones rurales, population concentrée en ville, pas de gatekeeping formel Révision loi santé en cours Projet Klaustur (9 cliniques rurales télé‑soutenues), usages ad hoc (patients en mer), pic vidéo durant COVID Mix paiement à l’acte, salaire, P4P récent Donnée non disponible Visioconférence, plateformes de téléconsultation Clarification des responsabilités entre niveaux de soins en cours, suivi des patients chroniques fragmenté Intérêt des modèles innovants ruraux, intégration P4P pour la qualité
    🇮🇱 Israël NHI Law 1994, dossiers numérisés quasi à 100% Obligation légale d’accès équitable, fort cadre de financement public Téléconsultations heures ouvrables et hors‑heures, services administratifs, TytoCare pour examens à distance Donnée non disponible Usage télésanté plus que doublé; TytoCare réduit ~45% des visites inutiles, 92% de satisfaction, 87% des cas sans suivi présentiel TytoCare, applis mHealth, IA, DME Fracture numérique marquée par âge et statut socio‑éco; disparités malgré système universel La transformation numérique peut creuser les inégalités sans politiques ciblées; importance d’impliquer précocement les cliniciens
    🇮🇹 Italie Variation régionale importante, NHS sans télémédecine essentielle Guidelines 2012, mobilisation politique tardive (mars 2020) Déploiement ad hoc en milieu hospitalier pendant COVID Donnée non disponible Impréparation face au pic de la pandémie Infrastructure et connectivité limitées Ruptures logistiques, déficits d’infrastructure; besoin de coordination nationale Montre l’impact de l’absence de préparation et l’importance du soutien politique à la télémédecine
    🇯🇵 Japon Population très âgée, infrastructure IT robuste Stratégie nationale Digital Health, assouplissement licences, révision des taux de remboursement en cours Téléconsultations, monitoring via wearables, applis mHealth, intégration EHR/IA Ajustements en cours pour rendre les actes attractifs Marché santé numérique projeté à forte croissance d’ici 2033 mHealth, wearables, IA, IoT, plateformes hospitalières, chatbots Besoin d’éducation de la population, conformité stricte à la protection des données Solide base IT et politique, importance de solutions culturellement adaptées et de standards d’interopérabilité
    🇰🇿 Kazakhstan Vaste territoire, faible densité, écarts urbain‑rural NTMN 2004, programme Digital Kazakhstan 2018‑2023 Téléconsultations (500 000+), vidéoconférences, QG téléhealth COVID avec monitoring Système public 500 000+ téléconsultations en 15 ans, expansion rurale significative Visioconférence, DME unifiés, app nationale rendez‑vous Géographie et faible densité compliquent l’accès, mais fort soutien politique Exemple pour pays à grande superficie; intérêt d’un réseau national structuré
    🇳🇴 Norvège Système universel, zones rurales/montagneuses, responsabilités partagées Changements réglementaires permanents, NDE pour la coordination Téléradiologie établie, e‑consultations Helsenorge, vidéo, eMeistring, hospitalisation à domicile, monitoring de maladies chroniques Mix paiement à l’acte et capitation, incitations zones difficiles Quasi tous les GP offraient des services numériques en 2020 Helsenorge, eMeistring, IA en radiologie Barrières de financement, infrastructure et RH; peu d’évaluations systématiques Leader téléradiologie; nécessité de stratégies complètes et d’évaluations rigoureuses
    🇳🇿 Nouvelle‑Zélande Petit pays, volonté de rattraper Australie/USA National Telehealth Service, guidelines COVID Téléconsultations Donnée non disponible Usage promu pendant COVID Plateformes validées via advisory list Objectif de se hisser au niveau des leaders régionaux Importance des bonnes pratiques et de la coopération internationale
    🇳🇱 Pays‑Bas Assurance santé (Zvw) et loi soins longue durée (Wlz) Pas de loi spécifique, régulation NZa, Zvw inclut e‑health remboursable E‑care (diagnostic, suivi, prévention), e‑support, e‑public health Télémédecine remboursée comme acte présentiel si critères remplis; financement élargi depuis 2020 Donnée non disponible Vidéo GP/spécialistes, technologies soins domicile Adoption croissante, assureurs peuvent poser des conditions Remboursement équivalent au présentiel comme levier puissant d’adoption
    🇬🇧 Royaume‑Uni NHS universel NHS Long Term Plan, objectifs EPR 2025, investissements numérique soins sociaux Soins primaires à distance, essais cliniques, counseling, NHS App comme point d’entrée Donnée non disponible 28 M+ utilisateurs NHS App, 40 M+ NHS login, forte croissance usage post‑COVID NHS App, NHS.uk, EPR, partenariats télécoms, programmes d’inclusion numérique Inclusion numérique défi majeur; 10 M+ nouveaux utilisateurs des services digitaux en un an Financement étatique, app nationale forte, programmes d’inclusion comme conditions de succès
    🇸🇬 Singapour Haute densité, système performant, leader régional Regulatory sandbox 2018, guidelines 2019 HSA, relaxations COVID, guidelines SMA Direct‑to‑patient (MyDoc, DoctorAnywhere), soins chroniques vidéo, clinique COVID virtuelle CHAS et MediSave couvrent les patients chroniques connus (pas les nouveaux) 11 startups dans le sandbox, pics d’usage pendant COVID MyDoc, DoctorAnywhere, apps de triage COVID Besoin de distanciation dans zone dense, sandbox favorisant l’innovation Sandbox réglementaire comme outil clé; importance de la clarté réglementaire et des limites de couverture
    🇸🇪 Suède Système très décentralisé, forte autonomie régionale Pas de loi spécifique; mesures provisoires COVID à Stockholm; enquête Digi‑physical 2019 Application Always Open (AO), consultations vidéo/téléphone/chat/SMS, services en ligne multiples Capitation + FFS selon régions, compensation ajustée COVID Multiplication par 16 des consultations vidéo pendant la première vague COVID; usage soutenu dans les unités adoptantes AO, CDCS, Primary Care Quality, DME Adoption rapide sans programme structuré; forte variabilité inter‑unités Décentralisation comme atout de flexibilité, mais nécessité de coordination et d’outils de qualité nationaux
    🇨🇭 Suisse Système fédéral cantonal, permis locaux Pas de loi spécifique télémédecine; mêmes règles que présentiel, LPMed, nLPD, lois cantonales; jurisprudence limitant le tout‑distance Téléconsultations, prescriptions à distance sous conditions (interaction en temps réel) Donnée non disponible Donnée non disponible Solutions avec chiffrement, hébergement en Suisse, authentification forte Fragmentation cantonale, exigences élevées de confidentialité, restriction du « tout télémédical » Télémédecine reconnue comme outil complémentaire, importance d’un hébergement et d’une sécurité conformes au droit national

  • POC : un marché à 87,9 milliards de dollars en 2035, quels modèles économiques et remboursements pour une santé near patient ?

    Enseignements clés :

    • Un marché mondial des diagnostics POC estimé à 44,7 milliards de dollars en 2025, avec une croissance annuelle d’environ 7 % ;
    • une projection à 87,9 milliards de dollars à l’horizon 2035, portée par les maladies chroniques et la pression sur l’hôpital ;
    • des modèles économiques encore largement structurés autour du laboratoire central et de la biologie de routine ;
    • des cadres de remboursement en France (GHS, NABM, LPPR) peu adaptés aux usages near‑patient à forte valeur organisationnelle ;
    • un rôle pivot des laboratoires de biologie pour la gouvernance, la qualité et l’intégration des données ;
    • trois enjeux stratégiques : incitations économiques, évaluation, intégration du POC dans les parcours.

    Que vend vraiment le POC : bien plus qu’un test

    Le POC ne vend pas un simple résultat de laboratoire, mais un service combinant rapidité, proximité et impact organisationnel. Les résultats en temps réel au lit du patient ou au cabinet permettent de lier immédiatement diagnostic, décision thérapeutique et orientation, là où la biologie centralisée impose des délais de plusieurs heures ou jours. Pour les patients, cela se traduit par des temps d’attente réduits, moins d’allers‑retours et, dans les situations aiguës, un traitement initié plus tôt.

    Sur le plan économique, le POC permet de diminuer les coûts de transport d’échantillons, de réduire certains séjours hospitaliers et de limiter les consultations de spécialistes ou les examens redondants. Ces effets sont particulièrement marqués via une meilleure détection précoce et un triage plus pertinent. Pour le système, la valeur est autant organisationnelle que clinique, ce qui pose d’emblée la question suivante : dans quel silo budgétaire cette valeur est‑elle reconnue et rémunérée ?

    Un marché en forte croissance, porté par la décentralisation

    Les projections convergent vers un marché du diagnostic POC en forte expansion. En 2025, le marché mondial des diagnostics POC est estimé à 44,7 milliards de dollars, avec une croissance annuelle d’environ 7 % qui devrait l’amener à 87,9 milliards de dollars à l’horizon 2035. Cette trajectoire est portée par la montée des maladies chroniques, la pression sur les structures hospitalières et l’essor des modèles de soins décentralisés et à domicile.

    Les premiers segments bénéficiaires sont les tests infectieux rapides, le monitoring cardiométabolique et la prise en charge des maladies chroniques, notamment via les dispositifs de self‑testing et les solutions connectées de télésurveillance. La combinaison POC + télémédecine + dossiers médicaux numériques crée un continuum de données en temps réel qui renforce l’attractivité du modèle auprès des payeurs et des acteurs de la coordination des soins.

    Le modèle économique des points of care : du « razor & blades » au « device + data + service »

     Le cœur du modèle industriel : parc installé et consommables

    Pour les industriels, le modèle historique du POC repose sur une logique « razor & blades » : installer un parc de plateformes chez les clients, puis capter une marge récurrente sur les cartouches et consommables à forte valeur ajoutée. Trois briques principales structurent ce modèle :

    • le financement de la plateforme (achat, leasing, mise à disposition contre engagement de volumes) ;
    • les revenus récurrents sur les tests (biomarqueurs cardiaques, infectieux, gaz du sang, tests moléculaires rapides, etc.) ;
    • les services associés : maintenance, contrôle qualité, connectivité aux systèmes d’information de laboratoire (LIS) et au dossier patient informatisé (DPI), formation et accompagnement au changement.

    En pratique, l’équation économique côté industriel dépend de la capacité à démontrer la valeur clinique et organisationnelle du POC, afin de sécuriser des volumes d’utilisation stables et d’éviter que l’appareil ne devienne un équipement sous‑utilisé. La standardisation des panels de tests et la mutualisation des plateformes entre services renforcent cette soutenabilité.

    3 environnements de revenus : hôpital, ville, domicile

    À l’hôpital ou en clinique, le test POC est intégré au chemin clinique des urgences, des blocs opératoires, des soins critiques ou des services de médecine. Le modèle économique est principalement adossé au séjour, via les groupes homogènes de séjours (GHS) dans le cadre de la tarification à l’activité, et plus rarement à des financements complémentaires dédiés.

    En ville (médecins, maisons de santé, pharmacies), les revenus combinent les actes facturés lorsqu’ils sont reconnus en nomenclature, le paiement direct du patient et les effets d’attraction de patientèle ou de fluidification du parcours pour la structure. Au domicile ou en self‑testing, le modèle est principalement B2C (vente libre ou sur prescription) pour les autotests et dispositifs connectés, parfois intégrés à des programmes de télésurveillance remboursés.

    Vers des modèles « device + data + service »

    L’essor de la numérisation et de l’IA pousse le POC vers des modèles plus intégrés. Des plateformes combinent désormais dispositif, logiciels d’interprétation (algorithmes, scores de risque) et services de connectivité aux systèmes d’information. Des contrats de type abonnement ou Software as a Service (SaaS) donnent accès à des modules d’aide à la décision, à des dashboards populationnels ou à des services de suivi qualité centralisé.

    On voit également émerger des modèles de paiement à la performance (réduction des réhospitalisations, des durées de séjour, des passages aux urgences) qui associent une partie du risque économique à un partage des gains entre établissements, payeurs et industriels.

    Modèles de remboursement : un cadre pensé pour le laboratoire, pas encore pour le near‑patient

    Hôpital : GHS, LPPR et financements innovants (focus France)

    En France, le financement hospitalier des technologies s’appuie sur deux piliers principaux. La tarification à l’activité via les GHS rémunère le séjour global sans détailler le coût des tests, POC compris. Les remboursements additionnels via la liste des produits et prestations remboursables (LPPR) concernent certains dispositifs implantables ou invasifs, avec un prix déterminé au niveau national selon le niveau de valeur ajoutée.

    Pour les dispositifs de diagnostic et certains tests, l’accès au remboursement passe par une évaluation clinique par la Commission nationale d’évaluation des dispositifs médicaux et des technologies de santé (CNEDiMTS) de la Haute Autorité de santé (HAS), puis par une négociation tarifaire avec le Comité économique des produits de santé (CEPS), dans un processus d’Health Technology Assessment (HTA) intégré à la décision. En pratique, la majorité des usages POC à l’hôpital est financée « en silo » dans le GHS, ce qui rend la démonstration d’un retour sur investissement organisationnel déterminante pour convaincre les établissements d’investir sur leur budget propre.

    La France dispose par ailleurs de mécanismes spécifiques pour l’innovation (financements transitoires, dispositifs expérimentaux de type article 51) qui peuvent être mobilisés pour des solutions POC intégrées dans des parcours (urgences, insuffisance cardiaque, bronchopneumopathie chronique obstructive (BPCO), etc.). Ces dispositifs ouvrent la voie à des modèles de partage de valeur sur les économies générées, par exemple en séjours évités ou en passages aux urgences réduits.

    La biologie délocalisée à l’hôpital, souvent regroupée sous le terme d’examens de biologie médicale délocalisée (EBMD), reste dans la plupart des cas intégrée aux coûts des séjours ou au forfait urgence, sans facturation unitaire à l’Assurance maladie. Elle constitue donc un centre de coût pour l’établissement, malgré un coût unitaire de test généralement supérieur à celui des automates centralisés du fait des consommables dédiés. L’étude SUPOC, menée aux urgences de l’AP‑HP, illustre toutefois l’intérêt organisationnel de cette approche : elle met en évidence une réduction de l’ordre de 50 minutes du délai de rendu des résultats pour les patients bénéficiant de biologie point‑of‑care, pour un surcoût médico‑économique estimé à 4,70 € par patient, avec une amélioration de la satisfaction des professionnels et des patients

    Ville : NABM, actes médicaux et reste à charge

    Pour la biologie de ville, le cadre principal reste la Nomenclature des actes de biologie médicale (NABM), qui structure la prise en charge des examens en laboratoire. Lorsqu’un test POC est réalisé en cabinet ou en pharmacie, plusieurs cas de figure se présentent.

    Lorsque le test dispose d’un code dédié (NABM ou acte spécifique), il peut être pris en charge dans des conditions proches de la biologie de laboratoire. En l’absence de code spécifique, le financement repose sur le patient (reste à charge), la structure (intégration dans le coût de consultation) ou éventuellement des dispositifs régionaux et projets pilotes.

    Cette situation limite l’adoption de nombreux tests POC en ville, malgré leur intérêt médical, car les professionnels ne disposent pas toujours de mécanismes clairs de rémunération de l’acte et du temps passé. La place des pharmaciens – déjà impliqués dans les tests antigéniques rapides – illustre cette tension entre logiques de santé publique et soutenabilité économique pour les officines.

    En pratique, la biologie de proximité rattachée à un laboratoire reste largement financée via la lettre clé B, dont la valeur est de 0,25 € en France métropolitaine, à laquelle s’ajoutent des forfaits logistiques comme le forfait pré‑analytique B 17 et des forfaits de sécurité pour les déchets. Pour les TROD angine en officine, le pharmacien bénéficie d’une rémunération forfaitaire couvrant l’acte, le conseil et le coût du dispositif : 10 € toutes taxes comprises (TTC) lorsque le test ne conduit pas à une délivrance d’antibiotique, et 15 € TTC lorsqu’il réalise un TROD positif suivi d’une délivrance d’antibiotique selon les protocoles en vigueur. Parallèlement, un nouvel acte spécifique de biologie délocalisée en médecine générale est en cours de déploiement afin de mieux valoriser le temps médical consacré à l’interprétation immédiate des résultats au cabinet, dans une logique de soutien à l’équipement des médecins en automates de proximité

    Domicile et self‑testing : entre marché grand public et programmes structurés

    Les tests d’auto‑surveillance (glycémie, tests de grossesse, autotests infectieux, etc.) relèvent souvent d’un marché de détail, avec des niveaux variables de remboursement ou de prise en charge par les complémentaires. L’émergence de dispositifs connectés intégrés à des programmes de télésurveillance ou à des programmes d’éducation thérapeutique crée de nouveaux schémas, où le test devient une composante d’un forfait global plutôt qu’un acte isolé.

    Dans le champ du monitorage chronique, certains dispositifs illustrent des modèles économiques hybrides combinant LPPR, consommables et services. L’automesure de l’INR avec des dispositifs portables (par exemple, CoaguChek) est ainsi inscrite sur la Liste des produits et prestations remboursables, avec une base de remboursement couvrant l’équipement et une prise en charge partielle des bandelettes, sous réserve d’une éducation thérapeutique structurée des patients. L’expérimentation Di@pason, conduite dans le cadre de l’article 51 pour des patients sous AVK, teste un forfait de parcours trimestriel géré par le laboratoire, qui inclut la biologie délocalisée, la coordination numérique ville–laboratoire–infirmiers et une redistribution aux professionnels impliqués, afin d’inciter à maintenir les patients dans leur zone thérapeutique.

    Points of care et laboratoires : concurrence ou partenariat ?

    L’essor du POC est parfois perçu comme une menace pour les laboratoires de biologie, mais les analyses récentes invitent plutôt à une logique de complémentarité. Les laboratoires restent indispensables pour assurer la gouvernance du testing (choix des dispositifs, pilotage qualité, contrôle des performances, standardisation des procédures). Ils gèrent les analyses complexes, la confirmation de résultats et l’interprétation dans les situations cliniques délicates.

    Les laboratoires jouent également un rôle central pour l’intégration des résultats POC dans le dossier patient et dans les bases de données épidémiologiques, via l’interopérabilité entre systèmes de laboratoire (LIS) et DPI. Pour eux, les points of care peuvent devenir un vecteur de nouveaux services : accompagnement à la mise en place de POC dans les services hospitaliers et en ville, gestion centralisée de l’assurance qualité, solutions de connectivité, voire offres packagées POC + interprétation à distance. Cette trajectoire repositionne le laboratoire comme acteur de la stratégie diagnostique globale plutôt que comme simple producteur de résultats.

    3 enjeux stratégiques pour faire du POC un levier de transformation

    Aligner les incitations économiques avec la valeur organisationnelle

    Aujourd’hui, une grande partie de la valeur du POC se manifeste dans les flux : réduction des durées de séjour, évitement d’hospitalisations, optimisation des parcours. Les mécanismes de remboursement rémunèrent toutefois avant tout l’acte isolé. Le développement de modèles de paiement au parcours, de financements à l’épisode de soins et de contrats de performance avec les industriels sera déterminant pour aligner les incitations.

    Les débats récents sur la régulation de la biologie médicale, notamment dans le rapport IGAS‑IGF publié en 2025, mettent en avant la forte concentration du secteur (quelques grands groupes contrôlant une majorité des sites) et des niveaux de rentabilité jugés élevés, de l’ordre de 14 %. Le rapport propose d’évoluer vers une logique de « juste prix », consistant à réduire progressivement les marges sur la biologie de routine pour réallouer les ressources vers la biologie de parcours, incluant les usages de POC apportant une valeur clinique et organisationnelle démontrée, notamment dans les zones rurales, les structures médico‑sociales et les parcours de maladies chroniques.

    Adapter les cadres d’évaluation et de remboursement

    Les schémas d’HTA doivent mieux intégrer la valeur organisationnelle et populationnelle du POC, au‑delà de la seule performance analytique. En France, cela implique d’articuler plus finement la NABM, la LPPR, les GHS et les dispositifs d’expérimentation (article 51, financements innovants) afin de ne pas pénaliser les usages near‑patient à fort impact.

    Penser le POC comme une solution de parcours, et non comme un gadget technologique

    Les projets les plus structurants combinent tests rapides, protocoles standardisés, outils numériques (téléconsultation, télésurveillance, DPI) et indicateurs de performance partagés entre établissements, ville et payeurs. Pour les industriels comme pour les établissements, la stratégie la plus robuste repose sur des bundles « device + data + service », co‑construits avec les cliniciens, les laboratoires et les financeurs, et intégrés dans une logique de parcours.

  • Jumeaux numériques : des performances prometteuses mais peu de preuves sur les critères cliniques durs (revue de littérature)

    Les points clés

    • Jumeaux numériques principalement utilisés pour la planification de traitements complexes, la prédiction de risque et la décision personnalisée ;
    • Résultats quantitatifs solides dans des domaines ciblés (neuro‑dégénérescence, électrophysiologie cardiaque, télésurgery, TEVAR, risque cardiométabolique pédiatrique), mais peu de démonstration sur la mortalité ou la qualité de vie ;
    • Modèles majoritairement mécanistiques ou hybrides, avec un recours ciblé à l’intelligence artificielle pour la personnalisation et la prédiction ;
    • Verrous structurants sur la qualité, la standardisation et l’interopérabilité des données, ainsi que sur la validation clinique externe et la généralisabilité ;
    • Enjeux éthiques et de gouvernance peu traités dans les études, alors que les jumeaux numériques reposent sur une intégration profonde de données sensibles ;
    • Priorités pour les dirigeants : infrastructures de données interopérables, programmes de validation clinique, explicabilité des modèles et co‑conception avec les équipes cliniques.

    Les jumeaux numériques constituent une nouvelle génération de modèles computationnels dynamiques, capables de représenter l’état physiologique d’un patient et de simuler l’impact de scénarios thérapeutiques de manière individualisée. Dans le champ de la santé numérique, ils sont progressivement mobilisés pour la planification de traitements complexes, la stratification du risque, la prédiction de réponse thérapeutique et la réorganisation des parcours de soins vers davantage de proactivité. Cet article propose une synthèse des travaux récents identifiés dans PubMed en 2026, en se concentrant sur les usages en santé humaine et les implications pour les dirigeants d’organisations de santé et d’entreprises de santé numérique.​

    Plusieurs revues structurantes cadrent le concept dans des domaines cliniques spécifiques :

    • la radio‑embolisation hépatique (Panneerselvam et al., PET Clinics, University of California Davis),
    • la cardiologie et la cardio‑régulation (Zou et al., International Journal of Medical Informatics, Xiamen University ; Sarani Rad et al., JMIR Cardio, North Dakota State University et partenaires),
    • l’oncologie urologique (Görtz et al., Nature Reviews Urology, DKFZ et Heidelberg University Hospital)
    • et la gériatrie (Li et al., Ageing Research Reviews, Central South University, Chine).

    D’autres travaux explorent des cas d’usage plus ciblés :

    • flux métaboliques in vivo dans les gliomes (Meghdadi et al., Cell Metabolism, University of Michigan),
    • prise en charge du diabète (Olawade et al., Diabetes Research and Clinical Practice, institutions britanniques et autrichiennes)
    • ou encore télécardiologie interventionnelle et télésanté chirurgicale (Yuan et al., NPJ Digital Medicine, Qingdao University et Tianjin University).

    L’objectif de cet article est de dégager, à partir de ce corpus, les principaux apports cliniques, architectures techniques, résultats quantitatifs et verrous de mise en œuvre des jumeaux numériques en santé, afin d’éclairer les choix stratégiques des acteurs de la santé numérique.​

    Cadre conceptuel et architectures de jumeaux numériques

    Sur le plan conceptuel, Zhang et al. proposent une mise en perspective historique, depuis les simulations de la NASA dans les années 1960 jusqu’aux jumeaux numériques de patients intégrant imagerie, multi‑omics, biosenseurs et modèles computationnels pour la décision clinique et le développement de médicaments. Dans cette définition, le jumeau numérique est décrit comme une réplique virtuelle dynamique d’un système biologique, alimentée en continu par des flux de données et capable d’interactions bidirectionnelles avec le monde réel.​

    Les revues transversales en médecine de précision insistent sur le rôle central de la modélisation mécanistique couplée à l’intelligence artificielle (IA). Laubenbacher et Fonseca soulignent que la majorité des jumeaux médicaux reposent sur des modèles physiologiques explicites auxquels sont greffées des couches d’IA pour la personnalisation et la prédiction, dans une perspective « bench‑to‑bedside » incluant souvent une dimension de valorisation industrielle. Li et al. décrivent, pour la gériatrie, des « Aging Digital Twins » intégrant données hétérogènes (cliniques, biologiques, imagerie, capteurs) via des architectures de deep learning afin de suivre le vieillissement physiologique, anticiper les complications et optimiser les interventions individualisées. En cardiovasculaire, Sarani Rad et al. montrent que 69 % des jumeaux recensés restent dominés par des modèles mécanistiques, les approches hybrides ou purement data‑driven étant minoritaires, signe d’une volonté explicite de préserver l’interprétabilité et l’ancrage physiologique des prédictions.​

    Applications cliniques : de la preuve de concept à la décision personnalisée

    Oncologie, radiomédecine et métabolisme tumoral

    En radio‑embolisation hépatique, Panneerselvam et al. proposent un jumeau numérique basé sur la dynamique des fluides (CFD) et des réseaux de neurones « physics‑informed » pour modéliser l’anatomie artérielle hépatique, les flux sanguins et le transport de microsphères radioactives à l’échelle patient. L’enjeu est de simuler différents schémas d’injection et de dosimétrie afin de maximiser la dose tumorale tout en minimisant l’irradiation hépatique fonctionnelle, dans une logique de planification adaptative en temps quasi réel. En radiopharmaceutique thérapeutique, Ryhiner et al. décrivent le concept de « theranostic digital twins » pour optimiser les thérapies radiopharmaceutiques, en s’appuyant sur des modèles pharmacocinétiques (PBPK) couplés à des procédures rigoureuses de vérification, validation et quantification d’incertitude.​

    Les travaux de Meghdadi et al. étendent le paradigme à la bioénergétique tumorale : un cadre de jumeau numérique et un outil de flux métaboliques à l’échelle unicellulaire (13C‑scMFA) combinent simulations stœchiométriques et réseaux convolutifs, ainsi que données de séquençage ARN mono‑cellulaire et traçage isotopique, pour estimer in vivo les flux métaboliques dans les gliomes. Ces modèles mettent en évidence, chez les cellules tumorales, une augmentation fréquente de la synthèse de purines et de la captation de sérine par rapport aux cellules non malignes et permettent d’identifier une hétérogénéité métabolique inter‑patients et inter‑modèles murins, avec une capacité à prédire la réponse à des inhibiteurs métaboliques. Ces résultats suggèrent un potentiel de jumeaux numériques métaboliques comme support au ciblage thérapeutique et à la sélection de biomarqueurs pour des thérapies dirigées contre le métabolisme.​

    Cardiologie, diabète et risque cardiométabolique

    Dans les maladies cardiovasculaires, Zou et al. recensent 31 études et décrivent un cycle en cinq étapes : acquisition des données, construction et personnalisation du modèle, calibration/validation, simulations, puis application des résultats à la décision clinique ou à l’enseignement. Les cas d’usage se répartissent entre : gestion personnalisée de la santé (13 études), estimation précise des effets de traitements (42 %), prédiction individuelle du risque (26 %), optimisation des essais cliniques (23 %) et, plus marginalement, formation (3 %). Les auteurs soulignent toutefois des limites majeures : données hétérogènes, complexité de la validation, difficultés d’intégration dans la pratique clinique et manque de preuves d’impact sur les résultats cliniques.​

    Le panorama est complété par une revue systématique centrée sur la cardiologie de précision : sur 42 études, 69 % des jumeaux recourent à des modèles mécanistiques, la personnalisation s’appuyant surtout sur l’imagerie (76 %) et les signaux électriques (43 %), et les bénéfices déclarés portant principalement sur l’aide à la décision et la planification thérapeutique plutôt que sur des gains démontrés en mortalité ou morbidité. Dans la pratique interventionnelle, Parollo et al. valident un modèle de jumeau cardiaque (CardioMat) pour prédire en trois dimensions les zones de décélération de conduction ventriculaire chez 15 patients, avec une sensibilité de 79 %, une spécificité de 93 % et une exactitude globale de 89 % pour localiser le substrat fonctionnel de tachycardie ventriculaire par rapport au mapping électro‑anatomique de référence. Ce type de performance suggère la possibilité de réduire la durée et l’invasivité des procédures de cartographie.​

    Pour le diabète, la revue d’Olawade et al. analyse les jumeaux numériques utilisés en prédiction glycémique, titration personnalisée de l’insuline, optimisation diététique et évaluation du risque de complications, à partir d’études publiées entre 2015 et 2024. Les auteurs constatent un potentiel prometteur, en particulier grâce à l’intégration de capteurs de glucose en continu, de wearables et d’algorithmes d’apprentissage, mais relèvent une forte variabilité de la qualité des preuves, la plupart des travaux restant au stade de preuve de concept ou d’essais pilotes. Les freins majeurs identifiés concernent la protection des données, les exigences de validation clinique, les biais algorithmiques et la généralisabilité aux populations sous‑représentées.​

    Enfin, Calcaterra et al. introduisent PODiaCarD, un prototype de jumeau numérique pédiatrique pour l’obésité et le risque cardiométabolique, fondé sur une architecture trois couches (front‑end, back‑end, moteur prédictif) et entraîné sur un échantillon de 552 jeunes (âge moyen 12,2 ± 2,9 ans). Le système atteint une F1‑score de 0,975 ± 0,014 pour l’index TyG (random forest) et 0,844 ± 0,028 pour l’HbA1c, avec une performance plus modérée pour l’HOMA (F1 0,670 ± 0,070) et faible pour la pression artérielle et la glycémie, ce qui souligne la dépendance de la performance aux caractéristiques des jeux de données.​

    Neurologie, gériatrie et disciplines émergentes

    Dans le domaine des troubles cognitifs, Amato et al. exploitent des « digital brain twins » pour dériver des biomarqueurs numériques reliant mécanismes de neurodégénérescence et altérations de l’activité neuronale, à partir d’enregistrements EEG et MEG issus de deux centres indépendants avec des pipelines cliniques hétérogènes. Les biomarqueurs dérivés du jumeau numérique surpassent les biomarqueurs standards pour la classification MCI vs sujets sains dans chaque cohorte (83 % vs 58 % pour l’EEG ; 75 % vs 68 % pour la MEG) et atteignent une précision de 77–78 % en classification croisée centre‑à‑centre, là où les biomarqueurs classiques ne dépassent pas 56–65 %. De plus, ces biomarqueurs numériques prédisent de manière robuste le statut cognitif global avec une significativité statistique (p < 0,01), contrairement aux biomarqueurs usuels.​

    Li et al. proposent un cadre conceptuel pour des jumeaux numériques du vieillissement (« Aging Digital Twins »), positionnés comme un outil de médecine de précision gériatrique pour le suivi longitudinal de la homeostasie physiologique, la détection précoce de fragilité et la personnalisation d’interventions multimodales. Les auteurs identifient des biais d’échantillonnage liés à l’âge, des variations de qualité de données chez les personnes âgées et des préoccupations relatives à la confidentialité, à la transparence des algorithmes et à la validation clinique comme principaux obstacles à la traduction en pratique.​

    Des cadres plus exploratoires s’intéressent à des populations spécifiques : Siddiqui et Khan décrivent une architecture de jumeau numérique pour la polio et le post‑polio, visant la modélisation continue de la fonction neuromusculaire, de la réserve fonctionnelle et de la vulnérabilité respiratoire pour guider la rééducation à vie. Siddiqui et al. appliquent un raisonnement comparable à l’atteinte ophtalmologique par Acanthamoeba, en proposant des jumeaux cornéens simulant la dynamique d’infection, la diffusion médicamenteuse et la réactivation kystique, dans l’objectif de passer d’une thérapeutique empirique à une ophtalmologie prédictive. D’autres perspectives mettent en avant le potentiel des jumeaux numériques en néphrologie, en glaucome ou en endodontie pour substituer des approches standardisées par des schémas de prise en charge prédictifs, mécanismes‑informés et fortement individualisés.​

    Résultats quantitatifs et bénéfices observés

    Tableau 1. Exemples de performances quantitatives rapportées

    Domaine / étude Objectif du jumeau numérique Indicateurs clés rapportés
    MCI, Amato et al., Commun Med Classification MCI vs sain, EEG/MEG multi‑centres Précision 83 % vs 58 % (EEG), 75 % vs 68 % (MEG) pour biomarqueurs numériques vs standards ; 77–78 % en classification croisée inter‑centres ; corrélation significative avec score cognitif global (p < 0,01).​
    Cardiologie interventionnelle, Parollo et al., J Cardiovasc Electrophysiol Localisation non invasive des zones de décélération ventriculaire Sensibilité 79 %, spécificité 93 %, VPP 81 %, VPN 92 %, exactitude 89 % sur 255 segments.​
    Obésité pédiatrique, Calcaterra et al., Eur J Pediatr Prédiction d’indices métaboliques (TyG, HbA1c, HOMA) F1 = 0,975 ± 0,014 (TyG, random forest) ; F1 = 0,844 ± 0,028 (HbA1c) ; F1 = 0,670 ± 0,070 (HOMA) ; performances faibles pour pression artérielle (R² 0,05–0,21) et glycémie (F1 = 0,113 ± 0,113).​
    Télésurgery, Yuan et al., NPJ Digit Med Compensation de latence en robotique chirurgicale Erreur spatiale < 2 mm ; réduction de 13,6 % du temps de tâche de transfert de plots sous 900 ms de latence ; baisse de 27,2 % de la charge de travail opérateur ; validation clinique d’une néphrectomie radicale sous 300 ms sans complication.​
    TEVAR, Ramella et al., Eur J Vasc Endovasc Surg Prédiction de la géométrie post‑opératoire de stent‑graft Erreur de surface d’ouverture des anneaux (eOA) < 10 % par anneau, moyenne 4 %, avec 3,7 % en zones proximales et distales cruciales pour l’étanchéité ; temps de calcul ~10 h par cas.​

    Ces résultats illustrent que les bénéfices démontrés se situent principalement sur : l’amélioration des performances diagnostiques ou de classification par rapport aux biomarqueurs ou pratiques standards (MCI, électrophysiologie), l’optimisation de la sécurité opérationnelle et des performances procédurales (télésurgery), et la capacité à reproduire avec précision la réalité anatomique ou fonctionnelle post‑procédure (TEVAR). En revanche, la démonstration d’un impact robuste sur des critères durs (mortalité, événements cliniques majeurs, qualité de vie) demeure limitée ou absente dans la plupart des travaux recensés.​

    Enjeux techniques, organisationnels et éthiques

    Les articles de synthèse convergent sur plusieurs verrous structurants. Sur le plan des données, la disponibilité, la qualité, la standardisation et l’interopérabilité restent des contraintes majeures, particulièrement lorsque les jumeaux nécessitent des données multi‑sources (imagerie avancée, signaux physiologiques, omiques, capteurs connectés). Les revues en cardiologie et en diabète relèvent en outre une faible généralisation hors des populations sources et une insuffisance d’évaluation externe, source de risque de biais et de perte de performance en conditions réelles.​

    Sur le plan de la modélisation, la complexité des modèles et leurs hypothèses simplificatrices posent la question de l’équilibre entre fidélité physiologique, coût computationnel et utilisabilité clinique. Les travaux sur les PBPK pour les jumeaux théranostiques insistent sur la nécessité de démarches formalisées de vérification, validation et quantification d’incertitude pour atteindre un niveau de crédibilité acceptable en contexte de décision thérapeutique. En parallèle, les architectures hybrides associant modèles mécanistiques et IA doivent garantir la transparence des mécanismes de décision, condition implicite de l’acceptabilité par les cliniciens et de la confiance des patients.​

    Les questions éthiques et de gouvernance sont peu abordées de manière systématique : la revue de JMIR Cardio note que seulement 17 % des études cardiovasculaires discutent explicitement d’enjeux éthiques, juridiques ou de gouvernance, alors même que les jumeaux numériques impliquent une intégration profonde de données sensibles et un potentiel de décisions automatisées. Les auteurs appellent à des cadres d’évaluation standardisés, à des architectures centrées sur l’utilisateur et à un développement « ethically grounded » pour éviter que ces systèmes ne renforcent des inégalités existantes ou n’introduisent de nouveaux risques systémiques.​

    Pour les dirigeants et CEO de la santé numérique, ces constats impliquent plusieurs priorités : investir dans des infrastructures de données interopérables et sécurisées, structurer des programmes de validation clinique rigoureux, intégrer des mécanismes d’explicabilité dans les produits, et co‑concevoir les outils avec les équipes cliniques pour assurer une intégration fluide dans les flux de travail. Les auteurs soulignent également l’importance de modèles économiques soutenables et de cadres réglementaires adaptés, même si ces dimensions restent encore peu détaillées dans le corpus.

     Stratégie de recherche bibliographique

    Les articles analysés dans cette synthèse ont été identifiés à partir d’une recherche bibliographique réalisée sur PubMed avec la requête : « digital twin »[Title] OR « digital twins »[Title]. Cette stratégie, centrée sur la présence explicite du terme dans le titre, visait à capter les travaux pour lesquels le jumeau numérique constitue le cœur explicite de la contribution scientifique (modèle, méthodologie ou application clinique). Les références ainsi obtenues ont ensuite été filtrées pour conserver prioritairement les publications relevant de la santé humaine (revues, études cliniques, cadres conceptuels, preuves de concept techniques appliquées à des cas médicaux), en excluant les domaines strictement industriels ou non médicaux lorsqu’ils n’apportaient pas d’éléments transférables à la santé. Les informations synthétisées dans cet article (journal, institutions, métriques de performance, limites et perspectives) sont tirées exclusivement des résumés et notices bibliographiques des articles retenus, sans recours à des sources extérieures à ce corpus

    ​

  • Healthtech : en 2025, des levées ciblées pour industrialiser l’IA clinique et la robotique médicale

    Bullet points de synthèse

    • En 2025, plusieurs acteurs français de santé numérique lèvent des montants supérieurs à 10 M€ pour industrialiser l’IA et la robotique ;
    • ces tours financent principalement des plateformes déjà en production, déployées dans des centaines d’établissements ou auprès de dizaines de milliers de cliniciens ;
    • la plupart des modèles restent exposés aux contraintes budgétaires des hôpitaux, aux cadres réglementaires et à la concurrence internationale sur l’IA médicale ;
    • les trajectoires deeptech en biologie et oncologie reposent sur des horizons longs, des validations scientifiques exigeantes et des montages financiers hybrides ;
    • pour les établissements français, l’enjeu est de concilier adoption de ces solutions et soutenabilité économique dans un contexte de tension durable.

    Ces levées 2025 montrent un paysage healthtech français qui se reconfigure autour de quelques axes structurants : industrialisation de l’IA clinique (Nabla, Median Technologies, Juisci, Klodios), robotique médicale et jumeaux numériques (Wandercraft, Sim&Cure), coordination et télémédecine hospitalière (Hublo, Rofim, RDS) et deeptech de R&D biomédicale (Bioptimus, Apmonia). Pour les décideurs hospitaliers comme pour les investisseurs, la question ne porte plus sur l’émergence de ces technologies, mais sur le rythme d’adoption, le niveau de preuves d’impact clinique et économique requis et la capacité des établissements français à en capter le potentiel dans un cadre budgétaire contraint.

    Panorama 2025 des levées en santé numérique

    En 2025, une cohorte de scale‑ups et de deeptech françaises en santé numérique profite d’un rebond ciblé des financements, utilisés pour consolider des positions déjà établies plutôt que pour acheter de la croissance à tout prix. Ces tours, souvent supérieurs à 10 M€, servent à accélérer des plateformes en production (Nabla, Hublo, Rofim, Sim&Cure, Juisci) et à sécuriser des trajectoires deeptech plus longues (Bioptimus, Apmonia, Median), dans un environnement hospitalier contraint mais demandeur d’IA utile et intégrable. Un an plus tard, l’enjeu n’est plus la seule preuve de concept technologique, mais la capacité à industrialiser les usages, tenir les promesses réglementaires et trouver des modèles soutenables côté établissements.

    Acteur Montant / stade 2025 Segment / usage principal Maturité marché & traction clés Exposition budgets hôpitaux Horizon de ROI et remarques
    Nabla 70 M$ série C (≈120 M$ cumulés) IA clinique (AI scribe, agents de documentation et codage) >130 organisations, ≈85 000 cliniciens, focus US, intégration EHR majeurs Forte (temps médical, codage, documentation) ROI court terme si gains temps/recettes démontrés, mais dépendance au marché US et concurrence Big Tech.
    Wandercraft Série D, 75 M$ sécurisés au total Robotique médicale (exosquelettes), mobilité personnelle, robotique industrielle Atalante X en >100 établissements, lancement Eve (domicile) et robots Calvin en industrie Moyenne (capex DM lourds, budgets d’investissement) ROI plus long, capitalistique, volumes d’abord sur marchés plus dotés (US, Allemagne).
    Bioptimus 41 M$ série A (≈76 M$ cumulés) Deeptech IA multi‑échelle pour biologie et pharma Modèles génératifs biologie‑native, partenariats pharmas en co‑développement Indirecte (via pharma / essais cliniques) Horizon long (R&D, validation), création de valeur surtout via réduction coûts/délais développement médicaments.
    Hublo ≈20 M€ Bpifrance, LBO mi‑2025, ≈55 M€ cumulés Plateforme RH hôpital / médico‑social (SaaS B2B) >5 600 établissements clients, >1,2 M pros de santé, rentabilité ou proche, ARR visé >30 M€ Forte (abonnements SaaS RH, SIH élargi) ROI plutôt court/moyen terme, gains organisationnels et continuité de service dans un contexte de pénurie de soignants.
    Median Tech. Jusqu’à 37,5 M€ BEI + 10 M€ obligations IRIS IA d’imagerie oncologique, activité iCRO et plateforme iBiopsy Acteur coté, pipeline IA en oncologie, nécessité de financer R&D, validation clinique et commercialisation Moyenne (essais, imagerie, projets structurants) ROI lié à succès réglementaire/clinique ; forte sensibilité aux marchés financiers et à la trésorerie.
    Apmonia Crowd equity jusqu’à 4 M€ (≈11 M€ déjà levés) Biotech oncologie ciblant la matrice extracellulaire des tumeurs Préparation essais de première intention, financements hybrides (EIC, France 2030, VC) Indirecte (via essais / partenariats) Horizon très long, risque scientifique élevé, modèle intéressant de diversification des sources de financement.
    Sim&Cure ≈10 M€ extension série A Jumeaux numériques neurovasculaires pour planification endovasculaire Sim&Size utilisé dans >45 pays, >700 pros, >35 000 procédures planifiées, intégrations Siemens/Philips Moyenne (logiciel lié à imagerie et DM) ROI moyen terme, dépendant des partenariats industriels et de l’intégration dans les workflows interventionnels.
    Rofim 10 M€ tour 2025 oeil-esante+3​ Télémédecine hospitalière, téléexpertise, e‑RCP, coordination ville‑hôpital 1 700 établissements, 70 000 pros, présence dans ≥12 pays, modules multiples (téléexpertise, e‑RCP, DCC…) Très forte (flux télémédecine, coordination) ROI court/moyen terme si financements télésanté stables ; enjeu d’ergonomie et d’alignement avec politiques publiques.
    Juisci 5,5 M€ seed IA documentaire scientifique pour cliniciens et industriels >200 000 utilisateurs dans 60 pays, clients grands comptes (pharma, cosmétique), app en dix langues Faible à moyenne (usage individuel, licences B2B) ROI potentiellement rapide sur les usages B2B, mais modèle économique encore à stabiliser (freemium / licences / services).
    Klodios ≈1,2 M€ early‑stage IA de documentation médicale et administrative Positionnement sur un segment très concurrentiel (scribes, automatisation docs), peu de métriques publiques Forte (documentation, facturation) ROI conditionné à intégration SIH et conformité réglementaire européenne, risque de commoditisation par grands acteurs IA.
    Lucis 10 M€ tour 2025 Prévention augmentée par IA (algorithmes prédictifs de risque) Cas d’usage encore fragmentés, forte dépendance à régulation et remboursement pour la prévention Moyenne (parcours de prévention, programmes publics) ROI dépendant des incitations financières à la prévention ; trajectoire 3–5 ans pour déploiements significatifs.
    RDS ≈14 M€ tour 2025 Télésurveillance et organisation de soins à distance Segment très exposé aux avenants conventionnels, tarifs de télésurveillance et partage de valeur avec établissements Très forte (tarifs télésurveillance, forfaits) ROI lié à la stabilité des modèles de remboursement et à la capacité d’industrialiser la prise en charge à distance.
    4 axes de structurants

    Nabla : de l’AI scribe aux agents cliniques

    En juin 2025, Nabla lève 70 M$ en série C pour accélérer le passage de l’« AI scribe » à une plateforme agentique capable d’orchestrer la documentation, le codage et certaines actions dans le dossier patient informatisé (DPI). Ce tour, mené notamment par HV Capital et soutenu par DST Global et Highland Europe, porte le financement cumulé à environ 120 M$ et intervient alors que la solution est déployée dans plus de 130 organisations de soins, auprès d’environ 85 000 cliniciens, principalement aux États‑Unis.

    Depuis cette levée, Nabla pousse trois chantiers structurants :

    • étendre la capture de données (écoute ambiante, dictée, commandes) vers un codage automatisé ICD‑10/HCC/MCC et l’assistance E/M, avec des mécanismes de conformité intégrés ;
    • développer des agents contextuels exploitant l’historique patient pour préremplir les notes, synthétiser le dossier et initier des actions dans les principaux electronic health records (EHR) américains ;
    • se positionner comme plateforme de référence sur le segment des AI scribes, via des pilotes comparatifs face aux grands concurrents généralistes et un positionnement assumé d’acteur d’ingénierie logicielle.

    Les signaux de traction reposent sur une base installée significative, un positionnement précoce sur les agents et l’intérêt des systèmes de soins américains pour ces outils de documentation. Les principaux risques concernent le modèle (concurrence des grands acteurs de l’IA générative, intégrés aux EHR, et questions de responsabilité médico‑légale en cas d’erreur de documentation) et l’exécution (dépendance au marché américain, exigences croissantes en matière de sécurité et d’auditabilité).

    Wandercraft : l’exosquelette devient plateforme robotique

    Wandercraft annonce en 2025 un tour de série D qui porte à 75 M$ le financement total sécurisé, combinant capital‑innovation et dette, pour passer d’un statut de pionnier des exosquelettes d’équilibre à celui d’acteur multi‑segments (rééducation, mobilité personnelle, robotique industrielle). Ce tour prolonge un prêt de 25 M€ de la Banque européenne d’investissement (BEI) obtenu en 2024 et un tour de 45 M$ en série C en 2022, qui avaient soutenu le déploiement d’Atalante X aux États‑Unis et l’obtention d’autorisations réglementaires.

    La feuille de route vise à :

    • commercialiser « Eve », premier exosquelette personnel auto‑équilibré pour un usage à domicile et en extérieur, en ciblant patients chroniques et grand public à l’horizon 2026 ;
    • étendre le parc clinique Atalante X, déjà déployé dans plus de 100 établissements, en capitalisant sur des gains mesurables en rééducation neuromusculaire et une stabilité dynamique différenciante ;
    • lancer la ligne « Calvin‑40 » et la famille de robots humanoïdes Calvin en environnement industriel, dans un contexte d’automatisation croissante.

    Les signaux positifs portent sur la profondeur de la propriété intellectuelle, la traction clinique existante et la diversification des sources de revenus entre rééducation, mobilité et industrie. Les principaux risques tiennent à l’intensité capitalistique, à la complexité réglementaire multi‑pays et aux délais d’adoption dans les hôpitaux français, alors que les volumes à court terme pourraient provenir surtout de marchés mieux dotés comme les États‑Unis ou l’Allemagne.

    Bioptimus : l’IA de biologie entre dans sa phase produit

    Bioptimus boucle début 2025 une série A de 41 M$, un an après un tour d’amorçage (seed) de 35 M$, pour un total cumulé d’environ 76 M$ dédié à des modèles génératifs multi‑échelles appliqués à la biologie. Le tour est mené par Cathay Innovation, avec la participation de Bpifrance Large Venture, Sofinnova Partners, Hitachi Ventures et plusieurs fonds transatlantiques, confirmant un positionnement de deeptech à ambition mondiale.

    En 2025‑2026, l’entreprise annonce :

    • le déploiement d’un premier modèle multimodal et multi‑échelle capable de relier imagerie cellulaire et code génétique pour simuler des processus biologiques complexes, au‑delà du modèle H‑Optimus‑0 présenté en 2024 ;
    • un focus sur des cas d’usage pharmaceutiques : priorisation de cibles, prédiction de réponse thérapeutique et optimisation préclinique, avec des partenariats en co‑développement plutôt qu’une plateforme business‑to‑consumer (B2C).

    La traction repose sur un pipeline de R&D reconnu, une équipe issue d’Owkin et de l’écosystème Google/DeepMind, et un positionnement aligné avec la demande croissante des laboratoires pour des modèles « biologie‑native ». Le risque central est celui de toute deeptech biomédicale : horizon de création de valeur plus long, dépendance à des validations scientifiques et réglementaires et nécessité de démontrer un impact mesurable sur les coûts et délais de développement des médicaments.

    Hublo : la consolidation RH hospitalière à l’échelle européenne

    En 2025, Hublo, spécialiste des plateformes de ressources humaines pour établissements sanitaires et médico‑sociaux, accueille Bpifrance à son capital via un investissement d’environ 20 M€ faisant suite à un leveraged buy‑out (LBO) avec Five Arrows réalisé en juin 2025. Ce tour porte les montants levés à environ 55 M€ depuis la création et s’inscrit dans une logique de scale‑up, avec une valorisation estimée entre 200 et 300 M€.

    Les annonces 2025‑2026 mettent en avant :

    • un maillage de plus de 5 600 établissements clients en France, du sanitaire au médico‑social, et une stratégie d’acquisitions pour étendre l’offre et la présence européenne ;
    • une volonté explicite des investisseurs de soutenir la modernisation d’un service considéré comme essentiel dans un contexte de pénurie de soignants et de besoin d’optimiser remplacements et plannings.

    Hublo illustre un modèle business‑to‑business (B2B) hospitalier déjà rentable ou proche de l’équilibre, qui utilise la levée pour consolider une position de leader plutôt que financer une preuve de concept. Les risques sont surtout macroéconomiques : tension budgétaire hospitalière, concurrence d’acteurs horizontaux de gestion RH et complexité d’intégration aux autres briques du système d’information hospitalier (SIH), dans un environnement réglementaire français évolutif.

    Median Technologies : trésorerie sécurisée pour l’IA d’imagerie oncologique

    Median Technologies, cotée sur Euronext, met en place en 2025 un dispositif hybride pour sécuriser sa trésorerie et financer sa feuille de route d’IA d’imagerie oncologique. La société annonce un nouvel accord de financement avec la BEI pouvant atteindre 37,5 M€, et confirme la mise à disposition d’un premier tirage de 19 M€ en octobre 2025, assorti de bons de souscription d’actions.

    Ces financements s’ajoutent à un accord d’obligations remboursables en actions avec Iris pour un montant maximal de 10 M€, dont une première tranche de 4 M€ en 2025, en contrepartie d’engagements de renforcement de fonds propres d’au moins 16 M€. L’objectif est de financer la montée en puissance des activités d’imaging contract research organization (iCRO) et de la plateforme iBiopsy d’imagerie oncologique, tout en remboursant un ancien prêt BEI de 20,7 M€ arrivé à échéance en 2025.

    Median illustre la situation d’un acteur coté de l’IA médicale qui doit composer avec des marchés financiers volatils tout en poursuivant une trajectoire réglementaire et clinique exigeante. Le risque est que la contrainte de trésorerie limite la possibilité d’investir simultanément dans le développement produit, la validation clinique et l’effort commercial, dans un contexte de concurrence internationale accrue.

    Apmonia Therapeutics : financement participatif pour un programme oncologique

    Apmonia Therapeutics, biotech rémoise spécialisée dans le ciblage de la matrice extracellulaire des tumeurs, ouvre en 2025 une campagne de financement participatif en crowd equity visant jusqu’à 4 M€, en complément de tours institutionnels déjà engagés. La société cumule plus de 11 M€ de financements antérieurs, incluant subventions et equity via l’EIC Accelerator, aides non dilutives France 2030 et apports de fonds de capital‑risque et fondations.

    À l’été 2025, la campagne Capital Cell dépasse 3,8 M€, soit environ 96 % de l’objectif, et s’adresse à des investisseurs individuels à partir de 1 000 €, avec des incitations fiscales pour les résidents français. Cette structuration permet de finaliser la préparation des essais cliniques de première intention pour un actif ciblant des cancers résistants et de diversifier les sources de financement face aux contraintes du capital‑risque biotech.

    Le modèle ouvre la voie à d’autres biotechs cherchant à impliquer directement des investisseurs individuels, mais comporte un risque de gouvernance lié à la multiplicité des petits actionnaires. Il reste par ailleurs soumis au risque scientifique et clinique élevé propre au développement de nouveaux traitements anticancéreux.

    Sim&Cure : les jumeaux numériques neurovasculaires changent d’échelle

    Fin 2025, Sim&Cure annonce un tour d’environ 10 M€ pour accélérer la diffusion internationale de sa technologie de jumeau numérique appliquée aux anévrismes cérébraux. La société développe Sim&Size, solution de planification personnalisée des procédures endovasculaires, utilisée dans plus de 45 pays par plus de 700 professionnels, avec plus de 35 000 procédures planifiées.

    Ce financement, présenté comme une extension de série A, vise à :

    • renforcer la présence en Asie, en particulier en Chine et en région Asie‑Pacifique (APAC), tout en consolidant l’empreinte européenne et nord‑américaine ;
    • étendre la suite produit vers Sim&Train (simulation pour la formation) et Sim&Predict (prédiction de résultats) et approfondir les intégrations avec les écosystèmes d’imagerie Siemens Healthineers, Philips et autres.

    Les indicateurs d’usage confirment une adoption réelle dans un segment où l’IA et la simulation numérique sont directement reliées à la sécurité des interventions. Les principaux risques concernent la dépendance à l’équipement en imagerie avancée, l’intégration au flux de travail des neuro‑interventionnels et l’hétérogénéité des cadres réglementaires sur les logiciels de dispositif médical selon les régions.

    Rofim : consolider la télémédecine hospitalière et la coordination

    En 2025, Rofim lève 10 M€ pour consolider sa position de plateforme de télémédecine hospitalière et accélérer son développement international, tout en investissant dans ses briques d’IA. La plateforme, structurée autour de modules de téléexpertise, téléconsultation, réunions de concertation pluridisciplinaire (e‑RCP), dossier communicant de cancérologie (DCC) et autres usages collaboratifs, revendique 1 700 établissements déployés et 70 000 professionnels de santé utilisateurs, avec une présence marquée en Outre‑mer.

    La levée finance trois axes :

    • renforcer la couverture fonctionnelle pour répondre à des besoins hétérogènes (patients complexes, e‑RCP, téléassistance chirurgicale, contextes de crise) ;
    • structurer le développement international, la société étant déjà présente dans plus de 12 pays au moment de la levée ;
    • accélérer l’intégration de l’IA sémantique dans les différents modules, dans la continuité d’un premier moteur déployé dès 2021.

    Rofim se situe au cœur des enjeux de coordination ville‑hôpital, d’e‑RCP oncologiques et de prise en charge des territoires sous‑denses. Le défi consiste à maintenir un rythme d’innovation, notamment en IA, tout en préservant une ergonomie acceptable pour des cliniciens fortement sollicités et en s’inscrivant dans les politiques publiques de télésanté qui structurent les flux financiers.

    Juisci : l’IA documentaire scientifique au service des soignants

    Fondée en 2021, Juisci boucle en 2025 un tour seed de 5,5 M€ pour développer une IA spécialisée sur les publications scientifiques et l’accès à la littérature médicale. Le tour est mené par Ring Capital et Big Pi Ventures, avec la participation de Bpifrance et de plusieurs business angels sectoriels.

    La société revendique plus de 200 000 utilisateurs dans 60 pays, une application disponible en dix langues et une trentaine de clients institutionnels et industriels (Sanofi, Takeda, L’Oréal, Royal Canin, sociétés savantes), avec un positionnement orienté vers la transformation de la littérature en savoir actionnable pour cliniciens, hôpitaux et industriels. L’outil propose résumés, infographies, podcasts et vidéos, et indique pouvoir faire gagner plusieurs heures par semaine aux professionnels de santé tout en augmentant la production de contenus scientifiques pour ses clients.

    Les signaux de traction sont importants pour un tour seed : base utilisateur large, premiers grands comptes, différenciation nette par rapport aux modèles de langage généralistes. Les principaux enjeux sont la démonstration de la pérennité du modèle économique (entre licences B2B, offres freemium et services de knowledge management), la conformité réglementaire en cas d’usages cliniques et la capacité à rester à jour dans un volume de publications en croissance rapide.

    Klodios, Lucis, RDS : IA clinique et prévention en phase d’amorçage

    Trois acteurs complètent le panorama de l’IA clinique et de la prévention augmentée. Klodios lève environ 1,2 M€ en 2025 à un stade d’early‑stage et se positionne sur l’IA de documentation médicale et administrative, dans un espace de plus en plus concurrentiel où la différenciation passera par l’intégration aux systèmes hospitaliers et la conformité aux cadres européens. Lucis lève 10 M€ autour de la prévention augmentée par IA et doit démontrer sa capacité à insérer des algorithmes prédictifs dans des parcours de prévention fragmentés et fortement dépendants de la régulation et du remboursement.

    RDS réalise un tour d’environ 14 M€ en 2025 dans la télésurveillance et l’organisation de soins à distance, dans un paysage où la soutenabilité des modèles dépend des avenants conventionnels, des tarifs et du partage de valeur entre industriels et établissements. Pour ces trois dossiers, les informations publiques sont plus limitées que pour Nabla, Wandercraft ou Hublo, et l’analyse repose davantage sur la cohérence de leur positionnement avec les grandes tendances du marché que sur des métriques de traction publiées.

    Sources et bibliographie

    1. Communiqués de presse des sociétés Nabla, Wandercraft, Bioptimus, Hublo, Median Technologies, Apmonia Therapeutics, Sim&Cure, Rofim, Juisci, Klodios, Lucis, RDS, 2024‑2025.
    2. Données financières publiques Euronext, rapports annuels et communiqués investisseurs, 2024‑2025.
    3. Dossiers de presse Bpifrance, BEI, EIC Accelerator, France 2030, 2023‑2025.

     

  • IA : cinq études de référence pour repenser diagnostic, biomarqueurs et régulation en 2025

    Eléments clés :

    • Cinq études de npj Digital Medicine clarifient les usages et limites de l’IA en santé ;
    • exactitude diagnostique globale de 52,1% pour l’IA générative, inférieure aux experts mais proche des non‑experts ;
    • imagerie de fond d’œil et machine learning atteignant des AUROC jusqu’à 96,9% pour le dépistage du TDAH ;
    • plateforme NetraAI permettant des gains d’AUC jusqu’à +0,32 et une exactitude jusqu’à 100% sur des sous‑groupes ciblés ;
    • introduction d’un « label » IA en amont dans la filière AVC, avec reconfiguration des parcours et des responsabilités ;
    • proposition de loi américaine ouvrant à une IA prescriptrice, dans un contexte de fragilisation des capacités de supervision de la FDA.

    En 2025, plusieurs travaux publiés dans npj Digital Medicine ont marqué une inflexion importante dans la compréhension des usages et limites de l’intelligence artificielle (IA) en santé, tant sur le plan clinique que sur les plans organisationnel, réglementaire et méthodologique.

    L’article de Takita et al., issu de l’Osaka Metropolitan University et de plusieurs institutions japonaises, propose une méta‑analyse systématique comparant la performance diagnostique des modèles d’IA générative aux médecins dans de multiples spécialités.

    Geraci et al., au sein de NetraMark Corp. (Canada) et du National Institute of Mental Health (États‑Unis), démontrent l’usage d’une plateforme d’IA explicable, NetraAI, pour l’enrichissement de protocoles d’essais cliniques de phase II en psychiatrie.

    Choi et al., de l’Université Yonsei (Corée du Sud), explorent la photographie de fond d’œil comme biomarqueur non invasif du trouble déficit de l’attention avec ou sans hyperactivité (TDAH) via des modèles de machine learning (ML).

    En parallèle, D’Adderio et Bates (Université d’Édimbourg et Harvard) analysent la transformation des pratiques de diagnostic sous l’effet de l’IA, en particulier dans la prise en charge hyperaiguë de l’AVC.

    Enfin, Gilbert, Dai et Mathias (TU Dresden, Johns Hopkins) discutent les implications de la proposition de loi américaine ouvrant la voie à une IA prescriptrice autonome dans un contexte de fragilisation de la capacité de supervision de la FDA.​

    L’objectif de cet article est d’analyser de manière intégrée ces cinq contributions, sélectionnées pour la force de leurs métriques et de leur impact conceptuel, afin d’identifier les principaux enseignements pour les acteurs de la santé numérique en matière de diagnostic assisté ou automatisé, de conception de biomarqueurs, de méthodologies d’essais cliniques, de transformation organisationnelle et de cadres réglementaires. L’enjeu central est de comprendre comment ces résultats, parfois contrastés, doivent orienter les stratégies d’investissement, de conception de produits et de gouvernance de l’IA en santé.

    Performance diagnostique de l’IA générative : promesses et limites

    L’étude de Takita et al. constitue à ce jour la synthèse la plus exhaustive de la performance diagnostique des grands modèles génératifs en comparaison des médecins, couvrant 83 études publiées entre juin 2018 et juin 2024 dans de nombreuses spécialités. Les auteurs rapportent une exactitude diagnostique globale de 52,1% pour les modèles d’IA générative (IC 95 % 47,0–57,1), sans différence significative avec les médecins dans l’ensemble, mais avec des écarts importants selon le niveau d’expertise. La précision des médecins était en moyenne supérieure de 9,9 points (IC 95 % 2,3 à 22,0 ; p = 0,10) et de 0,6 point pour les médecins non experts (IC 95% −14,5 à 15,7 ; p = 0,93), alors que les IA étaient significativement inférieures aux experts (différence de 15,8 points ; IC 95 % 4,4–27,1 ; p = 0,007).​

    Sur 18 371 publications identifiées, seules 83 ont été incluses, illustrant le degré de sélection nécessaire pour disposer de jeux de données réellement exploitables et évalués. Les modèles les plus évalués sont GPT‑4 (54 articles) et GPT‑3.5 (40 articles), tandis que GPT‑4V, PaLM 2, Llama 2, Llama 3, Claude 3, Gemini 1.5 Pro et Perplexity ne sont présents que dans un nombre plus limité d’études. La majorité des travaux présente un risque de biais jugé élevé par PROBAST (76 études sur 83), principalement du fait de petites tailles d’échantillon et de l’absence de transparence sur les données d’entraînement. Cette hétérogénéité méthodologique rend les résultats prometteurs mais non encore généralisables pour des décisions cliniques à haut risque.​

    Dans les comparaisons directes, certains modèles (GPT‑4, GPT‑4o, Llama 3 70B, Gemini 1.0 Pro, Gemini 1.5 Pro, Claude 3 Sonnet, Claude 3 Opus, Perplexity) atteignent des performances proches de médecins non experts dans certains contextes, sans différence significative. En revanche, GPT‑3.5, GPT‑4, Llama 2, PaLM 2, Mistral 7B, Mixtral et Med‑42 restent significativement en dessous des experts pour l’exactitude diagnostique. Les analyses par spécialité montrent peu de différences entre médecine générale et la plupart des domaines, à l’exception notable de l’urologie et de la dermatologie, où les écarts sont significatifs (p < 0,001). En dermatologie, cette meilleure performance relative est interprétée comme le reflet de la force des modèles sur des tâches de reconnaissance de patterns visuels, mais les auteurs soulignent que la discipline exige une intégration de facteurs cliniques complexes dépassant la seule analyse d’images.​

    Pour les décideurs, ces résultats impliquent que l’IA générative peut tendre vers une performance de niveau « junior » ou « non expert » dans de nombreuses situations, tout en restant systématiquement inférieure aux experts, en particulier dans les scénarios complexes utilisant des données issues de dossiers médicaux électroniques détaillés. L’étude cite des travaux montrant que la performance peut se dégrader dans ces contextes riches, ce qui appelle à une prudence particulière pour les cas à forte complexité et à forte conséquence clinique. La principale valeur ajoutée à court terme apparaît dans des contextes d’augmentation de compétences (augmenter la performance de non‑experts, triage, formation) plutôt que dans une perspective de substitution des experts.

    Biomarqueurs et screening : l’exemple du TDAH par imagerie rétinienne

    Choi et al. démontrent le potentiel d’un biomarqueur purement numérique fondé sur imagerie rétinienne pour le screening du TDAH et la stratification de certaines dimensions de fonctions exécutives. L’étude inclut 646 participants de moins de 19 ans (323 TDAH, 323 témoins à développement typique) dans deux hôpitaux tertiaires Coréens, avec au total 1108 photographies de fond d’œil après exclusion des images de mauvaise qualité via la pipeline AutoMorph. Les modèles ML (Random Forest, XGBoost, Extra Trees, régression logistique) atteignent des AUROC comprises entre 95,5% et 96,9% pour discriminer TDAH et témoins, avec le meilleur modèle (XGBoost) affichant une sensibilité de 91,6% (IC 95 % 89,7–93,7) et une spécificité de 92,0% (IC 95 % 90,1–93,9).​

    Les explications par SHAP mettent en évidence l’importance de la densité vasculaire rétinienne, de la largeur moyenne des vaisseaux et de paramètres du disque optique. Les enfants avec TDAH présentent en moyenne une vascularisation plus dense et des vaisseaux plus épais, avec toutefois des artères plus fines dans la zone péripapillaire (zone B), ainsi que des disques optiques et cupules de plus petite taille. Ces altérations sont discutées à la lumière du rôle de la dopamine dans le développement rétinien, les processus synaptiques et la régulation de la perfusion vasculaire. L’article rappelle les données d’électrorétinogramme (ERG) montrant un « bruit de fond » accru, une diminution de l’onde a chez les filles et une augmentation de l’onde b dans le TDAH, suggérant un impact fonctionnel de ces altérations structurales.​

    S’agissant de la stratification des fonctions exécutives, les performances sont plus contrastées. Les modèles atteignent des AUROC jusqu’à 87,3% pour la visual selective attention (VSA) et 85,8% pour le sustained attention response task (SART), avec 14 modèles sur 15 dépassant 0,7 dans le domaine VSA et la totalité dans le SART. En revanche, les performances sont nettement plus faibles en attention auditive (ASA), avec seulement une minorité de modèles dépassant 0,8, et les modèles de stratification de la sévérité clinique (K‑ARS) restent globalement autour de 0,6 d’AUROC. La capacité à distinguer TDAH et autisme à partir des seules images rétiniennes est également limitée (AUROC maximale 63%), suggérant que ce biomarqueur n’est pas spécifique d’un trouble du neurodéveloppement particulier.​

    Pour les acteurs industriels et les systèmes de soins, cette étude illustre trois enseignements. D’abord, un biomarqueur numérique très focalisé (fond d’œil) peut atteindre une performance de screening comparable ou supérieure aux tests comportementaux standard tout en restant non invasif et scalable. Ensuite, la valeur de ces biomarqueurs semble plus forte pour des dimensions spécifiques (attention visuelle) que pour la sévérité globale des symptômes, ce qui plaide pour des cas d’usage centrés sur le triage et la stratification fonctionnelle plutôt que sur le diagnostic différentiel. Enfin, la généralisation sera conditionnée par la validation externe, la diversité des populations (l’étude étant limitée à deux centres sud‑coréens) et l’intégration dans des parcours où les comorbidités fréquentes du TDAH sont la norme plutôt que l’exception.

    IA explicable et essais cliniques de précision : l’apport de NetraAI

    Geraci et al. présentent NetraAI, une plateforme d’IA explicable conçue pour résoudre le problème du « small n, large p » caractéristique des essais de phase II, en identifiant des sous‑populations de patients très répondeurs à partir de données cliniques et d’imagerie multi‑dimensionnelles. L’exemple empirique est un essai de phase II sur la kétamine dans la dépression résistante (n = 63), dans lequel NetraAI analyse 175 variables cliniques et 185 caractéristiques IRM par patient afin de dériver des « personas » de patients à forte probabilité de réponse.​

    Sur les données d’échelles psychiatriques, la comparaison entre pipeline ML conventionnel (Naive Bayes, Random Forest, Gradient Boosting, réseau de neurones profond) et pipeline « relabeling » guidé par NetraAI montre des gains substantiels. Les modèles classiques, entraînés sur l’ensemble des 175 variables, affichent des AUC‑ROC comprises entre 0,27 et 0,62, avec des exactitudes entre 44,5% et 60,3%, reflétant une forte hétérogénéité et un surapprentissage probable. Après sélection par NetraAI d’un bundle de 10 variables issues essentiellement des échelles CADSS et BDI définissant un sous‑ensemble de 26 patients (dont 81% de vrais répondeurs dans la classe PNRTR), les mêmes modèles atteignent des AUC‑ROC de 0,82 à 0,87, des exactitudes d’environ 84,2% et des F1‑scores supérieurs à 80% pour les meilleurs algorithmes.​

    Les résultats sont encore plus marqués sur les données IRM. En se limitant aux 15 variables les mieux classées par ANOVA, les modèles conventionnels obtiennent des AUC‑ROC de 0,34 à 0,60, des exactitudes autour de 44–64% et des spécificités particulièrement faibles, illustrant la difficulté de généraliser à partir d’un petit échantillon. En revanche, NetraAI identifie un sous‑groupe de 15 patients caractérisés par un pattern volumétrique spécifique sur huit régions (notamment hippocampe droit, cortex cingulaire postérieur droit, cortex orbitofrontal médian droit, régions temporales) avec 80% de vrais répondeurs. En restreignant l’entraînement à ces huit variables, Gradient Boosting atteint 100% d’exactitude, de sensibilité et de spécificité (AUC‑ROC 1,0), et les autres modèles approchent ou dépassent 90% de performance sur tous les indicateurs.​

    Les auteurs insistent sur le caractère hypothèse‑générateur de ces résultats, compte tenu de la taille de l’échantillon et du risque de sur‑spécialisation à une cohorte unique. Cependant, ils montrent que NetraAI permet de réduire drastiquement la dimensionnalité tout en préservant la majeure partie de l’information prédictive : sur un jeu de données synthétique à 500 variables, un ensemble réduit à 4 variables conserve une performance quasi identique en AUC, ce qui est corroboré par une analyse en composantes principales montrant que ces variables expliquent l’essentiel de la variance.​

    D’un point de vue stratégique, NetraAI illustre une évolution vers des plateformes d’IA « thermo‑régulées », capables de produire des signatures de sous‑population interprétables (2 à 4 variables) qui peuvent être intégrées dans les critères d’inclusion/exclusion, les plans d’adaptation de protocoles et la communication réglementaire. L’intégration d’un LLM biomédical en aval permet de transformer ces personas en langage opérationnel (critères, rationales mécanistiques, alignement réglementaire), tout en gardant une supervision humaine et en limitant les risques d’hallucinations. Pour les industriels, le message est que la valeur ne réside pas seulement dans la prédiction brute de réponse, mais dans la capacité à générer des règles de stratification suffisamment simples pour être utilisées à grande échelle et auditées.

    Transformations organisationnelles : diagnostic augmenté plutôt que remplacé

    Le commentaire de D’Adderio et Bates s’appuie sur une étude qualitative de cinq ans dans trois centres de référence AVC au Royaume‑Uni pour analyser les effets pratiques de l’introduction d’outils d’IA dans la filière « door‑to‑treatment ». Les auteurs décrivent un renversement de la temporalité diagnostique : alors que, traditionnellement, le diagnostic formel était l’aboutissement d’un processus itératif d’examen, d’intégration et de validation des informations, l’IA introduit désormais un « label » initial, issu du traitement automatique des imageries, accessible quasi instantanément à l’ensemble de l’équipe via une application centralisée.​

    Dans les cas de suspicion d’occlusion de gros vaisseau, l’IA génère des cartes de perfusion et d’angiographie CT (AI‑CTP, AI‑CTA) indiquant la présence d’une occlusion et la proportion de tissu cérébral potentiellement sauvable, ce qui déclenche immédiatement l’activation du parcours de thrombectomie et l’alerte du neuroradiologue interventionnel. Le travail clinique consiste alors à vérifier ou infirmer cette proposition en la confrontant aux données du patient, aux examens complémentaires et aux interprétations des radiologues, ce qui revient à déplacer le rôle de l’IA d’un support de raisonnement à un point de départ de la démarche diagnostique.​

    Cette reconfiguration soulève plusieurs questions critiques pour les organisations de soins. En premier lieu, l’impact sur la précision et la rapidité reste à documenter dans des conditions réelles, les études d’impact initiales étant encore rares et centrées sur des comparaisons techniques. La littérature citée montre que certains outils de détection des occlusions permettent de réduire les délais de traitement dans des essais randomisés en grappes, mais le gain réel doit être mis en balance avec les temps de vérification et les pratiques de double lecture qui peuvent ajouter des frictions. En second lieu, la redistribution des compétences inter‑professionnelles (neurologues, radiologues, interventionnels) pourrait engendrer des tensions de juridiction, notamment si les médecins d’organe développent une expertise d’interprétation d’imagerie se rapprochant de celle des radiologues.​

    Les auteurs attirent également l’attention sur le risque d’« automation bias » chez les cliniciens les moins expérimentés ou les plus chargés, susceptibles de suivre l’IA sans esprit critique, alors même que la promesse d’objectivité des algorithmes peut masquer de nouvelles sources de biais liées aux données d’entraînement. Enfin, l’omniprésence du flux d’images et de résultats IA sur mobile peut renforçer une prise de décision à distance, où la confrontation directe au patient est reléguée après la première décision de parcours, ce qui reconfigure la place de l’examen clinique dans la hiérarchie des preuves.​

    Pour les hôpitaux et industriels, ces observations indiquent que la valeur de l’IA ne se joue plus seulement au niveau du modèle mais au niveau de l’architecture socio‑technique : gouvernance des alertes, protocoles de vérification, gestion des conflits d’interprétation, formation à la critique des systèmes d’IA et définition de nouveaux rôles dédiés à la surveillance des performances en vie réelle.

    Gouvernance et régulation : IA autonome et fragilisation du régulateur

    L’article de Gilbert, Dai et Mathias analyse la proposition de loi « Healthy Technology Act of 2025 » introduite au Congrès américain, visant à amender le Federal Food, Drug, and Cosmetic Act pour inclure explicitement l’IA et le ML dans la définition du « praticien habilité à prescrire ». Le texte, d’environ 330 caractères, élargirait la catégorie des prescripteurs potentiels, sous réserve de l’autorisation par les États et de l’agrément par la FDA. Les auteurs soulignent que cette proposition, pionnière au niveau mondial, intervient paradoxalement au moment où la FDA subit des coupes budgétaires et des licenciements importants, touchant particulièrement les équipes impliquées dans la régulation de l’IA au Center for Devices and Radiological Health.​

    Sur le plan conceptuel, les auteurs défendent l’idée que l’IA prescriptrice n’est pas intrinsèquement plus problématique que des systèmes diagnostiques autonomes déjà autorisés, comme IDx‑DR/LumineticsCore pour la rétinopathie diabétique ou DERM en Europe pour la détection autonome de cancers cutanés, qui prennent déjà des décisions potentiellement vitales dans des domaines bien circonscrits. Ils rappellent que le taux d’erreurs de prescription chez les humains est estimé entre 5 et 9%, avec des conséquences parfois graves, et que des phénomènes systémiques comme la sur‑prescription d’antibiotiques ou la crise des opioïdes montrent les limites d’un modèle purement humain. Dans ce contexte, une IA correctement conçue, monitorée et soumise à des garde‑fous réglementaires pourrait contribuer à réduire certains types d’erreurs et de dérives.​

    Toutefois, l’argument central est que la faisabilité éthique et sécuritaire d’une telle évolution dépend de l’existence d’un régulateur robuste, doté des ressources et compétences nécessaires pour encadrer ces systèmes, définir des politiques de surveillance continue et imposer des mécanismes de feedback ouverts. Or, les licenciements qualifiés de « haphazard » par d’anciens responsables de la FDA, accompagnés de lettres de rupture dénigrant les performances des équipes, laissent craindre un affaiblissement durable de cette capacité de supervision. Même si certains employés ont été réintégrés, les auteurs soulignent qu’un vide réglementaire temporaire peut suffire à laisser se diffuser des systèmes hautement risqués sans contre‑pouvoir suffisant.​

    Pour les décideurs publics et les industriels, cet article souligne l’importance de l’alignement entre innovation législative et capacité opérationnelle de régulation. Une stratégie cohérente d’IA en santé suppose de coupler toute extension du champ de l’IA autonome (diagnostic, prescription, triage) à un renforcement des outils de monitoring (registre de performance, auditabilité, publication de cartes de modèles, etc.) et des ressources humaines du régulateur.

    Tableau de synthèse : principaux apports pour les acteurs de la santé numérique

    Article (npj Digital Medicine, 2025) Objet principal Indicateurs clés Enseignements pour la santé numérique
    Takita et al. « A systematic review and meta-analysis of diagnostic performance comparison between generative AI and physicians »​ Performance diagnostique de l’IA générative vs médecins, multi‑spécialités Exactitude globale IA 52,1% (IC 95 % 47,0–57,1) ; écart vs médecins non significatif globalement, mais −15,8 points vs experts (p = 0,007).​ L’IA générative peut atteindre un niveau « non expert » dans de nombreux contextes, utile pour l’augmentation et la formation, mais ne remplace pas l’expertise clinique, surtout en scénarios complexes.​
    Choi et al. « Retinal fundus imaging as biomarker for ADHD »​ Screening TDAH et stratification des fonctions exécutives par photos de fond d’œil AUROC 95,5–96,9% pour le diagnostic TDAH ; AUROC jusqu’à 87,3% pour l’attention visuelle ; performance limitée pour la sévérité et la différenciation TDAH vs TSA.​ Les biomarqueurs numériques basés sur imagerie simple peuvent fournir des outils de triage robustes et scalables, mais nécessitent une validation externe et doivent être positionnés comme compléments aux outils cliniques.​
    Geraci et al. « Explainable AI-driven precision clinical trial enrichment (NetraAI) »​ Enrichissement d’essais cliniques et découverte de sous‑populations répondeuses via IA explicable Gain d’AUC jusqu’à +0,32 et d’exactitude >20 points après sélection de 10 variables cliniques ; modèles IRM atteignant 100% d’exactitude et AUC 1,0 sur un sous‑groupe défini par 8 variables.​ Les plateformes d’IA explicable focalisées sur la découverte de personas permettent de transformer de petits essais hétérogènes en outils de stratification interprétables et opérationnels pour la médecine de précision.​
    D’Adderio & Bates « Transforming diagnosis through artificial intelligence »​ Impact organisationnel des outils d’IA dans la filière AVC Inversion du flux diagnostique (label IA en amont) ; déclenchement anticipé des parcours de thrombectomie ; nécessité de nouvelles pratiques de vérification et de gouvernance.​ L’IA modifie la séquence et la distribution du pouvoir diagnostique, exigeant de nouvelles routines cliniques, des dispositifs de gestion des biais d’automatisation et de nouveaux rôles de surveillance.​
    Gilbert, Dai & Mathias « Consternation as Congress proposal for autonomous prescribing AI… »​ IA prescriptrice autonome et fragilisation de la FDA Taux d’erreurs de prescription humaine 5–9% ; proposition d’inclure l’IA comme « praticien » prescripteur ; licenciements massifs au CDRH impactant l’expertise IA.​ Toute extension du rôle autonome de l’IA (diagnostic, prescription) doit être conditionnée à des garde‑fous réglementaires robustes et à une capacité de monitoring continue du régulateur.​

    Discussion : implications stratégiques pour les acteurs de la santé numérique

    Pris ensemble, ces travaux dessinent un paysage dans lequel l’IA n’est ni un substitut immédiat au médecin, ni un outil marginal, mais un catalyseur de reconfiguration des pratiques, des méthodologies de recherche et des cadres de régulation. Pour les industriels développant des solutions diagnostiques, la méta‑analyse de Takita et al. impose une stratégie de positionnement réaliste, centrée sur l’augmentation des compétences de non‑experts, le triage et la formation, plutôt que sur la promesse d’un diagnostic autonome généralisable. Les métriques agrégées de 52,1% d’exactitude globale rendent difficile la revendication d’un bénéfice clinique sans démonstration spécifique par spécialité et par contexte d’usage.​

    Les résultats de Choi et al. montrent que, dans des niches pathologiques ciblées, la combinaison d’un biomarqueur simple (fond d’œil) et de modèles ML bien calibrés peut produire des performances très élevées au prix d’investissements raisonnables en infrastructure, ce qui est particulièrement pertinent pour des usages de dépistage populationnel. Toutefois, l’absence de spécificité vis‑à‑vis d’autres troubles du neurodéveloppement et la dépendance à un contexte géographique et ethnique particulier imposent des programmes de validation multi‑sites et multi‑ethniques avant un déploiement international.​

    Pour les promoteurs d’essais et les biotechs, l’approche NetraAI souligne que la principale rupture ne réside pas seulement dans l’augmentation de puissance statistique, mais dans la capacité à transformer l’architecture même des essais en identifiant des sous‑populations mécaniquement plausibles et auditables. La traduction de personas en critères de sélection et en rationales cliniques par un LLM spécialisé, soumis à validation humaine, ouvre une voie concrète vers des essais adaptatifs et enrichis, potentiellement plus efficaces et plus acceptables par les régulateurs.​

    Sur le plan organisationnel, l’analyse de D’Adderio et Bates invite les établissements à anticiper les effets systémiques d’un passage à des parcours « AI‑first » dans lesquels le flux d’information est initié par l’algorithme plutôt que par le clinicien. Cela suppose des investissements non seulement technologiques mais aussi en change management, en mise à jour des responsabilités médico‑légales et en formation à la critique des sorties IA. Enfin, le commentaire de Gilbert et al. rappelle que les innovations les plus ambitieuses (IA prescriptrice autonome) ne peuvent être dissociées de la trajectoire des institutions de régulation, et que la soutenabilité d’un écosystème de santé numérique dépend autant de la solidité des garde‑fous réglementaires que de la qualité des modèles.

    Bibliographie

    Choi, H., Hong, J., Kang, H. G., Park, M.-H., Ha, S., Lee, J., Yoon, S., Kim, D., Park, Y. R., & Cheon, K.-A. (2025). Retinal fundus imaging as biomarker for ADHD using machine learning for screening and visual attention stratification. npj Digital Medicine, 8, 164. https://doi.org/10.1038/s41746-025-01547-9​

    D’Adderio, L., & Bates, D. W. (2025). Transforming diagnosis through artificial intelligence. npj Digital Medicine, 8, 54. https://doi.org/10.1038/s41746-025-01460-1​

    Geraci, J., Qorri, B., Tsay, M., Cumbaa, C., Leonczyk, P., Alphs, L., Ballard, E. D., Zarate, C. A., & Pani, L. (2025). Explainable AI-driven precision clinical trial enrichment: Demonstration of the NetraAI platform with a phase II depression trial. npj Digital Medicine, 8, 749. https://doi.org/10.1038/s41746-025-02143-7​

    Gilbert, S., Dai, T., & Mathias, R. (2025). Consternation as Congress proposal for autonomous prescribing AI coincides with the haphazard cuts at the FDA. npj Digital Medicine, 8, 165. https://doi.org/10.1038/s41746-025-01540-2​

    Takita, H., Kabata, D., Walston, S. L., Tatekawa, H., Saito, K., Tsujimoto, Y., Miki, Y., & Ueda, D. (2025). A systematic review and meta-analysis of diagnostic performance comparison between generative AI and physicians. npj Digital Medicine, 8, 175. https://doi.org/10.1038/s41746-025-01543-z

  • IA ambiante : « l’assistant médical réduit la charge de rédaction et améliore le temps de consultation » (Dr Samiya Abi Jaoude, Hôpital Fondation Adolphe de Rothschild)

    L’entretien avec le Dr Samiya Abi Jaoude et Félix Motosso précise les modalités de déploiement, les impacts sur la pratique et les conditions de reproductibilité dans d’autres hôpitaux.

    Les points clés de l’entretien :

    • 75% des soignants estiment que l’IA améliore leur qualité de vie au travail, 63% des patients jugent qu’elle libère du temps pour les soignants (étude Time to Care) ;
    • une étude européenne indique que les Assistants Médicaux IA réduisent de 29 % le temps administratif ;
    • environ 1 000 établissements européens utilisent déjà la solution Tandem Health, une cinquantaine de pilotes sont en cours en France ;
    • à HFAR, plus de 1 500 consultations ont été couvertes lors du pilote estival avant la décision d’adoption ;
    • les principaux cas d’usage concernent la génération de comptes rendus structurés, les courriers d’adressage et certains modèles d’ordonnances ;
    • la solution n’est pas encore intégrée au dossier patient informatisé (DPI) et fonctionne aujourd’hui comme dispositif médical de classe I, en attente de certification MDR de classe II.

    L’adoption de la solution Tandem Health par l’Hôpital Fondation Adolphe de Rothschild (HFAR), après un pilote estival portant sur plus de 1 500 consultations, illustre concrètement ces bénéfices en visant à améliorer le quotidien des soignants, diminuer le temps administratif et renforcer la qualité du temps médical auprès des patients. L’entretien du 12 décembre 2025 avec le Dr Samiya Abi Jaoude et M. Félix Motosso documente précisément la mise en œuvre de cet assistant médical à HFAR et ses conditions de reproductibilité.​

    Contexte et présentation des intervenants

    Le Dr Samiya Abi Jaoude est neurochirurgienne adulte à l’Hôpital Fondation Adolphe de Rothschild, au sein du service de neurochirurgie adulte, distinct de la neurochirurgie pédiatrique. Ses surspécialités couvrent la chirurgie de la base du crâne, la chirurgie vasculaire et les pathologies du liquide cérébrospinal, avec notamment une forte activité autour de l’hydrocéphalie à pression normale (HPN). Elle se décrit comme « curieuse » et volontiers testeuse de nouveautés numériques, mais jusqu’ici rarement convaincue par les solutions proposées sur le terrain, souvent jugées déconnectées de la réalité du terrain médical français.​

    Elle rappelle son parcours à l’AP-HP (internat puis clinicat), où elle a connu successivement la dictée sur cassette, la dictée sur carte SD avec transcription externalisée, puis la dictée directe aux secrétaires ou via Dragon, avec un niveau de satisfaction limité, notamment du fait de son accent mal reconnu et de la nécessité de corrections massives. Cette trajectoire nourrit sa sensibilité au sujet des outils de documentation médicale et à leur impact sur le temps clinique et la qualité des comptes rendus.​

    Félix Motosso est directeur général de Tandem Health France, en charge du développement de la solution d’assistant médical IA dans les établissements de santé français. Le double positionnement de Tandem est mis en avant : d’une part comme solution de rédaction et de documentation (dispositif médical de classe I aujourd’hui, en cours de certification MDR de classe II), d’autre part comme futur levier d’aide au diagnostic et de prise de décision une fois la donnée patient accessible dans un cadre réglementaire renforcé. À l’échelle européenne, il indique que Tandem est déjà utilisée dans environ 1 000 établissements, et qu’en France une cinquantaine de pilotes sont en cours, incluant CH, ESPIC et groupes privés, avec une dynamique de contractualisation en fin 2025.​

    HFAR : un projet inscrit dans une stratégie numérique

    HFAR est décrit comme un établissement fortement engagé dans la digitalisation, sans dossier papier depuis plusieurs années, avec un recours exclusif au dossier informatique. La direction est jugée très motrice sur les sujets de transformation numérique, avec une volonté de digitaliser le parcours patient et d’optimiser les ressources secrétariales.​

    Avant Tandem, HFAR a testé une autre solution IA, expérience jugée globalement négative par le Dr Abi Jaoude. Elle souligne plusieurs limites : trame de consultation pensée pour le système américain et mal adaptée au contexte français, absence de personnalisation pour les surspécialités, et surtout des hallucinations importantes (ex. apparition d’un contenu de chirurgie digestive dans un compte rendu de neurochirurgie), conduisant à l’abandon du test jugé chronophage et peu utile. Cet échec a renforcé l’exigence d’une solution mieux adaptée à la pratique de spécialité, structurée et fiable, sans surcharge de corrections.​

    Le projet Tandem est porté conjointement par la direction (dynamique de digitalisation, recherche d’efficience, réduction de la charge secrétariale) et par une partie du corps médical, dont la cheffe de service et le Dr Abi Jaoude, volontaires pour tester des solutions innovantes. L’objectif explicite est de réduire le temps consacré à la frappe et à la rédaction, de fiabiliser et structurer les comptes rendus, et de redonner du temps d’échange en face à face avec le patient en consultation.​

    Génération automatique de comptes rendus structurés en consultations programmées

    Le cas d’usage principal déployé à HFAR avec Tandem est la génération automatique de comptes rendus de consultation à partir de l’audio capté pendant l’échange médecin–patient. Dans le service du Dr Abi Jaoude, un cas emblématique est la consultation d’hydrocéphalie à pression normale (HPN), nécessitant un interrogatoire très structuré pour décider d’une éventuelle dérivation, avec des rubriques précises (troubles de la marche, troubles sphinctériens, troubles cognitifs, troubles de l’humeur, « red flags »).​

    Plus largement, Tandem est utilisé dans plusieurs spécialités de l’hôpital, notamment en neurochirurgie adulte, en cardiologie et en pédiatrie, avec des modèles adaptés selon les besoins. Les types de consultations couverts concernent principalement les consultations médicales programmées, incluant des consultations de première fois et des suivis, particulièrement dans des contextes chroniques ou de surspécialités où un compte rendu structuré est critique (ex. pathologies neurochirurgicales complexes).​

    Figure 3 Exemple de compte-rendu sur Tandem Health

    Pour l’instant, les documents majoritairement générés sont :

    • des comptes rendus de consultation structurés ;
    • des courriers d’adressage ou de réponse entre spécialistes et médecins traitants ;
    • des courriers patients ;
    • et, pour certains médecins, des ordonnances, même si Tandem n’est pas positionné comme outil de validation automatique de prescriptions.​

    « Quelques minutes gagnées par consultation et une interaction patient plus directe »

    Le Dr Abi Jaoude estime que Tandem lui fait gagner quelques minutes par consultation, principalement sur la frappe et la mise en forme, ce qui, sur des journées de 25 à 30 patients, représente un gain de temps significatif. Elle ne parle pas de « 10–12 minutes » gagnées par consultation, mais insiste sur l’effet cumulé de ces minutes et sur le confort apporté par la disparition de la frappe en continu pendant l’échange. La consultation HPN, souvent longue (entre 15 et 25 minutes), devient plus fluide puisque l’attention peut se porter davantage sur le patient que sur l’écran.​

    Concrètement, elle ne tape plus ses comptes rendus « en live » pendant la consultation, ce qui modifie la posture d’échange : moins de regards vers le clavier, moins d’interruptions pour rédiger, plus de contact visuel et de continuité dans le dialogue. Elle souligne que Tandem produit des textes globalement corrects en français, sans fautes d’orthographe majeures, avec une bonne reconnaissance des termes médicaux, même si quelques ajustements restent nécessaires (modification de formulations ou de détails cliniques). Ce fonctionnement réduit aussi la frustration liée aux corrections de langue ou aux erreurs massives rencontrées avec la dictée vocale traditionnelle.

    ​

    Du point de vue de Tandem, les études internes récentes menées auprès d’environ 1 000 médecins et patients montrent que les patients sont au moins aussi demandeurs que les soignants de solutions permettant de rétablir une interaction directe, face à face, en consultation. Ces résultats rejoignent les données “Time to care” sur la perception positive de l’IA pour la libération de temps médical, suggérant une convergence d’attentes entre professionnels et patients.​

    Un workflow en quatre étapes, de l’enregistrement audio à la validation du compte rendu

    Une consultation type avec Tandem se déroule selon un schéma standard, modulable selon les spécialités. Avant la consultation, le médecin se connecte à l’interface Tandem sur son ordinateur via une double authentification (envoi d’un code par e-mail), puis sélectionne le modèle de consultation souhaité (par exemple « consultation HPN » dans le cas de la neurochirurgie). Un micro d’ambiance, branché sur l’ordinateur et adapté aux salles de consultation (également utilisable en bloc opératoire pour d’autres cas d’usage), capte l’échange audio pendant la consultation.​

    Pendant la consultation, le médecin conduit l’entretien de manière habituelle, en suivant mentalement sa structure clinique mais sans avoir à la formaliser en temps réel au clavier. Le modèle de Tandem, configuré à partir des trames transmises par le médecin (rubriques et sous-parties souhaitées), transforme la conversation en un compte rendu structuré, en respectant les sections propres à la pathologie (ex. HPN) et en intégrant les éléments cliniques clés (symptômes, imagerie commentée à voix haute, conclusion). La consultation peut rester libre dans l’ordre des questions, Tandem se chargeant de reclasser l’information dans la structure prévue.​

    Après la consultation, le médecin clique sur « créer le compte rendu » et obtient un document structuré modifiable ligne par ligne. La relecture-correction intervient immédiatement après le départ du patient, souvent en 1 à 2 minutes, pendant la préparation des ordonnances ou une courte pause. Le praticien peut ajuster certains passages, corriger quelques formulations (par exemple transformer une phrase approximative sur un trouble moteur en formulation clinique plus précise) puis valider le texte. Ce document est ensuite intégré directement dans le DPI en un clic depuis Tandem.​

    Les variations de workflow entre spécialités sont limitées : l’interface et les étapes restent identiques, la principale différence tenant au choix du modèle de consultation (modèle générique, modèle HPN, etc.). Le workflow est également similaire pour seniors et juniors, la logique étant la même ; toutefois, la facilité d’appropriation peut varier selon la familiarité des praticiens avec les outils informatiques.​

    Intégration au système d’information et contraintes techniques

    À HFAR, Tandem est branché de manière indirecte au système d’information : l’outil transfère les CR générés directement dans le DPI mais ne peut pas encore y récupérer les données médicales et ne traite pas de données d’identification patient dans sa version actuelle en classe I. Aucun identifiant patient n’apparaît dans l’interface Tandem, tant que le document n’est pas transféré dans le système hospitalier ; cela est présenté comme une garantie de non-traitement de données de santé nominatives à ce stade. Le flux opérationnel consiste donc à générer le compte rendu dans Tandem puis à le transférer en un clic dans le DPI ainsi que (copier-coller) dans l’outil de courrier / compte rendu utilisé à la Fondation.​

    Les contraintes techniques principales évoquées relèvent de la sécurité, de la conformité (RGPD, hébergement HDS), des contraintes de réseau et de la diversité des postes (salles de consultation, blocs, services d’urgences), ainsi que de l’équipement audio. M. Motosso considère la conformité RGPD et l’hébergement HDS comme des prérequis « de base », nécessaires mais non différenciants ; la vraie complexité réside dans l’intégration dans des DPI parfois anciens (années 1990) et dans la capacité à couvrir des cas de figure variés (consultations fixes, mobilité, différentes salles, urgences, bloc, etc.).​

    Pour un pilote dans un autre hôpital, Tandem met en avant une architecture technique « souple », capable de s’intégrer soit via l’éditeur du DPI, soit directement au niveau établissement quand l’intégration profonde est plus complexe ou plus longue. Cette approche permet de démarrer en quelques jours ou semaines selon le contexte SI, sans exiger un niveau de maturité IT très avancé, à condition que les éléments de base soient en place (DPI, infrastructure réseau suffisante, DSI mobilisée).​

    À moyen terme, la certification MDR de classe II doit permettre à Tandem d’accéder aux données patients (antécédents, consultations antérieures) et de pré-remplir des comptes rendus, notamment pour les consultations de suivi, en réutilisant les informations structurées déjà présentes dans le DPI. Cette évolution est envisagée comme un levier pour aller au-delà du seul gain administratif, vers des fonctionnalités plus « médicales » (pré-remplissage, suivi longitudinal, assistance au diagnostic).​

    Adoption facilitée par le volontariat médical, des parcours de formation courts et la co‑construction des modèles

    Le choix des services pilotes à HFAR repose sur le volontariat et l’appétence pour le numérique, avec un ciblage de spécialités fortement exposées à la charge de documentation (neurochirurgie, cardio, pédiatrie, etc.). Le Dr Abi Jaoude et sa cheffe de service se positionnent comme référentes et utilisatrices précoces, ce qui facilite l’appropriation par les équipes.​

    Sur la formation, la prise en main de Tandem est décrite comme quasi immédiate pour les praticiens : l’outil « écoute et crée », avec très peu d’étapes (connexion, choix du modèle, démarrage et arrêt de l’enregistrement, création du compte rendu). Pour des utilisateurs comme le Dr Abi Jaoude, à l’aise avec l’informatique, la courbe d’apprentissage est évaluée à « zéro jour » ; pour des médecins moins familiers du numérique, M. Motosso estime la montée en compétence à une dizaine de consultations. En revanche, la personnalisation des trames (définition de modèles spécifiques HPN, etc.) se fait de façon progressive, sur quelques jours ou quelques consultations, via des retours à l’équipe Tandem, avec la perspective d’un futur mode « do it yourself » permettant aux médecins de créer eux-mêmes leurs modèles.​

    Les freins rencontrés relèvent principalement :

    • de la résistance culturelle à la technologie et à la remise en question des habitudes de rédaction  ;
    • des craintes initiales de perte de temps en phase de test, renforcées par les expériences négatives avec des outils antérieurs.​

    Pour lever ces freins, Tandem mise sur :

    • des démonstrations in situ, y compris avec des chefs de service initialement sceptiques, en leur montrant la différence avec la dictée vocale classique ;
    • une très faible friction d’usage (interface simple, trois clics clés) ;
    • la co-construction des trames avec les médecins pour coller à leur pratique. Les éléments qui favorisent l’adoption incluent la perception concrète du gain de temps, le confort d’avoir des comptes rendus structurés, l’amélioration ressentie de la relation patient, ainsi que l’engagement de la direction dans la transformation numérique.​

    Information systématique des patients et sécurisation des données

    En consultation, le Dr Abi Jaoude informe les patients que leur compte rendu sera généré par un outil d’IA, en début d’échange. Elle rapporte n’avoir reçu à ce jour aucune objection explicite de la part des patients, ni retour négatif structuré sur l’usage de l’IA en consultation.​

    Du côté de Tandem, plusieurs garde-fous sont mis en avant : hébergement HDS, conformité RGPD, dispositif médical de classe I ne traitant pas directement de données patients identifiantes, et absence de réutilisation non conforme de la donnée pour l’entraînement des modèles, dans le respect du cadre réglementaire européen jugé plus strict que le contexte américain. La non-visibilité des identifiants patients dans l’interface Tandem à HFAR est présentée comme une mesure de conformité, en attendant la certification MDR de classe II qui permettra l’accès au DPI dans un périmètre encadré.​

    À ce jour, aucune catégorie spécifique de cas d’usage explicitement « interdits » n’est détaillée pour HFAR dans l’entretien (par exemple certains contenus extrêmement sensibles ou certaines situations), en dehors des limites réglementaires liées à la classe I (pas d’accès direct à la donnée patient, pas d’aide au diagnostic). Les perspectives évoquées incluent toutefois un encadrement renforcé des usages à mesure que la solution évoluera vers plus d’intégration et de fonctionnalités médicales.​

    3 conditions pour reproduire le cas d’usage : pilotage partagé, DSI mobilisée, médecins référents impliqués

    Pour un autre hôpital français souhaitant reproduire ce cas d’usage en 2026, Félix Motosso met en avant trois conditions principales :

    • un « attelage » solide entre les équipes administratives (direction générale, DSI, direction de l’innovation, direction médicale) et les équipes soignantes, avec une vision claire des objectifs (gains d’efficience, amélioration de la qualité de vie au travail, impact sur le temps patient) ;
    • la mobilisation de quelques ressources DSI pour travailler en ping-pong sur l’intégration et l’accès au logiciel (accès, sécurité, modalités d’intégration au DPI) ;
    • la présence de médecins motivés, pas nécessairement « experts » en informatique, mais prêts à tester et à co-construire, afin de démontrer l’utilité de la solution pour différents profils.​

    Du point de vue du Dr Abi Jaoude, les évolutions souhaitées pour que l’IA devienne un allié encore plus fort dans la pratique quotidienne portent sur :

    • l’extension au-delà de la consultation, avec la capacité à synthétiser l’ensemble du séjour hospitalier dans une lettre de liaison structurée (type LBD / lettre de liaison de sortie) ;
    • une intégration plus profonde avec le DPI, permettant de pré-remplir les documents à partir des données déjà présentes, en particulier pour les consultations de suivi (réutilisation automatique du compte rendu précédent, historique, etc.) ;
    • la génération d’ordonnances bien structurées, adaptées au contexte clinique du moment. Elle souligne également l’intérêt d’outils IA dans d’autres domaines (imagerie, radiologie), déjà présents via des projets internes et externes de radiologues pour l’entraînement de modèles, même si ceux-ci relèvent plus de la création de solutions que de leur usage routinier par les cliniciens.​

    Dans ce cadre, l’expérience HFAR avec Tandem confirme les résultats de “Time to care” : un assistant médical IA, correctement intégré et accompagné, peut à la fois alléger la charge documentaire des soignants et soutenir une relation patient plus directe, à condition de respecter les contraintes de sécurité, de construire le cas d’usage avec les équipes cliniques et de maintenir un dialogue étroit entre DSI, direction et médecins.

     

  • Interopérabilité : 19 études récentes révèlent les leviers techniques, réglementaires et cliniques pour la santé numérique (revue de littérature)

    L’interopérabilité constitue un défi fondamental pour les systèmes de santé numériques contemporains. La fragmentation des données cliniques entre institutions, l’hétérogénéité des formats et l’absence de consensus sur les standards freinent l’exploitation optimale des données de santé et limitent la coordination des soins. Cette revue de littérature examine 19 études scientifiques publiées entre 2024 et 2025 dans des revues spécialisées, dont :

    Ces publications proviennent d’institutions internationales, notamment :

    • l’Université de Yale (États-Unis),
    • l’Université Goethe de Francfort (Allemagne),
    • l’Université de Nazarbayev (Kazakhstan),
    • l’Amsterdam University Medical Center (Pays-Bas),
    • l’University Hospital Essen (Allemagne),
    • et plusieurs consortiums européens impliqués dans l’Espace européen des données de santé (EHDS).

    L’objectif de cet article est de synthétiser les connaissances actuelles sur les niveaux d’interopérabilité, les standards techniques dominants (notamment FHIR et SNOMED CT), les technologies émergentes (apprentissage fédéré, intelligence artificielle), et les obstacles persistants à l’implémentation d’une interopérabilité sémantique effective dans les systèmes d’information de santé.

    Niveaux fondamentaux : vers une hiérarchie simplifiée dans les dossiers patients

    L’analyse des niveaux d’interopérabilité révèle une architecture hiérarchique comparable au modèle LCIM (Levels of Conceptual Interoperability Model). El-Yafouri et Klieb identifient quatre niveaux distincts dans les systèmes de dossiers de santé électroniques (DOSSIERS PATIENTS) : technique/fondationnel, syntaxique/structurel, sémantique et processus/organisationnel. Cette classification s’écarte du modèle LCIM à sept niveaux mais conserve les principales dimensions.

    L’interopérabilité sémantique, définie comme la préservation de la signification des données échangées, représente le problème central à résoudre. Les attentes multiples associées à ce niveau génèrent des difficultés d’implémentation considérables. Contrairement aux approches traditionnelles, plusieurs auteurs démontrent que la standardisation complète des structures de données ne constitue pas un prérequis obligatoire à une interopérabilité utile. Cette observation suggère que des stratégies alternatives, centrées sur l’état des dossiers de santé plutôt que sur l’intégration systémique complète, pourraient accélérer les progrès.

    Wong et al. proposent une approche architecturale d’entreprise basée sur les standards pour transformer la fragmentation en interopérabilité, avec un objectif explicite d’amélioration de la sécurité des patients. L’intégration d’ontologies dans les architectures de traitement du langage naturel constitue une étape essentielle pour faciliter la détection et la surveillance des événements indésirables évitables dans les systèmes de santé.

    Standards techniques et protocoles d’interopérabilité

    FHIR : standard dominant dans 10 études récentes (2024-2025)

    Le protocole Fast Healthcare Interoperability Resources (FHIR) émerge comme le standard technique privilégié dans 10 des 19 études analysées. FHIR offre un cadre standardisé pour l’échange de données de santé, compatible avec les architectures modernes basées sur des services web RESTful.

    Akhmetov et al. démontrent que l’intégration de FHIR avec l’apprentissage fédéré permet une modélisation prédictive de l’activité physique et de la dépense énergétique tout en respectant les normes de confidentialité. Leur plateforme AutoML compatible avec FHIR illustre la faisabilité technique d’écosystèmes de santé numérique interopérables et préservant la vie privée.

    L’application FHIR-Former, développée par Engelke et al., intègre FHIR avec des modèles de langage de grande taille (LLM). Cette solution traite dynamiquement des données structurées (résultats de laboratoire, médicaments) et non structurées (notes cliniques) issues de ressources FHIR. Les résultats quantitatifs démontrent un score F1 de 70,7 % et une exactitude de 72,9 % pour la prédiction de réadmission à 30 jours, un score F1 de 51,8 % avec une exactitude de 88,1 % pour la prédiction de mortalité, et une exactitude de 94 % pour la prédiction des codes CIM. L’architecture configurable élimine le prétraitement spécifique aux institutions en s’adaptant aux diverses implémentations FHIR.

    Wen et al. développent des profils FHIR spécifiques pour l’échange de données de composition corporelle dérivées de tomodensitométrie quantitative. Quatre profils BOA (Body and Organ Analysis) couvrent 104 repères anatomiques, 8 régions corporelles et 8 tissus. Ces profils, définis à l’aide de FHIR Shorthand (FSH) et mappés vers les terminologies SNOMED CT et RadLex, établissent un cadre fondamental pour intégrer les biomarqueurs d’imagerie dérivés de l’IA dans les flux de travail cliniques et de recherche.

    L’évaluation comparative menée par Idrissi-Yaghir et al. sur la compréhension FHIR par les LLM révèle des performances contrastées. Les modèles commerciaux comme GPT-4o atteignent un score F1 de 0,9990 sur la tâche FHIR-ResourceID, 0,9400 sur FHIR-QA et 0,9267 sur FHIR-RESTQA. Les modèles open-source DeepSeek-v3 et Qwen 2.5 Coder-7B-Instruct démontrent également des performances élevées, avec respectivement 0,9400 sur FHIR-QA et 0,9533 pour Qwen. Cependant, tous les modèles éprouvent des difficultés significatives sur la tâche Note2FHIR, avec des performances variant de 0,0382 (OLMo) à 0,3633 (GPT-4.5-preview), soulignant la complexité de la conversion de texte clinique non structuré en ressources conformes à FHIR.

    Standardisation multilingue : couverture de 82% par HealthTermFinder sur 24 langues

    La standardisation terminologique constitue un pilier de l’interopérabilité sémantique. Noll et al. présentent HealthTermFinder, un outil exploitant le système UMLS (Unified Medical Language System) pour la découverte multilingue de termes de santé standardisés. L’outil a cartographié 24 langues, incluant l’arabe, le français, l’allemand et l’espagnol, vers SNOMED CT et HPO (Human Phenotype Ontology). L’application sur trois études de cas allemandes a atteint une couverture totale de 82 % avec une précision élevée. Cette approche multilingue répond à un besoin critique d’accessibilité aux terminologies médicales standardisées dans le contexte global.

    Mollerus et al. soulignent l’importance de standards comme FHIR et SNOMED CT dans le contexte des conditions neurodéveloppementales (autisme, TDAH, troubles d’apprentissage). La fragmentation des informations entre multiples prestataires utilisant des systèmes hétérogènes impose des charges administratives excessives aux professionnels et provoque des retards de soins, des procédures répétées et des résultats cliniques sous-optimaux pour les patients. L’interopérabilité fondée sur ces standards permet une collaboration interdisciplinaire améliorée, réduit la duplication de saisie de données et fournit une vue longitudinale des trajectoires de santé des patients.

    Cadre EIF : guide interactif pour la mise en conformité EHDS2 dans 7 projets

    Le contexte européen se caractérise par l’émergence de l’Espace européen des données de santé (EHDS), particulièrement l’EHDS pour l’utilisation secondaire des données (EHDS2). Hussein et al. développent une boîte à outils interactive basée sur le nouveau cadre d’interopérabilité européen (EIF) pour guider les projets dans l’alignement avec les exigences techniques et de gouvernance de l’EHDS2. Cette boîte à outils intègre les enseignements de sept projets européens de recherche sur le cancer (IDERHA, EUCAIM, ASCAPE, iHelp, BigPicture, HealthDataEU pilot, INCISIVE) et fournit des modules interactifs pour créer des cadres d’interopérabilité conformes.

    Gyrard et al. documentent les leçons apprises de six projets européens concernant l’implémentation de standards de santé et l’interopérabilité sémantique de l’Internet des objets (IoT). Les discussions portent sur les standards d’interopérabilité, les graphes de connaissances, les cadres de qualité des données, les données de santé générées par les patients, le raisonnement IA, les approches fédérées, la sécurité et la confidentialité. Un modèle a été développé pour mapper les standards recommandés par l’EHDS2 au modèle EIF et aux standards ISO pertinents. Les projets contribuent également au développement de standards ISO/IEC, notamment la norme 21823-3:2021 sur l’interopérabilité sémantique pour les systèmes IoT et la future ISO/PWI 24051-2 sur la pathologie numérique et l’analyse d’images par IA.

    Gyrard et al. identifient les critères essentiels pour concevoir un outil de recommandation de standards adapté aux projets de santé. L’analyse des organisations de développement de standards (SDO) et des outils existants vise à améliorer l’efficacité et la qualité de la prestation de soins tout en donnant aux patients un contrôle accru sur leurs données de santé, conformément à la réglementation EHDS.

    Technologies émergentes et innovation

    Confidentialité renforcée : absence de centralisation et protocoles de confidentialité différentielle

    L’apprentissage fédéré (FL) représente une approche technologique majeure pour surmonter simultanément les défis d’interopérabilité et de confidentialité. Akhmetov et al. démontrent que les modèles FL, entraînés localement sans centralisation des données, atteignent des performances équivalentes ou supérieures aux modèles d’apprentissage centralisé (CL) en termes de précision de classification. Les métriques incluent l’exactitude, l’aire sous la courbe (AUC), le rappel et la précision pour la classification, ainsi que l’erreur absolue moyenne (MAE), l’erreur quadratique moyenne (MSE) et l’erreur quadratique moyenne (RMSE) pour la régression.

    Joshi et Joseph conduisent une revue systématique suivant les lignes directrices PRISMA, analysant 15 études publiées entre janvier 2020 et avril 2024 sur l’application du FL aux DOSSIERS PATIENTS. Les résultats indiquent que le FL améliore le partage et l’analyse de données dans divers environnements de santé, renforçant la standardisation et l’interopérabilité des DOSSIERS PATIENTS. Les modèles FL égalent ou surpassent généralement les modèles localisés, particulièrement lorsque les données locales sont limitées ou fragmentées, et démontrent une efficacité particulière pour prédire les maladies rares et gérer des types de données hétérogènes. L’utilisation de moyennes fédérées, de modèles personnalisés et de méthodes d’agrégation conscientes de l’hétérogénéité gère efficacement la diversité des données tout en maintenant la confidentialité par le biais de protocoles avancés comme la confidentialité différentielle.

    Ontologies floues et NLP : approches émergentes pour la gestion des données non structurées

    L’intégration de l’IA dans les systèmes interopérables suscite un intérêt croissant. Oikonomou et Khera analysent les obstacles au développement de systèmes d’IA médicale évolutifs, accessibles et précis dans des contextes géographiques et temporels distincts. La représentativité des données, l’interopérabilité, l’assurance qualité et l’importance de types de données indépendants des fournisseurs constituent des priorités pour maximiser les bénéfices globaux de l’IA en cardiologie.

    El-Yafouri et Klieb identifient les ontologies floues, le traitement du langage naturel et la transformation bidirectionnelle comme approches émergentes pour l’interopérabilité sémantique. L’IA démontre un potentiel significatif pour gérer des données semi-structurées ou non structurées, suggérant que des réglementations renforcées pourraient s’avérer nécessaires pour guider les intégrations en cours.

    26 études issues de 15 pays révèlent 5 axes majeurs d’interopérabilité

    Adegoke et al. réalisent une revue de portée couvrant 2015-2025 sur l’interopérabilité comme catalyseur pour la santé numérique et les thérapeutiques numériques. L’étude, menée selon le cadre Arksey et O’Malley et les lignes directrices du Joanna Briggs Institute, identifie 255 articles potentiellement éligibles et sélectionne un échantillon aléatoire de 26 articles pour une analyse approfondie. Les résultats couvrent 15 pays et identifient cinq domaines thématiques :

    • politique et gouvernance ;
    • intégration basée sur les standards ;
    • infrastructure et plateformes ;
    • technologies émergentes ;
    • problématiques d’implémentation dans les pays à revenus faibles et intermédiaires (PRFI).

    Les technologies prioritaires incluent la santé mobile (mHealth), l’utilisation de FHIR HL7 pour l’échange de données et la blockchain. Les PRFI font face à des déficits de capacité numérique, des systèmes hérités et une fragmentation de la gouvernance. Les facilitateurs d’interopérabilité comprennent les standards (FHIR HL7), les cadres de gouvernance des données et les interventions politiques. Le cadre TEFCA (Trusted Exchange Framework and Common Agreement) gagne en adoption, bien que les PRFI nécessitent des investissements dédiés en gouvernance, infrastructure et capacités pour une utilisation équitable.

    Pratiques cliniques : limites actuelles et leviers d’automatisation interopérable

    Le livre blanc HIMSS-SIIM pointe des pratiques fragmentées, impactant la qualité des soins en ophtalmologie

    Goetz et al. publient un livre blanc HIMSS-SIIM sur les défis d’interopérabilité en imagerie oculaire. Malgré la disponibilité généralisée de l’imagerie oculaire et le potentiel de l’IA autonome pour le diagnostic rapide, plusieurs facteurs entravent l’optimisation de la pratique clinique. Bien que certaines grandes institutions aient développé des flux de travail numériques de bout en bout utilisant des DOSSIERS PATIENTS, des archives d’imagerie d’entreprise et des visualiseurs diagnostiques dédiés, cette expérience ne s’est pas encore généralisée aux cliniques ophtalmologiques indépendantes de petite taille. Les pratiques d’interopérabilité fragmentées affectent les soins aux patients dans tous les domaines de santé, particulièrement en ophtalmologie où la rareté des centres de soins rend essentielle la collaboration entre prestataires, spécialistes et médecins de soins primaires traitant des conditions systémiques avec impact profond sur la vision.

    2 102 études (2000-2024) révèlent une évolution vers l’IA et la réutilisation massive des données

    Shen et al. conduisent une revue exhaustive de l’évolution de l’utilisation secondaire des dossiers patients et de leur interopérabilité dans la recherche médicale sur 25 ans (2000-2024). La recherche dans les bases de données PubMed, Scopus et Web of Science a identifié 2 212 études, dont 2 102 (93,03 %) ont été incluses dans l’analyse. La distribution temporelle révèle 1 079 études (51,33 %) entre 2000 et 2009, 582 (27,69 %) entre 2010 et 2019, 251 (11,94 %) entre 2020 et 2023, et 190 (9,04 %) en 2024. Les auteurs concluent que l’évolution des DOSSIERS PATIENTS marque une étape importante dans l’intégration de la technologie et de la médecine, depuis les pratiques documentaires précoces jusqu’à l’utilisation sophistiquée de l’IA et de l’analyse de données massives.

    De Zegher et Celebi présentent un prototype d’assistant virtuel développé dans le cadre du projet européen AIDAVA, créant un graphe de connaissances de santé personnelle interopérable et réutilisable, conforme à un standard sémantique, en maximisant l’automatisation dans la curation de données de santé multimodales hétérogènes. L’article décrit les différentes étapes de transformation d’un élément de données depuis sa collecte jusqu’à sa forme réutilisable, avec les problématiques associées. Les auteurs concluent que le défaut d’interopérabilité pourrait être résolu en abordant ces problématiques de manière structurelle à travers une feuille de route validée.

    Synthèse des obstacles et recommandations

    L’analyse transversale des 19 études révèle des obstacles récurrents à l’interopérabilité des systèmes de santé numériques :

    • Absence de consensus sur les standards à adopter malgré la multiplication des cadres normatifs ;
    • Hétérogénéité technique et sémantique des systèmes d’information existants ;
    • Complexité de la conversion des données cliniques non structurées vers des formats interopérables ;
    • Déficits de capacité numérique dans les pays à revenus faibles et intermédiaires (PRFI) ;
    • Charges administratives importantes liées à la dispersion des sources d’information ;
    • Fragmentation de la gouvernance et absence de cadres réglementaires harmonisés.

    Plusieurs stratégies émergent pour surmonter ces obstacles :

    • Adoption prioritaire de FHIR comme standard d’échange, associé à SNOMED CT pour la terminologie ;
    • Utilisation de l’apprentissage fédéré pour la collaboration inter-institutionnelle, préservant la confidentialité ;
    • Développement de profils FHIR spécialisés adaptés à l’imagerie, la composition corporelle ou la pathologie numérique ;
    • Intégration de modèles de langage de grande taille pour automatiser le traitement des données cliniques non structurées ;
    • Mise en place de boîtes à outils et cadres de conformité pour l’alignement avec les exigences réglementaires ;
    • Conception d’architectures d’entreprise fondées sur des ontologies standardisées pour renforcer la sécurité des patients.

    El-Yafouri et Klieb soulignent que différents cas d’usage peuvent bénéficier d’approches variées et que se concentrer sur l’état des dossiers de santé plutôt que sur l’intégration systémique complète peut accélérer l’interopérabilité. Cette perspective pragmatique reconnaît que l’interopérabilité utile n’exige pas nécessairement une standardisation universelle exhaustive.

    Enseignements, défis et perspectives :

    L’interopérabilité des systèmes de santé numériques demeure un défi multidimensionnel nécessitant une convergence entre standards techniques, gouvernance réglementaire et technologies émergentes. Les 19 études analysées démontrent que FHIR s’impose comme le protocole dominant pour l’échange de données, tandis que l’apprentissage fédéré offre une solution prometteuse pour concilier interopérabilité et confidentialité. L’intégration de l’intelligence artificielle, particulièrement les LLM, présente un potentiel considérable pour automatiser la transformation de données cliniques hétérogènes en formats standardisés, bien que des limitations substantielles persistent dans la conversion de texte non structuré.

    Les cadres réglementaires émergents, notamment l’EHDS en Europe et le TEFCA aux États-Unis, structurent progressivement l’écosystème d’interopérabilité. Toutefois, les disparités entre régions développées et PRFI soulignent la nécessité d’investissements ciblés en infrastructure et en renforcement des capacités. L’approche pragmatique consistant à privilégier l’interopérabilité de l’état des dossiers de santé plutôt que l’intégration systémique exhaustive pourrait accélérer les progrès.

    Les recherches futures devront approfondir l’évaluation de l’impact clinique de l’interopérabilité sur les résultats patients, développer des méthodes robustes pour gérer l’hétérogénéité sémantique persistante, et établir des cadres de gouvernance équitables permettant une adoption globale des standards. L’interopérabilité constitue non seulement un impératif technique mais également un levier stratégique pour transformer les systèmes de santé vers une médecine de précision, une recherche accélérée et des soins coordonnés centrés sur le patient.

    Références bibliographiques :

    1. Noll, R., Storf, H., & Schaaf, J. (2025). HealthTermFinder: Enhancing Multilingual Interoperability. Studies in Health Technology and Informatics, 153, 272-276. https://doi.org/10.3233/SHTI250262
    2. Oikonomou, E. K., & Khera, R. (2025). Designing medical artificial intelligence systems for global use: Focus on interoperability, scalability, and accessibility. Hellenic Journal of Cardiology, 8, 9-17. https://doi.org/10.1016/j.hjc.2024.07.003
    3. Akhmetov, A., Latif, Z., Tyler, B., & Yazici, A. (2025). Enhancing healthcare data privacy and interoperability with federated learning. PeerJ Computer Science, 11, e2870. https://doi.org/10.7717/peerj-cs.2870
    4. Joshi, H., & Joseph, S. (2025). Standardization and Interoperability: Federated Learning’s Impact on EHR Systems and Health Informatics. Advances in Health Information Science and Practice, 11, UBYM3803. https://doi.org/10.63116/UBYM3803
    5. El-Yafouri, R., & Klieb, L. (2025). A scoping review of electronic health records interoperability: Levels, expectations, approaches, and problems. Health Informatics Journal, 31(4), 14604582251385986. https://doi.org/10.1177/14604582251385986
    6. Gyrard, A., Abedian, S., Gribbon, P., Dalmiani, S., Giuffrida, M., Manias, G., Autexier, S., & Hussein, R. (2025). Towards Semantic Interoperability: Health Standardization Recommendation Tool. Studies in Health Technology and Informatics, 153, 1110-1114. https://doi.org/10.3233/SHTI250562
    7. Shen, Y., Yu, J., Zhou, J., & Hu, G. (2025). Twenty-Five Years of Evolution and Hurdles in Electronic Health Records and Interoperability in Medical Research: Comprehensive Review. Journal of Medical Internet Research, 27, e59024. https://doi.org/10.2196/59024
    8. Mollerus, F., Lynch, C., & Bruining, H. (2025). Data interoperability for a systems approach to developmental conditions. Neuroscience & Biobehavioral Reviews, 176, 106245. https://doi.org/10.1016/j.neubiorev.2025.106245
    9. Adegoke, K., Adegoke, A., Dawodu, D., Adekoya, A., Bayowa, A., Kayode, T., & Singh, M. (2025). Interoperability as a Catalyst for Digital Health and Therapeutics: A Scoping Review of Emerging Technologies and Standards (2015-2025). International Journal of Environmental Research and Public Health, 22(10), 1535. https://doi.org/10.3390/ijerph22101535
    10. Engelke, M., Baldini, G., Kleesiek, J., Nensa, F., & Dada, A. (2025). FHIR-Former: Enhancing clinical predictions through Fast Healthcare Interoperability Resources and large language models. Journal of the American Medical Informatics Association, ocaf165. https://doi.org/10.1093/jamia/ocaf165
    11. de Zegher, I., & Celebi, R. (2025). Journey of a Data Element to Data Interoperability and Reuse. Studies in Health Technology and Informatics, 327, 974-978. https://doi.org/10.3233/SHTI250517
    12. Goetz, K. E., Boland, M. V., Chu, Z., Reed, A. A., Clark, S. D., Towbin, A. J., Purt, B., O’Donnell, K., Bui, M. M., Eid, M., Roth, C. J., Luviano, D. M., & Folio, L. R. (2025). Ocular Imaging: Challenges, Current State, and a Path to Interoperability: A HIMSS-SIIM Enterprise Imaging Community Whitepaper. Journal of Imaging Informatics in Medicine, 38(3), 1283-1290. https://doi.org/10.1007/s10278-024-01261-0
    13. Wen, Y., Choo, V. Y., Eil, J. H., Thun, S., Pinto Dos Santos, D., Kast, J., Sigle, S., Prokosch, H. U., Ovelgönne, D. L., Borys, K., Kohnke, J., Arzideh, K., Winnekens, P., Baldini, G., Schmidt, C. S., Haubold, J., Nensa, F., Pelka, O., & Hosch, R. (2025). Exchange of Quantitative Computed Tomography–Assessed Body Composition Data Using Fast Healthcare Interoperability Resources as a Necessary Step Toward Interoperable Integration of Opportunistic Screening Into Clinical Practice: Methodological Development Study. Journal of Medical Internet Research, 27, e68750. https://doi.org/10.2196/68750
    14. Guijarro-Castro, C., & Quispe Munayco, G. O. (2025). Inteligencia Artificial. Perspectiva latinoamericana: Interoperabilidad y efecto ambiental [Artificial Intelligence: Latin american perspective: Interoperability and environmental effect]. Revista Española de Salud Pública, 99, e1-e4.
    15. Gyrard, A., Abedian, S., Gribbon, P., Manias, G., van Nuland, R., Zatloukal, K., Nicolae, I. E., Danciu, G., Nechifor, S., Martí-Bonmatí, L., Mallol, P., Dalmiani, S., Autexier, S., Jendrossek, M., Avramidis, I., Garcia Alvarez, E., Holub, P., Blanquer, I., Boden, A., & Hussein, R. (2025). Lessons Learned From European Health Data Projects With Cancer Use Cases: Implementation of Health Standards and Internet of Things Semantic Interoperability. Journal of Medical Internet Research, 27, e66273. https://doi.org/10.2196/66273
    16. Mortensen, H. M., Gromelski, M., Hench, G., Martens, M., Wittwehr, C., Kumar, S., Kumar, V., Audouze, K., Virvilis, V., Nymark, P., Angrish, M., Lynch, I., Edwards, S., Magagna, B., & Wojewodzic, M. W. (2025). The FAIR AOP roadmap for 2025: Advancing findability, accessibility, interoperability, and re-usability of adverse outcome pathways. Computational Toxicology, 35, 100368. https://doi.org/10.1016/j.comtox.2025.100368
    17. Hussein, R., Gyrard, A., Abedian, S., Gribbon, P., & Martínez, S. A. (2025). Interoperability Framework of the European Health Data Space for the Secondary Use of Data: Interactive European Interoperability Framework-Based Standards Compliance Toolkit for AI-Driven Projects. Journal of Medical Internet Research, 27, e69813. https://doi.org/10.2196/69813
    18. Wong, Z. S., Gong, Y., & Ushiro, S. (2025). A pathway from fragmentation to interoperability through standards-based enterprise architecture to enhance patient safety. NPJ Digital Medicine, 8, 41. https://doi.org/10.1038/s41746-025-01442-3
    19. Idrissi-Yaghir, A., Arzideh, K., Schäfer, H., Eryilmaz, B., Bahn, M., Wen, Y., Borys, K., Hartmann, E., Schmidt, C., Pelka, O., Haubold, J., Friedrich, C. M., Nensa, F., & Hosch, R. (2025). Using a Diverse Test Suite to Assess Large Language Models on Fast Health Care Interoperability Resources Knowledge: Comparative Analysis. Journal of Medical Internet Research, 27, e73540. https://doi.org/10.2196/73540

    Méthodologie de recherche documentaire

    Dans le cadre de cette revue de littérature, une recherche systématique a été réalisée sur la base de données PubMed afin d’identifier les publications les plus récentes et pertinentes au croisement des thématiques d’interopérabilité, d’intelligence artificielle et de santé pour l’année 2025. La requête utilisée était la suivante :

      • (“interoperability”[Title] OR “interoperability”[MeSH Terms])

      • AND (“artificial intelligence”[Title/Abstract] OR “AI”[Title/Abstract] OR “artificial intelligence”[MeSH Terms] OR “deep learning”[Title] OR “machine learning”[Title])

      • AND (“healthcare”[Title] OR “health”[Title/Abstract] OR “medicine”[Title/Abstract])

      • AND (“2025″[Date – Publication])

    Cette stratégie a permis de cibler spécifiquement les articles répondant aux critères définis : l’interopérabilité en santé, avec une dimension liée à l’intelligence artificielle ou à l’apprentissage automatique/profond, publiés en 2025. Ce processus d’identification garantit la pertinence et l’actualité des sources retenues pour l’analyse et la synthèse issues de cette littérature scientifique.

     

  • Stratégie IA : « Notre objectif, c’est de déployer l’IA au service de l’usage immédiat et de l’innovation. » (Alexis Thomas, DGA et Sébastien Florek DSN CHU de Bordeaux)

    L’établissement renforce la cybersécurité, l’évaluation éthique et les coopérations régionales et européennes afin d’intégrer l’IA dans les pratiques cliniques et organisationnelles au service des besoins des soignants et des patients.

    Points-clés

    • Quatre projets structurants en IA ( trois RHU un EDS régional) portés ou co-portés par le CHU de Bordeaux ;​​
    • priorité donnée aux usages à forte contrainte métier comme les plannings RH, la gestion des lits et des flux;​
    • évaluation clinique, organisationnelle, économique et éthique systématiquement intégrée au pilotage des projets ;​
    • structuration régionale des données de santé via l’EDS fédéré EDS@NOVA (Bordeaux, Poitiers, Limoges) ;​​
    • renforcement de la cybersécurité avec une direction de la cybersécurité distincte de la direction du numérique.

    Health & Tech Intelligence s’est entretenu avec Alexis Thomas, directeur général adjoint du CHU de Bordeaux et avec Sébastien Florek, directeur du numérique, directeur du système d’information hospitalier, support aux projets innovants intégrant de l’IA.​

    Le CHU de Bordeaux est un centre hospitalier universitaire de très grande taille, fortement impliqué dans la recherche, l’innovation et les coopérations inter-CHU, disposant d’une communauté médicale et d’une direction très engagées sur les projets IA, notamment autour des entrepôts de données de santé et de la numérisation des lames d’anatomopathologie.

    Une stratégie IA en cours de formalisation

    Le CHU s’appuie sur une communauté de recherche active, investie dans les projets IA, ainsi que sur des coopérations nationales et européennes autour des entrepôts de données de santé et de la numérisation des lames d’anatomopathologie.​​

    Une feuille de route IA formalisée est en cours de rédaction, sous pilotage de la Commission médicale d’établissement, de la direction générale et de la direction du numérique.​

    Cette feuille de route vise à couvrir l’ensemble des cas d’usage (cliniques, médico-techniques, administratifs), en évitant la dispersion et en identifiant les sujets les plus pertinents en priorité.

    3 RHU structurants, TALENT, ENVISAGE et Digital Urology 3D

    Le CHU de Bordeaux est porteur de trois RHU majeurs intégrant fortement l’IA, TALENT, ENVISAGE et Digital Urology 3d, tous trois lauréats de l’ANR. TALENT vise à améliorer la prédiction et la prévention des accidents vasculaires cérébraux cardio-emboliques par des modèles d’IA, en s’appuyant sur des données cliniques et de rythme cardiaque collectées sur plusieurs sites, en lien avec l’IHU LIRYC, l’Inria et plusieurs partenaires industriels spécialisés dans l’analyse de signaux et l’imagerie cardiaque.​

    ENVISAGE a pour objectif de développer une solution de guidage par l’image basée sur l’IA pour optimiser la sélection des patients et le déroulement des procédures transcathéter sur les valves cardiaques, en partenariat avec des équipes françaises et canadiennes et des industriels de l’imagerie interventionnelle.

    En urologie, par le programme de Recherche et Innovation sur le Cancer du rein I.CaRe Bordeaux, le CHU est fortement impliqué dans UroPredict. Ce projet, lauréat de l’AMI Data, IA et Parcours de santé du CSF-ITS, s’appuie sur l’EDS multicentrique thématique du réseau français de recherche sur le cancer du rein UroCCR contenant les données de plus de 21 700 patients pour développer des algorithmes prédictifs d’upstaging tumoral et de rechute après chirurgie. Ces modèles de machine learning quantifient d’une part le risque d’upstaging d’une tumeur (passage d’un stade localisé en imagerie à un stade localement avancé en anatomopathologie), et d’autre part le risque de rechute 5 ans après chirurgie d’un cancer du rein non métastatique. Ils sont aujourd’hui déployés et mis à disposition de la communauté scientifique et médicale internationale via le site internet du réseau uroccr.fr.​​

    « […] Si l’offre des éditeurs d’IA ne répond pas, il faut pouvoir développer nous-mêmes certains algorithmes. »

    Le CHU distingue des projets IA « historiques » et très spécialisés, souvent issus de communautés de recherche et d’appels à projets, et des projets plus transversaux (aide à la détection pour fractures, réalisation des plannings) qui suivent un processus classique d’achat, d’intégration et d’évaluation.​

    La ligne directrice est de ne pas tout développer en interne afin de limiter la prolifération d’« outils maison » difficilement maintenables, tout en conservant la capacité de développer certains algorithmes spécifiques lorsque l’offre du marché ne répond pas aux besoins.​

    Ce positionnement s’articule avec des investissements ciblés en capacités de calcul, notamment en serveurs dotés de GPU, lorsque les exigences techniques dépassent les solutions disponibles en mode service.

    Formation et accompagnement des équipes

    La formation à l’IA n’est pas encore structurée sous forme de cursus générique, mais l’accompagnement est ciblé sur chaque solution déployée

    Une sensibilisation progressive aux enjeux de l’IA est menée auprès des cadres et des équipes administratives, afin qu’ils identifient clairement les fonctionnalités basées sur l’IA et les usages autorisés.​
    Il n’est pas possible, à ce stade, de proposer une formation généraliste à l’IA à l’ensemble des personnels, mais la montée en compétence est identifiée comme un axe de travail prioritaire.

    « […] La mise en place de l’IA doit correspondre à des objectifs précis »

    Sur les outils cliniques, un enjeu majeur est la bonne prise en compte des implications associées en termes de responsabilité, de sécurité et de pertinence.​ La compréhension de l’étendue des données exploitées par les modèles (pour la prédiction ou l’aide au diagnostic) fait partie des conditions d’acceptabilité.​

    Pour les outils de gestion, comme la planification RH, la confiance se construit autour de l’utilité perçue : les équipes sont souvent demandeuses de solutions d’optimisation pour réduire la charge administrative et gagner du temps .​

    L’évaluation de l’impact clinique, organisationnel et économique est au cœur des démarches de déploiement, en intégrant également une dimension éthique.​ Pour les outils d’aide au diagnostic (fractures, imagerie, prothèses), l’IA est considérée comme un dispositif médical et doit être évaluée en termes d’efficacité clinique et de sécurité des patients, tandis que les projets organisationnels suivent des indicateurs comme les temps d’attente, les taux de satisfaction, ou le temps passé à élaborer les plannings.​

    « Avec la direction de la cybersécurité, on a une organisation cyber de chacun des projets numériques. »

    Le CHU de Bordeaux a renforcé sa gouvernance en créant une direction des risques cyber, distincte de la direction du numérique, pilotée par le RSSI, et qui intègre les DPO dont l’une des composantes est l’organisation du PCRA (plan de continuité et de reprise de l’activité).​

    Cette séparation permet d’assurer une indépendance de contrôle et de supervision, vis-à-vis des projets numériques mis en œuvre en particulier pour les projets numériques critiques incluant de l’IA.​

    Des procédures ont été mises en place pour intégrer la cybersécurité dès la conception des projets, avec l’objectif de ne plus déployer de solutions en dehors du cadre du référentiel national de sécurité (MSSI).​
    Chaque projet est ainsi analysé sous l’angle de son exposition vers l’extérieur et de la conformité aux exigences réglementaires et techniques en matière de sécurité.​

    Données, EDS@NOVA et numérisation des lames

    Le CHU de Bordeaux est lauréat de la première vague nationale sur les entrepôts de données de santé (EDS) avec deux autres CHU régionaux et a mis en place un EDS local coordonné au sein du GCS NOVA.​​

    L’EDS@NOVA, entrepôt fédéré associant Bordeaux, Poitiers et Limoges, a pour objectif de mettre en commun les données de santé hospitalières pour les projets de recherche mono centrique (présente dans un seul établissement) ou multi-centrique (sur l’ensemble des 3 sites), en garantissant la protection des données et l’encadrement des usages secondaires.​​

    Parmi les premiers projets IA et data soutenus au sein d’EDS@NOVA figure notamment TALENT, centré sur la prédiction du risque d’AVC cardio-embolique, aux côtés d’autres projets multicentriques menés avec l’université de Bordeaux, l’Inserm, l’Inria et le Health Data Hub.​​

    En parallèle, un projet de numérisation des lames d’anatomopathologie est conduit sur les trois CHU, avec le soutien de l’Agence régionale de santé Nouvelle Aquitaine, avec stockage sécurisé et développement concomitant d’algorithmes internes pour la recherche et de benchmarks de solutions industrielles « sur étagère » pour l’aide à la lecture et la détection automatisée.​

    La réflexion éthique fait partie intégrante de la réflexion sur les modèles d’évaluation

    L’évaluation éthique des outils IA est considérée comme un axe structurant de la stratégie, avec une réflexion en cours sur les modèles d’évaluation à appliquer.​ L’assistance IA à la décision clinique est traitée comme un dispositif médical, impliquant une démarche encadrée pour son évaluation, sa mise en production et la traçabilité des usages.​

    Une sous-commission dédiée travaille sur l’ensemble des usages de l’IA dont les outils de type ChatGPT (génération automatique de textes), afin de définir un périmètre de légitimité, les modalités d’usage et les règles de conservation des traces.​ Les questions juridiques (évolution du cadre, règles de responsabilité, transparence vis-à-vis des patients) sont discutées au sein de cette sous-commission, avec une attention particulière portée à la conformité et à la documentation des décisions.​

    Coopérations régionales, nationales et européennes

    Au niveau régional, le CHU de Bordeaux coopère déjà avec les CHU de Poitiers et de Limoges dans le cadre de l’EDS multicentrique et de la numérisation des lames d’anatomopathologie, modèle en cours d’extension à d’autres établissements.​​

    Cette coopération s’accompagne d’une volonté affichée d’éviter la concurrence entre établissements publics sur les choix des infrastructures d’IA, en privilégiant la mutualisation et l’harmonisation des choix de solutions.​

    Sur le plan national et européen, le CHU participe à au moins un programme européen reposant sur un modèle hybride de communication 5G permettant de garder en local les données sensibles du CHU tout en exploitant des outils et systèmes IA existants en limitant ainsi le risque d’exposition cyber.

    Les équipes expriment un intérêt marqué pour des partenariats européens autour d’infrastructures et de solutions de cloud plus souveraines, afin de réduire la dépendance aux grands acteurs américains.​​

    Le partage d’expérience avec d’autres hôpitaux français et étrangers, notamment canadiens, est vu comme un levier pour améliorer collectivement l’usage de l’IA en santé, en capitalisant sur les succès comme sur les limites rencontrées.