L’analyse des données révèle un panorama de 14 cas d’usage distincts de l’IA dédiés à l’amélioration de l’expérience patient dans les établissements de santé. Ces initiatives s’appuient sur 27 solutions technologiques développées par 21 entreprises, déployées dans 35 hôpitaux en France et à l’international. Le marché est caractérisé par une concentration notable sur deux segments principaux : les chatbots et assistants virtuels (5 cas d’usage, 23,8%) et la mesure de satisfaction patient (5 cas d’usage, 23,8%). Ces deux catégories représentent près de la moitié des applications identifiées, témoignant de l’intérêt croissant des établissements pour l’automatisation de la communication patient et la collecte systématique de retours d’expérience. Le cas d’usage le plus largement déployé est le pilotage de l’expérience patient à partir de verbatims textuels, présent dans 24 hôpitaux, démontrant l’intérêt stratégique des établissements pour l’exploitation systématique des retours patients. Le chatbot d’information préopératoire (solution Heko de BOTdesign) équipe 4 hôpitaux, ciblant la réduction de l’anxiété des patients avant intervention. L’analyse en temps réel de la satisfaction est déployée dans 2 hôpitaux (CH de Valenciennes, Hôpital Foch), illustrant l’intérêt pour le monitoring continu de l’expérience patient.
De 100 000 verbatim entraînant une IA à plus de 50 établissements utilisateurs
Une plateforme telle que Verbatim.care d’EntendsMoi repose sur des algorithmes de traitement automatique du langage (TAL/NLP) entraînés sur plus de 100 000 verbatim d’expérience patient, labellisés manuellement par des professionnels de santé et des patientes. Cette base permet de classifier les commentaires en environ 70 thèmes et sous‑thèmes, croisés avec quatre niveaux de ressenti, pour objectiver satisfactions et insatisfactions dans des contextes hospitaliers, ambulatoires et de soins primaires.
Verbatim.care est co‑conçue avec plusieurs établissements pilotes et est aujourd’hui utilisée par plus de 50 structures en France et en Belgique, couvrant un large spectre d’établissements (CHU, hôpitaux généraux, cliniques, fondations, centres de lutte contre le cancer, etc.). En parallèle, Better World et d’autres solutions d’analyse de verbatim et d’enquêtes post‑consultation sont déployées notamment dans des centres d’imagerie (CH de Valenciennes, Hôpital Foch), illustrant une dynamique d’industrialisation de la mesure qualitative de l’expérience patient.
Cette massification du recueil et de l’analyse des retours patients s’articule avec une vague d’agents conversationnels (vocaux et textuels) qui automatisent des segments entiers du parcours – accueil téléphonique, suivi chronique, information préopératoire, urgences – tout en cherchant à réduire l’anxiété des patients et des proches. Les cas d’usage couvrent déjà des domaines variés (radiologie, urgences, bloc opératoire, pédiatrie, ophtalmologie, médico‑social, post‑COVID), ce qui confère à l’IA une place structurante dans la transformation de l’expérience patient.
Plus de 24 établissements pilotent leurs parcours via les verbatim textuels
La plateforme Verbatim.care est déployée dans au moins 24 établissements de santé explicitement cités (CHU de Brest, HCL, Hôpital de Foch, Institut Mutualiste Montsouris, Centre Léon Bérard, etc.), qui utilisent l’analyse des verbatim pour piloter l’expérience patient par parcours, service et population. Les retours issus d’enquêtes, questionnaires en ligne, SMS, mails et avis numériques sont centralisés, catégorisés finement par thématiques de satisfaction ou d’insatisfaction, et restitués via des tableaux de bord personnalisables, facilitant l’identification des irritants récurrents et le suivi des plans d’action.
Better World met en œuvre une approche complémentaire, en analysant en continu les verbatim patients dans l’imagerie (CH de Valenciennes, Hôpital Foch) pour produire des indicateurs de satisfaction, de sentiment et de zones d’amélioration, permettant des ajustements rapides des processus de prise en charge. Dans ce contexte, l’IA transforme la voix du patient en un levier structuré de décision managériale, contribuant à une démarche d’amélioration continue et à une meilleure cohérence entre stratégie, opérations et attentes des usagers.
Les agents conversationnels d’accueil téléphonique et multicanaux (voix, texte, chatbots) permettent de fluidifier la gestion des appels entrants et sortants, de réduire les transferts incorrects et les temps d’attente, et d’orienter rapidement les patients vers les bons services, tout en gérant la prise de rendez‑vous, les rappels et la collecte d’informations préalables. En ophtalmologie, des interfaces conversationnelles automatisées et des vidéos générées par IA (avatars) fournissent des réponses personnalisées et accessibles 24/7, libérant les équipes des tâches répétitives et améliorant l’accessibilité à l’information.
Opportunités dans le suivi longitudinal et les maladies chroniques – Une IA dédiée au suivi des bébés prématurés et soins prolongés
AIConnectsCare illustre le potentiel de l’IA pour le suivi longitudinal en créant une plateforme de soins connectés centrée sur les bébés prématurés et les patients en soins de longue durée, permettant aux familles de suivre en temps réel la condition des patients et de maintenir un contact régulier avec les équipes de soins. Cette connectivité continue vise à réduire le stress et l’anxiété des familles, tout en améliorant la qualité de vie des patients de long terme grâce à une meilleure information et une communication structurée.
Des chatbots génératifs et assistants virtuels apportent, plus largement, un soutien aux patients chroniques en répondant aux interrogations fréquentes, en rappelant les prises de médicaments et en encourageant l’adhésion aux protocoles de soins, ce qui renforce l’engagement patient et la continuité du suivi. Dans le contexte post‑infection virale (COVID‑19), une application d’auto‑évaluation comme SafePlay offre une interprétation des symptômes et des tests selon les protocoles nationaux, en plusieurs langues, contribuant à un accompagnement standardisé et accessible à distance.
En établissement, des assistants vocaux tels que Nearcare structurent et priorisent les demandes des patients (médicales et non médicales), en orientant automatiquement les requêtes vers le bon interlocuteur et en qualifiant les besoins cliniques (intensité de la douleur, zone concernée, etc.), ce qui réduit les interruptions inappropriées, optimise le temps des équipes et augmente la satisfaction des patients comme des soignants. Cette capacité de tri et de routage intelligent des sollicitations constitue un socle pour une organisation des soins plus réactive, efficiente et centrée sur les besoins exprimés.
Opportunités sur les parcours critiques – Urgences et péri‑opératoire
Des solutions comme FollowMe Urgences et Saniia permettent un suivi temps réel de la prise en charge aux urgences, en informant les patients et leurs proches de l’évolution du parcours et en aidant à mieux organiser les flux grâce à des modèles prédictifs intégrant des données internes et contextuelles (météo, événements, vacances). Cette transparence réduit l’anxiété des proches et soutient une régulation plus fine des capacités, ce qui est stratégique dans un contexte de tensions structurelles sur les services d’urgence.
En péri‑opératoire, la plateforme Heko (BOTdesign) propose un chatbot d’information préopératoire pour les patients, déjà déployé dans plusieurs CHU et hôpitaux français, qui délivre des recommandations claires et personnalisées avant la consultation d’anesthésie, administre des questionnaires cliniques et génère des alertes et recommandations adaptées. Cette approche fluidifie la relation soignant‑patient, améliore la préparation des consultations et interventions, et renforce la sécurisation des parcours via un suivi pré, per et post‑opératoire intégrant des modules d’éducation thérapeutique.
Caresquad étend cette logique en automatisant le rappel des consignes préopératoires par des agents vocaux paramétrables, qui appellent les patients pour vérifier la compréhension des consignes (jeûne, horaires, préparation spécifique), détecter les difficultés potentielles et alerter les équipes en cas de besoin, avec enregistrement, transcription et synthèse des échanges. Cette automatisation sécurise le parcours (réduction des erreurs ou oublis), diminue le stress des patients et optimise le temps infirmier, tout en s’intégrant aux logiciels médicaux et en respectant les exigences de conformité (RGPD, hébergement HDS, chiffrement de bout en bout).
Opportunités dans le médico‑social et la qualité – Une solution tout‑en‑un de pilotage qualité et risques
Qualinéo, via son copilote IA, illustre le potentiel de l’IA pour la gestion de la qualité et des risques dans les secteurs médico‑sociaux et sanitaires, en intégrant l’automatisation des enquêtes de satisfaction, la gestion des incidents, la classification intelligente des événements et la suggestion d’actions correctives et préventives. Les établissements médico‑sociaux peuvent programmer des enquêtes anonymisées, analyser automatiquement les verbatim pour extraire tendances et axes d’amélioration, et piloter leurs plans d’action via des tableaux de bord centralisés couvrant indicateurs, événements indésirables, plaintes usagers et équipements.
Le copilote IA s’appuie sur des algorithmes de LLM/NLP et de machine learning pour la compréhension sémantique, la classification automatique et la réponse aux questions qualité, en s’adressant à un spectre large d’établissements (Ehpad, FAM, MAS, IME, SAD, crèches, hôpitaux, cliniques, biologie). Cette intégration renforce la capacité des organisations à relier l’expérience patient/résident à la gestion systémique des risques, améliorant la traçabilité, la réactivité et la cohérence des démarches d’amélioration continue.
Comparaison structurée de quelques cas d’usage clés
Axe / Solution
Finalité principale
Type d’IA / interface
Contexte d’usage
Verbatim.care (EntendsMoi)
Pilotage de l’expérience via analyse de verbatim multi‑canaux
NLP/TAL, classification thématique et ressenti
Hôpital, clinique, soins primaires
Better World
Mesure de satisfaction post‑consultation et analyse de verbatim en imagerie
Analyse de verbatim, sentiment, tableaux de bord
Centres d’imagerie, hôpitaux
FollowMe Urgences / Saniia
Information temps réel du parcours et prédiction de flux
IA prédictive, notifications temps réel
Urgences hospitalières
Heko / BOTdesign
Parcours pré‑ et post‑opératoire guidé, questionnaires, éducation thérapeutique
Chatbot, scoring patient, analyses et alertes
Bloc, anesthésie, chirurgie, oncogériatrie
Caresquad
Rappels préopératoires et suivi patient via agents vocaux
Agents IA vocaux, API, transcription/synthèse
Péri‑opératoire, secrétariat médical
AIConnectsCare
Suivi connecté des bébés prématurés et soins prolongés
Plateforme connectée, communication familles
Pédiatrie, soins de longue durée
Nearcare
Qualification et routage des sollicitations patients en temps réel
Assistant vocal/numérique, priorisation
Services de soins hospitaliers
Qualinéo + copilote IA
Pilotage qualité et risques, enquêtes de satisfaction, analyse des verbatim
LLM/NLP/ML, copilote IA qualité
Médico‑social et sanitaire
Enjeux stratégiques pour les directions
Les données disponibles montrent que l’IA appliquée à l’expérience patient est déjà à l’échelle, avec des plateformes comme Verbatim.care entraînées sur plus de 100 000 verbatim et déployées dans de nombreux établissements, et des solutions comme Better World, Heko, Caresquad, AIConnectsCare, Nearcare ou Qualinéo couvrant des segments critiques du parcours (imagerie, urgences, péri‑opératoire, médico‑social, pédiatrie, maladies chroniques). Cette dynamique crée une opportunité de passer d’une approche ponctuelle et quantitative de la satisfaction à un pilotage continu, qualitatif et opérationnel de l’expérience patient, articulant voix du patient, réactivité organisationnelle et sécurisation des parcours.
Pour les directeurs hospitaliers et médico‑sociaux, les enjeux stratégiques portent désormais sur la sélection et l’intégration de ces solutions dans une architecture cohérente, du recueil de verbatim à l’agent vocal préopératoire. Ils concernent aussi la gouvernance de la donnée et des algorithmes (robustesse, explicabilité, sécurité) et la conduite du changement auprès des équipes et des patients.
Les cas d’usage recensés suggèrent qu’une co‑construction active avec les professionnels et les patients, une articulation claire entre IA et décision humaine, et un alignement avec les démarches qualité et gestion des risques constituent des leviers clés pour transformer durablement l’expérience patient grâce à l’IA.
L’Institut Paoli-Calmettes (IPC) a publié, le 27 novembre 2025, un communiqué annonçant le lancement d’un dépistage individuel du cancer du poumon pour les personnes âgées de 50 à 74 ans, fumeuses ou ex‑fumeuses sevrées depuis moins de 15 ans. Ce dispositif s’inscrit dans la Stratégie décennale de lutte contre les cancers 2021-2030 et prépare l’intégration au programme pilote national IMPULSION dès fin 2025. L’enjeu principal réside dans l’évaluation de la faisabilité d’un dépistage organisé, visant à réduire la mortalité liée à une maladie causant 53 000 nouveaux cas par an en France.
53 000 nouveaux cas de cancer du poumon sont diagnostiqués chaque année en France, dont plus de 80% liés au tabagisme ;
près de 4 millions de personnes âgées de 50 à 74 ans remplissant des critères de tabagisme sont potentiellement éligibles au dépistage ;
l’étude nationale IMPULSION prévoit l’inclusion de 20 000 participants en 2026 pour évaluer la faisabilité d’un dépistage organisé ;
détecté à un stade localisé, le cancer du poumon présente un taux de guérison supérieur à 80% grâce à des traitements localisés ;
en 2024, l’IPC a accueilli plus de 11 000 nouveaux patients et réalisé plus de 100 000 consultations dans un cadre certifié Haute Qualité de soins par la Haute Autorité de santé (HAS).
Près de 4M de personnes concernées en France par le programme
La Stratégie décennale de lutte contre les cancers 2021-2030 intègre la prévention et le dépistage du cancer du poumon comme priorités. Les principales sociétés savantes de pathologies thoraciques, dont la Société de Pneumologie de Langue Française (SPLF), ont rédigé des recommandations pratiques en faveur d’un dépistage individuel par scanner thoracique faiblement irradiant. Ce scanner, non injecté, cible les personnes de 50 à 74 ans, fumeuses ou ex-fumeuses sevrées depuis moins de 15 ans, qui n’ont pas subi d’examen similaire dans les 12 derniers mois.
L’Institut Paoli-Calmettes, centre de référence en région Sud, organise ces consultations de dépistage individuel dès novembre 2025. D’ici la fin de l’année, le même dispositif sera proposé dans le cadre de l’étude IMPULSION (IMPlémentation du dépistage du cancer du pULmonaire par Scanner en populatION). Ce programme pilote national, retenu par l’Institut National du Cancer (INCa) en 2025, vise à évaluer la faisabilité d’un dépistage organisé sur le territoire français. L’IPC, en partenariat avec l’Hôpital Nord et d’autres centres régionaux, participe à la première vague de mise en œuvre, prévue pour fin 2025.
Le programme s’appuie sur le référentiel scientifique de l’INCa et a été élaboré avec des sociétés savantes comme la SPLF. Les critères d’éligibilité précisent un historique de tabagisme : plus de 15 cigarettes par jour pendant au moins 25 ans, ou plus de 10 cigarettes par jour pendant au moins 30 ans, pour les fumeurs actifs ou sevrés depuis moins de 15 ans. En France, cette population représente près de 4 millions de personnes potentiellement concernées.
80% de guérison si le cancer est detecte à un stade localisé
Le cancer du poumon constitue un enjeu de santé publique en France, avec 53 000 nouveaux cas diagnostiqués annuellement. L’incidence reste stable chez les hommes, mais augmente nettement chez les femmes en raison de l’essor du tabagisme féminin ces dernières années. Plus de 80% de ces cancers sont attribuables au tabagisme, soulignant l’importance des mesures de prévention centrées sur l’arrêt du tabac.
Les dernières études internationales indiquent que le dépistage par scanner thoracique faiblement irradiant, ciblé sur les populations à risque, réduit les taux de mortalité par cancer du poumon. Ce dépistage systématique permet de diagnostiquer des formes précoces, adaptées à des traitements localisés dans une optique curative. Lorsque détecté à un stade localisé, le taux de guérison dépasse 80%, favorisant une meilleure qualité de vie pour les patients. Sensibiliser à l’importance de ce dépistage encourage des comportements préventifs et limite l’impact global de la maladie.
Le communiqué de presse souligne également les risques liés à la consommation de cannabis, qui majore les risques de survenue de cancer du poumon de manière précoce et avec des formes plus agressives. L’approche proactive du dépistage, comme mise en place par l’IPC, vise à identifier ces cas précoces pour optimiser les parcours de soins.
Enjeux pour les acteurs de la santé et organisation des soins
Le déploiement d’un dépistage structuré du cancer du poumon impacte fortement les organisations de soins, en particulier les centres spécialisés comme l’IPC. Fondé en 1925, l’institut emploie plus de 2 000 professionnels médicaux et non médicaux et assure une prise en charge intégrée des cancers, de la recherche aux soins de support, en passant par l’enseignement et la formation. En 2024, l’IPC a réalisé plus de 100 000 consultations et accueilli plus de 11 000 nouveaux patients, sans dépassement d’honoraires, sur la base des tarifs de la Sécurité sociale.
L’étude IMPULSION répond à une demande de la Haute Autorité de santé (HAS) d’évaluer, dans des conditions réelles, la faisabilité d’un dépistage organisé du cancer du poumon, avec l’objectif d’inclure 20 000 participants en 2026. Pour les directions d’hôpitaux et les autorités publiques, cela soulève plusieurs enjeux : allocation de temps de scanner, adaptation des plannings, formation des équipes au protocole de dépistage, et intégration des résultats dans les parcours de soins existants. Pour les assureurs et mutuelles, l’augmentation des examens de dépistage pourrait entraîner des dépenses initiales supplémentaires, avec l’hypothèse d’une réduction des coûts à long terme grâce à une meilleure survie et à une prise en charge plus précoce.
Les industriels de l’intelligence artificielle en santé pourraient trouver des perspectives de développement dans l’analyse automatisée des images thoraciques, même si le communiqué de presse ne mentionne pas d’outils numériques spécifiques dans le cadre d’IMPULSION. L’IPC, accrédité Comprehensive Cancer Center par l’Organisation of European Cancer Institutes (OECI) en 2019 et 2024, et certifié Haute Qualité de soins par la HAS en 2021, s’appuie sur des coopérations avec une vingtaine d’établissements régionaux, ce qui facilite le maillage territorial mais n’élimine pas les contraintes d’équipement et de ressources humaines.
De nombreuses actions de prévention et de sensibilisation
Les actions de prévention et de sensibilisation de l’IPC s’articulent avec le déploiement du dépistage. Pendant le Mois sans Tabac, un dispositif hebdomadaire réunit par exemple le Dr Louis Stoffæs, pneumo-cancérologue, et Salomé Brégeon, infirmière tabacologue, pour accompagner les volontaires au sevrage tabagique. Leur stand propose un mesureur de monoxyde de carbone, des spiromètres, des traitements de substitution nicotinique, des supports d’information et des contenus vidéos pédagogiques.
Le 20 novembre 2025, le laboratoire Roche a tenu un stand à l’IPC consacré à la sensibilisation à l’arrêt du tabac et à la prévention des maladies pulmonaires, ouvert aux patients, aux visiteurs et aux professionnels. Du 17 au 22 novembre 2025, l’événement #InspireForCancer à l’Espace Jouenne de Marseille a combiné art et science pour sensibiliser au cancer du poumon : chaque mention du hashtag #InspireForCancer génère 0,10 € de don au profit du projet IMMUNOLUNG du Dr Rochigneux, oncologue à l’IPC, avec un objectif de 100 000 €. Ces initiatives illustrent l’intégration de la prévention dans les activités courantes, même si leur impact direct sur les taux de participation au dépistage n’est pas encore quantifié.
Une inclusion de 20 000 patients est prévue en 2026
L’étude IMPULSION marque une étape dans la Stratégie décennale 2021-2030, avec un démarrage de la première vague fin 2025. L’inclusion de 20 000 participants en 2026 permettra d’évaluer l’organisation logistique et clinique du dépistage. Pour les hôpitaux, cela implique une montée en compétences sur les protocoles de l’INCa, en lien avec la SPLF.
Les prochaines étapes incluent l’extension régionale via les partenariats de l’IPC, couvrant une vingtaine d’établissements en région Sud. Les événements de sensibilisation, comme ceux du Mois sans Tabac, pourraient être pérennisés pour booster la participation. Pour le moment, ne sont pas préciser les indicateurs de succès attendus, ni les ajustements post-pilote.
À terme, un dépistage organisé pourrait transformer les parcours de soins, en priorisant la détection précoce pour 4 millions d’éligibles.
Source : Institut Paoli-Calmettes. Communiqué de presse : Dépistage et diagnostic précoce du cancer du poumon. Marseille ; 27 novembre 2025.
L’intégration de l’intelligence artificielle (IA) dans le domaine de la santé pédiatrique connaît une progression remarquable en 2025, soit une augmentation de 46,2% par rapport à 2024. Cette analyse synthétise 95 études scientifiques publiées sur PubMed au cours de cette année, provenant de diverses institutions internationales, dont :
l’Université de Graz (Autriche),
l’Université de Campanie Luigi Vanvitelli (Italie),
et de nombreux autres centres de recherche répartis en Europe, en Asie et aux Amériques.
Ces travaux, publiés dans des revues de référence documentent l’application de l’apprentissage automatique et de l’apprentissage profond dans des domaines cliniques variés, telles que :
Notre analyse consiste à évaluer comment l’IA transforme la pratique pédiatrique contemporaine, en identifiant ses applications diagnostiques, thérapeutiques et préventives, tout en examinant les défis méthodologiques et éthiques qui accompagnent son déploiement clinique. L’objectif est de fournir aux professionnels de santé et aux décideurs du secteur de la santé numérique une synthèse rigoureuse des données probantes disponibles sur l’utilisation de l’IA en pédiatrie, en mettant l’accent sur les résultats quantitatifs, les performances des modèles, et les implications pour la pratique clinique.
18 applications diagnostiques et/ou cliniques de l’IA pour l’enfant
Pneumonie pédiatrique et imagerie pulmonaire
L’analyse de Rickard et al. (2025), publiée dans *Computer Methods and Programs in Biomedicine*, constitue une revue systématique de 35 études portant sur la classification de la pneumonie virale et bactérienne chez les enfants par apprentissage automatique. Cette distinction diagnostique demeure cliniquement importante car elle oriente les décisions thérapeutiques, notamment l’utilisation appropriée des antibiotiques. Les résultats révèlent une performance médiane de 92,3% de précision (intervalle : 80,8% à 97,9%) pour la classification binaire entre pneumonie virale et bactérienne. Pour la classification multiclasse (sain, pneumonie virale, pneumonie bactérienne), la précision médiane atteint 91,8% (intervalle : 76,8% à 99,7%).
L’étude identifie que 31 des 35 études analysées utilisent le même jeu de données publique (Kermany dataset), ce qui soulève des préoccupations concernant le surapprentissage et la généralisabilité des modèles. La majorité des études (n=33) emploient des réseaux de neurones convolutifs (CNN) pour la classification des radiographies thoraciques. Cette concentration méthodologique limite la diversité des approches et la validation externe des résultats, soulignant la nécessité de développer des ensembles de données plus représentatifs de populations cliniques variées.
Détection des malformations auriculaires néonatales
Ren et al. (2025), dans *EClinicalMedicine*, présentent un système d’IA pour l’identification des malformations auriculaires chez les nouveau-nés via une application smartphone. Le modèle, développé à partir du jeu de données BabyEar4k (3852 images auriculaires) et d’un ensemble additionnel de 104 images de microtie provenant de l’Hôpital ORL de l’Université Fudan, atteint une précision de 0,83 à 0,85 pour la classification en six catégories et de 0,94 à 0,98 pour la classification binaire normal/anormal.
L’architecture ResNet50 démontre la performance la plus constante parmi quatre architectures évaluées. La validation multicentrique dans trois centres chinois (Xinjiang N=252, Guizhou N=186, Fujian N=252) confirme une précision de 0,74 à 0,82 pour la classification en six classes et de 0,79 à 0,86 pour la classification normale/anormale, attestant de la robustesse du système. L’analyse comparative avec des volontaires humains révèle que les professionnels atteignent une précision de 0,7-0,8, tandis que les personnes non spécialisées obtiennent 0,45-0,55, démontrant la capacité du système à égaler ou surpasser l’expertise humaine.
Dépistage néonatal et maladies métaboliques
Xie et al. (2025), dans *BMC Medical Genomics*, explorent l’intégration du séquençage génomique, de la métabolomique ciblée et de l’apprentissage automatique pour améliorer la précision du dépistage néonatal. L’étude analyse 119 cas positifs au dépistage en Californie, couvrant quatre pathologies : l’acidurie glutarique de type I (GA-I), l’acidémie propionique/méthylmalonique (PA/MMA), le déficit en ornithine transcarbamylase (OTCD) et le déficit en acyl-CoA déshydrogénase des acides gras à très longue chaîne (VLCADD).
Le séquençage génomique confirme 89% (31/35) des vrais positifs par la présence de deux variants rapportables. Parmi 84 faux positifs, 74% (62) ne présentent aucun variant, tandis que 26% (22) portent un variant pathogène ou probablement pathogène. Pour le VLCADD, 50% des faux positifs (15/29) sont des porteurs de variants ACADVL (P=4,66×10⁻⁷), indiquant que les variants ACADVL élèvent les biomarqueurs et augmentent le taux de faux positifs. La métabolomique couplée à l’IA détecte tous les vrais positifs (sensibilité 100%), tandis que le séquençage génomique réduit les faux positifs de 98,8%.
Classification des pleurs néonataux
Özdemir et Yilmaz (2025), dans *Journal of Voice*, développent un système de détection et classification automatique des pleurs de nouveau-nés par apprentissage automatique. L’étude porte sur 32 nouveau-nés en condition médicale stable dans une unité de soins intensifs néonatals, avec des enregistrements collectés sur des périodes de 12 heures. Le système identifie six modèles comportementaux : repos, faim, somnolence, douleur, besoin de rot et détresse.
La méthode utilise la transformée de Fourier à court terme pour convertir les signaux audio en spectrogrammes, qui sont ensuite analysés par un réseau de neurones convolutifs profond couplé à un classificateur à machine à vecteurs de support. Le système atteint une précision de 91,856% dans l’identification des besoins du nouveau-né par analyse temporelle des unités de pleurs, offrant une solution sans contact et économique pour la pratique clinique.
Applications mobiles pour la santé mentale infantile
Yang et al. (2025), dans *JMIR mHealth and uHealth*, réalisent une analyse complète de 27 applications mobiles basées sur l’IA pour la santé mentale infantile, identifiées à partir de 369 applications initialement évaluées. L’évaluation qualitative utilise le Mobile Application Rating Scale (MARS), révélant un score moyen de 3,45/5 (ET 0,5), indiquant une nécessité d’amélioration de la qualité. L’analyse de lisibilité montre des scores sous-optimaux, avec un niveau de lecture moyen de 6,62 (ET 2,2) pour le contenu intra-application et de 9,93 (ET 2,6) pour les descriptions des boutiques d’applications.
L’analyse de contenu catégorise les applications en trois groupes fonctionnels : applications basées sur des chatbots (15 applications), applications de journalisation (9 applications) et applications de traitement psychothérapeutique (3 applications). Bien que 20 des 27 applications (74%) utilisent des technologies cliniquement validées, les essais cliniques rigoureux demeurent rares, avec seulement 2 applications ayant fait l’objet d’essais cliniques. Parmi les 27 applications, 7 (26%) sont gratuites, tandis que 20 nécessitent un abonnement ou un paiement unique, avec un coût moyen de 20,16 USD par mois, ce qui peut constituer une barrière d’accès pour certaines populations.
Modèles de prédiction en psychiatrie infantile
Till et Briganti (2025), dans *Psychiatrica Danubina*, présentent une revue systématique des modèles d’apprentissage automatique en psychiatrie infantile. Sur 65 études identifiées, 33 répondent aux critères d’inclusion. La majorité se concentre sur le trouble déficitaire de l’attention avec hyperactivité (TDAH) et les troubles du spectre autistique (TSA), avec d’autres études abordant la schizophrénie, le trouble bipolaire, les troubles alimentaires, les comportements suicidaires et la dépression. L’emphase porte principalement sur les applications diagnostiques.
Les résultats sont hétérogènes en raison de la variabilité des algorithmes, des ensembles de données et des mesures de résultats, avec des performances allant de modestes à élevées. Les principales limitations identifiées incluent de petites tailles d’échantillon, l’absence de validation externe et le surapprentissage. L’étude souligne que l’apprentissage automatique en psychiatrie infantile et adolescente en est à un stade précoce mais montre un potentiel considérable, nécessitant des méthodes standardisées, une interprétabilité accrue et des garanties éthiques pour la traduction clinique.
Reconnaissance des émotions en soins pédiatriques
Figueiredo et al. (2025), dans *Journal of Pediatric Nursing*, réalisent une revue systématique de 23 études sur l’application de l’IA à la reconnaissance émotionnelle en pédiatrie. Les études varient en méthodologie et portée, incluant l’utilisation de l’IA pour la reconnaissance émotionnelle faciale, vocale et basée sur le dessin, avec des applications dans divers domaines cliniques. Les outils basés sur l’IA démontrent des niveaux de précision prometteurs, notamment dans l’amélioration de l’identification des émotions, le soutien au diagnostic précoce et l’information des décisions cliniques.
L’IA présente un potentiel transformateur pour les soins pédiatriques en améliorant l’identification et la gestion des états émotionnels, particulièrement chez les populations vulnérables. En reconnaissant et répondant aux besoins émotionnels, l’IA peut améliorer la personnalisation des soins et créer des environnements thérapeutiques émotionnellement sensibles.
Méta-analyse de l’apprentissage automatique pour la malnutrition
Rao et al. (2025), dans *International Journal of Environmental Research and Public Health*, présentent une méta-analyse de 11 études utilisant l’apprentissage automatique sur les données des Demographic and Health Surveys (DHS) pour prédire la malnutrition chez les enfants de moins de cinq ans. Les études, publiées entre 2019 et 2023, proviennent majoritairement du Bangladesh (n=6, 55%). Dix études rapportent le retard de croissance, trois l’émaciation et quatre l’insuffisance pondérale.
La méta-analyse de dix études révèle une précision agrégée de 68,92% (IC 95% : 66,04-71,80 ; I²=100%) pour la prédiction du retard de croissance. Trois études indiquent une précision agrégée de 84,39% (IC 95% : 80,90-87,87 ; I²=100%) pour la prédiction de l’émaciation. Quatre études montrent une précision agrégée de 73,60% (IC 95% : 70,01-77,20 ; I²=100%) pour la prédiction de l’insuffisance pondérale. Cette méta-analyse démontre que les modèles d’apprentissage automatique présentent des performances métriques modérées à bonnes dans la prédiction de la malnutrition.
Prédiction de la malnutrition aiguë infantile
Constenla-Villoslada et al. (2025), dans *Proceedings of the National Academy of Sciences*, démontrent que la surveillance à haute fréquence couplée à l’apprentissage automatique permet la prévision de la malnutrition aiguë infantile pour l’alerte précoce. L’étude utilise des données longitudinales pour développer des modèles prédictifs qui identifient les enfants à risque avant l’apparition de signes cliniques manifestes, offrant une opportunité d’intervention préventive.
Saleem et al. (2025), dans *American Journal of Human Biology*, explorent les facteurs de risque et la modélisation prédictive de la malnutrition infantile au Pakistan. Les facteurs de risque identifiés incluent les mariages consanguins, un statut socio-économique inférieur, une faible éducation maternelle et des disparités géographiques dans les provinces du Sindh et du Baloutchistan. Parmi les modèles d’apprentissage automatique testés (Random Forest, Support Vector Machine, Naïve Bayes, AdaBoost), Random Forest démontre la précision et la spécificité globales les plus élevées, tandis que SVM présente une sensibilité supérieure pour les enfants émaciés et en insuffisance pondérale.
Analyse tridimensionnelle des interactions caregiver-enfant
Weng et al. (2025), dans *Science Advances*, introduisent HARMONI, une méthode de vision par ordinateur 3D et de traitement audio pour analyser le comportement et les interactions caregiver-enfant à partir de vidéos observationnelles. HARMONI opère à une résolution de sous-seconde, estimant des représentations de maillage 3D et des interactions spatiales humaines, et s’adapte aux environnements naturels exigeants grâce à un module de génération de données synthétiques ciblées sur l’environnement.
Déployé sur 500 heures du jeu de données SEEDLingS, HARMONI génère des mesures quantitatives détaillées du comportement humain 3D auparavant inaccessibles par des efforts manuels ou des méthodes 2D. Le système identifie des tendances longitudinales dans l’interaction enfant-caregiver, incluant le mouvement de l’enfant, la posture corporelle, le contact dyadique, la visibilité et les tours conversationnels. L’analyse visuelle et audio intégrée révèle des tendances multimodales, notamment des associations entre les tours conversationnels de l’enfant et le mouvement. HARMONI atteint une cohérence de 63 à 80% sur les attributs clés avec les annotateurs humains sur SEEDLingS et de 84 à 93% sur des vidéos issues d’un environnement de laboratoire, tout en réalisant une économie de temps supérieure à 100 fois.
Analyse automatique de la posture infantile
Gama et al. (2025), dans *Behavior Research Methods*, comparent sept méthodes de réseaux de neurones profonds pour l’estimation automatique de la pose 2D des nourrissons à partir de vidéos. Cette capacité d’analyse automatisée facilite l’évaluation du développement moteur et peut identifier précocement des retards développementaux. L’étude évalue la performance comparative de différentes architectures pour déterminer les approches les plus appropriées pour l’analyse de la posture infantile.
Kulvicius et al. (2025), dans *Communications Medicine*, démontrent que l’apprentissage profond combiné à la fusion de capteurs améliore la classification des mouvements infantiles. L’intégration de multiples modalités de capteurs avec des algorithmes d’apprentissage profond permet une caractérisation plus précise des patterns de mouvement infantile, avec des applications potentielles dans le dépistage précoce des troubles neurodéveloppementaux.
Prédiction du vocabulaire infantile
Tóth et al. (2025), dans *Brain Research*, utilisent l’apprentissage automatique pour prédire le vocabulaire infantile à partir de la connectivité neuronale et du discours maternel. L’étude intègre des données de neuroimagerie et d’analyse linguistique pour identifier les prédicteurs précoces du développement du langage, offrant des opportunités d’intervention précoce chez les enfants présentant des risques de retard langagier.
Pol et Agrawal (2025), dans *Discovery Mental Health*, réalisent une analyse bibliométrique et méta-analytique systématique des facteurs clés et des perspectives émergentes de l’IA et de l’apprentissage automatique dans le développement cognitif infantile. L’analyse de 122 articles de revues publiés au cours des 10 dernières années révèle que la majorité des travaux de recherche pour le diagnostic du développement cognitif dans la petite enfance a été réalisée par des méthodes statistiques traditionnelles. L’application de l’IA et de l’apprentissage automatique dans le diagnostic cognitif précoce demeure limitée et sous-explorée, soulignant un domaine nécessitant des recherches supplémentaires.
Détection de la douleur infantile
Zhang et al. (2025), dans *Computers, Informatics, Nursing*, développent une approche d’apprentissage profond pour l’évaluation de la douleur infantile utilisant les expressions faciales par réseau de neurones convolutifs. Cette technologie objective de mesure de la douleur complète les échelles subjectives d’évaluation et peut faciliter une analgésie plus appropriée chez les nourrissons non verbaux.
Roué et al. (2025), dans *Paediatric and Neonatal Pain*, présentent la détection objective de la douleur procédurale aiguë chez les nouveau-nés utilisant l’EEG et des algorithmes d’apprentissage automatique. L’étude enregistre l’EEG de 30 nouveau-nés (18 mâles, 34,0-41,7 semaines de gestation à la naissance) subissant des procédures douloureuses aiguës. Un modèle de gradient boosting avec 12 caractéristiques démontre une performance optimale, avec 90% d’aire sous la courbe ROC, suggérant une spécificité élevée (0,90) et une précision (0,90). Les cinq caractéristiques les mieux classées correspondent à des paires d’électrodes EEG : T7-P4, Fz-CP5, FC1-TP10, CP6-Cz et Fz-F3, suggérant l’implication du gyrus temporal controlatéral, du cortex operculaire, du thalamus et de l’insula bilatérale dans le traitement de la douleur infantile.
Prédiction des cardiopathies congénitales critiques
Mayourian et al. (2025), dans *JACC Clinical Electrophysiology*, développent un modèle d’apprentissage profond basé sur l’électrocardiogramme infantile pour prédire les cardiopathies congénitales critiques. Cette approche non invasive offre un potentiel de dépistage précoce des malformations cardiaques nécessitant une intervention urgente, avec des implications pour la morbi-mortalité néonatale.
Dépistage de la méningite infantile par échographie
Sial et al. (2025), dans *Ultrasound in Medicine & Biology*, présentent un nouveau système de dépistage de la méningite infantile par IA utilisant l’imagerie échographique haute résolution. L’étude démontre la faisabilité d’un outil de dépistage par ultrasons pour identifier la méningite chez les nourrissons, une condition nécessitant un diagnostic et un traitement rapides pour minimiser les complications neurologiques.
Analyse de la composition corporelle néonatale
He et al. (2025), dans *Ultrasound in Medicine & Biology*, développent des techniques d’apprentissage profond pour la prédiction de la composition corporelle néonatale basée sur l’échographie. L’évaluation précise de la composition corporelle néonatale peut identifier les nourrissons à risque de complications métaboliques et guider les interventions nutritionnelles appropriées.
Promotion de l’équité en santé infantile
Cheung et al. (2025), dans *Pediatrics*, examinent l’utilisation de l’IA et de l’apprentissage automatique pour promouvoir l’équité en santé infantile. L’étude décrit deux cas d’utilisation novateurs appliqués pour promouvoir l’équité en santé des populations dans une population diverse de Londres : (1) un algorithme d’apprentissage automatique développé et entraîné utilisant des données démographiques collectées en routine pour prédire la non-présentation aux rendez-vous ambulatoires dans divers contextes et (2) un outil de prédiction des risques pour les enfants asthmatiques utilisant plusieurs métriques routinières à travers le spectre des déterminants de santé pour cibler les interventions préventives vers les patients asthmatiques à haut risque.
L’expérience décrite souligne les façons possibles dont l’iniquité peut être inadvertamment intégrée dans les données d’entraînement, le modèle d’apprentissage automatique et sa mise en œuvre, avec des stratégies d’atténuation pour le présent et l’avenir. Cette perspective souligne l’importance d’une approche consciente de l’équité dans le développement et le déploiement de systèmes d’IA en pédiatrie.
Identification des déterminants sociaux dans la maltraitance infantile
Kazemi et al. (2025), dans *Neurosurgery*, utilisent l’apprentissage automatique pour identifier les déterminants sociaux de la maltraitance infantile dans les traumatismes crâniens pédiatriques. L’étude révèle que des facteurs socio-économiques complexes contribuent au risque de maltraitance, permettant une identification plus précoce des cas à risque et des interventions ciblées de protection de l’enfance.
Considérations éthiques et qualité des modèles
L’intégration de l’IA en pédiatrie soulève des enjeux de sécurité, d’équité et de qualité méthodologique :
Des cadres éthiques robustes sont nécessaires pour protéger la vie privée et les droits des enfants, garantir la transparence des algorithmes, et assurer la participation des parties prenantes pédiatriques.
Le consentement éclairé reste complexe : les enfants sont une population vulnérable, avec une capacité de décision limitée.
Les biais algorithmiques, liés à la représentativité restreinte des jeux de données, peuvent accroître les inégalités de santé.
L’accès aux applications IA reste inéquitable (74% à abonnement payant pour la santé mentale infantile, barrière pour les familles à faibles revenus).
La validation des modèles demeure un défi : surapprentissage fréquent, absence de validation externe, forte hétérogénéité des méthodes.
Les recommandations actuelles incitent à développer :
Des jeux de données multicentriques et représentatifs ;
L’adoption de standards de reporting (TRIPOD-AI) et de validation externe systématique ;
Une évaluation continue de l’impact clinique réel et de la qualité de vie
Tableau 1 : Performances des principaux modèles IA en pédiatrie
Application clinique
Précision
N études
Référence
Pneumonie virale vs bactérienne (binaire)
92,3 %
35
Rickard et al., 2025
Pneumonie (multiclasse)
91,8 %
35
Rickard et al., 2025
Malformations auriculaires (6 classes)
83-85 %
1
Ren et al., 2025
Malformations auriculaires (binaire)
94-98 %
1
Ren et al., 2025
Classification pleurs néonataux
91,9 %
1
Özdemir et Yilmaz, 2025
Retard de croissance infantile
68,9 %
10
Rao et al., 2025
Émaciation infantile
84,4 %
3
Rao et al., 2025
Insuffisance pondérale infantile
73,6 %
4
Rao et al., 2025
Dépistage néonatal (sensibilité)
100 %
1
Xie et al., 2025
Dépistage néonatal (réduction faux positifs)
98,8 %
1
Xie et al., 2025
Douleur procédurale néonatale (spécificité)
90 %
1
Roué et al., 2025
Tableau 2 : Implications pour la pratique clinique
Implications
Étude / Auteur
Application / Conclusion
Transformation des flux de travail cliniques
Cheung et al.
Prédiction de la non-présentation aux rendez-vous, gestion proactive des listes d’attente, réduction du gaspillage de ressources
Médecine de précision et personnalisation des soins
Xie et al.
Intégration de données génomiques, métabolomiques et d’apprentissage automatique pour améliorer le dépistage néonatal, interventions personnalisées précoces, prédiction des risques de malnutrition, identification précoce des troubles neurodéveloppementaux, stratification des patients
Soutien à la décision clinique
Miranda et al.
L’IA ne surpasse pas les médecins en pédiatrie, importance de l’expertise clinique spécialisée, nécessité d’une collaboration synergique entre IA et cliniciens
Défis d’implémentation et considérations régulatrices
Chng et al.
Validation dans des environnements réels, intégration sans charge supplémentaire, conformité aux normes réglementaires, importance de cadres éthiques robustes, transparence algorithmique, protection de la vie privée, évaluation continue de l’impact
Enseignements, défis et perspectives :
Intégration de l’IA en pédiatrie
L’analyse de 95 études publiées en 2025 révèle que l’IA transforme progressivement la pratique pédiatrique à travers des applications diagnostiques, thérapeutiques et préventives. Les performances quantitatives des modèles d’apprentissage automatique varient selon les applications cliniques, avec des précisions allant de 68,9% pour la prédiction du retard de croissance à 100% de sensibilité pour certaines applications de dépistage néonatal.
Les domaines d’application les plus développés incluent l’imagerie médicale (pneumonie, malformations auriculaires), la santé mentale infantile, la prédiction de la malnutrition, l’analyse comportementale et développementale et le dépistage néonatal. Les systèmes d’IA démontrent une capacité à égaler ou surpasser l’expertise humaine dans des tâches diagnostiques spécifiques, tout en présentant des limitations dans des contextes nécessitant un jugement clinique complexe.
Les défis méthodologiques majeurs incluent le surapprentissage dû à des ensembles de données limités, l’absence de validation externe rigoureuse, l’hétérogénéité des approches et les préoccupations d’équité dans l’accès et l’application des technologies. Les considérations éthiques, particulièrement la protection de la vie privée des enfants, la transparence algorithmique et l’équité dans le déploiement, nécessitent une attention continue.
Les implications pour la santé numérique incluent la nécessité de développer des infrastructures de données robustes, des cadres réglementaires adaptés, des programmes de formation pour les professionnels de santé et des mécanismes pour assurer l’accès équitable aux technologies d’IA. L’intégration optimale de l’IA en pédiatrie nécessite une approche collaborative entre cliniciens, informaticiens, décideurs politiques, régulateurs et familles.
Les directions futures prioritaires incluent la standardisation des méthodes de recherche, le développement de jeux de données représentatifs et diversifiés, l’intégration multimodale de données hétérogènes, l’évaluation de l’impact clinique réel par des essais contrôlés et l’adaptation des solutions aux contextes à ressources limitées pour promouvoir l’équité en santé mondiale infantile.
L’intelligence artificielle en pédiatrie en 2025 à travers ces études représente un domaine en maturation rapide, avec des applications prometteuses mais nécessitant des validations rigoureuses, des garanties éthiques et une mise en œuvre réfléchie pour réaliser son potentiel transformateur tout en protégeant les populations pédiatriques vulnérables.
Bibliographie :
Pokorny FB, Bartl-Pokorny KD. Editorial: Artificial intelligence for child health and wellbeing. Front Digit Health. 2025;7:1685788. doi: 10.3389/fdgth.2025.1685788. PMID: 40978696; PMCID: PMC12446228.
Mondillo G, Perrotta A, Colosimo S, Frattolillo V, Masino M, Pettoello-Mantovani M. Artificial Intelligence in Pediatrics: An Opportunity to Lead, not to Follow. J Pediatr. 2025;283:114641. doi: 10.1016/j.jpeds.2025.114641. PMID: 40368240.
Rickard D, Kabir MA, Homaira N. Machine learning-based approaches for distinguishing viral and bacterial pneumonia in paediatrics: A scoping review. Comput Methods Programs Biomed. 2025;268:108802. doi: 10.1016/j.cmpb.2025.108802. PMID: 40349546.
Ren LJ, Yang RJ, Chen LL, et al. Artificial intelligence assisted identification of newborn auricular deformities via smartphone application. EClinicalMedicine. 2025;81:103124. doi: 10.1016/j.eclinm.2025.103124. PMID: 40083444; PMCID: PMC11905851.
Pol T, Agrawal R. A systematic bibliometric and meta analysis of key factors and emerging AI and ML insights in shaping child cognitive development. Discov Ment Health. 2025;5(1):180. doi: 10.1007/s44192-025-00309-z. PMID: 41258603; PMCID: PMC12630432.
Özdemi̇r S, Yilmaz EÇ. Automated Detection and Classification of Newborn Crying with Machine Learning. J Voice. 2025. S0892-1997(25)00463-1. doi: 10.1016/j.jvoice.2025.10.041. PMID: 41253665.
Yang F, Wei J, Zhao X, An R. Artificial Intelligence-Based Mobile Phone Apps for Child Mental Health: Comprehensive Review and Content Analysis. JMIR Mhealth Uhealth. 2025;13:e58597. doi: 10.2196/58597. PMID: 40479582; PMCID: PMC12165445.
Golub Y, Wulff A, Plösch T. From haze to horizon: epigenetic research and artificial intelligence in child and adolescent psychiatry. Eur Child Adolesc Psychiatry. 2025;34(4):1245-1248. doi: 10.1007/s00787-025-02686-w. PMID: 40111558; PMCID: PMC12000212.
Till AC, Briganti G. Outcomes in machine learning models for child psychiatry: a systematic review of the literature. Psychiatr Danub. 2025;37(Suppl 1):79-84. PMID: 40982877.
Xie Y, Peng G, Tikhonova I, Enns G, Zhao H, Cowan T, Scharfe C. Improving newborn screening accuracy through genome sequencing, targeted metabolomics, and machine learning. BMC Med Genomics. 2025;18(1):187. doi: 10.1186/s12920-025-02261-x. PMID: 41257776.
Rao B, Rashid M, Hasan MG, Thunga G. Machine learning in predicting child malnutrition: A meta-analysis of demographic and health surveys data. Int J Environ Res Public Health. 2025;22(3):449. doi: 10.3390/ijerph22030449. PMID: 40238576; PMCID: PMC11941938.
Cheung CR, Butler M, Cooper C, Dhanoa H. Using artificial intelligence and machine learning to promote child health equity. Pediatrics. 2025;156(Suppl 1):e2025070739L. doi: 10.1542/peds.2025-070739L. PMID: 40887086.
Khalatkar V. Artificial intelligence in pediatrics. Indian Pediatr. 2025. doi: 10.1007/s13312-025-00227-x. PMID: 41191325.
Figueiredo AR, Pereira A, Frias F, Rodrigues LMD, Diogo P. Applications of artificial intelligence in emotion recognition in pediatrics health care: Scoping review. J Pediatr Nurs. 2025;85:593-606. doi: 10.1016/j.pedn.2025.09.017. PMID: 41033239.
Weng Z, Bravo-Sánchez L, Wang Z, Howard C, Xenochristou M, Meister N, et al. Artificial intelligence-powered 3D analysis of video-based caregiver-child interactions. Sci Adv. 2025;11(7):eadp4422. doi: 10.1126/sciadv.adp4422. PMID: 39951536; PMCID: PMC11837989.
Victor A. The role of artificial intelligence in maternal and child health: Progress, controversies, and future directions. PLOS Digit Health. 2025;4(7):e0000938. doi: 10.1371/journal.pdig.0000938. PMID: 40674369; PMCID: PMC12270093.
Sial HA, Carandell F, Ajanovic S, Jiménez J, Quesada R, Santos F, et al. Novel artificial intelligence-driven infant meningitis screening from high-resolution ultrasound imaging. Ultrasound Med Biol. 2025;51(9):1399-1410. doi: 10.1016/j.ultrasmedbio.2025.04.009. PMID: 40582896.
Mehta S, Huey SL, Fahim SM, Sinha S, Rajagopalan K, Ahmed T, et al. Advances in artificial intelligence and precision nutrition approaches to improve maternal and child health in low resource settings. Nat Commun. 2025;16(1):7673. doi: 10.1038/s41467-025-62985-3. PMID: 40825980; PMCID: PMC12361493.
Kulvicius T, Zhang D, Poustka L, Bölte S, Jahn L, Flügge S, et al. Deep learning empowered sensor fusion boosts infant movement classification. Commun Med (Lond). 2025;5(1):16. doi: 10.1038/s43856-024-00701-w. PMID: 39809877; PMCID: PMC11733215.
Chng SY, Tern MJW, Lee YS, Cheng LT, Kapur J, Eriksson JG, et al. Ethical considerations in AI for child health and recommendations for child-centered medical AI. NPJ Digit Med. 2025;8(1):152. doi: 10.1038/s41746-025-01541-1. PMID: 40065130; PMCID: PMC11893894.
Safarzadeh S, Ardabili NS, Farashah MV, Roozbeh N, Darsareh F. Predicting mother and newborn skin-to-skin contact using a machine learning approach. BMC Pregnancy Childbirth. 2025;25(1):182. doi: 10.1186/s12884-025-07313-9. PMID: 39966775; PMCID: PMC11837404.
Pucinischi V, DI Nardo G, Felici E, Mennini M. Pediatrics and artificial intelligence: shaping the future of child healthcare. Minerva Pediatr (Torino). 2025. doi: 10.23736/S2724-5276.25.07871-1. PMID: 40338517.
Kurath-Koller S. Artificial intelligence in pediatrics: promise, peril, and the path ahead. Front Pediatr. 2025;13:1631521. doi: 10.3389/fped.2025.1631521. PMID: 40661893; PMCID: PMC12256534.
Spahić L, Sredović U, Kurpejović Z, Mrdanović E, Pokvić G, Badnjević A. Machine learning for improved medical device management: a focus on infant incubators. Technol Health Care. 2025;33(4):2034-2040. doi: 10.1177/09287329241292168. PMID: 40025922.
Dessie MB, Adisu MA. An artificial neural network approach for predicting infant mortality status in Ethiopia. BMC Public Health. 2025;25(1):3515. doi: 10.1186/s12889-025-24884-6. PMID: 41102669; PMCID: PMC12532801.
Zeng Q, Zhu J, Yang Q, Su S, Huang X. AI-driven maternal and child healthcare nursing education: Network analysis of self-efficacy and usage demands. Nurse Educ Today. 2026;156:106899. doi: 10.1016/j.nedt.2025.106899. PMID: 41100953.
Tóth B, Háden GP, Tóth I, Lakatos K, Kohári A, Mády K, et al. Predicting infant vocabulary from neural connectivity and maternal speech: a machine learning approach. Brain Res. 2025;1866:149892. doi: 10.1016/j.brainres.2025.149892. PMID: 40914541.
Lamot L, Likić R. The promises and perils of artificial intelligence in clinical medicine: a dual perspective from internal medicine and pediatrics. Croat Med J. 2025;66(4):243-246. doi: 10.3325/cmj.2025.66.243. PMID: 40916499; PMCID: PMC12424215.
Kazemi F, Horowitz MA, Lee D, Cohen AR. Machine learning insights into social determinants driving child abuse in pediatric traumatic brain injury. Neurosurgery. 2025. doi: 10.1227/neu.0000000000003720. PMID: 40923793.
Liu HF, Lu Q, Fu HM. Advances in application of artificial intelligence in pediatrics. Zhonghua Er Ke Za Zhi. 2025;63(10):1155-1158. doi: 10.3760/cma.j.cn112140-20250818-00766. PMID: 40962554.
Wang H, Li L, Wang W, Li Z, Jian T, Yang X, et al. Development and validation of a deep learning image quality feedback system for infant fundus photography. Sci Rep. 2025;15(1):26852. doi: 10.1038/s41598-025-10859-5. PMID: 40702071; PMCID: PMC12287466.
Kutty S, Cheung YF, Viswanathan S, Danford DA. Reimagining pediatrics in a world of artificial intelligence: will we be empowered or imperiled? Mayo Clin Proc Digit Health. 2025;3(4):100258. doi: 10.1016/j.mcpdig.2025.100258. PMID: 41030614; PMCID: PMC12478232.
Lukmanjaya W, Butler T, Cox S, Perez-Concha O, Bromfield L, Karystianis G, et al. Leveraging AI to investigate child maltreatment text narratives: promising benefits and addressable risks. JMIR Pediatr Parent. 2025;8:e73579. doi: 10.2196/73579. PMID: 40705434; PMCID: PMC12288702.
He K, Hohenberg J, Li Y, Xiao A, Cho H, Nagel E, et al. Enhancing newborn health assessment: ultrasound-based body composition prediction using deep learning techniques. Ultrasound Med Biol. 2026;52(1):207-215. doi: 10.1016/j.ultrasmedbio.2025.09.016. PMID: 41102035; PMCID: PMC12614439.
Zhang L, Zhu TY, Zhang Y. A deep learning approach for infant pain assessment using facial expressions through convolutional neural network. Comput Inform Nurs. 2025;43(7):e01302. doi: 10.1097/CIN.0000000000001302. PMID: 40164059.
Endo PT. Artificial intelligence for women and child healthcare: is AI able to change the beginning of a new story? A perspective. Health Sci Rep. 2025;8(5):e70779. doi: 10.1002/hsr2.70779. PMID: 40330751; PMCID: PMC12053047.
Drăgoi AL, Nemeș RM. “Electronic Pediatrician”, a non-machine learning prototype artificial intelligence software for pediatric computer-assisted pathophysiologic diagnosis – general presentation. World J Methodol. 2025;15(3):100903. doi: 10.5662/wjm.v15.i3.100903. PMID: 40881228; PMCID: PMC11948191.
Roué JM, Avnit A, Gholami B, Haddad WM, Anand KJS. Objective detection of newborn infant acute procedural pain using EEG and machine learning algorithms. Paediatr Neonatal Pain. 2025;7(1):e70001. doi: 10.1002/pne2.70001. PMID: 40066435; PMCID: PMC11891568.
Saleem MU, Aslam MU, Khatir AG, Jiang Q. Exploring risk factors and predictive modeling of child malnutrition in Pakistan using machine learning. Am J Hum Biol. 2025;37(9):e70124. doi: 10.1002/ajhb.70124. PMID: 40908657.
Gama F, Mísař M, Navara L, T Popescu S, Hoffmann M. Automatic infant 2D pose estimation from videos: comparing seven deep neural network methods. Behav Res Methods. 2025;57(10):280. doi: 10.3758/s13428-025-02816-x. PMID: 40931295.
Lin R, Kebiri H, Gholipour A, Chen Y, Thiran JP, Karimi D, et al. Deep learning for fODF estimation in infant brains: model comparison, ground-truth impact, and domain shift mitigation. Hum Brain Mapp. 2025;46(14):e70367. doi: 10.1002/hbm.70367. PMID: 41054966; PMCID: PMC12501774.
Shafiq M, Kavitha J, Rinku DR, Senthil Kumar NK, Poon K, Jaffar AY, et al. Dual smart sensor data-based deep learning network for premature infant hypoglycemia detection. Sci Rep. 2025;15(1):23442. doi: 10.1038/s41598-025-03864-1. PMID: 40603339; PMCID: PMC12223281.
Bull C, Kisely S, Betts K, Hu Y. Understanding the development, performance, fairness, and transparency of machine learning models used in child protection prediction: a systematic review. Child Abuse Negl. 2025;169(Pt 1):107630. doi: 10.1016/j.chiabu.2025.107630. PMID: 40780075.
Fang Y, Xiong H, Huang J, Liu F, Shen Z, Cai X, et al. A deep learning framework for synthesizing longitudinal infant brain MRI during early development. Radiol Artif Intell. 2025:e240708. doi: 10.1148/ryai.240708. PMID: 40960398.
Hirst JN, Phung BR, Johnsson BT, He J, Coats B, Spear AD. Predicting fall parameters from infant skull fractures using machine learning. Biomech Model Mechanobiol. 2025;24(2):521-537. doi: 10.1007/s10237-024-01922-7. PMID: 39826035.
Miranda J, Pereira-Silva R, Guichard J, Meneses J, Carreira AN, Seixas D. Artificial intelligence outperforms physicians in general medical knowledge, except in the paediatrics domain: a cross-sectional study. Bioengineering (Basel). 2025;12(6):653. doi: 10.3390/bioengineering12060653. PMID: 40564469; PMCID: PMC12190018.
Campbell EA, Holl F, Marwah HK, Fraser HS, Craig SS. The impact of climate change on vulnerable populations in pediatrics: opportunities for AI, digital health, and beyond—a scoping review and selected case studies. Pediatr Res. 2025;98(4):1250-1256. doi: 10.1038/s41390-024-03719-x. PMID: 39881182; PMCID: PMC12549333.
Tu HF, Zierow L, Lennartsson M, Schweitzer S. A scoping review and quality assessment of machine learning techniques in identifying maternal risk factors during the peripartum phase for adverse child development. PLoS One. 2025;20(5):e0321268. doi: 10.1371/journal.pone.0321268. PMID: 40435283; PMCID: PMC12119027.
León GA, Morris AR, Sellery P, Saxbe DE. Using machine learning to identify predictors of maternal and infant hair cortisol concentration before and during the COVID-19 pandemic. Stress Health. 2025;41(3):e70051. doi: 10.1002/smi.70051. PMID: 40444444.
Kemmerich R, Wienke A, Frischen U, Mathes B. Evaluating machine- and deep learning approaches for artifact detection in infant EEG: classifier performance, certainty, and training size effects. Biomed Phys Eng Express. 2025;11(3). doi: 10.1088/2057-1976/add740. PMID: 40354792.
Karavite D, Cao L, Harris MC, Fidel A, Ungar L, Shaeffer G, et al. Refining a machine learning model for predicting infant sepsis: a multidisciplinary team supported by human-centered design methods. Appl Clin Inform. 2025;16(4):1332-1340. doi: 10.1055/a-2618-4470. PMID: 41072548; PMCID: PMC12513773.
Ham S, Choi G, Je BK, Oh S. Development of a deep-learning model for estimating newborn gestational age via lumbar vertebral segmentation on plain radiography. Korean J Radiol. 2025;26(9):867-876. doi: 10.3348/kjr.2025.0172. PMID: 40873377; PMCID: PMC12394821.
Hay RE, Zorko DJ, O’Hearn K, McQuaid C, Thibodeau GDP, Garcia Guerra G, et al. Child and family outcomes after PICU admission: creation of an open access literature database using a global team of PICU specialists integrated with machine learning. Pediatr Crit Care Med. 2025;26(8):e1017-e1023. doi: 10.1097/PCC.0000000000003780. PMID: 40558805; PMCID: PMC12323758.
Falissard B, Espi P, Rouquette A. The future of child and adolescent psychiatry in France (2026-2050): an AI-assisted qualitative action research study. Eur Child Adolesc Psychiatry. 2025;34(10):3285-3292. doi: 10.1007/s00787-025-02748-z. PMID: 40407888; PMCID: PMC12592303.
Choi Y, Park S, Lee H. Neonatal jaundice requiring phototherapy risk factors in a newborn nursery: machine learning approach. Children (Basel). 2025;12(8):1020. doi: 10.3390/children12081020. PMID: 40868472; PMCID: PMC12384310.
Tao Y, Shen Y, Tang Y, Shi H, Wei L, You H. Integrating transcriptomic profiling and machine learning: a clinically actionable prognostic model for infant acute myeloid leukemia. Hemasphere. 2025;9(11):e70251. doi: 10.1002/hem3.70251. PMID: 41189550; PMCID: PMC12581785.
Verhoeven R, Maeckelberghe ELM, Kooi EMW, Hulscher JBF. Prior knowledge shaped Dutch parents’ attitudes towards the use of artificial intelligence in paediatrics. Acta Paediatr. 2025. doi: 10.1111/apa.70358. PMID: 41212578.
Wang P, Li H, Yang X, Hu L, Chen Y, Cen Z, et al. Developing an explainable machine learning model to predict false-negative citrin deficiency cases in newborn screening. Orphanet J Rare Dis. 2025;20(1):507. doi: 10.1186/s13023-025-04045-z. PMID: 41063287; PMCID: PMC12505637.
Hu G, Gross O, Ziraldo E, Mulligan C, Soberman D, Dewan M, et al. Using artificial intelligence and computer vision to detect and monitor unhealthy child-directed food and beverage marketing: a data-driven study. EClinicalMedicine. 2025;89:103549. doi: 10.1016/j.eclinm.2025.103549. PMID: 41079021; PMCID: PMC12513061.
Zhu N, Chen T, Wang L, Cai F, Zhong X, Fang X, et al. Risk of IgE-mediated food allergy and its impact on child growth: a machine learning approach. World Allergy Organ J. 2025;18(8):101088. doi: 10.1016/j.waojou.2025.101088. PMID: 40697953; PMCID: PMC12280336.
Constenla-Villoslada S, Liu Y, McBride L, Ouma C, Mutanda N, Barrett CB. High-frequency monitoring enables machine learning-based forecasting of acute child malnutrition for early warning. Proc Natl Acad Sci U S A. 2025;122(23):e2416161122. doi: 10.1073/pnas.2416161122. PMID: 40478880; PMCID: PMC12167978.
Zakowicz PT, Brzezicki MA, Levidiotis C, Kim S, Wejkuć O, Wisniewska Z, et al. Detection of formal thought disorders in child and adolescent psychosis using machine learning and neuropsychometric data. Front Psychiatry. 2025;16:1550571. doi: 10.3389/fpsyt.2025.1550571. PMID: 40165865; PMCID: PMC11955656.
da Silva SMSD, Nogueira MS, Rizzato JMB, de Lima Silva S, Cortelli SC, Borges R, et al. Machine learning combined with infrared spectroscopy for detection of hypertension pregnancy: towards newborn and pregnant blood analysis. BMC Pregnancy Childbirth. 2025;25(1):358. doi: 10.1186/s12884-024-06941-x. PMID: 40148838; PMCID: PMC11948831.
Serin O, Yıldırım BF, Duman F, Ercorumlu K, Yavas R, Tasar MA, et al. Physician perspectives on artificial intelligence in healthcare: a cross-sectional study of child-focused care in a Turkish tertiary hospital. Int J Med Inform. 2025;203:106003. doi: 10.1016/j.ijmedinf.2025.106003. PMID: 40479777.
Abbasi H, Mollet SR, Williams SA, Battin MR, Besier TF, McMorland AJC. Deep-learning-based markerless tracking of distal anatomical landmarks in clinically recorded videos for assessing infant movement patterns associated with neurodevelopmental status. J R Soc N Z. 2023;55(2):223-240. doi: 10.1080/03036758.2023.2269095. PMID: 39677381; PMCID: PMC11639065.
AlSaad R, Alabdulla M, Tabassum A, Sheikh J, Thomas R. From mother to infant: predicting infant temperament using maternal mental health measures and tabular machine learning models. Front Public Health. 2025;13:1659987. doi: 10.3389/fpubh.2025.1659987. PMID: 41048269; PMCID: PMC12490419.
Banihashemi L, Zhang Y, Hipwell AE, Phillips ML. The promise of infant MRI in psychiatry: toward a framework for neural network measures in early emotional and behavioral risk identification and new intervention targets. Mol Psychiatry. 2025. doi: 10.1038/s41380-025-03197-5. PMID: 40885848.
Sarmet M, Kaczmarek E, Fauveau A, Steer K, Velasco AA, Smith A, et al. A machine learning pipeline for automated bolus segmentation and area measurement in swallowing videofluoroscopy images of an infant pig model. Dysphagia. 2025. doi: 10.1007/s00455-025-10829-z. PMID: 40293507; PMCID: PMC12354037.
Rahman A, Rahman MH. Explore the factors related to the death of offspring under age five and appraise the hazard of child mortality using machine learning techniques in Bangladesh. BMC Public Health. 2025;25(1):360. doi: 10.1186/s12889-025-21460-w. PMID: 39881228; PMCID: PMC11776272.
Islam F, Suhel GM, Afroz M, Apu MAI, Rana MJ, Hossain T, et al. Predicting child development across literacy, physical, learning, and social-emotional domains using supervised machine learning: a cross-sectional study based on MICS 2019 Bangladesh. Health Sci Rep. 2025;8(11):e71434. doi: 10.1002/hsr2.71434. PMID: 41200127; PMCID: PMC12586350.
Anderson EC, Srinivasan G, Howe CG, Zhang E, Jeon C, Paruchuri GSG, et al. Association of deep learning-derived histologic features of placental chorionic villi with maternal and infant characteristics in the New Hampshire birth cohort study. medRxiv [Preprint]. 2025. doi: 10.1101/2025.04.22.25325465. PMID: 40313259; PMCID: PMC12045406.
Anderson EC, Srinivasan G, Howe CG, Zhang E, Gupta Paruchuri GS, Zhang L, et al. Association of deep learning-derived histologic features of placental chorionic villi with maternal and infant characteristics in the New Hampshire birth cohort study. Placenta. 2025;170:87-96. doi: 10.1016/j.placenta.2025.07.084. PMID: 40902262.
Gülşen M, Aydın B, Gürer G, Yalçın SS. AI-based facial emotion analysis in infants during complimentary feeding: a descriptive study of maternal and infant influences. Nutrients. 2025;17(19):3182. doi: 10.3390/nu17193182. PMID: 41097259; PMCID: PMC12525990.
Viktorsson C, Lundman T, Astor K. A novel approach to exploring infant gaze patterns with AI-manipulated videos. Sci Rep. 2025;15(1):20097. doi: 10.1038/s41598-025-02727-z. PMID: 40541963; PMCID: PMC12181369.
Kocanaogullari D, Akcakaya M, Bendixen R, Soehner AM, Hartman AG. What goes on when the lights go off? Using machine learning techniques to characterize a child’s settling down period. Front Netw Physiol. 2025;5:1519407. doi: 10.3389/fnetp.2025.1519407. PMID: 40519639; PMCID: PMC12162617.
Barua S, Chakraborty R, Islam MM, Das S. A data-driven approach to child pedestrian crash analysis using dimension reduction, clustering, and explainable AI. Accid Anal Prev. 2025;222:108229. doi: 10.1016/j.aap.2025.108229. PMID: 40946544.
Mandelbaum M, Levy-Erez D, Soffer S, Klang E, Levy-Mendelovich S. Artificial intelligence: large language models in pediatrics. What do we know so far? Isr Med Assoc J. 2025;27(3):183-188. PMID: 40134173.
Nguyen Tien D, Thi Thu Bui H, Hoang Thi Ngoc T, Thi Pham T, Trung Nguyen D, Nguyen Thi Thu H, et al. A data-driven approach to assessing hepatitis B mother-to-child transmission risk prediction model: machine learning perspective. JMIR Form Res. 2025;9:e69838. doi: 10.2196/69838. PMID: 40409750; PMCID: PMC12144481.
García-Torres J, Meinich-Bache Ø, Johannessen A, Rettedal S, Kolstad V, Engan K. Advancing newborn care: precise time of birth detection using AI-driven thermal imaging with adaptive normalization. Comput Biol Med. 2025;187:109726. doi: 10.1016/j.compbiomed.2025.109726. PMID: 39884060.
Throm JK, Milling M, Triantafyllopoulos A, Kathan A, Dörsam AF, Löchner J, et al. Affective dimensions in maternal voice during child feeding in mothers with and without eating disorder history—findings from a machine learning analysis of speech data. Eur Eat Disord Rev. 2025. doi: 10.1002/erv.70038. PMID: 41044863.
Brintz BJ, Klarman MB, Cajusma Y, Exantus L, Beausejour JR, Flaherty KE, et al. Development of an AI-enabled predictive model to identify the ‘sick child’ at a pediatric telemedicine and medication delivery service in Haiti. medRxiv [Preprint]. 2025. doi: 10.1101/2025.06.27.25330413. PMID: 40630578; PMCID: PMC12236884.
Gökçearslan E, Tiktaş Çelik S, Akdeniz ET, Öztürk E. The touch of artificial intelligence in social work: analysis of social investigation reports in child welfare with ChatGPT. J Evid Based Soc Work (2019). 2025;22(4):607-625. doi: 10.1080/26408066.2025.2480396. PMID: 40098069.
Molu B. The effectiveness of AI-assisted information provision in premature infant care: an evaluation of ChatGPT in terms of accuracy, comprehensibility, and scope. J Perinat Neonatal Nurs. 2025. doi: 10.1097/JPN.0000000000000942. PMID: 40679926.
Kadambi P, Mahr TJ, Hustad KC, Berisha V. A tunable forced alignment system based on deep learning: applications to child speech. J Speech Lang Hear Res. 2025;68(7S):3583-3601. doi: 10.1044/2024_JSLHR-24-00347. PMID: 40163771; PMCID: PMC12337111.
Aldraihem A, Almaimani M, Bayoumi M, Abunadi A, AlSwaileh M, AlDubaikhi R, et al. Optimizing infant magnetic resonance imaging efficiency: deep learning-assisted feed-and-wrap technique versus general anesthesia using an infant magnetic resonance imaging stabilizer in infants under 4 months. Pediatr Radiol. 2025. doi: 10.1007/s00247-025-06437-6. PMID: 41193818.
Ma C, Wang J. Identification of glycolysis-related signature and molecular subtypes in child sepsis through machine learning and consensus clustering: implications for diagnosis and therapeutics. Mol Biotechnol. 2025. doi: 10.1007/s12033-025-01379-8. PMID: 39976858.
Budzyński A. Evaluating the impact of protective equipment on child injury severity in road traffic crashes: an explainable machine learning and counterfactual analysis approach. Int J Inj Contr Saf Promot. 2025. doi: 10.1080/17457300.2025.2578782. PMID: 41191554.
Li J, Liang T, Hou Y, Wang G, Qu Z. Development of the Screen for Child Anxiety Related Emotional Disorders (SCARED) optimal short scale for Chinese children and adolescents: based on FasterRisk machine learning modeling. BMC Public Health. 2025;25(1):2980. doi: 10.1186/s12889-025-24187-w. PMID: 40885999; PMCID: PMC12398135.
Ma E, Lai T, Lee Y, Zhang Y, Fu S. How does emotion regulation affect adolescents’ social adaptability? Building bridges for parent-child communication, empowered by AI education. Acta Psychol (Amst). 2025;259:105444. doi: 10.1016/j.actpsy.2025.105444. PMID: 40845780.
Talha M, Irshad NUN, Rehman UU, Gill OA, Imtiaz A. AI-generated child sexual abuse material: a threat to pediatric psychiatry datasets and diagnostic accuracy. Clin Child Psychol Psychiatry. 2025. doi: 10.1177/13591045251399699. PMID: 41264922.
Ye DH, Kim TW, Kim SM, Seo JW, Chang J, Lee JG, Ko EJ. Can AI-based video analysis help evaluate the performance of the items in the Bayley Scales of Infant Development? Children (Basel). 2025;12(3):276. doi: 10.3390/children12030276. PMID: 40150561; PMCID: PMC11941028.
Hussain Z, Borah MD. A neural network integrated mathematical model to analyze the impact of nutritional status on cognitive development of child. Comput Biol Med. 2025;185:109490. doi: 10.1016/j.compbiomed.2024.109490. PMID: 39657448.
Haginoya S, Sun Y, Santtila P. Retention of training effects in police officers following scalable AI simulations of child sexual abuse interviews. Behav Sci Law. 2025. doi: 10.1002/bsl.70019. PMID: 41078234.
Bertamini G, Perzolli S, Bentenuto A, Furlanello C, Chetouani M, Venuti P, et al. Temporal dynamics of early child-clinician prosodic synchrony predict one year autism intervention outcomes using AI driven affective computing. Sci Rep. 2025;15(1):31144. doi: 10.1038/s41598-025-17057-3. PMID: 40851033; PMCID: PMC12375780.
Méthode de recherche bibliographique
Une stratégie structurée de recherche bibliographique a été mise en œuvre sur PubMed afin d’identifier les publications pertinentes concernant l’intelligence artificielle appliquée au secteur pédiatrique. Les requêtes ont combiné des termes spécifiques à l’IA (« AI », « artificial intelligence », « deep learning », « machine learning », « NLP », « Neural Network », « LLM ») avec des mots-clés relatifs à la pédiatrie (« Pediatrics », « Paediatrics », « Pediatrician », « Child », « Newborn », « Infant »), en limitant la recherche au champ du titre des articles. Cette méthode vise à garantir l’exhaustivité et la pertinence de la sélection, en ne retenant que les études dont le sujet principal porte explicitement sur l’IA et la santé des enfants ou des nouveau-nés.
(“AI”[Title] OR “artificial intelligence”[Title] OR “deep learning”[Title] OR “machine learning”[Title] OR “NLP”[Title] OR “Neural Network”[Title] OR “LLM”[Title]) AND (“Pediatrics”[Title] OR “Paediatrics”[Title] OR “Pediatrician”[Title] OR “Child”[Title] OR “Newborn”[Title] OR “Infant”[Title])
IA explicable et multi-omique au service de la recherche clinique et préclinique ;
souveraineté des infrastructures numériques et structuration locale des données multi-sources ;
stratégie IA progressive chez Servier, pilotée par la valeur et l’acculturation des équipes ;
construction de l’espace européen des données de santé et harmonisation des usages secondaires ;
collaboration multidisciplinaire pour dépasser les silos et mieux gérer les biais dans les algorithmes.
L’intelligence artificielle (IA) combine l’accès à de nouvelles sources de données et l’augmentation des capacités de calcul. Elle permet l’identification de nouvelles cibles thérapeutiques, une précision accrue des diagnostics et un suivi plus fin des patients, mais pose des questions de qualité des données, de gouvernance, de robustesse des modèles et de biais algorithmiques.
Cette matinale organisée par POC Media à Future4Care a réuni des chercheurs, des industriels et des start-up pour éclairer ces enjeux et partager des retours d’expérience concrets.
Pitchs deeptech : IA explicable et souveraineté des données au service des essais cliniques
Les séances de présentation ont illustré différents cas d’usage de l’IA, de la phase préclinique à l’aide au geste chirurgical.
Ariana Pharma : “L’IA explicable double les chances de succès clinique”
« Notre approche permet de réaliser des analyses sur des nombres très réduits de patients. Nous transformons ensuite ces résultats en éléments interprétables grâce à l’intelligence artificielle explicable, et, comme ils sont interprétables, ils deviennent directement actionnables pour nos clients.» — Martin Kindermans, Ariana Pharma
Lors de la matinale, Ariana Pharma a démontré l’impact de sa plateforme xAI KEM® sur la médecine de précision. L’étude sur la molécule ANAVEX®2-73 (Blarcamesine), menée dans la maladie d’Alzheimer, est particulièrement révélatrice : “À partir de seulement 20 patients, nous avons identifié un biomarqueur génomique de sélection, le variant SIGMA-R1 rs1800866, possédé par 5 patients, contre 15 de type wild-type.” Cette découverte a permis de stabiliser l’état des patients traités, de stratifier les groupes, d’obtenir des autorisations réglementaires accélérées (EMA, FDA), et d’ouvrir trois nouvelles indications cliniques. Financièrement, l’opération a fait multiplier par 6 la valorisation NASDAQ de la biotech, passant de 150 millions à plus d’un milliard de dollars. “Nous avons doublé les chances de succès d’Autorisation de Mise sur le Marché, de 8 à 16%.” Le biomarqueur identifié a également généré des Fast Track et Orphan Drug Designations auprès des autorités américaines.
Emerit Science : “Pour une souveraineté numérique scientifique”
« Beaucoup […] vont se baser sur des outils américains, des modèles de langage américain et ce qui pose un problème pour nous Français et Européens de souveraineté et de confidentialité des données. […] on propose une infrastructure qui soit souveraine, avec des modèles de langage indépendants que l’on développe en interne et qui soit hébergée par des cloud providers français, et en France.» — Nandjafot Mendy, Emerit Science
La start-up Emerit Science se donne pour mission de concevoir des assistants conversationnels scientifiques, compagnons digitaux du quotidien qui assistent les chercheurs dans toutes les phases de leur workflow. Emerit a insisté sur les limitations des modèles généralistes américains et l’importance d’une infrastructure souveraine. “La majorité des outils aujourd’hui s’appuient sur des modèles américains, ce qui pose un vrai problème de souveraineté pour nous, Français et Européens.” L’application web et les partenariats avec les incubateurs et organismes publics garantissent à l’utilisateur la gestion et la valorisation des connaissances scientifiques en environnement sécurisé.
iVi : “Maximiser la décision préclinique grâce à l’intelligence”
« La phase découverte et préclinique s’est bien passée et vous vous posez la question de savoir si vous voulez passer à un essai clinique et c’est effectivement une question qui vous engage pour à peu près 400 millions de dollars avec quatre chances sur cinq de tout mettre à la poubelle. Donc nous, l’idée, c’est de venir vous aider à prendre cette décision avec plus d’informations en utilisant ce que vous faites déjà… » – Christophe Bleunven, iVi
La solution développée par iVi accélère l’analyse des signaux physiologiques, jusque-là limitée à une vingtaine de variables descriptives par molécule, en une évaluation probabiliste multi-modale exhaustive. Installable directement chez le client pour des raisons de sécurité et de confidentialité, la technologie vise à “sécuriser la décision de passage en clinique, tout en permettant d’anticiper les demandes croissantes des régulateurs sur la compréhension fine des effets moléculaires”. L’équipe, forte de quatre membres entourés d’experts, a déjà mis au point un démonstrateur validé, avec le soutien de la Région Bretagne. Leur ambition : obtenir le label French Tech, développer un POC plus sophistiqué en juin 2026 et atteindre une douzaine de collaborateurs en cinq ans.
Adlin : “Structurer les données pour révéler la science”
« Les producteurs de données restent propriétaires des données, et c’est fondamental, déjà d’un point de vue éthique : quand on va à l’hôpital, c’est normal que l’hôpital reste garant de nos données. Nous, ce qu’on fait avec eux, c’est d’être partenaires pour les mettre en visibilité.» – Paul Rinaudo, Adlin
La qualité et la structuration des données multi-omiques sont au cœur de la proposition Adlin. Pour Paul Rinodo, “90% des acteurs estiment que la disponibilité et la qualité des données sont un vecteur fondamental pour développer leurs produits.” Adlin joue un rôle d’agrégateur, créant un hub décentralisé, garantissant l’interopérabilité et l’adaptabilité locale à chaque projet, tout en respectant la souveraineté et la propriété éthique des données. L’entreprise mise sur une plateforme collaborative hébergée chez chaque partenaire, conforme RGPD, rendant possible le partage sécurisé et la collaboration interdisciplinaire pour la découverte de biomarqueurs et l’optimisation des essais cliniques.
VIOO AI : “Industrialiser l’IA explicable au bloc opératoire”
«À notre grande surprise, nous avons constaté qu’avec relativement peu d’images, les modèles sont déjà très performants et bien conçus. Ainsi, même avec un nombre limité d’images, nous atteignons déjà ces niveaux de détection. Il va néanmoins falloir passer à d’autres méthodes pour obtenir la fiabilité attendue d’un véritable produit industriel installable.» — Dr. Alexandre Smirnoff, VIOO AI
En chirurgie, VIOO AI apporte une nouvelle vision grâce à l’utilisation de réseaux de neurones convolutionnels (Mask-R CNN) pour la reconnaissance en temps réel de structures anatomiques lors des interventions de cœlioscopie. L’idée initiale, née au sein de l’hôpital et d’une école d’ingénieurs, a permis de valider une preuve de concept : “En France, près de 120 000 procédures de cœlioscopie sont réalisées chaque année, avec 1800 complications post-opératoires directement liées à la reconnaissance anatomique.” Alors que les modèles industriels classiques nécessitent de grandes bases d’images, VIOO AI s’illustre par sa frugalité et son efficacité, grâce à une approche empirique et à des moyens techniques modestes. La start-up, accompagnée par la Technopole ATLLAS et une équipe pluridisciplinaire, se fixe comme objectif de rendre l’IA explicable et directement opérationnelle pour la salle d’opération.
Innovations et messages transversaux de la séance de pitchs
IA explicable au cœur des solutions : Ariana Pharma et VIOOAI insistent sur l’interprétabilité des modèles, condition de confiance pour les praticiens et les régulateurs ;
souveraineté et gouvernance des données : Emerit Science et Adlin mettent en avant la maîtrise locale des infrastructures et la propriété des données par les producteurs ;
optimisation des phases précliniques et cliniques : iVi et Ariana Pharma proposent des solutions d’IA pour sécuriser et accélérer le développement de médicaments ;
interopérabilité et structuration des données : les besoins de standards pour exploiter les données multi-omiques (Adlin) et multisources (Ariana Pharma) sont récurrents ;
valorisation économique et réglementaire : les cas d’usage présentés illustrent un impact sur la création de valeur et sur l’interaction avec les autorités réglementaires (EMA, FDA) ;
partenariats et ouverture : l’ensemble des start-up affichent une volonté de collaborer avec industriels, chercheurs et régulateurs pour co-construire les futurs usages de l’IA en santé.
Les biais sont intrinsèquement liés à la sélection des données (A. Arrault, Servier)
Alban ARRAULT , R&D Chief A.I. Officer, Servier
La keynote d’Alban Arrault (Servier) portait sur la « Stratégie IA et data chez Servier : impacts sur la recherche médicale ».
Servier est revenu sur l’intégration progressive de l’IA dans la prédiction des comportements moléculaires, l’optimisation de la phase préclinique, l’identification de cibles thérapeutiques et l’exploration des mécanismes pathologiques et de sécurité.
La stratégie repose sur une structuration forte des données, l’acculturation des collaborateurs et un pilotage par la valeur : les besoins sont collectés, priorisés, puis traités via des cas d’usage ciblés, consolidés ensuite dans une démarche plus globale, avec « une évolution, pas une révolution ».
Les actions prioritaires portent sur l’identification de nouvelles cibles, l’anticipation technologique et l’optimisation du design des essais cliniques.
Les investissements sont modulés selon la maturité et la vélocité des technologies d’IA, avec un suivi attentif des enjeux d’explicabilité des modèles, de frugalité et de gestion des biais.
Interrogé sur les biais de genre et de données, Alban Arrault a rappelé que « les biais sont intrinsèquement liés à la sélection des données et des cohortes dans les essais cliniques ».
La démarche de Servier vise à expliciter ces biais, à diversifier les jeux de données et à intégrer ces questions dès la conception des études.
Les intervenants ont décrit la construction du nouvel espace européen des données de santé comme un chantier de gouvernance et de cadre juridique pour les usages primaires et secondaires des données.
Ils ont souligné les fortes disparités entre pays européens en matière de structuration, d’accessibilité, d’interopérabilité des données et de modèles économiques (vente ou achat de données), avec parfois encore des pratiques très papier, comme en Allemagne.
La nécessité d’une gouvernance harmonisée à l’échelle européenne, portée par une ambition politique claire d’autonomie stratégique, a été largement partagée.
L’espace européen des données de santé doit faciliter la recherche, les benchmarks, la comparabilité et la reproductibilité, tout en apportant plus de transparence sur le consentement et sur la création de jeux de données anonymisés.
Les intervenants ont insisté sur l’importance de standards communs et sur la possibilité de développer des algorithmes robustes à partir de petits échantillons bien caractérisés.
Pour les industriels, l’ouverture et la standardisation devraient lever des barrières d’accès, multiplier les opportunités en recherche clinique et en innovation, même si un écart important subsiste avec certains pays déjà très avancés en matière d’accessibilité des données.
Tendances et bonnes pratiques
Plusieurs lignes de force se dégagent de cette matinale.
IA explicable et souveraineté des données : les solutions présentées privilégient l’interprétation des résultats, la transparence des modèles et le contrôle local des données et des infrastructures.
Gouvernance et standards européens : la réussite de l’espace européen des données de santé repose sur une harmonisation des règles d’accès, de structuration et de partage, afin de soutenir la recherche et l’innovation.
Collaboration et mutualisation : la coopération entre cliniciens, bio-informaticiens et data scientists, appuyée par des plateformes ouvertes, apparaît comme un levier central pour dépasser les silos et améliorer la qualité des algorithmes.
Gestion des biais et priorisation des usages : la prise en compte des biais (genre, représentativité des cohortes) nécessite des méthodologies rigoureuses dès la conception des projets et un pilotage par la valeur des cas d’usage.
Accélération de l’innovation par l’accès aux données : l’amélioration de l’accès aux données de santé, notamment via l’espace européen, devrait stimuler la conception de nouveaux algorithmes, faciliter les comparaisons scientifiques et renforcer la valorisation de la recherche française et européenne.
Le diabète, maladie chronique répandue, a favorisé l’innovation dans la détection, la prévention, la personnalisation du traitement et le suivi des patients. Notre étude présente divers cas d’usage : dépistage par analyse de la voix, autogestion avancée de l’insuline et télésurveillance des biomarqueurs à domicile. Cette variété reflète les besoins cliniques et quotidiens non couverts, ainsi que la réactivité croissante du secteur de la santé.
19 cas d’usage dans le diabète à travers 20 solutions d’IA
12 cas d’usage pour les établissements de santé et 7 pour les patients et aidants
Dans le secteur des établissements de santé, l’automatisation du dépistage de la rétinopathie et du pied diabétique s’appuie sur l’IA appliquée à l’imagerie médicale. Les dispositifs connectés permettent une administration personnalisée de l’insuline, adaptée aux besoins de chaque patient. Pour les patients et leurs aidants, la télésurveillance à domicile devient possible grâce à l’utilisation de capteurs multiples, renforcée par l’évaluation digitale de l’observance thérapeutique. Le coaching nutritionnel et l’analyse automatisée des données alimentaires offrent un accompagnement personnalisé favorisant l’autonomie du patient.
3 axes stratégiques pour les cas d’usage destinés aux patients : prévention, suivi personnalisé, éducation et accompagnement
L’innovation dans le diabète se structure autour de trois axes majeurs. En prévention, le dépistage massif et non-invasif s’appuie sur des technologies telles que la photographie ou l’analyse de la voix, permettant un tri automatisé et des alertes précoces. Le suivi personnalisé bénéficie d’algorithmes embarqués qui assurent des ajustements dynamiques et une adaptation individualisée du traitement. L’éducation et l’accompagnement sont renforcés par la détection proactive de la souffrance psychique, des dispositifs éducatifs digitaux et la vulgarisation des données biomédicales, facilitant la compréhension et l’adhésion thérapeutique.
5 segmentations des cas d’usages pour le patient
Les cas d’usages se segmentent selon plusieurs catégories :
l’information avec la vulgarisation automatisée et multilingue des rapports biologiques ;
la détection des risques par l’intelligence artificielle sur la voix et les images, ainsi que la prédiction cardiovasculaire ;
le suivi par la télésurveillance continue et la vision mobile de l’œdème maculaire ;
le traitement individualisé grâce aux pompes connectées et à une stabilité glycémique accrue ;
enfin, le soutien psychologique via la détection et l’accompagnement digitalisé.
Des cas d’usage à la fois en ophtalmologie et endocrinologie
Ophtalmologie
En prévention et dépistage, le diagnostic automatisé des rétinopathies diabétiques via l’IA offre une accélération de l’accès au diagnostic et une réduction de la charge clinique. Le triage automatisé des volumes d’imagerie rétinienne améliore la spécificité du diagnostic initial. En suivi personnalisé, la télésurveillance de la vision pour les patients avec œdème maculaire s’effectue via application mobile interactive et tests cliniquement validés, renforçant l’autonomie et l’engagement du patient. La détection précoce des microlésions rétiniennes, réalisée par tomographie associée à l’analyse cellulaire, permet une personnalisation des stratégies thérapeutiques.
Endocrinologie
En prévention et dépistage, des outils d’analyse vocale permettent de dépister le diabète à distance avec une précision de 70 à 75 % sur smartphone. L’analyse automatisée du pied diabétique assure le repérage précoce des lésions, réduisant les hospitalisations évitables. Le traitement personnalisé s’appuie sur l’automatisation de l’administration d’insuline par algorithmes et pompes connectées, garantissant une optimisation dynamique des doses et une stabilité glycémique accrue. La prédiction du risque cardiovasculaire s’effectue par des modèles intégrant des bases de données cliniques, favorisant l’adaptation proactive des stratégies thérapeutiques. Le phénotypage avancé et la classification automatique des sous-types évolutifs de diabète permettent un suivi individualisé et une segmentation fine des parcours patients.
Biologie moléculaire
En matière d’information et de vulgarisation, la génération automatisée de rapports sur les biomarqueurs facilite la contextualisation médicale et l’orientation des patients et de leurs aidants.
4 segments liés à l’innovation médicale
Dépistage et tri automatisé : l’intelligence artificielle appliquée à l’imagerie (rétine, pied), l’analyse vocale et la photobiométrie apportent des solutions validées et transposables en médecine de ville comme à l’hôpital.
Traitement personnalisé : l’automatisation et la personnalisation de l’insuline, le repérage des complications spécifiques et les algorithmes prédictifs cliniques s’appuient sur des cohortes et des publications internationales.
Suivi et télésurveillance : les solutions mobiles et connectées offrent un monitoring continu, encouragent l’engagement du patient et permettent la personnalisation dynamique du parcours.
Information et éducation : les outils digitaux facilitent la vulgarisation et la transmission des données médicales et biologiques, optimisant la compréhension et l’adhésion thérapeutique.
La recherche clinique et hospitalière s’appuie sur l’innovation technologique pour la détection des microlésions invisibles par tomographie, renforçant la capacité à personnaliser et anticiper la prise en charge.
Leviers stratégiques ouverts par les cas d’usage
Levier stratégique
Description
Moyens/Technologies
Bénéfices
Dépistage massif et accessible
Analyse de la voix, images rétiniennes, photographies de la langue
IA
Dépistage à grande échelle, non invasif, accessible aux populations éloignées
Identification précoce des personnes à risque
Avant l’apparition des symptômes majeurs
IA, analyse de données
Réduction de la morbidité et du poids économique des complications
Prise en charge personnalisée et dynamique
Administration automatisée et individualisée de l’insuline
Algorithmes d’analyse continue des données physiologiques
Limite les épisodes d’hypo/hyperglycémie, optimise la qualité de vie
Aide au diagnostic et à la prévention des complications
Analyse automatisée des images du pied, fond d’œil, rétine
Analyse d’images, corrélation automatique des résultats cliniques
Détection précoce de la néphropathie, rétinopathie, lésions du pied, améliore la rapidité de prise en charge
Surveillance à distance et engagement du patient
Surveillance continue du profil métabolique et cardiovasculaire
Dispositifs connectés, applications mobiles
Réactivité thérapeutique, anticipation des complications, personnalisation du suivi, réduction des déplacements
Accompagnement éducatif et nutritionnel
Coaching digital, analyse automatisée des journaux alimentaires, gamification
Solutions digitales
Pilotage en temps réel des comportements nutritionnels et de l’observance thérapeutique
Prévention de la souffrance psychique
Détection automatisée de la détresse psychologique
Questionnaire numérique, analyse de la voix
Prise en charge précoce et personnalisée du mal-être
Valorisation des données pour la recherche et la personnalisation
Phénotypage avancé, classification automatique des profils cliniques
Analyse de données, classification automatique
Médecine de précision, ciblage et adaptation dynamique des interventions
La granularisation sectorielle des opportunités dans le domaine du diabète met en lumière plusieurs cas d’usage couvrant l’ensemble du parcours de prise en charge, des établissements de santé jusqu’au domicile du patient. Cette diversité témoigne de la capacité du secteur à répondre efficacement aux besoins variés des patients diabétiques.
La structuration des dispositifs repose principalement sur trois axes majeurs : la prévention, le suivi personnalisé et l’accompagnement. Cette organisation est renforcée par l’intégration massive de capteurs connectés, d’algorithmes avancés, d’IA embarquée ainsi que par l’utilisation d’approches éducatives digitales. Ces éléments permettent d’optimiser la gestion du diabète tout au long du parcours de soins.
Parmi les segments pour le patient se distinguent la détection précoce, la télésurveillance, le coaching et l’amélioration de l’expérience patient. Ces leviers permettent de réduire les complications associées au diabète, favoriser une transformation organisationnelle et contribuer à la démocratisation des soins dans ce domaine.
Risques majeurs et freins d’adoption
Fait clé : La robustesse prédictive de l’évaluation du risque d’abandon thérapeutique validée par 7 publications majeures mais demeure confrontée à des problématiques d’observance et de personnalisation.
Limite ou risque
Description
Fiabilité technique et clinique
Sensibilité et spécificité élevées des dispositifs automatisés (ex : tri des images rétiniennes, détection par analyse vocale), souffrent parfois de faux négatifs ou positifs, sous-détection ou surcharge du système de soins par sur-referral inutile
Risques organisationnels
Gestion et intégration de volumes importants de données générées par les outils de télémonitoring et d’analyse automatisée exigent des adaptations des organisations hospitalières, systèmes d’information, formation des équipes, coordination
Adhésion et engagement patient
Observance reste un défi, barrières psychologiques ou sociales, manque de littératie digitale, lassitude face à la sollicitation numérique limitent l’utilisation optimale et l’impact des solutions
Protection des données et cybersécurité
Expansion des dispositifs connectés et gestion de données sensibles nécessitent vigilance accrue sur la sécurité et l’intégrité des informations collectées
Hétérogénéité de l’accès
Innovations parfois réservées à des centres experts ou à des patients ayant un niveau socio-économique suffisant pour accéder aux technologies avancées
Risques de désengagement professionnel
Développement d’outils d’aide à la décision ou d’automatisation peut induire chez certains soignants une désappropriation du suivi patient, risque de résistance au changement organisationnel
Télésurveillance, éducation thérapeutique et expérience patient
Les dispositifs de suivi et d’accompagnement à distance redéfinissent le parcours de soins à domicile :
Fonctionnalité
Description
Bénéfices
Suivi autonome à domicile
Applications de télésurveillance de la vision, suivi hebdomadaire en autonomie, transmission instantanée des résultats à l’ophtalmologiste
Prévention des pertes de chance liées aux retards de consultation, motivation de l’engagement patient
Éducation et coaching individualisé
Analyse comportementale digitalisée, personnalisation des programmes de soutien éducatif, identification des freins à l’adhésion thérapeutique, génération de conseils adaptés
Personnalisation du soutien, amélioration de l’adhésion thérapeutique
Amélioration de l’expérience patient
Automatisation de la génération de rapports vulgarisés sur les biomarqueurs du diabète, traduction en plusieurs langues
Simplification de la compréhension des résultats biologiques, encouragement de l’implication des patients dans leur parcours de soins
Impacts organisationnels et économiques dans la prise en charge du diabète
Les solutions innovantes répondant aux cas d’usage sont développées et mises en œuvre par un large éventail d’entreprises, allant de jeunes startups à de grandes entités de plus de 10 000 collaborateurs, réparties dans plusieurs pays. Cette diversité d’acteurs contribue à la vitalité de l’écosystème et à la diffusion rapide des innovations.
La dynamique d’innovation dans le domaine du diabète entraîne plusieurs effets structurants majeurs. Premièrement, elle favorise une réduction significative des coûts liés aux complications de la maladie. Grâce à la détection précoce des signaux d’alerte et à la prévention active, il devient possible de limiter le recours aux hospitalisations, aux interventions lourdes ainsi qu’à l’apparition de complications chroniques.
Deuxièmement, ces innovations participent à une réorganisation profonde du système de soins. Les différents cas d’usage identifiés permettent en effet de déléguer certaines étapes du suivi, telles que le tri automatisé, et de réaffecter les ressources humaines vers des tâches à plus forte valeur ajoutée. Par ailleurs, elles favorisent une coordination accrue des professionnels de santé autour du patient, optimisant ainsi la qualité de la prise en charge.
Enfin, le secteur bénéficie d’une stimulation notable de l’écosystème industriel et numérique. Les collaborations entre entreprises technologiques, établissements de santé et sociétés d’assurance/mutuelles créent un environnement propice à la croissance économique renforçant ainsi la dynamique d’innovation dans la gestion du diabète.
Synthèse et perspectives stratégiques
Les innovations récentes dans la gestion du diabète couvrent désormais l’ensemble du parcours patient, depuis le dépistage initial jusqu’à la prise en charge des complications. Ces avancées reposent sur une base scientifique solide, validée par des études menées sur des cohortes de plusieurs milliers de patients pour certains cas d’usage. Cette assise scientifique garantit la fiabilité et l’efficacité des solutions proposées.
L’analyse des principaux cas d’usage met en évidence une transformation du management du diabète. L’introduction d’outils de télémonitoring, le recours à l’IA et la personnalisation des approches permettent non seulement d’anticiper et d’optimiser la gestion des risques, mais également de renforcer la responsabilisation et l’autonomie des patients dans leur parcours de soins.
À partir de ces constats, 2 grandes perspectives stratégiques se dégagent pour l’avenir du secteur :
La consolidation d’un modèle de prise en charge fondé sur la prévention, l’anticipation et la personnalisation, s’appuyant sur des technologies innovantes et des données cliniques robustes.
Le développement de solutions visant à responsabiliser davantage les patients et à favoriser leur autonomie, tout en optimisant la coordination et l’efficience des intervenants du système de santé.
Groupe
Enjeux/Opportunités
Hôpitaux et organismes de santé
Transformation numérique, investissement dans l’intégration des solutions, formation des professionnels, protection des données
Investisseurs et industriels
Croissance du marché des dispositifs connectés et outils d’IA, opportunités de développement international, innovation continue, adaptation aux particularités réglementaires locales
Patients et soignants
Individualisation accrue de la prise en charge, gestion proactive des complications, accompagnement clinique, psychologique et éducatif
Nombre de maladies rares en France : entre 6 000 et 8 000 ;
Durée moyenne d’errance diagnostique : 5 ans ;
Moins d’une personne sur 2 000 est concernée par chaque maladie rare ;
Le coût du séquençage génomique a chuté de manière exponentielle en 20 ans ;
Projet INDICE : clustering et phénotypage sur 4 000 patients ;
Consentement et confidentialité : suivi continu par comité éthique.
La conférence s’est tenue dans le cadre de la Journée de la donnée de santé de l’AP-HP, édition 2025, réunissant experts et professionnels autour des enjeux et usages des données pour l’appui au soin, le pilotage, la recherche et l’innovation.
L’objectif était de présenter les avancées et utilisations concrètes des données de génomique dans la prise en charge et la recherche sur les maladies rares, en mobilisant le plan national Maladies rares, la Banque nationale de données maladies rares (BNDMR), et les centres experts et filières de santé spécialisées.
Les intervenants principaux : Pr Anita Burgun et Alban Lermine, tous deux spécialisés en traitement et génétique à l’Assistance Publique—Hôpitaux de Paris (AP-HP).
3 Mds de bases impliquées dans le séquençage du génome
Alabn Lermine commence par expliquer que le séquençage du génome entier (près de 3 milliards de bases) et l’utilisation de panels de gènes s’ancrent dans la routine diagnostique. Les coûts du séquençage ont fortement baissé permettant une extension des analyses. Ces données nécessitent une interprétation perpétuelle, avec la réouverture de dossiers en cas d’actualisation des bases de connaissances génétiques.
Un point majeur s’est détaché de la présentation : celui de l’interprétation perpétuelle des données génétiques. Comme l’a illustré Alban Lermine, le patient peut être séquencé une seule fois, mais l’information génétique collectée est conservée et réinterrogée régulièrement à mesure que les connaissances et les bases de données internationales évoluent. Les intervenants ont souligné qu’avec chaque mise à jour des bases de connaissances, une extraction ciblée du registre de patients permet d’alerter le biologiste concerné et de rouvrir le dossier afin d’apporter un diagnostic ou un éclairage nouveau. L’exemple donné sur la déficience intellectuelle est particulièrement révélateur : la publication récente d’un bug sur une série de gènes a permis, dès le lendemain, d’identifier parmi 66 patients ceux pour lesquels cette nouvelle donnée pouvait enfin résoudre l’errance diagnostique.
4000 patients dans le projet InDiCE
Le projet InDiCE incarne la mise en œuvre concrète de ces principes et la volonté méthodologique de l’AP-HP. Axé sur la déficience intellectuelle, il vise à rassembler et exploiter de façon globale les données génomiques et cliniques de quelque 4 000 patients. Le phénotypage multimodal, permis par l’intégration des dossiers cliniques structurés et des comptes rendus textuels, favorise le clustering et l’identification de cohorte à forte valeur ajoutée.
L’un des objectifs centraux du projet est de dépasser les limites actuelles en découvrant de nouveaux variants et en améliorant la compréhension des mécanismes sous-jacents à la pathologie, tout en affinant l’impact des signes cliniques sur la caractérisation des patients.
La généralisation de cette approche à toutes les pathologies rares est un horizon assumé par les porteurs de projet, avec la mobilisation d’un écosystème institutionnel d’une ampleur inédite : filières maladies rares, équipe collégiale de généticiens, hôpitaux Necker, Pitié-Salpêtrière, Robert Debré, et l’Institut Imagine, tous sont associés à l’effort structurant, dans une dynamique de collaboration et de validation éthique centralisée.
Gouvernance, sécurité et éthique
« On va sélectionner uniquement les patients pour lesquels on a un consentement explicite pour la réutilisation des données en recherche…»
Au fil des échanges, les questions de sécurité, de consentement et de gouvernance des données ont été fortement mises en exergue. Les intervenants reconnaissent la sensibilité extrême des données manipulées : le consentement explicite du patient est obligatoire pour la réutilisation en recherche, la protection institutionnelle via la DSN est active et le comité scientifique et éthique supervise chaque étape du flux de données. La prudence quant à l’interprétation, notamment dans l’utilisation des nouveaux scores polygéniques et du reclassement des variants de signification incertaine, est sans cesse rappelée.
Un système de santé apprenant
« On est en train de mettre en place un système de santé apprenant : on va découvrir et valider de nouvelles connaissances à partir de nos propres données.»
La conférence a également ouvert une réflexion sur l’ambition de l’AP-HP en matière d’innovation organisationnelle. Selon les propos des intervenants, l’établissement est en mesure de déployer un « système de santé apprenant », capable d’exploiter la masse de données disponible pour générer de nouvelles connaissances, mais aussi pour adapter en continu ses pratiques cliniques et de recherche. Cette dynamique, qui conjugue rigueur scientifique, sens de la sécurité et vision collective, apparaît comme un levier pour transformer le soin et accélérer la recherche dans le domaine des maladies rares. Elle invite à capitaliser sur l’intelligence institutionnelle, l’innovation méthodologique et l’ouverture éthique, pour garantir progrès médical et confiance des patients.
La conférence thématique « Institut d’Intelligence Artificielle en Santé : une structure, des projets concrets » animée par le Pr Vincent Vuiblet s’est tenue lors de la première Journée de la donnée de santé 2025, organisée par l’Assistance Publique – Hôpitaux de Paris (AP-HP) le 7 novembre 2025. L’intervention, dédiée à l’Institut d’Intelligence Artificielle en Santé, a permis de structurer les enjeux, avancées et perspectives stratégiques de l’IA en santé, au sein d’un paysage marqué par les nouvelles réglementations européennes et la nécessité d’une innovation collaborative à l’échelle nationale.
L’IA en santé est une nécessité stratégique
La conférence s’ouvre sur un constat : la création de l’Institut d’Intelligence Artificielle en Santé (IIAS) répond à une ambition large en matière de transformation du secteur de la santé. Selon le Pr Vincent Vuiblet, il s’agit de répondre à des enjeux multiples :
« Il faut commencer à entendre parler de l’inclusion sortie en santé, de ce qu’on peut en faire, des grands enjeux, c’est-à-dire des enjeux éthiques, des enjeux liés aux données de santé, des enjeux liés au maintien de l’expertise humaine et d’esprit critique, aux enjeux de transformation de la formation et puis bien sûr aux autres enjeux qui sont ceux de la soutenabilité environnementale, la propriété économique, la souveraineté évidemment ».
Les freins historiques évoqués sont principalement le cloisonnement des acteurs, la fragmentation des initiatives, et le manque de mutualisation des expériences. Ce contexte amène progressivement à un changement de paradigme, où l’IA n’est plus abordée uniquement sous l’angle technique mais comme levier systémique pour la qualité, l’efficience et la transformation des soins.
Un des objectifs de l’institut est de dépasser l’éclatement des initiatives
L’IIAS se positionne comme réponse à la dispersion passée des initiatives numériques :
« Rien de tout cela n’aurait de sens ni ne pourrait finalement prendre son essor si on n’avait pas une approche collective […] en allant ensemble, en convergeant nos efforts, en mutualisant nos actions et en conduisant des projets collectifs, qu’on peut réussir à développer des sujets d’envergure qui peuvent aussi nous repositionner en termes de leadership au niveau européen ».
L’appartenance à des réseaux interrégionaux et nationaux ainsi qu’à la fédération scientifique des données de santé sont cités en exemple.
Le Pr Vuiblet explique qu’il est très important d’intégrer les établissements non universitaires et la médecine de ville/ambulatoire pour avoir une vision complète du parcours de soins des patients, au-delà du seul cadre du CHU.
Gouvernance de la donnée et conformité européenne
La qualité des données, leur accessibilité, leur vérification et l’expertise locale sont au cœur de la démarche de l’Institut :
« Les données, c’est le cœur du réacteur de l’IA. Si on a des données de qualité, on peut produire de l’IA de qualité ».
L’institut a mis en place un entrepôt de données de santé (EDS) qui dépasse la logique de simple stockage pour englober la structuration, la validation et l’intégration interétablissements, favorisant l’interopérabilité et le recours à des plateformes communes.
Il est également souligné que cette démarche doit s’étendre au-delà du seul secteur hospitalier universitaire pour inclure la médecine libérale, les établissements spécialisés et les réseaux externes.
Par ailleurs, les nouvelles réglementations européennes rendent la formation et la montée en compétence obligatoires, impactant les cadres de pratiques et de gouvernance.
Nouveaux modèles de formation : hybridation, international et accompagnement
L’IIAS cible deux axes de formation : initiale (étudiants, futurs médecins, paramédicaux) et continue (professionnels en activité), dont le programme PROMESSE. L’institut anime aussi des séminaires dans 8 pays, renforçant l’hybridation des compétences et l’internationalisation des bonnes pratiques.
Un accent est mis sur la transformation des métiers à l’ère de l’IA, où l’objectif n’est pas de faire de tous des data scientists, mais de permettre l’appropriation des nouveaux enjeux, bonnes pratiques et points de vigilance. Ce cadre inclusif vise à garantir la capacité critique des utilisateurs et la traçabilité des impacts de l’IA sur leurs pratiques.
Cas d’usage et transformation des pratiques cliniques et organisationnelles
L’Institut a développé différents types de projets, répartis en « projets structurants » et « projets applicatifs », couvrant 3 axes majeurs : amélioration des soins, optimisation des fonctions support et transformation du système de santé.
Projet
Catégorie
Objectifs / Description
Partenaires / Usage
Inopath
Structurant / Amélioration des soins
Plateforme de pathologie numérique : validation des lames, comptes structurés, entraînement IA
Orange, Novakum, société savante, >55 labos pathologie
DrIA, Flammèche, PROMESSE
Structurant / Amélioration des soins
Génération d’algorithmes IA sans connaissance code, outils AutoML, explicabilité et bibliographie
Prédiction infection cathéters par analyse photo, prévention à l’hôpital et en ambulatoire
Infirmières, hôpital, domicile
SimplIA
Applicatif/ Amélioration des soins
Simulateur vocal interactif pour la formation des étudiants en santé
Environnements proches du réel, étudiants santé
FG4H
Structurant / Support aux activités de soins
Modèle génératif IA souveraine sur données françaises/hospitalières, usage commun numérique
Communauté de santé, usages applicatifs
SynthelAx
Applicatif / Support aux activités de soins
Optimisation des fonctions supports
Équipes supports
HD4C
Structurant / Transformation système
Intégration données extra-CHU pour visibilité territoriale
Territoires, établissements
ConcilIA
Applicatif / Transformation système
Orientation conciliation médicamenteuse, ciblage des patients à risque, augmentation du nombre de conciliations
Praticiens, pharmaciens
CoagIA
Applicatif / Transformation système
Prédiction risque accident hémorragique chez patients sous anticoagulants, optimisation prévention et prise en charge
Spécialistes, praticiens
Adoption, transformation des pratiques et limites rencontrées
L’intégration des outils dans les parcours de soins implique des transformations organisationnelles et professionnelles majeures, mais soulève également des limites et des freins « terrain », tels que la maturité des solutions, la perte potentielle de certaines compétences, et la nécessaire formation continue :
« Cet esprit critique vient à la fois de la maturité de ces solutions, mais aussi vient de la formation »
Impact économique et valeur générée pour l’écosystème
Création de 2 nouvelles startups
La valorisation s’articule autour :
Accompagnement de la création d’entreprises et de start-ups issues des projets portés par l’institut.
Soutien aux acteurs industriels dans la commercialisation et la maintenance des technologies IA : « Notre incubateur PETILLANTeS est en train de créer deux start-ups qui s’appuient sur des projets qu’on a créés ».
50M€ levés à travers des appels à projets nationaux et européens
L’institut est majoritairement financé par des fonds exogènes et des contrats industriels, avec une levée de fonds considérable sur 2024 et début 2025 : « On a levé 50 millions d’euros […] ce qui nous permet de développer l’accompagnement et une plateforme technologique ». Ce financement favorise l’accompagnement et l’expérimentation en conditions réelles (tiers-lieu PEPS) avant la diffusion systémique des innovations.
« On veut que nos algorithmes qu’on utilise tous les jours soient expérimentés dans des conditions de vie réelle. C’est le socle de notre tiers-lieu d’expérimentation qui s’appelle PEPS »
Stratégies de preuve de concept et expérimentation réelle
Comme pour un médicament, les algorithmes sont expérimentés dans des conditions de vie réelle. La performance, l’acceptabilité humaine, l’intégrabilité organisationnelle et l’impact médico-économique sont systématiquement évalués avant toute diffusion.
Facteurs de succès et obstacles à la transformation systémique
Les facteurs identifiés :
capacité de mutualisation,
priorisation des projets selon le potentiel de dissémination et d’impact,
structures de gouvernance scientifique pour arbitrer les ressources, en limitant la frustration de projets non retenus,
organisation du partage des innovations pour éviter leur isolement et favoriser leur diffusion multicentrique.
Gouvernance, mutualisation et perspectives à long terme
Une adaptation continue de la feuille de route
La dynamique de réseau, nationale et européenne, est importante pour « donner toutes ces dimensions collectives au développement […] organiser les choses que ce soit plus suivi, plus connu ».
L’institut adapte en continu sa feuille de route et valorise le partage d’expérience pour dépasser les limites du développement local.
2 défis soulevés
Maturité des solutions et maintien de l’esprit critique.
Capacité à « naviguer » entre des outils innovants sans se priver de la liberté de développer de nouveaux outils.
Les données de santé comme gages de fiabilité
Plusieurs intervenants dans l’auditoire rappellent la nécessité de garder l’esprit critique dans un contexte de sollicitations nombreuses par les industriels de l’IA : « Il est nécessaire […] de vérifier la fiabilité des outils. La fiabilité, ce sont les données de santé, mais ce n’est pas que ça ».
L’Inde, avec une population de 1 428,6 millions d’habitants et un âge moyen de 28,8 ans, se positionne parmi les géants démographiques mondiaux. Son PIB par habitant s’élève à 2 497,2 USD. Le pays connaît un taux de croissance économique élevé de 7 % et se distingue comme une démocratie attirant de nombreux acteurs internationaux, notamment dans la santé. Sur le plan institutionnel, l’organisation hospitalière présente un équilibre marqué : 70 % d’hôpitaux publics contre 30 % privés. Ce contexte sous-tend une demande croissante de soins et une transformation systémique portée par la démographie, les investissements et la volonté politique.
Organisation du système de santé indien
Un objectif de 2,5% de PIB dédié à la santé en 2025
Le système de santé indien repose sur une structure à deux niveaux : un secteur public subventionné et un secteur privé dynamique. Le système est supervisé par le Ministry of Health and Family Welfare (MoHFW), qui englobe le Department of Health and Family Welfare, le Department of Health Research, la Direction Générale des Services de Santé (DGHS), et la National Health Authority, responsable du programme d’assurance publique Ayushman Bharat et de la stratégie de santé numérique.
Le financement adopte un modèle universel à payeurs multiples : les hôpitaux publics, financés principalement par l’impôt, offrent des soins quasi gratuits aux résidents, avec seulement des co-paiements symboliques. Les programmes d’assurance tels que le RSBY (Rashtriya Swasthya Bima Yojna) ciblent principalement les travailleurs informels sous le seuil de pauvreté, incluant une cotisation annuelle très faible (30 INR) et un complément pris en charge par le gouvernement central et les États.
En 2023, les dépenses de santé représentent 2,1 % du PIB, parmi les plus faibles au monde, avec un objectif gouvernemental d’atteindre 2,5 % du PIB d’ici 2025. Source : IndiaConnected.
Institutions indiennes : un système à deux niveaux, 70 % d’hôpitaux publics
L’Inde comptabilisait environ 70 000 hôpitaux en 2023, tous secteurs confondus : publics, privés, trusts et ONG. La répartition se précise — 26 000 hôpitaux gouvernementaux et 43 486 privés, avec 500 à 1 000 gérés par des trusts ou ONG. Le secteur privé gère 63 % des hôpitaux, tandis que le public en concentre 37 %. Source : IndiaDataMap.
Parmi les plus grandes chaînes :
Apollo Hospitals Group >10 000 lits, 73 hôpitaux, 300 cliniques, 200 unités de télémédecine, 17 pays
Fortis Hospitals Group : 36 hôpitaux, 4 000 lits
Max Hospitals : 17 hôpitaux, 3 400 lits
Narayana Health : 21 hôpitaux, 6 000 lits
Medanta Medicity : 5 hôpitaux, 2 467 lits
70 000 hôpitaux, 1,3 million de médecins : accès inégal, secteur privé dominant
Le système recense, au nov. 2024, 1 386 145 médecins allopathes enregistrés, selon la National Medical Commission. Source officielle: Ministry of Health and Family Welfare, National Medical Commission, nov.2024.
Le secteur hospitalier représente 80 % du marché des soins de santé. Toutefois, la moitié de la population vit en zone rurale, alors que plus de 70 % des médecins exercent en ville, accentuant les défis d’accessibilité sanitaire. Source : IBEF.
Statistiques clés sur le secteur
Dépenses de santé 2023 : 2,1 % du PIB (objectif 2,5 % en 2025)
70 000 hôpitaux en 2023 (63 % privés)
1 386 145 médecins allopathes (nov. 2024)
24 % des dépenses de RSE concernent la santé (200 entreprises, 154 M EUR d’investissements)
820 millions d’utilisateurs internet, coût parmi les plus bas mondiaux
372 millions de téléconsultations sur eSanjeevani (2025), 155 000 centres publics couverts, 220 000 professionnels impliqués
Un marché de la santé estimé à 360,8 Mds EUR en 2023
Le marché de la santé en Inde était estimé à 360,8 Mds EUR en 2023, avec un secteur hospitalier représentant 99 Mds EUR (soit 70 %). L’industrie pharmaceutique devrait atteindre 100 Mds EUR en 2030, et celle des dispositifs médicaux 46 Mds EUR dès 2025.
Le secteur des dispositifs médicaux se distingue avec une valeur estimée à 10,2 Mds EUR en 2023, le 4ᵉ plus grand marché d’Asie, marqué par plus de 800 fabricants locaux, 250 start-ups et 100 entreprises internationales. 70 % des dispositifs sont importés.
Le marché indien de la robotique chirurgicale affiche une croissance rapide : 851 M USD en 2023 (prévision : près de 4 Mds USD en 2031), portée par une démographie croissante et des politiques gouvernementales incitatives. Source : International Trade Administration, trade.gov.
La santé numérique connaît une accélération marquée (Ayushman Bharat Digital Mission depuis 2021, eSanjeevani, Tele-MANAS). En 2025, le marché du suivi digital du patient génère 3,75 Mds USD, avec une projection à 22,19 Mds USD en 2030 (CAGR : 28,9 %), segment dominé par les “wearable devices” (31,3 % du chiffre d’affaires).
La télémédecine a connu une hausse de 300 % des consultations en ligne en 2020, avec 372 millions de téléconsultations réalisées via eSanjeevani à travers 220 000 professionnels et 155 000 établissements publics en 2025. Le programme eSanjeevani, porté par le ministère indien de la Santé et du Bien-être familial, représente aujourd’hui la plus vaste initiative mondiale de télémédecine en soins primaires. En date du 8 juillet 2025, la plateforme a permis de prendre en charge plus de 391 millions de patients, avec un record de 630 000 consultations en une seule journée. Son succès repose sur un vaste réseau de plus de 223 000 praticiens, 133 000 centres de télémédecine et 17 000 hubs opérationnels à travers le pays. Depuis son lancement en 2019, la croissance d’eSanjeevani a été exponentielle, illustrant la capacité de la télémédecine à réduire les inégalités d’accès aux soins et à renforcer le modèle d’une « Inde en bonne santé » (Swasth Bharat). Source : IBEF, 2025.
Investissements et politique publique : 10,5 Mds EUR alloués, priorité à l’innovation numérique et à l’IA
En 2023, le gouvernement consacre 10,5 Mds EUR au ministère de la Santé sur le budget de l’Union. L’État encourage l’adoption des dossiers médicaux électroniques, l’intelligence artificielle pour le pilotage clinique et l’innovation sur les dispositifs médicaux (100 % d’ouverture aux IDE, exonérations fiscales spécifiques), favorisant le développement des infrastructures numériques.
Le gouvernement soutient également la recherche biomédicale (plus de 6 000 start-ups biotech), la bioconomie estimée à 140 Mds EUR en 2025, et 273 Mds EUR en 2030 (croissance annuelle 17 %).
Orientations stratégiques et politiques publiques
Partenariats et démarches institutionnelles
L’Inde déploie des modèles innovants de partenariats public-privé (PPP), très adaptables, réunissant administrations, établissements de santé, industriels et start-ups. Sur le plan international, le pays se positionne comme leader mondial au sein de la Global Initiative on Digital Health de l’OMS, portée au G20 (2023). Source : World Economic Forum, 15/01/2025.
Le Digital Healthcare Transformation Initiative (DHT), lancé par le World Economic Forum, Apollo Hospitals et des organisations internationales en 2024, vise à créer un cadre collaboratif pour accélérer le changement à grande échelle (outils de pilotage, plans d’action, lighthouse examples). Source : World Economic Forum, 15/01/2025.
Priorités politiques
La télémédecine et la santé digitale sont soutenues par des incitations financières, des schémas d’investissement, et le renforcement de la protection des données médicales. Les priorités incluent la réduction des inégalités territoriales, l’accès aux soins en milieu rural, la lutte contre les maladies chroniques : “Indians are more likely to develop diabetes… high prevalence of chronic diseases in India is expected to propel the growth of the digital patient monitoring devices market.” Source: Grand View Research, India Digital Patient Monitoring Devices Market Size Outlook, 2030.
Des réglementations sur la gestion des déchets biomédicaux et la conformité des dispositifs médicaux (normes, certification BIS) encadrent l’activité.
La première Journée de la donnée de santé organisée par l’AP-HP le 7 novembre 2025 a réuni près de 400 décideurs, experts hospitaliers et représentants patients autour d’une ambition commune : accélérer la transformation numérique de la santé par l’exploitation responsable et innovante des données. Dans un contexte réglementaire européen en pleine mutation, cet événement était l’occasion de débattre des enjeux de transparence, de souveraineté, de sécurité et de valorisation des données de santé, mais aussi de croiser les regards des acteurs institutionnels, hospitaliers et associatifs.
La table ronde centrale, « Vers un espace européen des données de santé : stratégie nationale, enjeux et éthique », a réuni :
Héla Ghariani, co-responsable de la Direction du Numérique en Santé, pilote des grands chantiers nationaux d’intégration technologique,
Monique Sorrentino, directrice générale du CHU de Grenoble Alpes, forte d’une vision opérationnelle et stratégique de la gouvernance hospitalière,
Arthur Dauphin, représentant France Assos Santé, voix des usagers et des patients dans la co-construction des politiques publiques.
Cette table ronde illustre une ambition partagée par les intervenants et l’auditoire : bâtir un espace européen des données de santé où la confiance, la sécurité, la transparence et la souveraineté française s’articulent avec l’harmonisation européenne pour répondre aux enjeux de soin, de recherche et d’innovation, dans une dynamique collective alliant régulation, éthique, pédagogie et partenariats structurants.
📌A retenir :
La confiance et la transparence au cœur du partage des données : L’usage des données de santé ne suscite pas de tabou majeur, mais exige une pédagogie forte et une information accessible pour impliquer réellement les patients et garantir leur consentement éclairé.
Tournant stratégique européen : Le nouveau règlement européen apporte une harmonisation, renforce la souveraineté sur les données et ouvre des opportunités pour la France, notamment en matière d’innovation et de valorisation.
Défis technologiques persistants : La sécurité, l’hébergement et la cyberprotection des données restent des enjeux techniques critiques, avec des offres spécialisées à renforcer pour répondre aux exigences du secteur santé.
Un besoin des patients de garantie de compréhension et de respect de l’usage de la data
L’approche du partage des données de santé ne rencontre pas de véritables tabous, mais soulève de nombreux questionnements liés à l’éthique et à la confiance. Selon Arthur Dauphin (France Assos Santé), la préoccupation centrale des patients porte avant tout sur l’usage de leurs données :
« Ils n’ont pas besoin de connaître tous les détails techniques, mais doivent comprendre l’utilité – améliorer leur santé, favoriser la recherche ou la santé publique. »
La notion même de partage varie selon l’objectif poursuivi, qu’il s’agisse de soins individuels, d’études scientifiques, de recherche ou de santé publique. Majoritairement, les patients réclament de la transparence et des garanties quant à l’utilisation et la sécurité de leurs informations. Comme le souligne encore Arthur Dauphin :
« Ils confient facilement leurs données s’ils ont la garantie de compréhension et de respect de l’usage. »
Un écart persiste toutefois entre la réalité du système (dossier médical, pharmacie, hôpital) et la représentation qu’en ont les usagers ; d’où la nécessité d’un effort pédagogique constant face à une compréhension très hétérogène.
L’usage des données primaires et secondaires au cœur des orientations stratégiques des CHU
Les intervenants ont distingué les usages primaires (soins, accompagnement direct du patient) des usages secondaires (études, recherche, pilotage). Comme le déclare Monique Sarrantino :
« L’usage des données primaires et secondaires est entré dans nos orientations stratégiques majeures, et on y voit énormément d’enjeux. »
Ces sujets se retrouvent dans la gouvernance nationale et les lignes directrices décidées avec les équipes de terrain. L’intégration numérique et l’optimisation des parcours de soins sont au cœur des évolutions, avec des perspectives telles que l’interopérabilité des logiciels de santé. Les automatismes et la coordination entre médecins doivent permettre de transformer cet outil collectif au service de la santé publique et de la prévention, dans une logique qui « s’accélère déjà, et qui changera beaucoup dans les cinq prochaines années ».
« Si l’Europe veut avoir son destin en main (…), il faut qu’on ait cette capacité à gérer nos données. »
Un point fort des discussions concerne l’adoption récente du règlement européen sur les données de santé, enjeu de “souveraineté et d’innovation”. La France, “dans l’héritage du RGPD”, s’est impliquée pour garantir la mainmise du patient sur ses données, tout en favorisant la transparence et le partage par défaut. L’harmonisation européenne doit permettre une coordination accrue des soins et de la recherche, et un développement économique autour de solutions maîtrisées localement.
Le système de redevance et la valorisation de la mise en qualité des données sont des leviers clés pour garantir la montée en gamme des offres et la juste rémunération des producteurs de données, que ce soit pour des usages hospitaliers ou industriels.
« Les études de marché montrent qu’il manque toujours des solutions de sécurité strictement dédiées à la santé. »
Le panel a exposé la complexité du choix des hébergements, de la sécurité et des solutions techniques.Une solution intermédiaire est actuellement mise en place pour permettre l’accélération de l’accès aux données du SNDS via une plateforme technologique répondant aux exigences de sécurité et permettant d’obtenir l’autorisation légale. La cybersécurité et la protection contre les attaques sont des préoccupations majeures, notamment après les récents incidents dans le secteur hospitalier. Les participants soulignent que “les personnes ont une très mauvaise compréhension des risques, et craignent que leurs données soient utilisées par des acteurs externes”, d’où la nécessité de renforcer l’information et la confiance.
« Un écosystème hospitalier vivant, ouvert et dans le partage »
L’écosystème français et européen s’appuie sur une mutualisation croissante des compétences et des données. Des actions de soutien aux entreprises et aux acteurs hospitaliers ont été détaillées :
« Si on veut que le règlement européen soit une opportunité pour la France, il faut un écosystème hospitalier vivant, ouvert et dans le partage. »
L’objectif affiché est d’animer une communauté de mutualisation, de soutenir la structuration de plateformes et de faciliter l’accès aux données pour initier des projets collectifs à fort impact. Les contraintes économiques et organisationnelles demeurent très présentes, tout comme la nécessité d’étendre le partage inter-établissements et inter-régions.
Droits des patients & Transparence
Le cadre des droits du patient (“rectification, opposition, accès”) a été largement évoqué. La France transpose “exactement les droits du RGPD” dans le règlement européen, avec un accent sur la transparence et la clarté de l’information. Une attention particulière est portée à la communication multilingue et à la pédagogie, en vue de faciliter la compréhension des droits par tous les publics, y compris les plus éloignés ou les allophones. Les intervenants notent qu’une “approche trop centralisée n’est pas forcément la meilleure façon d’accompagner la diversité des patients et leurs besoins”.
« L’IA va plus vite que le numérique, il faut que collectivement, on en mesure les impacts au fur et à mesure qu’on l’utilise au quotidien. »
L’IA s’impose comme vecteur central du futur de la santé numérique. La stratégie nationale vise à garder la maîtrise des données, en partenariat de préférence avec des entreprises européennes pour éviter une dépendance à des acteurs étrangers. Deux orientations sont privilégiées : développer localement des actifs numériques et structurer des collaborations mutualistes, dans un contexte où « le contexte économique est extrêmement contraint. » L’enjeu est de garantir que les solutions de demain soient construites en France ou en Europe, tout en maintenant une gouvernance ouverte.
eyonis LCS : Sensibilité de 93,3 % et spécificité de 92,4 % ;
Cancer du poumon : 98 % de guérison pour le cancer du poumon Stade 1 ;
eyonis LCS : Réduction des faux positifs (-68 %) et négatifs (-66 %) ;
Cancer du poumon : Marché annuel estimé à 2,9 milliards de dollars (États-Unis) ;
Dossiers déposés à la FDA (demande 510k) et pour le marquage CE (classe IIb).
Health & Tech Intelligence a assisté à la conférence de presse qui s’est tenue à Paris le 5 novembre 2025 en présence de Fredrik Brag, CEO et fondateur de Median Technologies, ainsi qu’Antoine Iannessi, Chief Medical Officer et radiologue.
Median Technologies, société française basée à Sophia-Antipolis, avec des filiales aux États-Unis et en Chine, y a présenté sa solution eyonis LCS, dédiée au diagnostic précoce des cancers par l’imagerie médicale et l’intelligence artificielle (IA). Le marché visé par Median est considérable : 2,9 milliards de dollars par an aux États-Unis pour le seul dépistage du cancer du poumon basé sur l’IA, avec une population cible en rapide expansion grâce à l’évolution des critères d’éligibilité.
Une sensibilité de 93,3% pour la détection et la caractérisation du cancer du poumon
Eyonis LCS se distingue comme le premier logiciel dispositif médical intégrant les fonctions de détection (CADe) et de diagnostic (CADx) des nodules pulmonaires via l’IA, offrant une sensibilité de 93,3% et une spécificité de 92,4%. Conçu pour assister les radiologues à partir de scanners à faible dose, il ambitionne de rendre possible le déploiement de programmes de dépistage du cancer du poumon, avec à la clé des taux de guérison améliorés si les patients sont diagnostiqués plus tôt : « 98% des patients atteints d’un cancer du poumon en stade 1 sont guéris ». L’innovation réside aussi dans l’intégration parfaite dans les workflows hospitaliers via le PACS, la réduction drastique des faux positifs et négatifs (-68% et -66%), et le potentiel de déploiement sur d’autres cancers (prostate, pancréas, carcinome hépatocellulaire).
Intégration de eyonis LCS dans le workflow du radiologue
La solution eyonis LCS s’intègre directement dans le workflow hospitalier. Les images issues du scanner (au format DICOM) sont stockées sur l’infrastructure locale de l’hôpital (hébergement ou cloud privé) et transitent par le PACS avant d’être analysées. Un gateway eyonis assure la liaison sécurisée avec le cloud Median : les images peuvent alors être traitées par l’IA soit localement, soit dans le cloud, puis un rapport DICOM enrichi est automatiquement renvoyé vers la station de revue du radiologue. Un clic suffit au radiologue pour analyser son image. Cette architecture hybride optimise l’interopérabilité tout en garantissant la confidentialité des données de santé.
Un lancement commercial prévu au S1 2026 en Europe et aux USA
La validation médicale du logiciel repose sur deux études pivot internationales, REALITY (août 2024) et RELIVE (mars 2025), qui ont démontré son efficacité et son innocuité sur plus de 1600 patients. REALITY (1147 patients) valide la performance intrinsèque de l’IA avec un AUC de 0,9035 (p < 0,001), tandis que RELIVE (480 patients) démontre une amélioration statistiquement significative du diagnostic radiologique (p = 0,027). Tous les critères secondaires exigés pour l’homologation américaine et européenne ont été atteints, soutenant ainsi les demandes d’AMM aux États-Unis et en Europe.
Les dossiers réglementaires ont été déposés auprès de la FDA (demande 510k, approbation attendue Q1 2026) et pour le marquage CE (classe IIb, approbation Q2 2026), ouvrant la voie à des lancements commerciaux au premier semestre 2026 aux États-Unis puis en Europe. L’importance du traitement et de la normalisation des données, ainsi que la compatibilité multi constructeurs ont également été soulignés pendant la conférence.
Enjeux stratégiques et médico-économiques
Le déploiement des programmes de dépistage constitue une révolution dans la prise en charge du cancer du poumon, avec un double bénéfice : améliorer le pronostic des patients et optimiser les dépenses de santé en évitant des procédures inutiles.
Le code de remboursement CPT III (650 $) existant depuis 2022 aux USA conforte l’intégration économique de la solution, tandis que l’Europe attend encore la consolidation d’un modèle logistique et la validation par de nouvelles études (ex : IMPULSION en France). La gestion de la logistique, la formation des centres, et l’organisation du workflow hospitalier restent des challenges majeurs, comme l’a reconnu un intervenant : « La grande question nationale, c’est comment gérer logiquement le dépistage généralisé… ».
Défis et attentes des autorités
La généralisation du dépistage soulève des questions : crainte de l’INCa face à l’arrivée massive de patients asymptomatiques, nécessité de démontrer la valeur sur des nodules détectés fortuitement, adaptation aux différents systèmes nationaux (cloud aux USA, réseau hospitalier en France). Les attentes des autorités sont élevées, autour de la performance, de la sécurité, mais aussi de la robustesse dans la diversité des cas d’usage. Median se distingue par son ouverture à des partenariats avec les éditeurs de PACS et les constructeurs, pour garantir un déploiement fluide, comme avec Canon pour le déploiement au Japon et en Corée du Sud. Median technologies a également décidé de ne pas collaborer directement avec laboratoires pharmaceutiques.
« Notre ambition est d’aller en Asie, au Japon via Canon, et en Chine, où une nouvelle étude devra démontrer la valeur sur les nodules fortuits.»
L’année 2026 sera celle du lancement commercial d’eyonis LCS aux États-Unis puis en Europe. L’extension de la suite logicielle à d’autres organes cibles (carcinome hépatocellulaire, prostate, pancréas, nodules pulmonaires fortuits) est prévue. La stratégie inclut des partenariats avec cliniques, distributeurs, sociétés savantes de radiologie et pneumologie, pour accompagner la transition numérique du dépistage du cancer. Par la suite, Median a également prévu un déploiement en Asie.
Développements futurs sur de nouveaux organes
Analyse prospective
L’innovation eyonis LCS marque une étape dans le dépistage du cancer assisté par IA. La réussite dépendra de l’interopérabilité, de la normalisation de l’information, et d’une gouvernance anticipant les besoins des systèmes de santé. Le modèle économique par abonnement et via le cloud apporte une flexibilité, qui doit cependant être adaptée localement (Europe) et anticiper la transformation des flux patients. Median Technologies prépare l’expansion à d’autres organes et la création d’une plateforme universelle, mais la reconnaissance institutionnelle et le suivi des autorités sont des enjeux à suivre.
