SekkatNajib

  • L’IA comme levier dans la détection et la gestion des événements indésirables et erreurs médicamenteuses (revue de la littérature)

    L’émergence de l’intelligence artificielle (IA) dans le secteur de la santé a profondément transformé les modalités de surveillance, de gestion et de prévention des événements indésirables, particulièrement en contexte d’oncologie et de pharmacovigilance.

    Cet article vise à synthétiser les résultats récents issus de plusieurs études académiques internationales publiées dans des revues telles que :

    • J Immunother Cancer(Burnette et al., Vanderbilt University Medical Center, États-Unis) ;
    • J Clin Oncol(Elsaid et al., The Ohio State University, États-Unis) ;
    • NPJ Digital Medicine(Chan et al., University of Washington, États-Unis) ;
    • Bull Cancer(Amouin et al., Hôpital d’instruction des armées Bégin, France);
    • Int J Surg(Zhang et al., Fujian Medical University, Chine), entre autres.

    Ces recherches couvrent un panel d’approches allant de l’utilisation de chatbots IA pour la gestion clinique des toxicités immunologiques à la détection de complications médicamenteuses via des dispositifs embarqués et l’application de modèles prédictifs sur dossier médical électronique.

    La problématique centrale abordée est la capacité des IA à compléter ou améliorer la détection, la compréhension et la prévention des événements indésirables, en comparaison aux méthodes traditionnelles (codes CIM, revue manuelle, surveillance classique).

    L’objectif de cet article est d’apporter un éclairage sur les apports, les limites ainsi que les enjeux cliniques, techniques et éthiques liés à l’implémentation de ces solutions en santé numérique via la synthèse critique des principaux résultats publiés.

    24 études publiées entre 2019 et 2025

    Les 24 articles rassemblés abordent des thématiques variées : chatbots médicaux, analyse pharmacovigilance, imagerie assistée par IA, génération de jeux de données synthétiques, dispositifs connectés, prédiction des EI dans des contextes spécialisés (oncologie, chirurgie, pédiatrie, cardiologie, transfusion).

    L’analyse des événements indésirables représente un défi pour la sécurité des patients, notamment dans les parcours complexes tels que l’immunothérapie ou la polythérapie en cancérologie. Traditionnellement, la détection repose sur la déclaration clinique, la revue manuelle de dossier, ou l’extraction d’informations via des codes standardisés, des approches chronophages, susceptibles d’engendrer des sous-détections.

    L’IA par l’exploitation de jeux de données, le traitement du langage naturel (NLP) ou la vision par ordinateur, ouvre la voie à des dispositifs détectant précocement des signaux faibles, stratifiant les risques et automatisant la surveillance en quasi temps réel. Plusieurs projets, issus de centres académiques majeurs (États-Unis, France, Chine), illustrent la diversité des stratégies (chatbots d’aide, caméras connectées en salle d’opération, clusterisation des profils patients, radiomique, génération de bases synthétiques pour la pharmacovigilance).

    Principaux résultats publiés

    Performances de l’IA pour la détection des événements indésirables

    Un éventail d’approches a été évalué, comme le montre la table suivante :

    Auteur(s), année Revue Pays/contexte Thématique principale Résultats/statistiques majeurs
    Burnette et al., 2024 J Immunother Cancer USA, multicentrique Chatbots IA pour la gestion clinique des EI immuno-induits ChatGPT : 3,87/4 en précision ; Bard : 3,5/4 ; hallucinations <1%.
    Chan et al., 2024 NPJ Digital Medicine USA Détection d’erreurs médicamenteuses en temps réel par caméras connectées Sensibilité 99,6 %; spécificité 98,8 % (418 événements).
    Amouin et al., 2025 Bull Cancer France, hôpital militaire Télésurveillance ePRO/IA en oncologie thoracique Adhésion : 83,3 % ; survie à 24 mois : 71,1 %.
    Eppler et al., 2023 J Clin Med USA, Canada Meta-analyse IA en chirurgie (événements per-opératoires) Odds ratio détection IA : 14,74 ; validation sur 13 études.
    Zhang et al., 2025 Int J Surg Chine Analyse pharmacovigilance IA, polypharmacie cancer du sein 12 076 patients, 89 369 EI ; identification de 3 sous-groupes à risque.
    Oei et al., 2025 Front Digit Health Pays-Bas IA en décision clinique et prédiction EI Importance des validations externes, soulève défis éthiques, biais.

    D’autres travaux portent sur l’analyse d’images radiologiques (Das et al., 2025), l’application de l’IA dans les contextes pédiatriques (Zhu et al., 2022), l’optimisation de la classification des réactions transfusionnelles (Fung et al., 2024), et la génération de données synthétiques pour pallier le manque de données réelles (Touati et al., 2025).

    Les modèles IA ont donc démontré une capacité à améliorer la détection précoce (sensibilité jusqu’à 95%), à automatiser l’identification des signaux et à générer des clusters à risque non repérés par les méthodes conventionnelles. Dans certains cas, la performance est significativement supérieure aux pratiques standards (codes CIM, surveillance individuelle), tout en réduisant la charge de travail clinique.

    Tableaux et visualisation des données clés

    Tableau 1 : Performance de l’IA par domaine d’application

    Domaine Sensibilité IA (%) Spécificité IA (%) Précision IA Taille d’échantillon
    Médication (Chan, 2024) 99,6 98,8 – 418 événements
    Détection immuno-EI (Burnette, 2024) 96 (moyenne) – Score 4/4 (complétude) 800 réponses
    Classification transfus. (Fung, 2024) 48,7 – Inférieure aux experts humains 36 scénarios
    ePRO télémonitoring (Amouin, 2025) – – Adhésion 83,3%, Survie 71,1% 22 patients
    Algorithmes chirurgicaux (Eppler, 2023) OR=14,74 – Validation sur 13 études 2 982 publications

    Tableau 2 : Principales applications et limites identifiées

    Application Avantages Limites/risques
    Chatbots médicaux Rapidité, précision, support Hallucination, dépendance excessive
    Caméras IA (bloc opératoire) Détection en temps réel Nécessite couplage clinique
    Analyse d’imagerie radiologique Prédiction EI, triage patient Dépendance à la qualité des données
    ePRO / télésurveillance IA Meilleure compliance et détection précoce Inégalités d’accès numérique

    Efficacité et bénéfices contextuels

    • Télésurveillance (ePRO) : Le projet français IMPATHI a mis en évidence une adhésion élevée (83,3%) et un impact important sur la précocité de détection des effets indésirables et les taux de survie dans le cancer thoracique avancé.
    • Chatbots spécialisés : Les chatbots comme ChatGPT apportent des réponses jugées fiables par des experts (note moyenne >3,8/4 sur la précision). Toutefois, la complétude des réponses requiert encore amélioration.
    • Vision embarquée : Les caméras connectées et l’analyse vidéo par Deep Learning permettent une double vérification en salle d’opération, offrant un taux de détection d’erreurs supérieur à 99%.
    • Pharmacovigilance avancée : L’analyse automatisée des bases de données de pharmacovigilance (ex. FDA) identifie des syndromes de risque spécifiques liés à la polythérapie, donnant accès à une personnalisation accrue du suivi.

    Limites, biais et défis

    La généralisation des modèles reste confrontée à la diversité des données de santé et à l’hétérogénéité des flux d’informations selon les établissements (Front Digit Health, Oei et al.). L’absence de standardisation dans la déclaration des événements, le manque de bases de validation externes et les biais d’entraînement algorithmiques constituent des freins récurrents à l’implémentation clinique à large échelle. Par ailleurs, des études soulignent également l’importance de l’interprétabilité, de la supervision humaine et du contrôle qualité pour éviter l’automatisation non critique de décisions cliniques sensibles.

    Analyse transversale et implications pour la santé numérique

    Les principaux enseignements issus des articles sont les suivants :

    • Performance des modèles IA : Les taux de sensibilité, spécificité et précision des modèles IA varient selon les contextes, souvent supérieurs ou comparables aux méthodes humaines (ex : détection d’erreur médicamenteuse, analyse radiologique, extraction de complications post-chirurgicales).
    • Applicabilité clinique : Les études multicentriques valident la conversion des algorithmes en outils décisionnels, mais soulignent le besoin d’adapter les modèles à chaque établissement, selon les populations et les flux de données.
    • Gestion du risque et des biais : Plusieurs études pointent les risques liés aux erreurs d’algorithmes, aux biais de sélection et à la variabilité des données médicales. Des travaux comme ceux d’Oei et al. insistent sur la nécessité de protocoles de validation et de l’inclusion du jugement clinique dans la chaîne décisionnelle.
    • Télésurveillance et patient empowerment : L’utilisation des plateformes ePRO et chatbots IA montre un fort potentiel dans le suivi ambulatoire, l’amélioration de la compliance et la détection précoce des EI, renforçant la personnalisation des parcours de soins.
    • Perspectives méthodologiques : Des solutions techniques comme la génération de jeux de données synthétiques (Touati et al., 2025) et l’intégration de modèles explicables (Zhu et al., 2022) ouvrent la voie à une meilleure généralisation des modèles IA et à une réduction des risques liés à la pénurie de données.

    L’IA offre des perspectives concrètes de gain d’efficacité, de sécurité et de personnalisation, dans la gestion des risques iatrogènes. Elle permet d’anticiper des complications, d’optimiser la surveillance en continu, d’identifier des signaux faibles impossibles à repérer par surveillance humaine seule.

    Cependant, la réussite de l’intégration en routine dépend de plusieurs facteurs :

    • Qualité et structuration initiale des données,
    • Tests multicentriques et externes robustes,
    • Intégration dans des chaînes décisionnelles gardant l’humain comme “superviseur” final,
    • Cadre réglementaire évolutif et attention portée à l’explicabilité des résultats algorithmiques.

    Néanmoins, leur implémentation doit répondre à des exigences élevées de validation, de robustesse et d’explicabilité, tout en maintenant le jugement clinique au centre des décisions. La structuration croissante des données de santé et l’évolution des cadres légaux devraient permettre une montée en puissance progressive de ces outils en routine, pour un bénéfice tangible en termes de sécurité et de personnalisation des soins.

    Annexe : Méthodologie de constitution de la bibliographie

    La bibliographie utilisée dans cet article a été constituée à partir d’une recherche structurée sur la base de données PubMed, afin de garantir l’exhaustivité et la pertinence des articles scientifiques inclus. La requête suivante a été employée :

    (“AI”[Title] OR “artificial intelligence”[Title]) AND (“medication errors”[Title] OR “care safety”[Title] OR “adverse events”[Title] OR “relevance of care”[Title])

    Cette requête cible expressément les publications ayant pour objet principal l’intelligence artificielle (AI, artificial intelligence) et son application à la gestion des erreurs médicamenteuses, la sécurité des soins, les événements indésirables ou la pertinence du parcours de soins. Les mots-clés ont été restreints aux titres des articles pour maximiser la spécificité scientifique et limiter la bibliographie aux études où ces thématiques sont centrales dans l’analyse et l’expérimentation.

    Le filtrage manuel des résultats a ensuite permis de sélectionner les articles répondant aux critères suivants :

    • Publication scientifique, revue à comité de lecture.
    • Langue anglaise ou française.
    • Inclusion de données cliniques, méthodologiques ou statistiques sur les performances, limites, ou apports de l’IA en matière de sécurité des soins ou de gestion des risques médicamenteux.
    • Exclusion des articles purement théoriques ou non centrés sur la pratique clinique et la gestion du risque.

    Ce processus a abouti à une sélection de 24 articles représentatifs, couvrant différents champs cliniques et approches d’intelligence artificielle. L’ensemble des démarches, outils et critères de sélection sont explicités ici pour assurer la traçabilité et la rigueur méthodologique du travail bibliographique, conformément aux standards académiques en vigueur.

     

  • 5 entreprises innovantes à l’assaut du marché (chiffres-clés, levées de fonds et stratégies)

    La transformation numérique du secteur de la santé s’accélère, portée par l’émergence d’entreprises innovantes qui intègrent l’intelligence artificielle (IA) dans le diagnostic, la prise en charge et la gestion médicales. L’objectif de cet article est de dresser un état des lieux factuel des sociétés ayant récemment levé des fonds ou franchi des étapes réglementaires majeures tout en analysant leur évolution stratégique. L’analyse s’appuie exclusivement sur cinq entreprises :

    Ces acteurs, issus de contextes variés – biotechnologies, dispositifs médicaux, logiciels cliniques et plateformes d’intelligence artificielle – incarnent à la fois la diversité et la structuration du secteur au niveau national et européen.

    Contexte général et dynamique du marché

    La digitalisation des services de santé et l’introduction de l’IA transforment les pratiques cliniques, en particulier sur :

    • le dépistage précoce ;
    • l’optimisation des parcours de soins ;
    • la réduction de la charge administrative.

    Ces avancées, portées par des sociétés à fort potentiel d’innovation, s’accompagnent d’une dynamique intense de levées de fonds et d’alliances stratégiques, illustrant la consolidation du secteur.

    La taille du marché et le potentiel économique sont régulièrement précisés dans les dossiers réglementaires et les communications institutionnelles. À titre d’exemple, Median Technologies estime à plus de 10 milliards de dollars le marché annuel potentiel du dépistage du cancer du poumon assisté par IA aux États-Unis, considérant une population éligible de 14,5 millions de personnes et un remboursement potentiel de 650 $ par acte. La structuration à l’échelle européenne s’appuie également sur le déploiement de nouveaux programmes de dépistage, comme le montrent les initiatives de Diabeloop et VitaDX.

    Panorama des entreprises innovantes et de leurs trajectoires

    Median Technologies

    Median Technologies est une société française cotée sur Euronext Growth, qui déploie en France, aux États-Unis et en Chine une suite logicielle (eyonis® LCS) dédiée au diagnostic précoce des cancers par IA. En mai 2025, la société a soumis une demande d’autorisation 510(k) à la FDA pour le dispositif eyonis® LCS, fondée sur les résultats positifs des deux études pivots, REALITY et RELIVE (AUC de 0,904 ; amélioration statistiquement significative de la précision diagnostique avec IA). La finalisation de l’étude REALITY (ClinicalTrials.gov : NCT06576232) et RELIVE (NCT06751576) conditionne la commercialisation et le remboursement sur les principaux marchés. Median vise donc un accès au marché américain au troisième trimestre 2025 avec une extension européenne prévue depuis juin.

    Tableau 1. Chiffres-clés Median Technologies

    Indicateur Valeur
    Population ciblée (US) 14,5 millions
    Marché potentiel annuel (US) > 10 milliards USD
    Remboursement potentiel par acte 650 USD
    Aire sous la courbe (REALITY) 0,904
    Statut réglementaire Demande FDA + CE prévue

    👉 Median Technologies : 37,5 M€ de la BEI pour lancer eyonis en Europe et aux US

    Diabeloop

    Diabeloop, entreprise basée en France, a obtenu en août 2025 la certification CE MDR (Règlement européen sur les dispositifs médicaux, MDR 2017/745) pour son système de délivrance automatisée d’insuline DBLG2. Ce système hybride en boucle fermée, fondé sur l’algorithme DBLG1 (démontré sur plus de 12 000 patients européens), optimise la gestion du diabète de type 1 et propose une interface sur smartphone, en réponse directe aux besoins utilisateurs. Le lancement progressif débute en Allemagne et aux Pays-Bas, avant extension à la France, avec intégration de partenaires technologiques majeurs (pompe Kaleido/Vicentra, capteur CGM Dexcom G6/7). Un dossier de soumission à la FDA est finalisé pour l’accès au marché américain.

    Tableau 2. Indicateurs de performance Diabeloop

    Indicateur Valeur
    Nombre de patients équipés > 12 000
    Gain sur temps dans cible +17,3 points
    Gain en heures/jour +4,1 h/jour
    Taux de satisfaction (2025) 86%
    👉 Diabète : Diabeloop lève 70 M€ avec l’ambition de devenir le leader des solutions en boucle fermée
    Dernièrement,  par jugement du Tribunal de Commerce de Grenoble du 21 octobre 2025, publié au Bodacc le 5 février 2025, la société Diabeloop a fait l’objet d’une ouverture de procédure de sauvegarde. Cette démarche judiciaire, déclarée sur le registre du commerce et des sociétés, intervient dans un contexte de restructuration financière destinée à permettre à l’entreprise de poursuivre son activité et de préserver ses emplois.

    VitaDX

    VitaDX, fondée en 2015, développe et commercialise VisioCyt® Bladder, une solution de cytologie urinaire digitalisée et assistée par IA, dédiée à la surveillance des tumeurs de vessie non invasives. L’avis favorable de la Haute Autorité de Santé du 5 juin 2025 ouvre la voie à une prise en charge dérogatoire via le dispositif RIHN 2.0, conditionnée à la collecte de données cliniques sur 2 000 patients au sein du registre TVNIM. Cette étape stratégique préfigure un remboursement en droit commun et illustre l’impact des innovations technologiques sur la qualité de vie des patients. VitaDX se positionne également sur le diagnostic du cancer thyroïdien.

    👉Pfizer et WILCO sélectionnent 6 nouvelles startups pour accélérer l’innovation en santé numérique

    GeodAIsics et Horiba

    En septembre 2025, GeodAIsics (Grenoble) et Horiba (acteur international en analyse hématologique) ont annoncé un partenariat stratégique pour la détection précoce des sepsis et SIRS grâce à l’intégration d’une IA générative propriétaire (Generative Manifold Learning) dans les automates Yumizen H1500/2500/H500. Les performances préliminaires du module IA montrent une sensibilité et une spécificité > 80 % sur données réelles. La première version logicielle est attendue pour validation clinique en 2025. Ce partenariat illustre la capacité des PME innovantes à s’allier à des industriels pour accélérer la diffusion de l’IA en biologie médicale.

    👉GeodAIsics lève 5 millions d’euros pour déployer son IA en médecine personnalisée

    Weda et Nabla

    Weda (VIDAL Group) et Nabla (levée de fonds 49 M€, France) ont initié un partenariat stratégique en septembre 2025 pour accélérer la digitalisation des pratiques médicales par IA. L’intégration de l’IA Nabla au sein du logiciel Weda automatise la génération et l’intégration des comptes rendus médicaux, permettant de libérer plus de temps pour la prise en charge clinique. Plus de 500 professionnels de santé utilisent déjà ce service, qui vise une expansion nationale. Nabla, fondée en 2018, se positionne en pionnière des solutions IA d’ambient listening et poursuit sa croissance grâce à une forte capitalisation.

    Tableau 3. Indicateurs d’adoption Nabla

    Indicateur Valeur
    Nombre de professionnels équipés > 500
    Financement Nabla 49 M€
    Année de création Nabla 2018

    👉Nabla lève 70 M$ pour automatiser la documentation médicale avec l’IA

    Discussion sur les implications et perspectives

    L’analyse transversale des 5 entreprises sélectionnées fait apparaître plusieurs tendances clés. Les acteurs français ou européens affichent des stratégies internationales et des ambitions d’envergure. La régulation joue un rôle moteur (demande FDA/CE, avis HAS, procédure RIHN), incitant les entreprises à valider cliniquement leurs solutions avant la commercialisation ou la généralisation du remboursement. Les résultats cliniques se traduisent par des améliorations : optimisation des parcours patients, précision accrue du diagnostic, diminution des tâches administratives, augmentation du temps passé sur des missions à haute valeur ajoutée.

    Par ailleurs, la structuration du secteur est marquée par la montée en puissance des alliances stratégiques (GeodAIsics–Horiba, Weda–Nabla), qui facilitent l’adoption des innovations IA à grande échelle. Le financement reste un facteur clé – qu’il s’agisse d’investissements institutionnels ou de partenariats industriels – et conditionne la croissance et l’expansion internationale de ces acteurs. La valorisation économique et le potentiel de marché demeurent importants, en particulier dans les domaines du dépistage et de la gestion des pathologies chroniques.

  • 187 études soulignent l’impact transversal de l’IA sur les maladies infectieuses (revue de littérature)

    Un corpus mondial de 187 articles couvrant diagnostics, biomarqueurs et surveillance épidémique

    L’intelligence artificielle (IA) transforme progressivement l’ensemble du cycle de prévention et de prise en charge des maladies infectieuses. Pour en évaluer l’étendue et la diversité, nous avons analysé 187 articles scientifiques publiés en 2025 portant sur l’application de l’IA à la détection, la surveillance, la prévention et le traitement des maladies infectieuses. Ces travaux sont issus de revues internationales de premier plan telles que

    • Lancet Infectious Diseases (Howard et al., 2025 ; Black et al., 2025 ; Odone et al., 2025 ; Miglietta et al., 2025) ;
    • Infectious Diseases Reports (Querido et al., 2025) ;
    • Frontiers in Veterinary Science (Wen et al., 2025) ;
    • Mechanobiology and Medicine (Wang et al., 2025) ;
    • Current Microbiology (Krishnappa et al., 2025) ;
    • ACS Omega (Venkatachalam et al., 2025) ;
    • ou encore Infectious Diseases Therapy (Guzman-Holst et al., 2025).

    Les équipes proviennent d’institutions situées en Europe (Université de Liverpool, Université de Pavia, Imperial College London), en Amérique du Nord (Université de Pennsylvanie, Boston University), en Asie (Université de ShanghaiTech, Université médicale de Guangzhou, Université agricole du Hebei) et en Afrique (Makerere University en Ouganda, programmes « One Health » au Cameroun).

    L’objectif de cet article est de présenter une synthèse des résultats majeurs, d’identifier les tendances dominantes et de discuter les implications pour les professionnels de santé et les dirigeants du secteur de la santé numérique.

    Des bases de données allant jusqu’à 12 000 patients et des modèles IA de plus en plus complexes

    L’émergence de l’IA en infectiologie répond à une complexification de la prise en charge et de la surveillance des maladies infectieuses, dans un contexte d’interconnexion mondiale et de multiplication des données cliniques, épidémiologiques et « omics ». Les articles s’accordent à souligner le potentiel de l’IA pour :

    • accélérer le diagnostic par l’analyse automatisée et l’intégration des données issues de l’imagerie, de la biologie ou du langage clinique ;
    • développer des outils prédictifs robustes pour la gravité des infections, la réponse au traitement, ou les issues cliniques à partir de grands jeux de données structurés et non-structurés ;
    • optimiser la surveillance épidémiologique, grâce à des modèles d’alerte précoce fondés sur le machine learning ou le deep learning ;
    • soutenir la découverte de médicaments (drug discovery) et l’identification de nouvelles cibles thérapeutiques ou de nouveaux vaccins.

    Les articles analysés mobilisent des données cliniques, de santé publique et de recherche fondamentale. Les cohortes varient de grandes bases de données (12 000 patients dans l’étude sur la COVID-19 publiée dans J Med Internet Research [Boud et Hussein, 2025]) à des ensembles plus ciblés comme l’étude de Querido et al. (2025) portant sur 82 transplantés rénaux suivis pour le Torque Teno Virus.

    Les méthodes recouvrent l’apprentissage supervisé (régressions logistiques, arbres de décision, XGBoost, LightGBM), les réseaux de neurones profonds (transformers, CNN, multimodal fusion), l’apprentissage non supervisé et les approches hybrides combinant géostatistique et machine learning (Utazi et al., 2025). Certains travaux intègrent des modèles explicables et des validations croisées (Krishnappa et al., 2025), d’autres appliquent des pipelines automatisés à grande échelle pour le criblage moléculaire (Hassan et al., 2025).

    Synthèse des résultats clés

    De 60 % à 85 % de précision : l’IA améliore le dépistage et la prédiction des issues cliniques

    Les publications mettent en avant des cas d’usage de l’IA dans l’amélioration des diagnostics et des pronostics. Wen et al. (2025) montrent qu’un système multimodal combinant traitement automatique du langage, augmentation d’images et réseaux CNN détecte six types de gastro-entérites porcines avec une précision supérieure aux approches traditionnelles. Miglietta et al. (2025) synthétisent les preuves disponibles sur l’IA appliquée au diagnostic des maladies infectieuses humaines, soulignant des gains de rapidité et d’exactitude dans la détection des pathogènes, la surveillance en temps réel et l’optimisation des flux de laboratoire.

    L’approche radiomique se développe également : Luo et al. (2025) prédisent les événements hépatiques chez des patients porteurs d’une fibrose liée au virus de l’hépatite B en analysant des séries d’IRM longitudinales avec un modèle multitâche.

    Dans le domaine pronostique, Huang et al. (2025) développent un modèle XGBoost pour prédire la survie à 5 ans de 381 patients atteints de lymphome cutané T associé au VIH avec une AUC de 0,867 et de faibles scores de Brier, montrant l’intérêt de l’IA pour la personnalisation des décisions thérapeutiques.

    Par ailleurs, des systèmes de tests diagnostiques automatisés (SERS-LFIA) combinant intelligence artificielle et détection Raman affichent une précision de 94,5% sur les données de test pour les infections virales hautement pathogènes.

    De nouvelles cibles identifiées par IA dans les polymérases virales et la découverte d’antibiotiques

    L’IA peut aussi être un levier face à la résistance antimicrobienne. Howard et al. (2025) décrivent son potentiel dans la découverte de nouveaux antibiotiques, l’amélioration du suivi et la mise en œuvre de programmes de stewardship. Masmoudi et al. (2025) illustrent comment un ajustement du ratio d’imbalance dans les jeux de données améliore l’efficacité des algorithmes IA de découverte médicamenteuse contre les agents infectieux. Les travaux de Wang et al. (2025) mettent en évidence des poches allostériques inédites dans les polymérases des virus de la rougeole et de Nipah par cryo-EM, ouvrant la voie à des inhibiteurs non nucléosidiques identifiés via IA. Ces approches réduisent le temps et le coût du développement thérapeutique.

    Des cartes à 1×1 km pour cibler la couverture vaccinale et des incidences RSV allant jusqu’à 178/1000 personnes-années

    Black et al. (2025) soulignent l’apport de l’IA dans le développement des vaccins contre les maladies infectieuses, qu’il s’agisse d’optimiser les essais cliniques ou de modéliser l’efficacité. Utazi et al. (2025) démontrent que les méthodes géostatistiques et machine learning produisent des cartes de couverture vaccinale à 1×1 km permettant d’identifier des zones sous-desservies au Nigeria. Guzman-Holst et al. (2025), à travers une revue systématique IA-assistée de 77 études sur le virus respiratoire syncytial (VRS), montrent des incidences allant de 10 à 178 épisodes pour 1 000 personnes-années chez les ≥65 ans et des taux de létalité jusqu’à 27 % chez les plus de 60 ans dans certains contextes.

    10 domaines stratégiques où l’IA renforce la préparation aux pandémies

    Trump et al. (2025) recensent dix domaines dans lesquels l’IA peut renforcer la préparation et la réponse aux pandémies, notamment l’alerte précoce, la modélisation épidémiologique et l’optimisation des interventions non pharmaceutiques. Wu et al. (2025) développent un modèle transformeur combinant données multi-sources pour améliorer les prévisions d’épidémies virales. Asonganyi et al. (2025) évaluent l’acceptabilité de l’IA et du concept « One Health » pour les soins à domicile dans les régions du Sud-Ouest et du Littoral au Cameroun, soulignant l’importance des facteurs socioculturels et de la préparation communautaire.

    Un seuil de 5,16 log10 cp/mL du Torque Teno Virus prédit le risque infectieux

    Plusieurs études identifient des biomarqueurs virologiques et immunitaires à l’aide de l’IA. Querido et al. (2025) montrent que la charge du Torque Teno Virus ≥5,16 log10 cp/mL prédit le risque infectieux chez les transplantés rénaux avec 60 % de sensibilité et 81 % de spécificité, valeurs améliorées par un modèle IA. Krishnappa et al. (2025) mettent en évidence 20 gènes auto-antigéniques liés à l’infection par le Chikungunya et impliqués dans la pathologie articulaire. Chen et al. (2025) identifient CD79A et GADD45A comme biomarqueurs immunitaires de la gravité du VRS chez l’enfant, validés cliniquement.

    Exemples de performance de modèles IA en infectiologie

    Domaine Modèle IA/ML utilisé Indicateur clé (AUC, précision, etc.) Population/jeu de données Référence APA
    Prédiction mortalité COVID-19 Random Forest, SHAP AUC 0,95 validation non-hospitalisés 11 975 patients, Espagne Ruiz Giardin JM et al., 2025 (J Med Internet Res)
    Diagnostic VIH Random Forest + NLP AUC 0,79 7 340 patients Ridgway JP et al., 2025 (JAMIA Open)
    Sévérité RSV enfants SVM AUC 0,950 220 enfants Chen JJ et al., 2025 (Front Immunol)
    Design vaccinal Deep Learning, immunoinformatique Réduction temps design (d/jours) Multiples bases séquences Bhattacharya M et al., 2025 (Mol Ther Nucleic Acids)
    Prédiction résistances RF, SVM, boosting AUC 0,85-0,92 Bases surveillance mondiale Sahoo A et al., 2025 (Curr Med Chem), Valavarasu S et al., 2025 (Sci Rep)

     

    Former les professionnels et harmoniser les données pour concrétiser les bénéfices de l’IA

    L’analyse transversale des 187 articles publiés en 2025 met en avant la présence de l’IA dans les maladies infectieuses. Les gains d’efficacité diagnostique et pronostique sont confirmés y compris dans des contextes à ressources limitées. Les approches multimodales et explicables favorisent l’intégration de données hétérogènes et l’identification de signatures biologiques pertinentes.

    Cependant, plusieurs publications attirent l’attention sur les défis techniques, éthiques et réglementaires. Odone et al. (2025) proposent un cadre conceptuel reliant IA, recherche, santé publique et pratique clinique, en soulignant les barrières normatives et éthiques. Sahoo et al. (2025) insistent sur la nécessité de former les professionnels de santé aux systèmes IA et de renforcer les capacités d’infrastructure, notamment dans les pays à revenu faible et intermédiaire. La question de l’équité dans l’accès aux données et aux technologies reste centrale pour éviter d’accentuer les disparités diagnostiques relevées par Miglietta et al. (2025).

    Les apports tangibles sur le plan clinique, organisationnel et technologique sont majeurs mais doivent être consolidés par des efforts accrus d’interopérabilité, de transparence et de formation des utilisateurs. Le secteur devra relever les défis de validation multicentrique, d’acceptabilité éthique et de gouvernance adaptée pour offrir une approche réellement personnalisée et sécuritaire, à même de répondre aux enjeux d’aujourd’hui.

    Bibliographie

    • Asonganyi EA, Tanue EA, Kwalar GI, Kibu OD, Ondua M, Sandeu MM, Ngono Ema PJ, Nkweteyim D, Nyamsi ML, Achankeng PL, Tchapga C, Ayuk J, Halle-Ekane GE, Kong JD, Nsagha DS. (2025). Preparedness of the Local Population for the Uptake of Artificial Intelligence and Digital One Health for Home Healthcare of Emerging and Reemerging Infectious Diseases in Southwest and Littoral Regions of Cameroon. J Trop Med., 2025:8896234. doi:10.1155/jotm/8896234. PMID: 40873668; PMCID: PMC12380506.
    • Black S, Madhi SA, Rappuoli R. (2025). Artificial intelligence in the development of vaccines for infectious diseases. Lancet Infect Dis., Sep 16:S1473-3099(25)00497-9. doi:10.1016/S1473-3099(25)00497-9. PMID: 40972629.
    • Boud A, Hussein I. (2025). Significant Risks and Responsibilities in the Clinical Use of AI Predictive Models. Comment on: “AI Predictive Model of Mortality and Intensive Care Unit Admission in the COVID-19 Pandemic: Retrospective Population Cohort Study of 12,000 Patients”. J Med Internet Res., 27:e81251. doi:10.2196/81251. PMID: 40934514.
    • Chen JJ, Lu ZZ, Jing YX, Nong XM, Qin Y, Huang JY, Lin N, Wei J. (2025). CD79A and GADD45A as novel immune-related biomarkers for respiratory syncytial virus severity in children: an integrated machine learning analysis and clinical validation. Front Immunol., 16:1609183. doi:10.3389/fimmu.2025.1609183. PMID: 40677720; PMCID: PMC12267186.
    • Guzman-Holst A, Gupta D, Kaur A, Verma V, Berzanskis A, Penders Y, Van Oorschot DAM. (2025). Respiratory Syncytial Virus Epidemiology and Clinical Burden in High-Risk and ≥50-Year-Old Adults in Low- to Middle-Income Countries: An Artificial-Intelligence-Enabled Systematic Literature Review. Infect Dis Ther., 2025 Sep 5. doi:10.1007/s40121-025-01220-4. PMID: 40913225.
    • Hassan AM, Bajrai LH, El-Daly MM, Alandijany TA, Gattan HS, Alsaady IM, Faizo AA, Dwivedi VD, Azhar EI. (2025). Machine learning-aided identification of natural compounds targeting Marburg virus VP40 with potential antiviral activity. J Biomol Struct Dyn., 43(12):6402-6418. doi:10.1080/07391102.2024.2435634. PMID: 39628088.
    • Howard A, Reza N, Green PL, Yin M, Duffy E, Mwandumba HC, Gerada A, Hope W. (2025). Artificial intelligence and infectious diseases: tackling antimicrobial resistance, from personalised care to antibiotic discovery. Lancet Infect Dis., Sep 16:S1473-3099(25)00313-5. doi:10.1016/S1473-3099(25)00313-5. PMID: 40972630.
    • Huang W, Tian M, Jia L, Ai J, Gan J, Chen J, Chen L, Zhang Y. (2025). Machine learning-based prognostic model for human immunodeficiency virus-associated cutaneous T-cell lymphoma: A Surveillance, Epidemiology, and End Results database analysis. J Int Med Res., 53(9):3000605251359433. doi:10.1177/03000605251359433. PMID: 40921703.
    • Krishnappa CM, Govindaswamy S, Ganjiwale A. (2025). Deciphering Autoantigen Signatures in Chikungunya Virus Infection Using Machine Learning: A Data-Driven Approach to Understand Host Immunity. Curr Microbiol., 82(11):501. doi:10.1007/s00284-025-04489-3. PMID: 40954348.
    • Luo Y, Luo Q, Wu Y, Zhang S, Ren H, Wang X, Liu X, Yang Q, Xu W, Wu Q, Li Y. (2025). MRI-based machine-learning radiomics of the liver to predict liver-related events in hepatitis B virus-associated fibrosis. Eur Radiol Exp., 9(1):81. doi:10.1186/s41747-025-00602-0. PMID: 40864355.
    • Miglietta L, Rawson TM, Galiwango R, Tasker A, Ming DK, Akogo D, Ferreyra C, Aboagye EO, Gordon NC, Garcia-Vidal C, Rodriguez-Manzano J, Holmes AH. (2025). Artificial intelligence and infectious disease diagnostics: state of the art and future perspectives. Lancet Infect Dis., Sep 16:S1473-3099(25)00354-8. doi:10.1016/S1473-3099(25)00354-8. PMID: 40972627.
    • Odone A, Barbati C, Amadasi S, Schultz T, Resnik DB. (2025). Artificial intelligence and infectious diseases: an evidence-driven conceptual framework for research, public health, and clinical practice. Lancet Infect Dis., Sep 16:S1473-3099(25)00412-8. doi:10.1016/S1473-3099(25)00412-8. PMID: 40972628.
    • Querido S, Ramalhete L, Gomes P, Weigert A. (2025). Torque Teno Virus as a Biomarker for Infection Risk in Kidney Transplant Recipients: A Machine Learning-Enabled Cohort Study. Infect Dis Rep., 17(5):107. doi:10.3390/idr17050107. PMID: 40981327.
    • Sahoo A, Singh J, Alam K, Alruwaili NK, Aodah A, Almalki WH, Almujri SS, Alrobaian M, Barkat MA, Singh T, Lal JA, Rahman M. (2025). Medical Artificial Intelligence: Opportunities and Challenges In Infectious Disease Management. Curr Med Chem., Aug 19. doi:10.2174/0109298673390868250728103906. PMID: 40917030.
    • Trump BD, Galaitsi S, Cegan J, Linkov I. (2025). How Will AI Shape the Future of Pandemic Response? Early Clues From Data Analytics. Risk Anal., Sep 10. doi:10.1111/risa.70103. PMID: 40926588.
    • Utazi CE, Yankey O, Chaudhuri S, Olowe ID, Danovaro-Holliday MC, Lazar AN, Tatem AJ. (2025). Geostatistical and machine learning approaches for high-resolution mapping of vaccination coverage. Spat Spatiotemporal Epidemiol., 54:100744. doi:10.1016/j.sste.2025.100744. PMID: 40935503.
    • Wang Y, Zhao L, Zhang H. (2025). Allosteric pockets in the measles and Nipah virus polymerases: Mechanobiological insights and AI-driven drug discovery opportunities. Mechanobiol Med., 3(4):100156. doi:10.1016/j.mbm.2025.100156. PMID: 40978313.
    • Wen H, Shi H, Yu J, Fan Z, Dai H, Jiang L, Song Q. (2025). An intelligent diagnostic method for porcine gastrointestinal infectious diseases based on multimodal AI and large language model. Front Vet Sci., 12:1660745. doi:10.3389/fvets.2025.1660745. PMID: 40979363.
    • Wu J, Tanim S, Woo M, Ahammed T, Rennert L. (2025). Enhancing Pandemic Prediction: A Deep Learning Approach Using Transformer Neural Networks and Multi-Source Data Fusion for Infectious Disease Forecasting. medRxiv [Preprint], Jun 24:2025.06.24.25330211. doi:10.1101/2025.06.24.25330211. PMID: 40666360.

    Annexe : sélection du corpus sur PubMed

    Afin de garantir l’exhaustivité et la représentativité des travaux analysés, une requête ciblée a été effectuée sur PubMed en septembre 2025 avec les critères suivants :

    ((“AI”[Title] OR “artificial intelligence”[Title] OR “machine learning”[Title] OR “deep learning”[Title] OR “large language model”[Title])) AND ((“infectious”[Title] OR “germ”[Title] OR “virus”[Title] OR “contagious”[Title] OR “cluster”[Title] OR “pandemic”[Title] OR “vaccination”[Title] OR “antibiotic resistance”[Title] OR “Flu”[Title] OR “nosocomial”[Title]))

    Cette requête a permis de constituer un corpus de 187 articles scientifiques, exclusivement centrés sur l’intégration de l’intelligence artificielle, du machine learning ou des modèles de langage dans le domaine des maladies infectieuses, de la résistance antibiotique, de la vaccination et des contextes épidémiques ou nosocomiaux. Les résultats incluent des études portant sur le diagnostic, la modélisation épidémiologique, la surveillance, le développement thérapeutique ou vaccinal, ainsi que l’analyse de données issues de contextes variés (biologie, réseaux sociaux, systèmes hospitaliers).

    Tous les articles analysés dans la synthèse proviennent donc de cette sélection spécifique et répondent rigoureusement aux critères ci-dessus, assurant la pertinence scientifique et l’actualité des résultats présentés.

     

  • Radiologie et IA : mutation, défis et innovations

    L’ensemble de notre étude souligne la profonde transformation de la radiologie et de l’imagerie médicale par l’intelligence artificielle (IA), qui impacte à la fois les pratiques cliniques, l’organisation hospitalière et l’écosystème de santé numérique. L’IA, omniprésente dans de nombreux domaines — du diagnostic aux parcours de soins, en passant par la formation et la gouvernance — devient un levier de qualité, de sécurité et d’efficience, tout en posant des enjeux d’acceptabilité, d’interopérabilité et de validation. Le développement rapide de solutions innovantes, la structuration d’un écosystème français de haute expertise et la nécessité de concilier progrès technique avec éthique et formation apparaissent comme des points centraux. Enfin, l’adaptation aux spécificités des populations (enfants, personnes âgées) et la gestion des réformes organisationnelles illustrent l’importance d’une approche globale et responsable dans l’intégration de l’IA en santé.

    📌Effectifs en hausse dans la radiologie, mais des réformes à l’arrêt faute de dialogue avec la CNAM

    Le secteur de la radiologie connaît une croissance régulière, avec 9 342 radiologues en exercice en France en 2025, soit une progression de 13,65% sur 13 ans et une féminisation constante (45% de femmes). Les solutions d’IA permettent un gain de productivité de 30% sur les IRM, et un tiers des radiologues utilise la reconnaissance vocale pour les comptes rendus. Pourtant, les réformes structurantes et les négociations avec la CNAM sont actuellement bloquées, malgré la mobilisation des professionnels pour l’efficience, la sécurisation et la valorisation des pratiques.

    👉 Plus de détails sur « Effectifs en hausse dans la radiologie, mais des réformes à l’arrêt faute de dialogue avec la CNAM – Health & tech ».

    📌 La radiologie entre deux vagues – 8 radiologues universitaires sur 10 utilisent déjà l’IA, mais l’intégration reste incomplète

    Dans les CHU français, 79% des radiologues universitaires utilisent au moins un outil d’IA au quotidien, mais l’adoption demeure fragmentée selon les étapes du parcours d’imagerie. L’usage de l’IA est principalement axé sur la reconstruction d’images (70%) et la détection automatique de fractures (56%) ou d’anomalies thoraciques (34%). Malgré l’amélioration perçue de la qualité d’image par 67% des utilisateurs, 70% ne constatent pas de réduction de la charge de travail globale. Les principaux freins identifiés sont le coût (61%), la complexité d’intégration aux systèmes d’information (53%), et la résistance au changement (18%). Le modèle économique reste à construire, et l’arrivée de l’IA générative et multimodale annonce une nouvelle vague d’innovation centrée sur les usages cliniques et la fluidité d’intégration.

    👉 Plus de détails sur « La radiologie entre deux vagues : 8 radiologues universitaires sur 10 utilisent déjà l’IA, mais l’intégration reste incomplète – Health & tech»

    📌 Siemens Healthineers : 20 ans d’IA en radiologie et plus de 110 solutions validées pour réinventer le diagnostic médical

    La radiologie, champ historique de l’IA, connaît une accélération majeure portée par Siemens Healthineers, fort de 20 ans de recherche, 600 brevets et 6 centres mondiaux dédiés. L’entreprise exploite 2 milliards d’images, développe 110 solutions d’IA dont 65 validées par la FDA et s’appuie sur le supercalculateur SHERLOCK (340 Pflops). Ces outils rendent les IRM deux fois plus rapides, réduisent les doses de rayons, anticipent les pannes et automatisent la détection de lésions. L’objectif reste inchangé : soutenir le radiologue dans un diagnostic toujours plus précis, prédictif et personnalisé.

    👉 Plus de détails sur «  L’objectif est d’apporter une assistance au radiologue, de l’aide au diagnostic mais pas le diagnostic » (Agnès Malgouyres, Siemens) – Health & tech»

    📌JFR 2025 : Siemens, GE, Samsung et deux start-up françaises récompensés pour leurs percées en imagerie médicale

    Lors des Journées Francophones de Radiologie 2025, trois géants industriels – Siemens Healthineers, GE Healthcare et Samsung – ainsi que deux jeunes pousses françaises ont été primés pour leurs innovations en imagerie médicale. Siemens a présenté un scanner cérébral mobile pour soins intensifs, GE a amélioré la reconstruction 3D par deep learning, et Samsung a obtenu plus de 80 % de détection automatisée des lésions hépatiques en échographie. Côté start-up, Caiman s’est distinguée avec une plateforme d’aide à l’interprétation oncologique, tandis que Replico a séduit le jury avec son jumeau numérique du système nerveux. Ces distinctions illustrent le rôle central de l’IA dans la nouvelle génération d’outils radiologiques.

    👉 Plus de détails sur «JFR 2025 : Siemens, GE Healthcare et Samsung primés aux Prix Innovation – Health & tech »

    📌 Radiologie interventionnelle – l’IA crée 20% de gain d’efficience clinique – revue de littérature

    L’intégration de l’IA en radiologie interventionnelle a permis jusqu’à 20% d’efficience opérationnelle et une optimisation des workflows hospitaliers, grâce à l’automatisation et l’amélioration des processus (AUC jusqu’à 0,85 pour la détection d’hémorragies). La réduction de dose d’irradiation atteint parfois 40% avec les nouveaux systèmes automatisés, et des programmes de formation basés sur la simulation et l’IA sont en plein essor (+50% d’objectivation des compétences). Malgré ces avancées, aucun outil d’IA abdominal/pelvien n’est approuvé par la FDA à ce jour, et la généralisation reste freinée par la validation clinique, la régulation et l’accès aux équipements.

    👉 Plus de détails sur « Radiologie interventionnelle : l’IA crée +20 % de gain d’efficience clinique (revue de littérature) – Health & tech »

    📌« L’IA aux extrêmes de la vie – quand l’imagerie médicale se réinvente pour les enfants et les personnes âgées »

    L’IA révolutionne l’imagerie pour les patients les plus vulnérables : la pédiatrie bénéficie de scanners réduisant l’irradiation jusqu’à 95% et d’algorithmes objectivant l’âge osseux avec une précision supérieure à 0,97 (concordance). Les outils de détection des fractures chez l’enfant affichent 89% de sensibilité et 91% de spécificité, améliorant la prise en charge urgente. En gériatrie, la recherche avance vers des biomarqueurs de vieillissement et le développement de scores globaux de fragilité, bien que peu de solutions soient encore validées pour cette population. Des obstacles demeurent, notamment les biais de données et l’acceptabilité sociale et organisationnelle.

    👉 Plus de détails sur « L’IA aux extrêmes de la vie : quand l’imagerie médicale se réinvente pour les enfants et les personnes âgées – Health & tech »

    📌L’intelligence artificielle en radiologie : productivité, personnalisation et défis cliniques

    La radiologie se positionne comme un véritable laboratoire d’industrialisation de l’IA en santé, avec 72 cas d’usage recensés, dont 88% relèvent de l’innovation médicale. Plus de 50% concernent l’imagerie diagnostique (interprétation automatisée de radiographies, IRM, scanners) et les axes majeurs incluent l’optimisation des parcours patients, la personnalisation des diagnostics et le support thérapeutique. Des exemples concrets montrent l’amélioration de la productivité (SmartSpeed, Philips) et la réduction des délais pour les cas urgents (ChestView, Rapid Navigator Pro). Toutefois, des risques de faux négatifs/positifs subsistent, rendant nécessaire un contrôle médical systématique et une validation continue.

    👉 Plus de détails sur « 72 cas d’usage en imagerie médicale identifiés – Health & tech »

    📌Radiologie : 118 solutions d’IA, 47% dédiées à l’oncologie et un leadership français affirmé

    La radiologie compte aujourd’hui 118 solutions d’intelligence artificielle, dont 47% ciblent directement l’oncologie, dominée par la détection du cancer du sein et du poumon. La traumatologie suit avec 20% d’outils, portée par l’innovation française (Gleamer, Azmed), et la neurologie représente 15%, axée sur le suivi longitudinal de maladies comme Alzheimer ou la sclérose en plaques. Dix pour cent concernent la gestion hospitalière, traduisant la montée d’une IA « pilote de flux ». Près de 60% des outils sont validés dans le public, mais leur industrialisation s’accélère dans le privé.

    👉 Plus de détails sur «118 solutions d’IA en radiologie : oncologie, traumatologie et neurologie en tête – Health & tech»

    📌Un écosystème français d’acteurs qui structure l’IA en radiologie

    La structuration du secteur passe par l’action coordonnée des institutions (HAS, ANSM, Health Data Hub), des sociétés savantes (SFR, CERF, Drim France IA), des CHU, des réseaux d’imagerie et des start-ups. Le patient est placé au cœur du système, tandis que des experts reconnus (Marc Zins, Pierre Champsaur, Nathalie Lassau, etc.) irriguent la recherche, la formation et la validation clinique. L’écosystème favorise l’innovation, l’essaimage des solutions et la collaboration entre académiques, industriels et décideurs, garantissant la légitimité et la sécurité des usages.

    👉 Plus de détails sur « Un écosystème français d’acteurs qui structure l’IA en radiologie – Health & tech»

    Visuel synthèse IA et radiologie @HTI

  • JFR 2025 : Siemens, GE Healthcare et Samsung primés aux Prix Innovation

    Modalités de participation

    Prix Innovation JFR

    • ouvert à toutes les entreprises exposant aux JFR 2025 ;
    • présenter une innovation de moins d’un an sur le marché ;
    • concourir dans une seule catégorie ;
    • lauréats sélectionnés par un jury.

    Catégories : imagerie en coupes (CT/MR) ; imagerie interventionnelle ; imagerie X/Ray (conventionnel, mammographie, ostéo) / échographie ; informatique de santé / intelligence artificielle ; prix Coup de cœur du jury.

    Prix Innovation Start-up

    • destiné aux porteurs de projets ou chefs d’entreprise développant une innovation dans l’imagerie médicale ;
    • domaines : imagerie diagnostique non interventionnelle ; imagerie interventionnelle diagnostique ; imagerie interventionnelle thérapeutique ; gestion et partage de données, algorithmes, nouvelles organisations ;
    • entreprises jeunes, avec prototype ou solution sur le marché depuis moins d’un an (éventuellement pilote d’expérimentation) ;
    • sélection par jury avec audition lors des JFR.

    Lauréats 2025 – Prix Innovation JFR

    Imagerie en coupes (CT/MR)

    Siemens Healthineers – Somatom On Site VB10 : scanner cérébral dédié aux unités de soins intensifs, mobile grâce à un chariot motorisé, avec statif télescopique auto-blindé protégeant le personnel et les patients contre les radiations.

    Imagerie interventionnelle

    GE Healthcare – ClearRecon DL : technologie de reconstruction 3D basée sur le deep learning, améliorant la qualité des images CBCT.

    Imagerie X/Ray / échographie

    Samsung – Live Liver Assist : outil basé sur le deep learning détectant en temps réel les lésions focales suspectes du foie en échographie, avec un taux de détection >80% pour 9 types de lésions.

    Lauréats 2025 – Prix Innovation Start-up

    Start-up sélectionnées : Radiologs, Caiman, Ximed, Nova Report, Replico.

    Prix Innovation

    Caiman : plateforme logicielle aidant à l’interprétation des examens d’imagerie oncologique grâce au machine learning et à des modèles multimodaux (texte + images), intégrant données cliniques et antécédents d’imagerie.

    Coup de cœur du jury

    Replico : technologie d’IA « Visionerves » permettant la modélisation 3D du système nerveux dans son contexte anatomique, créant un jumeau numérique pour assister les chirurgiens.

  • 72 cas d’usage en imagerie médicale identifiés

    Le domaine de la radiologie connaît une transformation sans précédent sous l’effet de l’IA et de l’innovation logicielle : la totalité de l’étude relate des usages en établissement de santé et centres d’imagerie, dont 64 relèvent exclusivement de l’innovation médicale (soit près de 88 % des cas d’usage), tandis que les autres concernent l’information médicale, la recherche, le pilotage ou l’expérience patient

    Plus de 50% des cas d’usage sont en imagerie diagnostique

    Parmi les segments, l’imagerie diagnostique représente la majorité des cas d’usage recensés (37 sur 72), devant l’oncologie et la neurologie ou la cardiologie. L’analyse montre que l’utilisation de l’IA recouvre de nombreux champs :

    • l’aide au diagnostic,
    • la gestion et la hiérarchisation des flux de patients ;
    • la détection rapide de pathologies ;
    • l’amélioration de la qualité des images ;
    • la réduction des examens redondants ;
    • ou encore l’automatisation de la segmentation anatomique.

    Les hôpitaux les plus impliqués témoignent d’un écosystème structuré autour de centres de référence :

    Ces établissements apparaissent comme des catalyseurs de la diffusion des cas d’usage, bénéficiant à la fois d’un ancrage académique, d’un accès à des cohortes de patients et d’une proximité avec les industriels et start-up du secteur.

    L’analyse des cas d’usage met en évidence trois grands axes d’innovation :

    1. Aide au diagnostic (ex. interprétation automatisée de radiographies, IRM et scanners).
    2. Optimisation des parcours patients (ex. tri et priorisation, réduction de la durée des examens).
    3. Support thérapeutique et suivi clinique (ex. oncologie, cardiologie, monitoring post-opératoire).

    Cette triple dynamique reflète un basculement progressif d’une IA centrée sur la performance technique vers une IA intégrée aux parcours de soins.

    Les 37 cas d’imagerie diagnostique (radiographie, scanner, IRM) représentent un socle d’applications standardisables à grande échelle. La nature répétitive et massive des actes radiologiques favorise le développement de solutions reproductibles.

    • Exemple : l’IA de réduction du temps d’acquisition IRM (SmartSpeed, Philips) améliore à la fois la productivité et le confort patient.
    • Exemple : les solutions de tri automatisé (ChestView, Rapid Navigator Pro) permettent une priorisation immédiate des cas critiques aux urgences.

    Ces cas montrent la possibilité de déployer des solutions à fort effet de levier organisationnel sans nécessiter une refonte du système de soins.

    9 cas d’usage associant oncologie et imagerie

    Les segments hybrides constituent des pôles émergents d’innovation :

    • Oncologie et imagerie (9 cas) : détection automatisée des tumeurs, suivi de récidive, prédiction de réponse thérapeutique. Exemple : travaux intégrant l’IA pour le suivi du carcinome hépatocellulaire avancé.
    • Cardiologie et imagerie : analyse avancée des flux sanguins et de la fonction cardiaque via IRM.
    • Pédiatrie et imagerie : cas recensés à l’Hôpital Necker, appliqués aux maladies rares infantiles.

    Ces segments illustrent une évolution vers des applications transversales, au croisement des disciplines. Leur valeur stratégique réside dans la capacité à :

    1. Cibler des pathologies à forte charge socio-économique (cancers, maladies cardio-vasculaires).
    2. Proposer des parcours de soins intégrés (diagnostic, suivi, monitoring).
    3. Développer des preuves cliniques différenciantes pour des solutions plus complexes et moins substituables.

    Dynamique industrielle : plus de 72 entreprises mentionnées, de la start-up à l’équipementier

    Les données mettent en évidence une chaîne de valeur diversifiée :

    Cette diversité reflète un écosystème riche mais compétitif, où coexistent logiques de niche (solutions ciblées par pathologie) et logiques d’intégration (solutions transversales intégrées aux équipements).

    L’enjeu pour les hôpitaux et décideurs publics est de favoriser l’interopérabilité et de prévenir la dépendance à quelques acteurs dominants.

    Les cas d’usage pour la radiologie s’articulent autour de 7 axes

    Amélioration de la qualité et de la précision diagnostique

    Les algorithmes analysent et reconstruisent les images médicales avec une capacité supérieure à diminuer le bruit et les artefacts (ex. : AIR Recon DL, SubtleMR), permettent une localisation de lésions automatisée (fractures, nodules pulmonaires, lésions hépatiques), ou restituent un score de sévérité sur des pathologies comme la gonarthrose.

    Gain de rapidité à plusieurs niveaux

    L’IA accélère les acquisitions d’IRM et la lecture d’examens parfois complexes (ex. : SmartSpeed, Philips Precise Image), réduit les délais d’intervention pour les urgences (hémorragie cérébrale : qER, CINA, Annalise), et assure la priorisation intelligente des examens en fonction de leur criticité.

    Optimisation des flux de travail hospitaliers

    18 cas d’usage visent à transformer l’organisation opérationnelle, que ce soit par le tri des patients selon la gravité, la génération automatisée et standardisée de comptes rendus, ou des solutions de partage d’expertise à distance (ex. : SmartDiag pour la permanence des soins en imagerie) ; le tout concourt à fiabiliser le circuit, réduire la charge administrative et soutenir la continuité de service, y compris pour les établissements sous-dotés.

    Segmentation automatisée et quantification objective

    En oncologie, neurologie, et maladies chroniques, l’IA propose des outils de volumétrie, d’analyse longitudinale et de suivi — favorisant la personnalisation du parcours thérapeutique.

    Personnalisation avancée

    6 cas d’usage exploitent les capacités de modélisation individuelle (prédiction de survie, stratification du risque, génération de plans opératoires personnalisés, ajustement dose/radiation en pédiatrie).

    Recherche et transformation des données

    3 cas d’usage sont spécifiquement sous l’axe « recherche », avec transformation des données dormantes, annotation automatisée et archivage intelligent. La constitution de métadonnées structurées, la standardisation documentaire et l’assistance à l’annotation accélèrent non seulement la recherche clinique mais ouvrent la voie à un usage scientifique secondaire plus rapide de l’imagerie médicale, optimisant la valorisation des données hospitalières.

    Automatisation, standardisation et expérience patient

    4 cas d’usage sur l’automatisation de la rédaction des comptes rendus ou de la standardisation documentaire. Notre cartographie révèle qu’outre l’amélioration du diagnostic, les innovations visent à alléger la charge administrative des radiologues (ex. : Sirona Reporting, ENDEX) et à homogénéiser la qualité documentaire, ce qui profite tant à la continuité des soins qu’à la sécurité juridique.

    Vigilance accrue face aux risques et aux erreurs

    L’intégration de l’IA en radiologie ne va pas sans enjeux.

    Présence d’erreurs résiduelles et risque de faux négatifs ou positifs.

    Plusieurs solutions sont conçues comme filet de sécurité en relecture, mais le risque de manquer une lésion ou au contraire de sur-détecter reste présent, ce qui rend impératif un contrôle médical systématique.

    Variabilité interopérateur et reprise de la subjectivité.

    Malgré les avancées de standardisation, certaines évaluations (comme les scores radiographiques ou la segmentation fine) subissent encore une variabilité selon les sites ou opérateurs, ce qui implique l’exigence de validation continue.

    Doutes sur la fiabilité et la sécurité.

    Trois cas d’usage intègrent au descriptif des notions explicites de sécurité, relatives à la réduction des actes/reprises, à la limitation de la dose d’irradiation, ou à la traçabilité des process, mais leur généralisation reste à formaliser.

    Limites d’acceptabilité (mention indirecte) et enjeux organisationnels.

    La mutation des pratiques requiert l’adhésion des professionnels, la clarté sur la responsabilité médicale et le développement d’une interopérabilité forte avec les systèmes (PACS/RIS).

    Perspectives stratégiques

    À l’appui de cette cartographie, il apparaît que l’IA en radiologie connaît une diffusion rapide, plurielle et scientifiquement appuyée. La majorité des cas d’usages mettent l’accent sur le gain de qualité, de précision, et la réduction des délais, tout en optimisant l’organisation des flux hospitaliers et en préparant une médecine plus personnalisée.

    D’importants risques subsistent, principalement sur la sécurité, la persistance d’erreurs et de variabilité ainsi que la nécessité d’assurer le contrôle médical et l’adoption humaine et organisationnelle. Le développement de dispositifs validés, interopérables et traçables représente un enjeu structurant pour l’échelle industrielle et l’acceptabilité.

    Le dynamisme du marché se retrouve dans la diversité des solutions, l’implication croissante de plusieurs établissements pilotes et la montée d’usage en oncologie, pédiatrie, neurologie et chirurgie robotique. Enfin, l’impact sur la recherche, la documentation structurée et le travail collaboratif laisse entrevoir des bénéfices dépassant le seul cadre du diagnostic, pour inclure qualité globale des parcours patients et valorisation des données hospitalières.

    Cartographie des cas d’usage :

  • Radiologie interventionnelle : l’IA crée +20 % de gain d’efficience clinique (revue de littérature)

    Un corpus de 64 articles en 2025 dont 17 revues

    L’intégration de l’intelligence artificielle (IA) en radiologie ne constitue pas un simple choix technologique : elle engage en profondeur la filière sur la qualité, la sécurité clinique, la compétitivité économique et la formation des équipes médicales. Cet article analyse ces enjeux à partir d’une synthèse rigoureuse d’articles scientifiques publiés récemment dans des revues internationales et nationales majeures telles que :

    • le Journal of Vascular and Interventional Radiology ,
    • Diagnostics Basel ,
    • Diagnostique & Interventional Imaging ,
    • Can Assoc Radiol J , Eur J Radiol ,

    ainsi que plusieurs travaux spécifiques sur la standardisation, les impacts organisationnels, les enjeux réglementaires et pédagogiques.

    Les études sélectionnées émanent d’institutions hospitalières, universitaires et centres de recherche majeurs situés en Amérique du Nord (NIH, Harvard, Mayo Clinic), Europe (AP-HP Paris, Oxford, Université de Fribourg, INSERM, Hôpital Européen Georges Pompidou), et Asie (Tokyo, Okayama, Nagoya, Bangalore). En s’appuyant exclusivement sur ces 64 références, cet article vise à apporter une synthèse structurée et objective, formulant des constats fondés et des perspectives pour l’ensemble de la filière. L’objectif est d’éclairer les professionnels de santé et décideurs sur la portée réelle de l’IA en radiologie interventionnelle, tout en contextualisant les résultats dans leur cadre institutionnel, géographique et disciplinaire.

    Les enjeux de la RI sont à la fois techniques, organisationnels et humains

    Aujourd’hui, l’IA s’est imposée comme un vecteur d’innovation structurant dans l’ensemble du champ radiologique, en particulier dans la radiologie interventionnelle (RI) et l’oncologie interventionnelle. Sa diffusion rapide résulte de plusieurs facteurs :

    • L’explosion du volume et de la complexité des données d’imagerie médicale ;
    • Les besoins croissants d’automatisation des tâches, de personnalisation des diagnostics et de rationalisation des parcours patient ;
    • Un environnement réglementaire évolutif propice à l’expérimentation, à condition que la sécurité et la traçabilité soient assurées (cf. initiatives européennes : EU AI Act ).

    Les travaux de Barat et al. (France, 2025 ) témoignent de l’avance française dans l’intégration de solutions IA dédiées au diagnostic, à l’interprétation automatisée de l’imagerie et à l’amélioration de la précision des gestes interventionnels. Le même article souligne que ces innovations s’inscrivent dans un écosystème de recherche ouvert où la collaboration entre CHU, universités et industriels favorise la compétitivité nationale et européenne.

    Synthèse des principaux résultats

    Exactitude diagnostique : l’IA atteint une AUC de 0,85 pour la détection automatisée d’hémorragie

    Divers articles révèlent que l’IA (notamment le deep learning) améliore sensiblement la détection d’événements cliniques critiques tels que l’hémorragie (AUC : 0,80–0,85 pour la détection automatisée sur l’angiographie DSA), l’automatisation de la segmentation d’organe ou de lésion, et la réduction de la variabilité inter-opérateur (Raskin D et al., 2025).

    Par ailleurs, l’introduction du standard international iCARE (Interventional Radiology Checklist for Artificial Intelligence Research Evaluation) vise à renforcer la robustesse des études cliniques s’appuyant sur l’IA dans le code-to-clinic, incluant gestion des données, contrôle du biais, reproductibilité et déploiement (Anibal JT et al., 2025).

    Radioprotection : diminution de la dose jusqu’à 40 % avec la collimation IA

    L’IA permet des avancées majeures en réduction de dose (collimation automatique, optimisation du geste), en surveillance automatisée du risque (analyse d’événements indésirables : précision de classification > 85-100 %, Warren et al., 2025), et en assistance au ciblage interventionnel (Lee BC et al., 2025).

    Avec cela, on note de nouveaux défis réglementaires et éthiques dont les risques liés à la responsabilité médico-légale, effets boîte noire, et limites d’acceptation par les équipes (Contaldo MT et al., Int J Med Robot, 2025).

    Optimisation des workflows : +20 % d’efficience opérationnelle

    L’IA optimise les workflows, automatise des tâches répétitives, et favorise l’intégration d’applications mobiles pour les procédures guidées par image (Brenner JL et al., 2025). L’hétérogénéité de l’intégration selon les centres (écart public/privé, ressources matérielles) demeure un frein à la généralisation (Brenner JL et al., 2025).

    Formation par simulateur IA/VR : +50 % d’objectivation des compétences en cursus digitalisé

    La synthèse de Srinivasan et al. (Royaume-Uni, Australie, France ) répertorie l’émergence de programmes de simulation par IA et réalité virtuelle, renforçant la capacité des professionnels à s’entraîner sans risques pour les patients. La diversification des approches pédagogiques (mentorat classique, modélisation, e-learning, VR) soutient la montée en compétences et la standardisation des pratiques, face à la complexification des dispositifs et à l’automatisation croissante des procédures.

    Tableau synthétique : Intégration de l’IA en radiologie interventionnelle

    Axe Avancées et chiffres clés Recommandations/standards Limites et risques identifiés Études/Références
    Qualité Précision accrue ; AUC hémorragie : 0.80–0.85 ; segmentation auto. ; réduction variabilité Checklist iCARE, normes CIRSE/SIR Données restreintes, validation clinique limitée, pas de FDA DSA IA Raskin et al., 2025 ; Anibal et al., 2025 ; Cornelis et al., 2025
    Sécurité clinique Diminution radiations IA collimation ; surveillance aut. événements (> 85-100 %) Consentement dédié robotisation ; certification EU AI Act Responsabilité médico-légale, black-box, acceptabilité inégale Lee BC et al., 2025 ; Warren et al., 2025 ; Contaldo et al., 2025
    Compétitivité Automatisation, multilingue (IR-GPT), intégration smartphones, efficience R&D collaborative ; standards AI Act Inégalités accès/équipement, hétérogénéité, retards réglementaires Brenner JL et al., 2025 ; Lee K et al., 2025
    Formation Simulateurs IA/VR, évaluation objective, rapport clinical facilité (LLM) Cursus IA, formation continue digitale Difficultés pour avancés, risque sur-automatisation, biais outils simu. Srinivasan D et al., 2025 ; Can E et al., 2025 ; Lastrucci A et al., 2025

    Déploiement limité : aucun outil d’IA abdominal/pelvien actuellement approuvé par la FDA

    L’introduction de l’IA en RI restructure profondément le champ professionnel. D’un côté, l’efficience, la personnalisation et la sécurité progressent au rythme de l’automatisation et des nouveaux standards internationaux ; de l’autre, des verrous subsistent sur la validation clinique, la régulation, l’équité de déploiement et la formation.

    Parmi les freins identifiés, l’absence de dispositifs d’IA approuvés par la FDA pour les applications abdominopelviennes en 2025 constitue un point d’alerte majeur pour la filière. Selon la revue systématique de Raskin et al. (European Journal of Radiology, 2025), « à ce jour, aucun outil de deep learning n’a validé l’obtention d’une autorisation FDA pour l’angiographie numérique abdominopelvienne. »

    Cette réalité implique que la sécurité et la généralisation de ces solutions sont encore bridées par des exigences réglementaires accrues, tant au niveau des protocoles de validation prospective que de l’interprétabilité technique. Elle souligne également l’importance de poursuivre des efforts méthodologiques vers les approches multimodales et génératives, tout en tenant compte des spécificités réglementaires propres à chaque territoire.

    L’analyse permet de dégager trois messages :

    1. La qualité et la sécurité clinique exigent un pilotage multidimensionnel, associant normes techniques, évaluation humaine et dispositifs de gouvernance éthique.
    2. La compétitivité future de la radiologie européenne dépendra de sa capacité à structurer la R&D collaborative et à harmoniser les usages.
    3. La réussite de l’IA passera par une réinvention de la formation et la co-construction de standards pédagogiques et organisationnels.

    Ce constat est important pour l’élaboration des stratégies d’intégration sectorielle, rappelant que l’innovation technique doit impérativement être adossée à une démarche de validation et d’accompagnement régulatoire robuste.

    Annexe 1– méthode de recherche documentaire PubMed

    La constitution du corpus d’articles retenus pour cette synthèse repose sur une requête structurée dans la base de données PubMed, réalisée en septembre 2025. Cette recherche avait pour objectif d’identifier les publications scientifiques récentes portant sur l’intelligence artificielle appliquée à la radiologie interventionnelle. Le terme “récent” a été limité aux années 2024 et 2025.

    La stratégie d’interrogation s’est appuyée sur une combinaison de termes MeSH (“Medical Subject Headings”) et de mots-clés en texte libre, selon la syntaxe suivante :

    ("artificial intelligence"[MeSH Terms] OR "artificial intelligence"[tiab] OR "machine learning"[tiab] OR "deep learning"[tiab] OR "neural network*"[tiab] OR "computer-assisted"[tiab] OR "AI"[tiab])
    AND
    ("radiology, interventional"[MeSH Terms] OR "interventional radiology"[tiab] OR "minimally invasive radiology"[tiab] OR "catheter-based"[tiab])
    AND
    ("2024"[Date - Publication] OR "2025"[Date - Publication])

  • 15 études démontrent l’impact mesurable sur cognition, autogestion et prédiction clinique (revue de littérature)

    Un corpus de 15 études (2024–2025) sur la santé numérique des personnes âgées

    La transition démographique et la pression sur les systèmes de santé rendent urgente l’évaluation rigoureuse des interventions numériques destinées aux personnes âgées. Ce contexte impose l’évaluation rigoureuse des bénéfices et limites des interventions numériques dédiées à la population âgée, en intégrant à la fois les dimensions cliniques, organisationnelles et sociales. Cet article synthétise et analyse les résultats de quinze études récentes publiées entre 2024 et 2025 dans des revues spécialisées telles que :

    • BMC Geriatrics(He et al., 2025; Liu et al., 2025),
    • European Geriatric Medicine(Deng et al., 2025),
    • Healthcare Basel(Pilotto et al., 2025),
    • et d’autres, menées par des équipes de recherche issues de Chine (Université de Médecine de Tongji, Université de Changsha, Anhui Medical University), d’Europe (Galliera Hospital – Italie, Hôpital Paris Saint-Joseph – France), du Royaume-Uni (Imperial College London), ou d’Australie (University of Queensland).

    L’objectif est d’identifier les avancées, les points critiques et les recommandations pour une intégration efficace du digital en santé gériatrique.

    Les articles retenus couvrent des thématiques structurantes :

    • littératie numérique et capacité de gestion individuelle des patients âgés ;
    • impact des dispositifs digitaux sur la cognition, l’adhésion thérapeutique ou la gestion du diabète ;
    • méthodes organisationnelles et gouvernance des plateformes gériatriques numériques.

    Littératie numérique : jusqu’à 49 % de l’effet expliqué par le soutien social

    Plusieurs études examinent le lien entre e-health/digital health literacy et autogestion chez les personnes âgées. He et al. (2025) rapportent des scores moyens : eHealth literacy 17.43 ± 8.11; self-management 87.76 ± 13.39; perceived social support 55.33 ± 12.09, et montrent une corrélation positive entre ces variables, avec un effet médiateur partiel du support social (49.02% de l’effet total). Ces trois dimensions sont positivement liées : plus la littératie est élevée, plus l’autogestion est bonne. Mais une partie de cet effet passe par le soutien social, qui explique 49 % de la relation totale.

    Liu et al. (2025) observent une digital health literacy moyenne de 39.25 ± 9.00 et un score d’autogestion 27.82 ± 9.56 ; la médiation par le support social et la dépression explique 36.07% de l’effet total. Ici aussi, la relation entre littératie et autogestion est indirectement influencée par deux facteurs : le soutien social et la dépression. Ensemble, ils expliquent 36 % de l’effet total.

    Chen et al. (2025) confirment que chez des personnes âgées en Jiangsu, la littératie numérique a un impact direct et fort sur la fonction physiologique (β = 0,916 ; p < 0,001). En revanche, son effet indirect via la fonction physiologique sur les comportements de santé n’est pas statistiquement confirmé.

    En résumé : mieux les personnes âgées maîtrisent les outils numériques, mieux elles gèrent leur santé — mais cet effet dépend fortement de facteurs sociaux et psychologiques (soutien, dépression, état physiologique).

    Cognition et réhabilitation : amélioration globale de 0,50 écart-type

    Deng et al. (2025) réalisent une méta-méta-analyse sur 31 revues et rapportent un effet global significatif des DHIs (Digital Health Intervention, c’est-à-dire intervention numérique en santé) sur la fonction cognitive. Des effets spécifiques sont signalés pour attention, mémoire, fonctions exécutives et vitesse de traitement.

    Wen et al. (2025) étudient l’adhérence en réadaptation post-AVC avec approche multimodale et montrent des augmentations significatives des indicateurs d’adhérence au fil du temps; feedback de haute qualité améliore la conformité (β = 0.0318) tandis que des retours trop fréquents peuvent la dégrader (β = -0.0914).

    Gériatrie à domicile : réduction documentée de la durée d’hospitalisation

    Le projet MULTIPLAT_AGE (Pilotto et al., 2025) propose une plateforme CGA-based utilisée dans cinq études et émet des recommandations : réduction des durées d’hospitalisation, amélioration de la fragilité multidimensionnelle, performances physiques et cognitives. Les auteurs insistent sur l’intégration du MPI et d’une plateforme web commune pour l’« aging in place ».

    Yang et al. (2025) passent en revue les technologies pour patients âgés diabétiques en « smart wards » (CMG, RT-CGM, intégration 5G, big data, HIS). Les auteurs identifient un potentiel d’amélioration des résultats cliniques mais soulignent des défis d’implémentation.

    IA clinique : AUC de 0,817 pour prédire la mortalité à 90 jours

    Weller et al. (2025) ont construit un modèle d’intelligence artificielle pour prédire, dès 48 heures après l’admission, le risque de décès à 90 jours chez des patients âgés hospitalisés pour insuffisance cardiaque. Xiao & Liu (2025) ne se concentrent pas sur les patients mais sur la gouvernance des plateformes de services de santé pour personnes âgées. En utilisant la théorie des jeux, ils montrent que les plateformes, les entreprises de soins et le gouvernement adoptent différentes stratégies qui peuvent parfois être opportunistes (chercher un avantage au détriment du système). Leur conclusion : une régulation gouvernementale active est indispensable pour encourager la coopération et éviter les dérives des plateformes ou des prestataires.

    Formation et équité : de +1,7 odds ratio à 100 % de rétention

    Beverly et al. (2025) ont testé un module de formation en gériatrie utilisant la réalité virtuelle immersive (« cine-VR ») auprès de 65 étudiants en santé. Le programme a montré une rétention complète des participants (100 %) et une amélioration significative de l’empathie et de l’auto-efficacité des étudiants.

    Aryasinghe et al. (2025) ont appliqué le traitement automatique du langage (NLP) pour analyser un dispositif de recrutement inclusif dans le NHS. Leur étude révèle que l’ajout d’une lettre explicative adressée aux CEO augmente les chances d’embauche de candidats issus des minorités ethniques (odds ratio = 1,7 ; IC 95 % : 1,2–2,3). Toutefois, des inégalités persistent malgré cette intervention.

    Woods et al. (2025) rapportent, du côté australien, un plan d’action académique national visant à requalifier la main-d’œuvre en santé numérique et à renforcer les capacités de recherche dans ce domaine.

    Nouveaux modèles organisationnels : précision de 92,6 % dans la recommandation de services

    Hu et al. (2025) décrivent en Chine un modèle d’« assistance mutuelle intelligente » reposant sur une plateforme décisionnelle connectée au centre de gestion des données de santé. Leur système améliore sensiblement la performance des recommandations de services pour les personnes âgées, avec une précision de 92,6 % contre 88,6 % pour les méthodes traditionnelles et un temps moyen de réponse réduit à 18,5 secondes contre 25,2 secondes.

    De leur côté, Hirmas-Adauy et al. (2024) proposent une revue de 421 publications sur les interventions de santé numérique destinées aux personnes âgées. La majorité des initiatives recensées proviennent de pays à revenu élevé et reposent principalement sur des solutions utilisant téléphones mobiles et ordinateurs.

    Tableau comparatif synthétique des 15 études

    Réf. Population (n) Méthodologie Résultats chiffrés clés Conclusion principale
    He et al., 2025 337 elderly stroke pts Cross-sectional; eHealthLS, PSS, SSMS eHealth 17.43±8.11; self-mgmt 87.76±13.39; mediator social support 49.02% Low e-health literacy; social support médiateur partiel
    Liu et al., 2025 202 rural elderly chronic Survey; SEM, AMOS DHL 39.25±9.00; self-mgmt 27.82±9.56; indirect effect 36.07% DHL affecte self-mgmt via social support & dépression
    Deng et al., 2025 31,093 (revues) Umbrella/meta-meta Global cognitive SMD 0.50 (0.40–0.60) DHIs améliorent cognition chez âgés
    Wen et al., 2025 180 (540 datapoints) Longitudinal LMM Time effects +; high-quality feedback β=0.0318; over-frequent feedback β=-0.0914 Personalized feedback & psycho support boost adherence
    Pilotto et al., 2025 Multi-center projets Projet réseau, recommandations Réduction LOS; amélioration MPI et fonctions CGA-based digital program recommandé pour aging in place
    Weller et al., 2025 2257 deriv; 348/388 val EHR + NLP; LASSO + LR AUC deriv 0.817; val 0.750 & 0.723; risk strata observed mort. 3.8/8.4/19.4% AI model robust pour prédiction 90-day mortality
    Xiao & Liu, 2025 Théorique modèle Evolutionary game theory 5 equilibrium points; régulation positive clé Régulation active favorise coopération plateforme/enterprises
    Aryasinghe et al., 2025 NHS recruitment data (sep2021-jan2024) NLP + regression Letter to CEO OR 1.7 [1.2–2.3] for BME offers NLP utile; interventions augmentent diversité mais inégalités subsistent
    Yang et al., 2025 Revue (diabetes elderly) Narrative review Intégration RT-CGM, 5G, big data Smart wards potentiels mais challenges implémentation
    Chen et al., 2025 Jiangsu elderly Survey; SEM e-health → phys func β=0.916 (p<0.001) Renforcer e-health literacy pour healthy digital aging
    Hu et al., 2025 Simulations & tests Decision support platform Recommendation accuracy 92.6% vs 88.56% Plateforme améliore recommandation pension services
    Beverly et al., 2025 65 students Pilot pre-post cine-VR Retention 100%; ↑empathy, ↑self-efficacy (p<.05) Cine-VR feasible for geriatric training
    Hirmas-Adauy et al., 2024 421 documents Scoping review Majority HIC; devices phone/PC; focus home apps Need more LMIC research; evaluate effectiveness
    Woods et al., 2025 Council perspective Action plan N/A (policy actions) Requalify workforce; fund digital health R&D
    Cai et al., 2024 578 elderly Survey; mediation analysis Self-identity & social capital mediate e-health→motivation (effect 0.61) e-health literacy → education motivation via identity/social capital

    3 convergences : amélioration cognitive, adhérence accrue, valeur prédictive de l’IA

    Il ressort de la concordance des études analysées que le bénéfice des interventions numériques chez les personnes âgées dépend étroitement :

    • de la qualité de l’accompagnement (personnalisé, bienveillant, psychologique aussi bien que technologique),
    • de l’adéquation des outils à la fragilité et l’hétérogénéité de cette population,
    • des politiques de gouvernance proactives, adaptées à la diversité des contextes nationaux (Europe, Asie, Australie),
    • de la collecte de données rigoureuse pour évaluer l’efficacité réelle et ajuster les dispositifs,
    • et de la réduction des inégalités sociales face à la diffusion du numérique.

    Les effets constatés sur l’autogestion, la cognition et la réhabilitation sont substantiels mais conditionnés par l’environnement psychosocial et la pertinence des outils. Les modèles d’intelligence artificielle nécessitent une validation constante et une transparence méthodologique.

    Bibliographie

    He, T., Huang, J., Song, C., Du, C., Zhang, W., Zhu, Q., & Shi, H. (2025). The mediating effect of perceived social support between e-health literacy and self-management ability in elderly stroke patients: A cross-sectional survey. BMC Geriatrics, 25(1), 712. https://doi.org/10.1186/s12877-025-06369-8

    Xiao, M., & Liu, H. (2025). The impact mechanism of government regulation on the operation of smart health senior care service platform: A perspective from evolutionary game theory. International Journal of Health Policy and Management, 14, 8646. https://doi.org/10.34172/ijhpm.8646

    Deng, Y., Wang, M., Li, C., & Wu, H. (2025). An umbrella review and meta-meta-analysis on the effectiveness of digital health interventions for cognitive function improvement in the elderly. European Geriatric Medicine. Advance online publication. https://doi.org/10.1007/s41999-025-01257-1

    Pilotto, A., Massone, C., Iaccarino, G., Genazzani, A., Trompetto, C., Arabia, G., Morganti, W., Seminerio, E., Illario, M., Castello, L., Mori, L., Pignolo, L., Custureri, R., & MULTIPLAT_AGE Investigators. (2025). A digital-health program based on comprehensive geriatric assessment for the management of older people at their home: Final recommendations from the MULTIPLAT_AGE Network Project. Healthcare (Basel), 13(10), 1105. https://doi.org/10.3390/healthcare13101105

    Aryasinghe, S., Carenzo, C., Barnett, K. A., Khalid, R., Greenaway-Harvey, K., Sherlock, C., Clark, L., Croft, K., Orchard, T., & Mayer, E. (2025). Increasing the ethnic diversity of senior leadership within the English National Health Service: Using an artificial intelligence approach to evaluate inclusive recruitment strategies in hospital settings. Human Resources for Health, 23(1), 24. https://doi.org/10.1186/s12960-025-00991-8

    Woods, L., Haines, M., Arabi, S., Boyd, J., Butler-Henderson, K., Gray, K., Gruen, R. L., Guinea, S., Bennett, C., & Sullivan, C. (2025). Where to for digital health? The Australian Council of Senior Academic Leaders in Digital Health action plan. Australian Health Review, 49, AH25039. https://doi.org/10.1071/AH25039

    Liu, X., Gan, X., Ren, G., Mao, Z., Hu, J., Sha, C., & Wu, J. (2025). Path analysis of the influence of digital health literacy on self-management behaviour among elderly patients with chronic diseases in rural China. BMC Geriatrics, 25(1), 293. https://doi.org/10.1186/s12877-025-05952-3

    Wen, X., Li, Y., Zhang, Q., Yao, Z., Gao, X., Sun, Z., Fang, X., & Huang, W. (2025). Enhancing long-term adherence in elderly stroke rehabilitation through a digital health approach based on multimodal feedback and personalized intervention. Scientific Reports, 15(1), 14190. https://doi.org/10.1038/s41598-025-95726-z

    Chen, A., Wang, X., Xu, A., Liu, Q., & Tong, B. (2025). Analysis of the impact of e-health literacy on health behavior among the elderly in Jiangsu: Structural equation model. Public Health Nursing, 42(4), 1461–1468. https://doi.org/10.1111/phn.13565

    Yang, W., Lu, J., Si, S. C., Wang, W. H., Li, J., Ma, Y. X., Zhao, H., & Liu, J. (2025). Digital health technologies/interventions in smart ward development for elderly patients with diabetes: A perspective from China and beyond. World Journal of Diabetes, 16(4), 103002. https://doi.org/10.4239/wjd.v16.i4.103002

    Hu, Z., Wang, J., Nie, H., Liu, Y., & Li, X. (2025). Building new model of intelligent mutual support for the elderly based on the decision support platform of the health management data center. SLAS Technology, 32, 100274. https://doi.org/10.1016/j.slast.2025.100274

    Weller, J., Gutton, J., Hocquet, G., Pellet, L., Aroulanda, M. J., Bruandet, A., Theis, D., Boudis, F., Cador, R., Zweigenbaum, P., Buronfosse, A., de Groote, P., & Komajda, M. (2025). Prediction of 90-day mortality in elderly patients with acute HF from e-health records using artificial intelligence. ESC Heart Failure, 12(3), 2200–2209. https://doi.org/10.1002/ehf2.15244

    Beverly, E. A., Miller, S., Love, M., & Love, C. (2025). Feasibility of a cinematic-virtual reality program educating health professional students about the complexity of geriatric care: Pilot pre-post study. JMIR Aging, 8, e64633. https://doi.org/10.2196/64633

    Hirmas-Adauy, M., Castillo-Laborde, C., Awad, C., Jasmen, A., Mattoli, M., Molina, X., Olea, A., Matute, I., Soto, F., Rubilar, P., Urrejola, O., Alfaro, T., Abusleme Lama, M. T., & Esnouf, S. (2024). Navigating through innovation in elderly’s health: A scoping review of digital health interventions. Public Health Reviews, 45, 1607756. https://doi.org/10.3389/phrs.2024.1607756

    Cai, S., Du, J., Chen, X., Li, E., & Chen, Y. (2024). The relationship between e-health literacy and educational participation motivation among elderly individuals: The chained mediating effects of self-identity and social capital. British Journal of Hospital Medicine, 85(9), 1–13. https://doi.org/10.12968/hmed.2024.0261

    Annexe : stratégie de recherche documentaire PubMed

    La sélection des articles scientifiques ayant servi de base à la synthèse présentée dans ce travail repose sur une requête ciblée effectuée sur PubMed :

    (“health”[Title] AND (“AI”[Title] OR “artificial intelligence”[Title] OR “VR”[Title] OR “virtual reality”[Title] OR “digital therapies”[Title] OR “robotics”[Title] OR “platform”[Title] OR “telemedicine”[Title] OR “teleconsultation”[Title] OR “telesurveillance”[Title] OR “smartphone application”[Title] OR “robot”[Title] OR “digital health”[Title] OR “e-health”[Title] OR “healthtech”[Title])) AND (“elderly”[Title] OR “senior”[Title] OR “geriatric”[Title])

    Cette requête a permis de cibler spécifiquement les publications en anglais dont le titre comporte à la fois des mots-clés relatifs à la santé numérique, aux nouvelles technologies (intelligence artificielle, réalité virtuelle, robotique, plateformes numériques, télésanté, etc.), et à la population âgée (elderly, senior, geriatric).

    Ce choix méthodologique garantit la pertinence thématique et la reproductibilité du corpus de références utilisé pour cette revue académique.

  • Qatar : 6 milliards USD investis dans la santé et couverture obligatoire pour tous

    Contexte et cadre national

    Le Qatar, pays du Moyen-Orient, compte environ 3 millions d’habitants avec un PIB par habitant supérieur à 69 500 USD et une population jeune (âge moyen : 33 ans). Sa politique de santé s’inscrit dans la Qatar National Vision 2030, orientée vers un système intégré et accessible, soutenu par un fort engagement public.

    La National Health Strategy 2024–2030 vise une société axée sur la santé et l’innovation, priorisant :

    • santé de la population ;
    • excellence des services et expérience patient ;
    • efficience et résilience du système.

    Le financement est majoritairement public, supervisé par la Hamad Medical Corporation (HMC). Depuis 2017, plus de 6 milliards USD y ont été investis. La loi n°22 de 2021 impose une assurance maladie obligatoire pour tous les salariés non qataris et visiteurs. La couverture publique (Seha) demeure centrale. Les expatriés souscrivent à cette assurance nationale et complètent fréquemment par une assurance privée.

    Organisation et répartition des hôpitaux/établissements de santé

    L’offre de soins s’appuie sur deux piliers principalement :

    • La Hamad Medical Corporation (HMC), qui gère 16 hôpitaux publics  et assure la majorité des soins hospitaliers, ambulanciers, ainsi que la prise en charge de pathologies complexes. Parmi les établissements majeurs figurent l’Hamad General Hospital, le Heart Hospital, le Communicable Disease Center, le Qatar Rehabilitation Institute, le Women’s Wellness and Research Center, le Center for Clinical Precision Medicine and Genomics, entre autres.
    • La Primary Health Care Corporation (PHCC), qui anime 27 centres de santé primaires répartis sur le territoire, assurant la médecine générale, la prévention et l’aiguillage vers le secteur hospitalier.
    • Le secteur privé complète l’offre, avec environ 8 établissements hospitaliers autorisés, ainsi que de nombreuses cliniques et centres spécialisés (notamment Sidra Medicine, hôpital Al-Ahli, etc.).

    Le Qatar a également développé la télémédecine, la santé numérique (applications mobiles et IA), et positionne Doha comme un pôle régional pour le tourisme médical grâce à l’excellence de ses infrastructures.

    Nombre d’hôpitaux, de soignants, de travailleurs du secteur santé

    En 2025 :

    • environ 9 487 médecins et 26 236 infirmiers ;
    • faible proportion de citoyens qataris parmi les professionnels de santé (6 % médecins, 1 % infirmiers) ;
    • forte internationalisation des équipes, densité médicale adaptée à la population.

    Statistiques sur le secteur

    • Population : env. 3 millions
    • PIB/habitant : > 69 500 USD
    • Budget santé 2025 : 6,04 milliards USD (dont près de 80 % financés par l’État)
    • 16 hôpitaux publics HMC, 27 centres PHCC, env. 10 hôpitaux privés

    Chiffres clés 2025 :

    Catégorie Secteur Nombre Taux pour 1 000 habitants Population par professionnel
    Dentistes Public 539 0,2 5 667
    Dentistes Privé 1 732 0,6 1 763
    Médecins Privé 2 987 1,0 1 023
    Médecins Public 6 500 2,1 470
    Médecins et dentistes Privé 4 719 1,5 647
    Médecins et dentistes Public 7 039 2,3 434
    Infirmiers Public 16 778 5,5 182
    Infirmiers Privé 9 458 3,1 323

    Croissance et dynamiques sectorielles

    Le système de santé qatari a connu une transformation majeure ces dernières décennies portée par d’ambitieux investissements publics, l’adoption de la stratégie nationale de santé (NHS 2024–2030) et une modernisation systématique des infrastructures. La croissance rapide de la population, l’urbanisation, et la volonté de devenir un leader régional du secteur ont poussé le pays à renforcer l’accès aux soins, à promouvoir la prévention, à investir dans l’innovation médicale (génomique, robotique, IA médicale), et à développer la santé numérique. L’automédication est encouragée pour les pathologies bénignes.

    La loi sur l’assurance santé obligatoire, entrée en vigueur récemment, impose aux entreprises de garantir la couverture de leurs salariés et de leurs ayants droit. Cette réglementation impacte significativement les acteurs économiques et structure le marché. De plus, l’État qatarien multiplie les partenariats internationaux pour financer la santé et renforcer ses capacités d’innovation : le Fonds mondial pour la lutte contre les maladies infectieuses, le Qatar Genome Project ou encore les collaborations avec l’Algérie et l’Allemagne pour la construction de nouveaux hôpitaux.

    Le Sommet mondial de l’innovation pour la santé (WISH) est une initiative majeure pour booster l’innovation, notamment numérique, et faire émerger des solutions de santé connectée (plateformes, IA, applications mobiles) : l’exemple de l’application Avey (1,2 million d’utilisateurs) montre le dynamisme numérique du secteur.

    Orientations stratégiques 2024-2030

    La stratégie nationale de santé 2024-2030 s’articule autour de l’ouverture internationale, du développement de la prévention (digitalisation du parcours patient, lutte contre les maladies chroniques comme le diabète, campagnes de vaccination), du soutien à la recherche (projet génome national), de la valorisation de la télémédecine et de la santé digitale, et de la promotion des partenariats public-privé (PPP).

    Un exemple emblématique est la collaboration public-privé initiée en 2025 entre l’hôpital Al-Ahli, la Hamad Medical Corporation et d’autres prestataires privés : elle vise à désengorger les hôpitaux publics en orientant des patients vers le privé, en partageant dossiers et protocoles (sous régulation du HMC), et en favorisant l’équité d’accès. Le processus d’orientation se base sur les besoins cliniques, sans discrimination fondée sur la nationalité ou le statut social. Les PPP sont régis depuis 2020 par un cadre légal spécifique et concernent également l’essor de la télémédecine, la création de centres spécialisés et l’acquisition de technologies médicales de pointe.

     

  • L’IA au service de la prévention : une synthèse transversale des applications actuelles et perspectives (revue de littérature)

    La prévention constitue un pilier stratégique des systèmes de santé contemporains visant à réduire l’incidence des maladies chroniques, infectieuses et mentales tout en optimisant les ressources hospitalières. L’intégration de l’intelligence artificielle (IA) dans ce domaine représente une évolution dont la pertinence et les limites sont aujourd’hui explorées à travers de multiples travaux scientifiques.

    Cet article propose une synthèse transversale de 38 études récentes publiées entre 2024 et 2025 dans des revues internationales à comité de lecture couvrant un large spectre :

    • maladies cardiovasculaires (Shah, 2025 ; Whiteson & Frishman, 2025 ; Bartusik-Aebisher et al., 2025),
    • oncologie (Desai & Desai, 2025 ; Gantenbein et al., 2025),
    • maladies infectieuses et contrôle hospitalier (Wang et al., 2025 ; Alhusain, 2025 ; El Arab et al., 2025),
    • VIH/IST (Ni et al., 2025 ; Tao et al., 2025 ; Ndenkeh et al., 2025 ; Beegle et al., 2025 ; Ratevosian et al., 2025),
    • diabète et maladies métaboliques (Rosella et al., 2025 ; Clarós et al., 2025 ; Kohli et al., 2025),
    • santé mentale (Narimani & Naeim, 2025 ; Yıldız, 2025),

    ainsi que d’autres champs émergents tels que :

    • la prévention des chutes (Gervasi et al., 2025),
    • de la myopie (Liu et al., 2025),
    • des plaies de pression (Kirkland-Kyhn et al., 2025),
    • et du burn-out professionnel par IA prédictive (Armenteros-Cosme et al., 2025).

    L’objectif est d’établir une vision intégrée des apports de l’IA à la prévention en santé en mettant en évidence les résultats clés, les tendances communes et les implications pratiques pour les décideurs et responsables du numérique en santé.

    L’IA comme pilier des stratégies préventives

    L’IA est mobilisée en prévention selon trois logiques principales :

    1. Prédiction et stratification du risque : utilisation de modèles prédictifs pour identifier les individus à haut risque (cardiopathies, diabète, cancer).
    2. Intervention personnalisée : chatbots et systèmes interactifs configurés selon les lignes directrices (ex. VIH, prévention des infections).
    3. Surveillance et détection précoce : monitoring temps réel en établissement de santé (prévention des chutes, infections nosocomiales).

    Cette transversalité ressort de l’ensemble des études mais les performances et impacts varient selon les domaines cliniques et les populations ciblées.

    3 leviers complémentaires pour la prévention cardiovasculaire

    Plusieurs publications montrent l’intégration croissante de l’IA pour prédire les risques cardiovasculaires et proposer des interventions ciblées. Shah (2025, Digital Health) a souligné la valeur ajoutée de l’IA dans la personnalisation des stratégies de prévention primaire et secondaire. Habibovic et al. (2025, JMIR Research Protocols) décrivent le protocole TIMELY, une plateforme basée sur l’IA et l’e-santé, conçue pour accompagner sur le long terme les patients atteints de maladie coronarienne.

    Les approches combinent données cliniques, génétiques et environnementales, comme l’a exposé Soufan et al. (2025, Health Science Reports). Les modèles d’IA se distinguent également dans l’interprétation automatisée de l’électrocardiogramme, où Bartusik-Aebisher et al. (2025, Biomedicines) rapportent une capacité à détecter précocement des anomalies annonciatrices d’événements cardiaques.

    Étude Outil IA Population ciblée Résultat clé
    Shah (2025) Modèles prédictifs Prévention cardio globale Amélioration de la stratification du risque
    Habibovic et al. (2025) Plateforme TIMELY Patients coronariens RCT en cours pour suivi préventif continu
    Bartusik-Aebisher et al. (2025) IA-ECG Population générale Détection précoce accrue des anomalies

     

    La prévention oncologique passe par la prédiction et la simulation

    Dans le champ de la cancérologie, les contributions se concentrent sur le dépistage et la réduction des facteurs de risque. Desai & Desai (2025, Cancer Causes & Control) décrivent l’évolution de l’IA tout au long du continuum oncologique féminin incluant la phase préventive. Gantenbein et al. (2025, Dermatology) proposent un outil de simulation automatisée du vieillissement cutané comme stratégie de sensibilisation et prévention du mélanome. Enfin, Liu et al. (2025, Journal of Ethnopharmacology) associent pharmacologie intégrative, apprentissage machine et IA pour explorer des mécanismes de prévention dans le cancer bronchique.

    Les approches combinent donc prévention comportementale, prédiction biologique et outils éducatifs, montrant une diversité d’applications selon le type de cancer.

    La prévention des maladies infectieuses et contrôle hospitalier dépend fortement de l’acceptabilité du personnel et de la charge cognitive induite

    L’IA est particulièrement mobilisée dans la lutte contre les infections nosocomiales. Wang et al. (2025, JMIR Medical Internet Research) ont évalué la fidélité des chatbots aux recommandations de l’OMS pour la prévention des infections chirurgicales soulignant une performance variable selon les modèles. Gervasi et al. (2025, Frontiers in Digital Health) démontrent l’efficacité de « Verso Vision », un système de monitoring IA, dans la réduction des chutes hospitalières, donc indirectement des complications infectieuses associées.

    Des revues narratives (Alhusain, 2025 ; El Arab et al., 2025) mettent en évidence des bénéfices tangibles mais aussi des enjeux éthiques autour de la surveillance automatisée du personnel soignant. Des études de terrain (Jalal et al., 2025, Cureus) confirment que l’acceptabilité des infirmières vis-à-vis de ces systèmes dépend du niveau de charge cognitive supplémentaire induite.

    Prévention du VIH et des IST évolue d’une information générique vers des interventions personnalisées

    Parmi les domaines où l’IA a été le plus étudiée, la prévention du VIH occupe une place centrale. Plusieurs travaux ont évalué l’acceptabilité des chatbots et leur conformité aux recommandations. Ni et al. (2025, JMIR Human Factors) ont validé l’usage national d’un chatbot de prévention en Malaisie. Ndenkeh et al. (2025, PLOS Digital Health) mettent en évidence la pertinence perçue par des groupes de patients vulnérables aux États-Unis.

    Beegle et al. (2025, AIDS Behavior) ont mené une analyse thématique de quatre plateformes d’IA, montrant une variation importante dans la qualité et la pertinence des recommandations. Tao et al. (2025, AIDS) ainsi que Ratevosian et al. (2025, Lancet HIV) insistent sur la nécessité de standardiser les outils et de renforcer leur ancrage dans les contextes communautaires.

    L’usage de l’IA dans la prévention du VIH illustre ainsi la transition de la diffusion d’information générique vers l’intervention personnalisée et contextualisée.

    La prévention des maladies métaboliques se structure autour de modèles prédictifs reliés un continuum prévention-diagnostic-suivi

    Les travaux de Rosella et al. (2025, Digital Health) présentent une approche participative pour développer des IA prédictives dans la prévention du diabète, intégrant la perspective des patients et des professionnels. Clarós et al. (2025, European Journal of Public Health) construisent un modèle centré sur les maladies liées au syndrome métabolique, associant prédiction et prévention.

    Kohli et al. (2025, Journal of Diabetes & Metabolic Disorders) insistent sur le rôle central de l’IA dans la continuité entre prévention, diagnostic et suivi des patients diabétiques.

    La prévention en santé mentale

    Dans le domaine psychique, Narimani & Naeim (2025, Annals of Medicine and Surgery) soulignent l’essor des modèles de deep learning multimodaux capables de dépister précocement les troubles mentaux, avec une attention particulière à la prévention des rechutes. Yıldız (2025, Issues in Mental Health Nursing) propose une analyse bibliométrique montrant l’intérêt croissant pour l’application de l’IA dans la prévention du suicide notamment par le dépistage prédictif en milieu infirmier.

    Autres champs émergents

    • Prévention des chutes et escarres : Gervasi et al. (2025) avec un système de vision IA, et Kirkland-Kyhn et al. (2025) sur l’acceptabilité d’IA centrées sur la prévention des plaies de pression.
    • Prévention en ophtalmologie : Liu et al. (2025) recensent les stratégies IA appliquées au contrôle de la myopie pédiatrique.
    • Prévention en santé au travail : Armenteros-Cosme et al. (2025, Sensors) passent en revue les modèles prédictifs IA pour prévenir les risques professionnels.
    • Prévention en infectiologie tropicale : Sutanto & Ansharullah (2025, Acta Tropica) décrivent les potentialités de l’IA dans la prévention de la dengue.

    Discussion et implications stratégiques

    L’analyse transversale des 38 articles met en évidence :

    1. Une diffusion multisectorielle de l’IA en prévention, allant des maladies chroniques (cardio, diabète, oncologie) aux pathologies infectieuses et mentales.
    2. Des bénéfices constatés : meilleure stratification du risque, personnalisation des recommandations, gain en surveillance hospitalière.
    3. Des limites récurrentes : variabilité des performances des modèles, dépendance à la qualité des données, diversité dans l’acceptabilité par les patients et les soignants, enjeux légaux de responsabilité (Yang et al., 2025).
    4. Une convergence progressive vers des approches centrées sur le patient, combinant prévention technologique et intégration communautaire.

    Pour les décideurs en santé, un enjeu sera de garantir l’interopérabilité des systèmes, la validation clinique à large échelle et le respect des cadres éthiques et réglementaires.

    Maturité des systèmes d’IA

    Les domaines de l’IA en prévention les plus matures au regard de ce corpus sont :

    1. prévention et contrôle des infections en milieu hospitalier (IPC),
    2. prévention cardiovasculaire via plateformes et IA‑ECG,
    3. et 3) prévention VIH par chatbots conversationnels avec des signaux d’efficacité, d’acceptabilité et de structuration économique plus avancés que dans d’autres champs du corpus.

    Le tableau ci-dessous analyse la maturité des différents domaines de prévention selon une grille multicritères inspirée de la lecture croisée “evidence-to-implementation”, pondérant :

    1. solidité des preuves cliniques (de la série de cas à l’étude comparative),
    2. alignement avec guidelines/faisabilité réglementaire,
    3. acceptabilité/usage par cliniciens et patients,
    4. résultats quantitatifs et généralisabilité,
    5. clarté du chemin d’intégration et d’échelle (pilotes → RCT → déploiement) .

    La cotation de la maturité est la suivante : maturité Haute (H), Moyenne (M), Émergente (E), fondée sur la combinaison de métriques quantitatives disponibles (ex. IRR, scores de performance), revues intégratives/systématiques, et protocoles RCT en cours avec infrastructure d’implémentation décrite.

    Tableau synthèse de maturité par domaine de prévention

    Domaine Représentants (PMID, revue) Type d’IA et cas d’usage Principales preuves/indicateurs Limites clés Maturité
    Infection/IPC (SSI guidelines) Wang et al., 2025, J Med Internet Res, PMID:40744114 [JMedInternetRes] LLMs pour recommandations alignées OMS SSI 300 réponses, 25 items, évaluations multidimensionnelles par 4 chirurgiens; exactitude 4.03/5, consistance 4.07/5, “harm” 4.29/5; inter-cotateurs 0.54–0.87; Claude 3.5 et GPT‑4o leaders Stabilité/consistance perfectibles; clarté et complétude modérées; risque de conséquences cliniques si erreurs H
    Chutes à l’hôpital Gervasi et al., 2025, Front Digit Health, PMID:40309322 Vision par ordinateur (Verso Vision) pour prévention des chutes Étude rétrospective, n=362; incidence 2.85 vs 6.65/1000 p‑t; IRR 0.21 (0.12–0.38), p<0.0001; sensibilité IRR 0.22 (0.13–0.35) Rétrospective, besoin de prospectif/RCT; contexte monocentrique H-
    Cardiovasculaire (prévention) Shah, 2025, Digital Health, PMID:40621169; Habibovic et al., 2025, JMIR Res Protoc (TIMELY), PMID:40812736 Modèles prédictifs, IA‑ECG, plateformes patient-centrées (TIMELY) Proposition de valeur clinique/éco et intégration workflow; TIMELY: RCT multicentrique protocolisée, intégration e‑santé/IA et coaching; feuille de route d’implémentation détaillée Résultats RCT en attente; hétérogénéité des modèles/jeux de données M+ à H-
    VIH/IST (chatbots) Ni et al., 2025, JMIR Hum Factors, PMID:40663792; Ndenkeh et al., 2025, PLOS Digit Health, PMID:40465591; Tao, 2025, AIDS, PMID:39878675 Chatbots d’éducation et triage prévention VIH Usabilité/acceptabilité confirmées en contexte national (MY) et groupes focus (Sud USA); faisabilité d’implantation en milieux réels Variabilité inter‑plateformes; besoin d’alignement aux guidelines et contrôle qualité des contenus M+
    Prévention oncologique (peau) Cai et al., 2025, JAAD Int, PMID:39790864; Gantenbein et al., 2025, Dermatology, PMID:39401496 Chat IA pour conseils prévention; simulation IA vieillissement cutané Évaluation de l’adéquation des recommandations; simulation comme levier de photoprotection et prévention mélanome Données d’impact comportemental populationnel limitées; nécessité d’essais contrôlés M
    Infection/IPC (revues intégratives) El Arab et al., 2025, Front Public Health, PMID:40241963; Alhusain, 2025, Saudi Med J, PMID:40254319 Surveil. IA, conformité IPC, analytique prédictive Revue des applications hospitalières et défis organisationnels/éthiques; directions futures d’intégration Preuves hétérogènes, besoin de standards et d’évaluations multicentriques M+
    Métabolique/diabète Rosella et al., 2025, Digital Health, PMID:40656860; Clarós et al., 2025, Eur J Public Health, PMID:40611530 Prédiction risque diabète/syndrome métabolique, approche participative Co‑conception responsable, cadre gouvernance/équité; modèle patient‑centré à l’échelle populationnelle Résultats d’impact clinique/endpoints durs non publiés; généralisation à prouver M
    Santé mentale (prévention/suicide) Narimani & Naeim, 2025, Ann Med Surg, PMID:40901142; Yıldız, 2025, Issues Ment Health Nurs, PMID:40435463 Multimodal DL pour détection précoce et prévention Potentiel pour repérage et prévention des rechutes; tendances bibliométriques et implications soignantes Dépendance aux données sensibles; peu d’essais d’impact à grande échelle M-
    IPC – perceptions infirmières Jalal et al., 2025, Cureus, PMID:40416172 Monitoring IA et conformité IPC Perception/acceptabilité cliniciennes comme facteur clé d’adoption Études perceptionnelles, pas d’outcomes cliniques durs M-
    Cardio – IA‑ECG et revues Bartusik‑Aebisher et al., 2025, Biomedicines, PMID:40722756; Whiteson & Frishman, 2025, Cardiol Rev, PMID:37847073 IA‑ECG, dépistage/détection Revue des capacités et cas d’usage en prévention/détection Manque d’essais d’implémentation généralisés M
    Anémie – éducation Ito et al., 2025, PEC Innov, PMID:40276577 LLMs vs recherche web pour conseils prévention Comparatif qualité de contenu; implications pour éducation patient Traduction en outcomes cliniques non démontrée E/M-

     

    Tableau récapitulatif des applications IA en prévention

    Domaine Article (année, revue) Type d’IA/outil Population/contexte Résultat principal
    Cardiovasculaire Shah (2025), Digital Health Modèles prédictifs, aide à la décision Prévention cardiovasculaire, intégration parcours Proposition de valeur clinique/économique conditionnée par validation, intégration workflow et gouvernance des données
    Cardiovasculaire Habibovic et al. (2025), JMIR Res Protoc (TIMELY) Plateforme e-santé avec IA, capteurs, coaching RCT multicentrique chez coronariens (continuum de soins) Évaluation de l’effet sur comportements et risque; résultats attendus (plateforme patient-centrée prête pour implantation si bénéfices confirmés)
    Infectieux/IPC Wang et al. (2025), J Med Internet Res LLMs (ChatGPT-4o, OpenAI-o1, Claude 3.5, Gemini 1.5) Alignement sur directives OMS SSI (25 items, 300 réponses) Scores moyens élevés pour harm 4.29 et consistance 4.07; exactitude 4.03 pour recommandations; nécessité d’améliorer stabilité et clarté; Claude 3.5 et GPT-4o en tête
    Oncologie Cai et al. (2025), JAAD Int Chat IA conversationnel Prévention du cancer cutané (pertinence des conseils) Évaluation de l’adéquation/pertinence des recommandations; focalisation sur qualité informationnelle et sécurité patient dans conseils de prévention
    Oncologie Gantenbein et al. (2025), Dermatology Simulation IA du vieillissement cutané Prévention primaire mélanome/photoprotection Outil de simulation comme levier de changement comportemental en photoprotection pour réduire risque cutané
    Oncologie Desai & Desai (2025), Cancer Causes Control Modèles de risque, intégration continuum Cancers féminins (risque, prévention, détection précoce) Intégration amont en prévention et évaluation des bénéfices populationnels via IA tout au long du continuum
    VIH/IST Ni et al. (2025), JMIR Hum Factors Chatbot IA de prévention Déploiement national en Malaisie Usabilité et adoption observées en pratique; soutien à l’information personnalisée et navigation vers services
    VIH/IST Ndenkeh et al. (2025), PLOS Digit Health Chatbot prévention (évaluation formative) Groupes focus hommes GBHSH Sud des États-Unis Acceptabilité liée à pertinence culturelle, confidentialité et précision perçue des conseils
    VIH/IST Beegle et al. (2025), AIDS Behav Analyse thématique de 4 plateformes IA Contenu prévention et traitement VIH Variabilité inter-plateformes des messages; besoin d’alignement sur directives et contrôle qualité
    VIH/IST Tao et al. (2025), AIDS Implantation conversationnelle IA Contextes réels de prévention VIH/IST Faisabilité et considérations de mise à l’échelle en milieux cliniques et communautaires
    Métabolique/Diabète Rosella et al. (2025), Digital Health Approche participative, modèles prédictifs Prédiction/prévention diabète, parties prenantes Co-conception pour IA responsable; gouvernance et équité au cœur de l’adoption
    Métabolique/Diabète Clarós et al. (2025), Eur J Public Health Modèle IA centré patient Maladies liées au syndrome métabolique Prédiction et prévention intégrées, orientation patient-centrique à l’échelle populationnelle
    Métabolique/Diabète Kohli et al. (2025), J Diabetes Metab Disord Revue IA end-to-end Prévention, diagnostic, suivi diabète Rôle transversal de l’IA sur le continuum avec implications pour dépistage ciblé
    Santé mentale Narimani & Naeim (2025), Ann Med Surg Deep learning multimodal Prévention et traitement troubles mentaux Potentiel pour dépistage précoce et prévention des rechutes; enjeux de données multimodales
    Santé mentale Yıldız (2025), Issues Ment Health Nurs Analyse bibliométrique Prévention du suicide et rôle infirmier Tendances émergentes en modélisation prédictive et implications pour pratiques infirmières
    Chutes Gervasi et al. (2025), Front Digit Health Vision par ordinateur (Verso Vision) Prévention des chutes à l’hôpital Évaluation d’efficacité d’un système IA de monitoring pour réduire évènements indésirables
    Escarres Kirkland‑Kyhn et al. (2025), Adv Skin Wound Care Systèmes IA centrés patient Prévention des lésions de pression Acceptabilité et préparation des infirmiers conditionnent l’adoption et l’impact clinique
    Ophtalmologie Liu et al. (2025), Pediatr Investig Revue IA myopie Prévention et contrôle de la myopie pédiatrique Panorama des outils de dépistage et stratégies préventives assistées par IA
    Santé au travail Armenteros‑Cosme et al. (2025), Sensors Modélisation prédictive risques Prévention des risques professionnels Stratégies de prévention basées sur modèles prédictifs et capteurs, implications sécurité
    Maladies tropicales Sutanto & Ansharullah (2025), Acta Trop Revue technique IA dengue Prévention, contrôle, gestion dengue Rôle de l’IA pour surveillance, vecteurs et allocation des ressources préventives
    Infection nosocomiale Alhusain (2025), Saudi Med J Revue applications IA à l’hôpital Contrôle et prévention infections Applications, défis et directions futures pour intégration hospitalière
    Infection nosocomiale El Arab et al. (2025), Front Public Health Revue intégrative Prévention en milieu hospitalier Bénéfices et défis éthiques/organisationnels de la surveillance IA
    Juridique Yang et al. (2025), Sichuan Da Xue Xue Bao Analyse risques juridiques Soins assistés par IA Cadres de prévention des risques, responsabilité et conformité
    Cardio-environnement Soufan et al. (2025), Health Sci Rep IA et facteurs environnementaux Susceptibilité cardiovasculaire Vers prévention personnalisée intégrant expositions environnementales
    Ictus cardiaque Bartusik‑Aebisher et al. (2025), Biomedicines IA-ECG Détection/Prévention CVD Nouvelles frontières en diagnostic/prévention via ECG enrichi IA
    CVD prévention Whiteson & Frishman (2025), Cardiol Rev Revue IA cardiovasculaire Prévention et détection Synthèse des avancées et des usages cliniques émergents
    Anémie Ito et al. (2025), PEC Innov Comparatif LLM vs Google Prévention anémie (qualité info) Analyse comparative des contenus; implications pour éducation en santé
    Rein Shickel et al. (2025), Curr Opin Nephrol Hypertens IA au lit du patient Prévention/gestion AKI Rôle de modèles au chevet pour prévention et détection précoce
    Musculosquelettique Giaccone et al. (2025), BMC Musculoskelet Disord Aide décision IA Prévention et gestion rachis dégénératif Synthèse des systèmes d’aide à la décision pour prévention/prise en charge
    Communication santé Kim et al. (2025), Transl Behav Med IA-médiation communication Prévention cancer et addiction Revue systématique sur IA de communication en prévention
    Sport/trauma Souaifi et al. (2025), Bioengineering IA + wearables biomécaniques Prévention blessures sport Bilan des capteurs et analyses IA pour prévention lésionnelle
    Hématologie Andrès et al. (2025), Hematol Rep IA pour cytopénies iatrogènes Prévention/prédiction Rôle de l’IA dans anticipation et participation patient
    Cancer femmes Desai & Desai (2025), Cancer Causes Control Intégration continuum IA Prévention/risque/dépistage Avancées et intégration des modèles sur le continuum féminin