SekkatNajib

  • L’IA en médecine d’urgence : état de l’art, enjeux et perspectives à partir de la littérature scientifique (2024-2025)

    L’intégration de l’intelligence artificielle (IA) dans les services d’urgence fait écho à des enjeux de soins, d’organisation, mais aussi d’éthique et de régulation. Cet article propose une synthèse des avancées scientifiques sur le sujet à partir d’une sélection d’articles publiés entre 2024 et 2025.

    Les sources exploitent des méthodologies variées : revues systématiques, essais randomisés, analyses bibliométriques et études de validation, principalement issues de bases telles que PubMed. Parmi les journaux représentés figurent : Journal of Emergency Medicine, PLoS One, BMJ Health & Care Informatics, et International Journal of Medical Informatics. Les équipes de recherche proviennent d’institutions nord-américaines, européennes et asiatiques, témoignant d’une dynamique internationale, par exemple : University of Toronto (Canada), Harvard Medical School (USA), Seoul National University (Corée du Sud), Imperial College London (Royaume-Uni), National University of Singapore et INSERM (France).

    L’objectif est de présenter l’état des lieux des usages de l’IA en contexte d’urgence hospitalière, d’en analyser les bénéfices démontrés, d’identifier les principaux défis et d’ouvrir la réflexion sur les perspectives et conditions de diffusion responsable pour le système de santé.

    Cet article puise son analyse dans un corpus PubMed de plus de 2000 articles récents publié depuis septembre 2024, parmi lesquels figurent notamment :

    • Ning Y. et al., « Generative artificial intelligence and ethical considerations in health care: a scoping review and ethics checklist », 2024, impliquant des chercheurs de plusieurs continents et abordant les enjeux éthiques de l’IA générative.
    • Da’Costa A. et al., « AI-driven triage in emergency departments: A review of benefits, challenges, and future directions »,  2025, axé sur l’apport de l’IA dans le triage en urgence.
    • Kareemi H. et al., « Artificial intelligence-based clinical decision support in the emergency department: A scoping review »,, 2025.
    • Nunes AL. et al., « Impact of artificial intelligence on hospital admission prediction and flow optimization in health services: a systematic review », 2025.

    Applications cliniques : état de l’art 2024-2025

    L’IA est essentiellement mobilisée en service d’urgence autour de trois axes majeurs :

    • Tri et orientation des patients (triage) : de nombreux algorithmes (apprentissage supervisé, réseaux de neurones profonds, LLMs) visent à améliorer la priorisation des soins [Williams et al., 2025 ; Porto, 2024]. Le but est d’anticiper le niveau de gravité, les besoins en réanimation, ou d’orienter rapidement les patients vers le bon service.
    • Diagnostic assisté par IA : l’analyse automatisée d’images (radiographies, scanners, échographies) par l’IA permet d’augmenter la detection de pathologies aiguës (AVC, fractures, embolies pulmonaires), souvent en temps réel [Huhtanen et al., 2025 ; Novak et al., 2024].
    • Optimisation des flux et des ressources : des modèles prédictifs permettent d’anticiper les pics d’admission, de mieux planifier les effectifs médicaux ou d’optimiser l’attribution des lits [Brossard et al., 2025 ; Ahmadzadeh et al., 2025].

    Outils de triage automatisé en services d’urgence

    La littérature récente (Da’Costa A. et al., 2025 ; El Arab RA, Al Moosa OA, 2025 ; Sitthiprawiat P. et al., 2025) rapporte une accélération de la mise en œuvre de modèles d’IA pour le triage, c’est-à-dire l’orientation initiale du patient à son arrivée aux urgences. Plus de 30 revues systématiques ont été publiées en moins de deux ans sur ce thème.

    Principaux résultats chiffrés (voir Tableau 1 ci-dessous) :

    Auteur (année) Population étudiée Outil IA testé Gain de précision/rapidité Limites signalées
    Da’Costa A et al., 2025 n > 10 000 cas IA triage ED Spécificité +12 %, réduction triage Acceptabilité soignants variable
    Kareemi H et al., 2025 14 études incluses Modèles supports décision Meilleure priorisation des patients Manque d’explicabilité
    Hinson JS et al., 2025 Multisite (US) IA – tri fonctionne Équité accrue dans la priorisation —

    Diagnostic assisté par l’IA et imagerie médicale

    L’imagerie d’urgence (radiologie, tomodensitométrie, échographie) bénéficie largement d’algorithmes d’aide à la détection de fractures, d’embolie pulmonaire ou d’accidents vasculaires cérébraux (Husarek J. et al., 2024 ; Herpe G. et al., 2024). Des comparaisons IA/clinicien révèlent que certains outils commerciaux atteignent ou dépassent la performance de généralistes, mais sans égaler les experts :

    • Husarek J et al. (2024), méta-analyse : Sensibilité diagnostic fracture : IA = 92 %, radiologistes = 94 % (p > 0,05)
    • Novak A et al. (2024) : IA + cliniciens = réduction de 15% des erreurs de diagnostic sur la pneumothorax
    • Ximenes GF et al. (2025) : IA en radiographies pédiatriques : performance comparable à celle du niveau résident senior

    Optimisation du flux hospitalier et prédiction des admissions

    Nunes AL. et al. (2025) montrent que l’IA appliquée à la prédiction des admissions et à l’organisation du flux patient permet de réduire significativement la surcharge des services d’urgence, dans près de 80 % des essais randomisés analysés. Grant L. et al. (2025) signalent que certains modèles surpassent le Canadian Triage and Acuity Scale (CTAS) dans la prévision du besoin de soins intensifs précoces.

    Principales applications de l’IA en urgence hospitalière

    Domaine Application spécifique Niveau d’évidence Bénéfices documentés
    Triage Prédire la gravité, assigner des priorités Revues, essais clin. Réduction erreurs, temps d’attente
    Imagerie diagnostique Détection fractures, AVC, embolies, etc. Études multi-centriques Sensibilité accrue, gain de temps
    Optimisation du flux Prédiction admission, gestion des lits Analyses rétrospectives Réduction des engorgements
    Documentation médicale Scribes automatiques, résumés de sortie Essais randomisés Diminution de la charge cognitive
    Sources : Williams et al., 2025 ; Porto, 2024 ; Novak et al., 2024 ; Brossard et al., 2025.

    Résultats synthétiques et indicateurs-clés

    Triage automatisé : sensibilité et spécificité

    Plusieurs études rapportent des performances supérieures ou comparables à l’humain pour l’IA dans le triage :

    • Williams et al. (2025) rapportent, sur un méta-échantillon de plus de 100 000 passages, une sensibilité moyenne de 0,86 (IC95% : 0,83-0,89) et une spécificité de 0,81 (IC95% : 0,78-0,84) pour les modèles de machine learning appliqués au triage [Williams et al., 2025].
    • Porto (2024) signale une réduction du temps moyen de tri de 22 % lors de l’intégration de l’IA au point d’accueil.

    Diagnostic assisté sur imagerie

    Les solutions d’imagerie basées sur l’IA obtiennent de forts taux de détection :

    • Pour la détection des fractures, un essai multicentrique (Huhtanen et al., 2025) souligne un taux de détection de 94 % pour l’IA contre 89 % pour les radiologues juniors (p<0,01) [Huhtanen et al., 2025].
    • Sur la pneumothorax, Novak et al. (2024) rapportent un AUC (Area Under Curve) de 0,92 pour leur algorithme, avec réduction significative du délai de diagnostic de 14 à 8 minutes en moyenne.

    Optimisation des flux patients et ressources

    Des modèles prédictifs permettent de mieux anticiper l’admission ou la durée de séjour :

    • Brossard et al. (2025) montrent qu’un modèle de régression pénalisée explique jusqu’à 61 % de la variance de l’afflux journalier en fonction de données contextuelles (météo, événements locaux, données historiques).
    • Ahmadzadeh et al. (2025) constatent une réduction du taux de patients quittant l’hôpital avant d’avoir vu un médecin de 8 % à 4,3 % grâce à l’aide à la décision algorithmique.

    Tableau 3 : Synthèse des performances rapportées

    Indicateur IA seule Médecin seul IA + Médecin
    Sensibilité triage urgence [Williams, 2025] 0,86 0,83 0,89
    Spécificité triage urgence [Williams, 2025] 0,81 0,80 0,84
    Taux de détection fractures [Huhtanen, 2025] 94 % 89 % 97 %
    Réduction temps de triage [Porto, 2024] -22 % N/A N/A

    Discussion : apports, limites et implications

    Apports et bénéfices démontrés

    L’IA permet :

    • Une réduction prouvée des erreurs de triage et une meilleure priorisation des urgences vitales [Williams et al., 2025].
    • Une amélioration significative de la précision diagnostique sur certains actes d’imagerie, particulièrement dans la détection des fractures et des embolies pulmonaires [Huhtanen et al., 2025].
    • Un gain d’efficacité organisationnelle, avec réduction du temps d’attente, meilleure gestion prévisionnelle des ressources, et baisse du nombre de patients quittant les urgences prématurément [Ahmadzadeh et al., 2025].

    Limites, risques et défis

    Les principaux freins documentés :

    • Biais et disparités : certaines études rappellent le danger des biais statistiques introduits par des bases d’apprentissage non représentatives, ce qui peut amplifier des inégalités de prise en charge [Liu et al., 2025].
    • Explicabilité et acceptabilité : malgré une forte performance, l’acceptation reste mitigée du côté des praticiens, du fait de la difficulté à expliquer certaines décisions algorithmiques [Novak et al., 2024].
    • Risques éthiques : la gestion des données personnelles, la transparence du choix d’algorithmes, et l’impact sur la relation médecin-patient font l’objet de débats (Ning et al., 2024 ; Freeman et al., 2024).
    • Aspects réglementaires : peu de solutions bénéficient d’une validation réglementaire ou d’une évaluation médico-économique robuste [Morey et al., 2025].

    Implications pour les décideurs et recommandations

    Il s’agit de :

    • Favoriser l’évaluation prospective multicentrique des solutions IA, en s’appuyant sur des critères harmonisés et des cohortes diversifiées.
    • Intégrer systématiquement des dispositifs d’interprétabilité (XAI) et de gestion du risque au moment de l’implémentation.
    • Former les professionnels à la collaboration avec les outils d’IA, via des cursus adaptés.
    • Impliquer les patients et usagers dans la conception et l’évaluation des algorithmes.

  • L’IA, la téléophtalmologie et les apps mobiles améliorent le parcours de soins en ophtalmologie (21700 publications récentes) : état de l’art, usages avérés et leviers d’adoption

    L’objectif du présent article est de faire le point à partir d’une revue de littérature sur les principales avancées technologiques en ophtalmologie, les usages validés par la recherche et les leviers favorisant leur adoption dans la pratique clinique.

    Cette synthèse s’appuie exclusivement sur des articles scientifiques récents issus de revues internationales telles que :

    • Surv Ophthalmol(Jin, Yu & Grzybowski, Zhejiang University et University of Warmia and Mazury),
    • Front Cell Dev Biol(Chen et Bai, Xuzhou Medical University, Nanjing Medical University),
    • Med Hypothesis Discov Innov Ophthalmol(Kazemzadeh, IVORC Academic Foundation),
    • Medicina (Kaunas)(Olawade et al., University of East London; Medway NHS Foundation Trust),
    • ainsi que sur des analyses bibliométriques par Peng et al. (West China Hospital, Sichuan University)
    • et des perspectives technologiques sur l’embodied AI en ophtalmologie (Qiu et al., The Hong Kong Polytechnic University).

    Cette approche permet de fournir une vue intégrée et contextualisée des innovations telles que l’intelligence artificielle (IA), la téléophtalmologie, les applications mobiles (mHealth), les objets connectés (IoMT) et les plateformes SaaS dans le cadre de cette spécialité.

    La prévalence des déficiences visuelles connaît une croissance rapide avec 1,1 milliard d’individus affectés en 2020 dont 43 millions de cas de cécité et 295 millions de déficiences modérées à sévères. Les projections pour 2050 font état d’une augmentation substantielle, en particulier dans les pays à revenus faibles et les populations vieillissantes, concentrant 80% des cas. Ce fardeau impacte significativement les systèmes de santé, la qualité de vie des patients et génère 410,7 milliards USD de pertes de productivité annuelles associées aux troubles visuels.

    Les innovations numériques représentent une réponse structurante face à la pénurie de personnels formés, la disparité géographique de l’accès aux soins et la nécessité de stratégies de détection et de suivi de masse.

    Principales innovations numériques en ophtalmologie

    21 700 publications en rapport avec l’IA et l’ophtalmologie

    L’IA s’impose comme un vecteur d’innovation en ophtalmologie. Sur la période 2020–2024, plus de 21 700 publications de 134 pays se sont penchées sur son application avec une forte concentration en Asie et Amérique du Nord. Les usages se structurent autour de cinq axes principaux :

    • Analyse et interprétation d’images : l’IA, et particulièrement les réseaux de neurones convolutifs (CNN), offrent des performances de diagnostic équivalentes ou supérieures à celles des experts pour la rétinopathie diabétique (AUC allant jusqu’à 99%), la dégénérescence maculaire liée à l’âge (DMAE), le glaucome et les pathologies du segment antérieur (détection du kératocône avec sensibilité de 98% et exactitude de 99,6%).
    • Fusion multimodale : les systèmes multimodaux intégrant OCT, photographies de fond d’œil et données cliniques surpassent les modèles unimodaux, avec un gain de 4–5% sur l’AUC et de 2–7% sur la précision.
    • Prédiagnostic des maladies neurodégénératives : l’analyse assistée par IA des images rétiniennes permet la détection précoce de modifications associées à des pathologies neurologiques (AUC de 0,73 à 0,91 pour Alzheimer, jusqu’à 0,92 pour Parkinson ; sensibilité 80–100% selon les études).
    • Personnalisation du traitement : les modèles prédictifs intégrant historiques médicaux, données génétiques et imagerie permettent d’optimiser les choix thérapeutiques et de réduire les complications post-chirurgicales.
    • Assistance chirurgicale et robotique : l’IA embarquée ou embodied AI réalise une fusion temps réel des données opératoires et assiste des tâches complexes, promettant une adaptation fine au contexte opératoire.

    Tableau 1 : Domaines d’application, technologies IA et métriques-clés

    Domaine Technologie IA Indicateur de performance Référence
    Rétinopathie diabétique CNN, EyeArt, IDx-DR Sensibilité > 90%, AUC jusqu’à 0,99
    DMAE DL sur OCT Exactitude équivalente experts
    Glaucome IA sur OCT et champs visuels Sensibilité/spécificité > 90%
    Kératocône IA sur topographie cornéenne Sensibilité 98%, Accuracy 99,6%
    Analyse prédictive Multimodal AI, ML AUC 0,81–0,99 selon maladie

    Téléophtalmologie augmente la couverture de dépistage à plus de 1000 cas/jour

    La téléophtalmologie optimise la répartition des ressources médicales et facilite le recours à des soins spécialisés à distance notamment grâce à des systèmes de capture d’images portables associés à des dispositifs d’IA opérant en local pour un pré-tri des patients. Les dispositifs validés montrent une capacité à augmenter la couverture de dépistage à plus de 1 000 cas/jour dans certains contextes, tout en maintenant des taux d’erreur compatibles avec la pratique clinique.

    Applications mobiles et objets connectés (mHealth, IoMT)

    Les applications mobiles permettent le suivi à distance des patients, l’automonitoring des pathologies chroniques (accuité visuelle, progression de la DMAE, diabète) et la transmission sécurisée des données au médecin référent. Les objets connectés, capteurs et dispositifs embarqués enrichissent l’offre de suivi ouvrant la voie à des parcours de soins hybrides.

    Plateformes SaaS et intégration des données

    L’intégration des solutions SaaS offre une gestion centralisée et standardisée des dossiers patients, tout en facilitant l’interopérabilité avec des outils d’IA et des dispositifs de télémédecine. Cette dimension garantit la continuité des soins, optimise l’analyse populationnelle et permet de soutenir la recherche clinique.

    Usages avérés et bénéfices cliniques

    Dépistage de masse et triage

    L’IA appliquée au dépistage de la rétinopathie diabétique, par exemple, permet d’atteindre un taux de réduction de 83% du temps d’analyse et de passer de 14 à 2 jours pour le cycle de dépistage, avec une sensibilité de 94,7% et une spécificité de 92,6%.

    Les programmes déployés au Royaume-Uni témoignent d’une réduction du coût par cas dépisté de 37,9% en fonction des volumes traités (>5 millions d’images/an).

    Suivi des maladies chroniques

    Les applications mobiles évaluées pour le suivi de la DMAE présentent une AUC de 0,799 à 0,969, supérieures aux méthodes traditionnelles.

    Les modèles AI dédiés à la surveillance du glaucome ou du diabète montrent une robustesse accrue pour l’anticipation des risques de progression (AUC variant de 0,778 à 0,832).

    Tableau 2 : Chiffres-clés sur les usages validés

    Usage Indicateur Valeur observée Référence
    Dépistage rétinopathie diabétique Adhésion patients +19 points (collaboration IA-clinicien)
    Réduction coûts par cas Coût -37,9% (>5M images/centre)
    Suivi DMAE (mobile app) AUC 0,799 – 0,969
    Surveillance glaucome AUC prédiktif 0,81 – 0,99

    Appui au diagnostic précoce des atteintes neurologiques

    L’IA appliquée à l’imagerie ophtalmique octroie une capacité non invasive de détection précoce de maladies neurodégénératives. Les modèles sur images de rétine atteignent une AUC jusqu’à 0,918 en Parkinson, et entre 0,73–0,91 pour la maladie d’Alzheimer, avec une sensibilité de 80–100% selon les études recensées.

    Freins, défis et leviers d’adoption des innovations numériques

    Enjeux techniques et éthiques

    Plusieurs articles soulignent des défis techniques majeurs : interopérabilité EHR, anonymisation, sécurité et protection des données, biais algorithmique, surveillance du déploiement longitudinal pour lutter contre la dérive de performance. Le manque de standardisation des formats de données et de qualité d’annotation limite la fiabilité des modèles et leur généralisation.

    Les enjeux éthiques – transparence, responsabilité, explicabilité des décisions de l’IA, équité d’accès – demeurent centraux. Les articles insistent sur l’importance d’une supervision humaine, d’un cadre réglementaire robuste (classification LASR pour la robotique, certification FDA/CE en fonction du niveau d’autonomie).

    Acceptabilité et formation

    L’adoption effective des innovations dépend de l’implication des professionnels – formation continue, plateformes d’e-learning évolutives, simulation réaliste grâce à la réalité augmentée/virtuelle et embodied AI pour l’apprentissage procédural. Le maintien de l’engagement et de la confiance des patients comme des praticiens repose sur l’intégration transparente des outils dans le parcours de soin, et le développement d’approches hybrides associant expertise humaine et apport algorithmique.

    Viabilité économique

    La viabilité des innovations requiert une optimisation des coûts, un suivi en temps réel de la rentabilité, l’adaptation des effectifs et la mise à jour régulière des systèmes d’IA. Les modèles économiques doivent s’ajuster au déploiement à grande échelle pour maintenir les gains d’efficience.

    Discussion – Consensus scientifique et perspectives

    L’ensemble des revues et analyses bibliométriques converge vers une structuration rapide et multidimensionnelle du champ des innovations numériques en ophtalmologie. L’IA, combinée à la télémédecine et aux objets connectés, permet un changement d’échelle des stratégies de dépistage, de suivi et de personnalisation des traitements.

    L’évaluation des usages réels confirme des bénéfices cliniques tangibles (augmentation des taux de détection précoce, optimisation des workflows, personnalisation accrue) tout en soulignant la nécessité d’une gouvernance éthique, d’une attention aux biais et d’une formation continue. Les recherches technologiques émergentes autour de l’embodied AI laissent entrevoir une robotique chirurgicale adaptative, une meilleure intégration de capteurs et une interaction homme-machine personnalisée.

    La dynamique internationale, portée notamment par la Chine, les États-Unis, Singapour et les grandes universités, témoigne d’un intérêt mondial et de collaborations structurantes mais appelle à renforcer la coordination et le partage de standards de qualité et de sécurité.

    Références :

    1. Jin, K., Yu, T., & Grzybowski, A. (2025). Multimodal artificial intelligence in ophthalmology: Applications, challenges, and future directions. Survey of Ophthalmology, S0039-6257(25)00120-1. https://doi.org/10.1016/j.survophthal.2025.07.003

    2. Chen, S., & Bai, W. (2025). Artificial intelligence technology in ophthalmology public health: current applications and future directions. Frontiers in Cell and Developmental Biology, 13, 1576465. https://doi.org/10.3389/fcell.2025.1576465

    3. Kazemzadeh, K. (2025). Artificial intelligence in ophthalmology: opportunities, challenges, and ethical considerations. Medical Hypothesis Discovery and Innovation in Ophthalmology, 14(1), 255-272. https://doi.org/10.51329/mehdiophthal1517

    4. Olawade, D.B., Weerasinghe, K., Mathugamage, M.D.D.E., Odetayo, A., Aderinto, N., Teke, J., & Boussios, S. (2025). Enhancing Ophthalmic Diagnosis and Treatment with Artificial Intelligence. Medicina (Kaunas), 61(3), 433. https://doi.org/10.3390/medicina61030433

    5. Khossravi, A.S., Chen, Q., & Adelman, R.A. (2025). Artificial intelligence in ophthalmology. Current Opinion in Ophthalmology, 36(1), 35-38. https://doi.org/10.1097/ICU.0000000000001111

    6. Tukur, H.N., Uwishema, O., Akbay, H., Sheikhah, D., Correia, I.F.S. (2025). AI-assisted ophthalmic imaging for early detection of neurodegenerative diseases. International Journal of Emergency Medicine, 18(1), 90. https://doi.org/10.1186/s12245-025-00870-y

    7. Qiu, Y., Chen, X., Wu, X., Li, Y., Xu, P., Jin, K., Shang, X., Chotcomwongse, P., He, M., & Shi, D. (2025). Embodied artificial intelligence in ophthalmology. NPJ Digital Medicine, 8, 351. https://doi.org/10.1038/s41746-025-01754-4

    8. Peng, B., Mu, J., Xu, F., Guo, W., Sun, C., & Fan, W. (2025). Artificial intelligence in ophthalmology: a bibliometric analysis of the 5-year trends in literature. Frontiers in Medicine (Lausanne), 12, 1580583. https://doi.org/10.3389/fmed.2025.1580583

     

  • Robotique chirurgicale : transformations, enjeux et perspectives de la robotique et de l’intelligence artificielle en France

    L’intégration de la robotique et de l’IA accélère la transformation du paysage chirurgical français, en quête de performance, d’accessibilité et de souveraineté technologique. Malgré des progrès prometteurs, de nombreux défis persistent : disparités d’accès, coût élevé, encadrement juridique, et formation des professionnels. S’appuyant sur des initiatives nationales telles que « France 2030 » et des avancées internationales, Health & Tech Intelligence examine les transformations structurelles, les enjeux organisationnels, économiques et éthiques, ainsi que la répartition des responsabilités en cas d’erreur médicale.

    📌La France accélère pour faire du bloc opératoire augmenté une réalité nationale

    Avec moins de 5% des actes chirurgicaux intégrant la robotique (contre 10% aux États-Unis), la France ambitionne de devenir un leader mondial grâce à la feuille de route « France 2030 ». Le marché de la robotique chirurgicale est estimé à 4 milliards d’euros et devrait croître de 15% par an jusqu’en 2028, stimulé par l’essor de l’IA et la miniaturisation des dispositifs. Le secteur compte 1,400 entreprises MedTech françaises, dont une quarantaine de start-ups, freinées par le coût d’acquisition d’un robot (1,5 à 2 millions d’euros) et l’accès difficile aux financements privés. L’État soutient l’innovation via des appels à projets, la création d’un référentiel national des données médico-techniques, et encourage la relocalisation de la production pour renforcer la souveraineté industrielle.

    Information clé : la structuration de l’écosystème vise à démocratiser la chirurgie robotisée et à soutenir la transformation du système de santé français.

    👉 Plus de détails sur « Robotique chirurgicale : La France accélère pour faire du bloc opératoire augmenté une réalité nationale ».

    📌40 millions d’euros (France 2030) pour accélérer la robotique chirurgicale face aux disparités d’accès entre spécialités

    Le déploiement de la chirurgie robot-assistée demeure inégal selon les spécialités en France (70% des prostatectomies contre 7% des hystérectomies). Le plan France 2030 mobilise 40 millions d’euros pour développer des robots plus accessibles et pallier les disparités régionales : en Île-de-France, un robot pour 240,000 habitants dans la petite couronne, contre 1,4 million en grande couronne. Le coût d’un robot (1 à 2 millions d’euros, plus 150,000€ annuels de maintenance) et l’absence de financement dédié freinent la diffusion. Le programme prévoit 8 actions structurantes, dont la création d’un référentiel national des données, des appels à projets pour des robots moins coûteux, et le renforcement de la formation.

    Information clé : l’ambition est d’élargir l’accès à la robotique chirurgicale, d’améliorer les pratiques hospitalières et de préserver la compétitivité française.

    👉 Plus de détails sur « 40 millions d’euros (France 2030) pour accélérer la robotique chirurgicale face aux disparités d’accès entre spécialités ».

    📌22 études démontrent l’impact sur la précision et la formation en chirurgie (revue de littérature)

    Une revue de 22 études internationales constate une amélioration significative de la précision chirurgicale grâce à l’intégration de l’IA (par exemple, 86,2% de précision pour la reconnaissance automatique des phases opératoires lors de prostatectomies robotisées). Les bénéfices en oncologie, orthopédie et gynécologie incluent la personnalisation des interventions, la réduction de l’invasivité, ainsi que l’automatisation partielle des procédures. L’IA favorise aussi la transformation de la formation par la simulation adaptative, l’évaluation objective des compétences et la sécurisation des parcours patients.

    Information clé : l’adoption de la robotique assistée par IA impose de résoudre les défis d’interopérabilité, de coût et d’éthique pour garantir la qualité des soins.

    👉 Plus de détails sur « IA et robotique : 22 études démontrent l’impact sur la précision et la formation en chirurgie (revue de littérature) ».

    📌Robots chirurgicaux : co-responsabilités multiples et zones grises en cas d’erreur médicale

    L’essor des robots chirurgicaux engendre des interrogations juridiques sur la responsabilité en cas d’erreur : le médecin reste aujourd’hui le principal responsable (obligation de surveillance), mais le fabricant et l’établissement peuvent être impliqués en cas de défaut ou de mauvaise maintenance. L’absence de cadre législatif spécifique et la montée de l’autonomie des dispositifs créent des « zones grises », accentuées par le besoin d’information du patient (consentement éclairé) et la transparence algorithmique. Les experts recommandent une évolution législative et la création éventuelle de fonds d’indemnisation dédiés.

    Information clé : face à la complexité croissante, la responsabilité devient partagée et exige une vigilance accrue de tous les acteurs impliqués.

    👉 Plus de détails sur « Robots chirurgicaux : co-responsabilités multiples et zones grises en cas d’erreur médicale ».

    📌Entretien – L’objectif, c’est que des gestes complexes soient proposés à plus de patients, car accessibles à plus de praticiens

    L’entreprise Quantum Surgical a déployé le robot Epione dans quinze hôpitaux pour les actes de radiologie interventionnelle, facilitant la réalisation de procédures complexes comme les biopsies et l’ablation de tumeurs. L’IA appliquée à ce robot optimise le positionnement des aiguilles et la fusion d’images, permettant à des praticiens moins expérimentés d’atteindre le même niveau de sécurité que des experts seniors. La diffusion rapide de la technologie, en France et à l’international, modifie la formation des équipes et démocratise l’accès à des gestes autrefois élitistes.

    Information clé : la robotique appliquée à la radiologie interventionnelle change la répartition des compétences et élargit l’accès à l’innovation.

    👉 Plus de détails sur « Entretien – L’objectif, c’est que des gestes complexes soient proposés à plus de patients, car accessibles à plus de praticiens ».

    📌Chirurgie robotique en 2025 : précision accrue, récupération accélérée et réduction des complications

    La robotique chirurgicale connaît une croissance fulgurante, avec un marché mondial estimé à plus de 12 milliards de dollars en 2025 et un effet majeur dans des spécialités comme l’urologie, la gynécologie, l’orthopédie et la chirurgie digestive. Grâce à la mini-invasivité, la télémanipulation et le guidage par l’image, les robots chirurgicaux permettent une réduction des saignements de 37% et des complications postopératoires de 52% ainsi qu’un raccourcissement de la durée d’hospitalisation de 2 à 3 jours, documentés sur des milliers de cas. Certaines procédures deviennent standards, comme la prostatectomie robot-assistée, avec plus de 18 000 cas réalisés par un même chirurgien, et affichent un taux de continence urinaire d’au moins 92% à un an. Malgré un coût initial élevé, les bénéfices sont tangibles tant pour les patients (meilleur confort, rétablissement rapide) que pour les équipes médicales (ergonomie, précision et réduction de la fatigue

    👉 Plus de détails sur «Mini‑invasivité, télémanipulation et guidage par l’image, les cas d’usage de la robotique chirurgicale».

    📌Chirurgie assistée par robot : l’IA désormais au cœur de 7 robots sur 10 au bloc opératoire

    La robotique révolutionne la chirurgie avec 10 systèmes déployés au bloc opératoire, dont 7 boostés par l’intelligence artificielle. Ces machines, utilisées en chirurgie mini-invasive, orthopédique et microchirurgie, permettent une précision millimétrique, une personnalisation accrue des soins et des temps de récupération réduits. Parmi les innovations majeures, le robot Dot, miniaturisé à 1,8 mm, promet des percées en neurochirurgie, tandis que des plateformes intégrant simulation et jumeaux numériques facilitent la planification des interventions. Les robots dotés d’IA réalisent déjà certaines tâches en autonomie, préfigurant une nouvelle ère où machine learning, vision par ordinateur et supervision humaine se conjuguent pour garantir sécurité et efficacité.

    👉 Plus de détails sur «10 robots au cœur du bloc : 7 boostés par l’IA, 4 pilotés par l’humain».

    📌Chirurgie robotique : la France, solide seconde mondiale mais à distance des États-Unis

    En 2025, la France se positionne comme le deuxième pays au monde pour la part d’actes chirurgicaux robot-assistés avec 5%, loin derrière les États-Unis à 15%, qui disposent également d’un robot pour 75,000 habitants contre un pour 250,000 en France. L’urologie concentre près de 60% des interventions robotisées françaises, illustrant une forte spécialisation, tandis que le taux national d’utilisation progresse avec l’ambition d’atteindre 10% d’ici 2030. Malgré un parc de sept systèmes autorisés, la France reste en retrait sur la diversité et la densité par rapport aux États-Unis et au Japon, mais la dynamique d’innovation et l’essor programmé dans d’autres disciplines promettent de renforcer sa place à l’international. Ce panorama souligne à la fois l’expertise nationale, les marges de progression et la vive concurrence technologique dans le secteur

    👉 Plus de détails sur «La France deuxième pays en terme de robotisation chirurgicale, loin derrière les Etats-Unis ».

  • Robots chirurgicaux : co-responsabilités multiples et zones grises en cas d’erreur médicale

    La robotique offre de nouveaux outils d’aide au diagnostic et à la chirurgie mais pose également des défis inédits en matière de responsabilité en cas d’erreur. La question centrale de cet article vise à déterminer la répartition des responsabilités entre le médecin, le fabricant de robots/intelligences artificielles et l’établissement de santé, lorsqu’une erreur médicale survient au cours d’une chirurgie assistée par robot, qu’il s’agisse d’un système autonome ou non.

    Cette réflexion s’appuie sur des analyses publiés par des cabinets d’avocats notamment Bahri Avocats, publié par NBA Avocats, cabinet spécialisé en droit médical (France). Ces sources proposent une analyse du cadre juridique, des limites actuelles et des implications pour les professionnels de santé et les fabricants. L’examen portera successivement sur le contexte d’intégration des technologies robotiques en chirurgie, l’état du droit, les zones de flou et les enjeux éthiques soulevés, avant de conclure sur la nécessité d’une évolution législative adaptée.

    Contexte : robotique, IA et transformation de la chirurgie

    Les systèmes chirurgicaux robotisés et l’intégration de l’IA connaissent une adoption croissante dans les établissements de santé. Ces technologies, initialement des outils d’assistance, tendent à prendre une place plus autonome dans les actes médicaux, allant de la simple exécution des mouvements commandés par le chirurgien à l’aide au diagnostic en temps réel par traitement massif de données médicales.

    Le recours à ces dispositifs promet une amélioration de la précision des gestes chirurgicaux et une réduction de certaines erreurs humaines. Cependant, la complexification technique et algorithmique introduit de nouveaux risques et une redistribution des responsabilités, notamment lorsque les robots deviennent partiellement ou totalement autonomes.

    Exemples et chiffres clés (selon les sources)

    • L’usage de l’IA pour le dépistage automatisé des complications du diabète a montré, dans une étude sur 900 patients, une identification correcte de la rétinopathie diabétique légère dans 87,4% des cas, et une absence correctement détectée dans 89,5%.
    • Aux États-Unis, un incident en 2019 impliquant une erreur diagnostique par algorithme a conduit à la mise en cause conjointe du fabricant du logiciel et de l’hôpital concerné.
    • En Europe, la législation impose que le médecin reste au cœur de la décision médicale, interdisant que la machine soit l’unique décisionnaire d’un acte thérapeutique ou diagnostique.

    Ces exemples illustrent les promesses de l’IA, mais aussi la persistance d’un taux d’erreur non négligeable et la difficulté à définir les contours de la responsabilité en cas de dommage.

    Cadre juridique actuel et répartition des responsabilités

    Le médecin : obligation de vigilance renforcée

    Le système juridique actuel s’articule autour de l’obligation de moyens pour le médecin : il doit agir avec compétence, diligence et respecter les règles de l’art, mais n’a pas d’obligation de résultat. L’utilisation d’un robot ou d’une IA n’exonère pas le professionnel de santé de la surveillance et du contrôle de l’acte médical.

    « Même si l’erreur initiale provient de la machine, la responsabilité en cas de mauvaise manipulation pourra lui être directement imputée ».

    Toutefois, la frontière se brouille dès lors que le robot dispose d’une autonomie décisionnelle partielle ou totale. Le médecin doit alors s’assurer du bon paramétrage, de la supervision des actes automatisés et d’une utilisation conforme, sous peine de voir sa responsabilité engagée en cas d’erreur ou de mauvaise utilisation du dispositif.

    Obligations supplémentaires du médecin utilisateur d’une IA/robot :

    • vérifier le bon fonctionnement et le paramétrage du robot avant l’intervention ;

    • valider et interpréter les recommandations émanant de l’IA ;

    • informer le patient sur le recours à ces technologies (consentement éclairé) ;

    • se former régulièrement à l’utilisation de ces outils.

    Le fabricant et l’établissement : responsabilité élargie

    • le fabricant est impliqué en cas de défaut de conception, de problème technique ou de bug logiciel (responsabilité du fait des produits défectueux) ;

    • l’établissement doit garantir la sécurité des équipements, la formation du personnel et l’information du patient.

    Toute défaillance expose à une action en responsabilité civile ou pénale.

    Tableau – Répartition des responsabilités selon la source de l’erreur

    Source de l’erreur Partie(s) potentiellement responsable(s)
    Erreur humaine/mauvaise utilisation Médecin et/ou établissement
    Défaillance technique du robot Fabricant, éventuellement établissement
    Dysfonctionnement logiciel/IA Fabricant logiciel, intégrateur
    Défaut d’information/consentement Médecin, établissement
    Erreur complexe (chaîne de causalité) Co-responsabilité potentielle

    Ce tableau synthétise la nécessité d’une analyse au cas par cas et la coexistence fréquente de responsabilités partagées.

    Lacunes juridiques et zones de flou

    L’évolution rapide des technologies précède l’élaboration de régimes juridiques adaptés. Plusieurs sources relèvent l’absence d’un cadre législatif spécifique aux systèmes de santé dotés d’IA, créant une zone de flou préjudiciable à la sécurité juridique des praticiens.

    Par exemple, en Europe, la législation interdit qu’une décision médicale soit prise sur le seul fondement d’un traitement algorithmique ; néanmoins, aucune disposition ne traite encore explicitement des actes réalisés de manière autonome par un robot chirurgical. De même, l’absence de labels de qualité et de normes harmonisées limite la clarté des responsabilités du côté des fabricants d’IA.

    Enjeux éthiques, information du patient et consentement éclairé

    L’introduction de l’IA et des robots en chirurgie accentue l’importance du consentement éclairé. Le patient doit être informé :

    • du niveau d’autonomie de l’outil utilisé ;
    • des avantages et risques potentiels ;
    • des limitations inhérentes à l’IA ou au robot ;
    • de ses droits en matière de traitement des données personnelles.

    Or, plusieurs cas de jurisprudence internationale montrent la fragilité de cette exigence, notamment en matière d’information technique sur l’algorithme ou sur des incidents de sécurité des données médicales.

    Ainsi, le défaut d’information suffisante ou de consentement pourrait constituer, en cas de dommage, un nouveau terrain de mise en jeu de la responsabilité du médecin et de l’établissement.

    Synthèse critique et perspectives d’évolution législative

    La littérature spécialisée converge sur le constat d’une « zone grise » dans la responsabilité en cas d’erreur lors d’une chirurgie assistée par robot ou IA. Ce constat se traduit par une co-responsabilité potentielle impliquant :

    • les fabricants, pour la fiabilité technique ;
    • les médecins, pour la supervision et le bon usage ;
    • les établissements, pour l’organisation et la sécurité.

    Des débats persistent quant à savoir si la recherche d’une responsabilité individuelle demeure pertinente face à des chaînes de causalité multifactorielles. Certains auteurs recommandent la mise en œuvre de régimes spécifiques, inspirés du droit de la responsabilité du fait des produits ou des systèmes complexes, voire la création de fonds d’indemnisation dédiés.

    Enfin, la formation initiale et continue des professionnels de santé à l’utilisation critique des outils d’IA semble essentielle, de même qu’une information claire et accessible pour les patients.

     

  • IA et robotique : 22 études démontrent l’impact sur la précision et la formation en chirurgie (revue de littérature)

    La robotique chirurgicale est désormais à la croisée de la précision, de la personnalisation et de l’automatisation, redéfinissant les modalités de prise en charge chirurgicale dans des domaines variés, de l’urologie à l’oncologie en passant par la gynécologie et la chirurgie orthopédique. Cet article vise à proposer une synthèse des avancées récentes autour de la chirurgie robotique assistée par IA, en s’appuyant exclusivement sur une sélection d’articles scientifiques parus dans des revues internationales à comité de lecture.

    Les sources principales incluent :

    • Saikali et al., éditorial publié dans Asian Journal of Urology (AdventHealth Global Robotics Institute, USA ; New York Presbyterian Hospital ; Cedars-Sinai Medical Center, USA).
    • Schmidgall et al., revue dans Science Robotics (Department of Electrical and Computer Engineering, Johns Hopkins University, USA).
    • Ng Kok Wah, revue dans Journal of Robotic Surgery (Multimedia University, Cyberjaya, Malaisie).
    • Atroshchenko et al., étude de faisabilité dans Journal of Robotic Surgery (Aalborg University Hospital et University of Copenhagen, Danemark).
    • Wang, revue dans Zhonghua Wai Ke Za Zhi (First Medical Center, General Hospital of the People’s Liberation Army, Chine).
    • Pavone et al., revue dans Facts, Views & Vision in ObGyn (IRCAD France, Université de Strasbourg, France ; Policlinico Universitario A. Gemelli, Italie).
    • Zhao et al., étude multicentrique dans Surgical Endoscopy (Chiba University Graduate School of Medicine et National Cancer Center Hospital East, Japon).
    • D’autres articles analysent l’effet de l’IA sur la formation, la reconnaissance d’actions chirurgicales, et la perception de ces technologies parmi les étudiants et professionnels de santé.

    La problématique centrale de cet article consiste à analyser comment l’IA et la robotique modèlent l’avenir de la chirurgie, tant sur le plan technique que pour la formation, l’évaluation des compétences et l’organisation des soins.

    Notre analyse montre que la convergence entre IA et robotique constitue un des principaux moteurs de l’innovation en chirurgie digitale. Les analyses issues des études récentes démontrent une amélioration significative de la précision, une personnalisation accrue et un potentiel d’automatisation à fort impact pour la pratique quotidienne. Les bénéfices réels dépendent néanmoins d’une intégration organisationnelle soignée, d’une évaluation économique rigoureuse et d’un accompagnement éthique pertinent.

    La généralisation de solutions d’évaluation automatisée du geste et de formation basée sur la simulation, adossée à une supervision humaine experte, pourrait redessiner la cartographie des compétences en chirurgie numérique. En surmontant les défis d’interopérabilité, de standardisation et d’acceptabilité, l’IA et la robotique permettront, à terme, de garantir la qualité et l’équité d’accès aux soins chirurgicaux avancés.

    Health & Tech Intelligence détaille l’analyse de ces études à travers l’étude de littérature ci-dessous.

    État des lieux : IA et robotique en chirurgie

    Évolution des systèmes robotiques : vers l’autonomisation assistée

    Selon Schmidgall et al., la chirurgie robotique reste aujourd’hui largement sous contrôle humain, la performance reposant sur l’expertise du chirurgien. Toutefois, les tendances actuelles démontrent un déplacement progressif vers des robots autonomes ou semi-autonomes, capables d’intégrer des fonctions d’aide à la décision ou d’assistance en temps réel, voire de s’affranchir partiellement de l’opérateur.

    En urologie, l’émergence de l’IA optimise la planification et l’évaluation des gestes, comme le rappelle Saikali et al., tandis qu’en oncologie, l’IA couplée à la robotique améliore la précision des procédures complexes telles que la résection tumorale, la modélisation 3D et la navigation peropératoire.

    Domaines d’application : urologie, oncologie, orthopédie, gynécologie

    L’IA joue un rôle central dans l’analyse d’images (reconnaissance de structures, segmentation, aide à la navigation), la modélisation anatomique temps réel et la reconnaissance automatique des étapes opératoires. Wang souligne l’impact de l’IA sur la planification (deep learning), l’étape de registration, et le contrôle des bras robotiques par réseaux neuronaux et apprentissage par renforcement.

    Les expériences multi-spécialités démontrent une montée en précision, sécurité et capacité de personnalisation, particulièrement dans l’oncologie, la gynécologie et la chirurgie articulaire.

    Synthèse des résultats : applications, efficacité et évaluations objectives

    Oncologie : hausse de la précision et adaptation aux spécificités tumorales

    Dans l’oncologie, l’IA associée à la chirurgie robotique permet d’accroître la précision des résections et d’adapter les interventions à la variabilité anatomique et au contexte tumoral. Ng Kok Wah recense 22 études cliniques récentes montrant une amélioration documentée de l’exactitude opératoire, une réduction de l’invasivité et de meilleures décisions intraopératoires grâce à des innovations telles que la palpation robotique sans image et la gestion adaptative des mouvements en radiothérapie. Néanmoins, certains obstacles persistent, notamment l’absence de protocoles cliniques homogènes, la variabilité de performance selon la localisation des tumeurs et le manque de données coût-efficacité.

    Orthopédie : optimisation du positionnement implantaire par IA

    Les avancées en chirurgie articulaire, notamment pour la prothèse totale de hanche et de genou, reposent sur l’intégration de l’IA pour la planification du geste, la registration et le contrôle du robot. Wang met en avant l’amélioration tangible du positionnement des implants et l’optimisation de la précision du geste chirurgical grâce aux algorithmes d’apprentissage profond et de reinforcement learning.

    Gynécologie : bénéfices et perspectives des outils numériques intégrés

    Dans la chirurgie gynécologique, l’évaluation critique des plateformes (Pavone et al.) démontre que malgré des bénéfices équivalents à la laparoscopie en termes de résultats péri- et post-opératoires, la capacité d’intégration de l’IA et des outils numériques distingue la robotique : analyse d’images per- et peropératoires, reconstructions 3D, réalité augmentée et dispositifs d’échographie robotique. L’arrivée des modèles d’IA générative (large language models) renforce cette dynamique, notamment pour l’aide à la décision et l’accès temps réel à l’information patient.

    Reconnaissance automatique et évaluation des compétences

    Des travaux de Zhao et al., menés dans 18 centres japonais, ont mis en œuvre un modèle profond de reconnaissance automatique des phases opératoires dans la prostatectomie robotisée, fondant une évaluation des compétences sur des variables objectives (durées de phase, transitions, scores de confiance IA, AICS). L’analyse multicritère aboutit à une différenciation efficace entre novices et experts avec une précision de 86,2%. Cette approche pourrait établir une standardisation dans l’évaluation des compétences et la formation continue.

    Dans une étude danoise sur la chirurgie cardiaque simulée, Atroshchenko et al. confirment la haute performance des réseaux neuronaux en reconnaissance d’actions opératoires (98% d’exactitude) et en catégorisation du niveau de compétence (79% d’exactitude, bien que l’évaluation des compétences nécessite davantage de données pour une application réelle).

    Discussion : implications, défis et perspectives

    Personnalisation, automatisation et intégration clinique

    La marche vers une automatisation accrue grâce à l’IA est indissociable de la personnalisation des traitements. L’intégration de capteurs multimodaux, de la modélisation 3D et du suivi en temps réel vise non seulement l’amélioration des indicateurs objectifs de résultat (précision, rapidité, sécurité), mais aussi l’optimisation du parcours patient. Parallèlement, des solutions comme la reconnaissance automatique de phases opératoires et l’analyse quantitative des gestes ouvrent la voie à une formation chirurgicale centrée sur les données et à l’évaluation en continu du professionnel.

    Enjeux organisationnels, économiques et éthiques

    Plusieurs freins émergent :

    • L’absence de consensus sur les protocoles d’utilisation et l’hétérogénéité des performances algorithmiques selon les contextes cliniques.
    • Le coût d’acquisition et d’infrastructure, encore élevé, impacte la diffusion de la robotique, particulièrement pour les centres cherchant à déployer la télémédecine ou la télé-chirurgie.
    • La formation et l’acceptabilité auprès des professionnels restent un axe critique, l’anxiété liée à l’IA devant être modulée par des stratégies axées sur l’innovation individuelle et l’intégration progressive des outils.

    Sur le plan éthique, la nécessité d’une gouvernance claire, de cadres de sécurité standardisés et d’une transparence algorithmique se pose avec acuité.

    Impacts sur la formation et la structuration des équipes

    Les technologies d’IA en robotique révolutionnent la formation par des dispositifs de simulation assistants la reconnaissance des actions, la structuration du temps opératoire, l’analyse détaillée des gestes et la personnalisation de l’apprentissage, ouvrant la voie à des cursus véritablement adaptatifs pour les futurs chirurgiens. L’expérimentation multicentrique rendue possible par l’analyse vidéo algorithmique améliore la reproductibilité des évaluations.

    Bibliographie des études citées

    • Saikali, S., Ma, R., Patel, V., & Hung, A. (2025). Clinical applications of artificial intelligence in robotic urologic surgery. Asian Journal of Urology, 12(2), 139-142. https://doi.org/10.1016/j.ajur.2024.06.005
    • Schmidgall, S., Opfermann, J. D., Kim, J. W., & Krieger, A. (2025). Will your next surgeon be a robot? Autonomy and AI in robotic surgery. Science Robotics, 10(104), eadt0187. https://doi.org/10.1126/scirobotics.adt0187
    • Ng Kok Wah, J. (2025). AI-driven robotic surgery in oncology: advancing precision, personalization, and patient outcomes. Journal of Robotic Surgery, 19(1), 382. https://doi.org/10.1007/s11701-025-02555-3
    • Atroshchenko, G. V., Riis Korup, L., Hashemi, N., Riis Østergaard, L., Tolsgaard, M. G., & Rasmussen, S. (2025). Artificial intelligence-based action recognition and skill assessment in robotic cardiac surgery simulation: a feasibility study. Journal of Robotic Surgery, 19(1), 384. https://doi.org/10.1007/s11701-025-02563-3
    • Wang, Y. (2025). [Artificial intelligence-powered robotic joint surgery: application, research progress, and prospects]. Zhonghua Wai Ke Za Zhi, 63(1), 32-38. https://doi.org/10.3760/cma.j.cn112139-20240922-00437
    • Pavone, M., Goglia, M., Rosati, A., Innocenzi, C., Bizzarri, N., Seeliger, B., Mascagni, P., Ferrari, F. A., Forgione, A., Testa, A. C., Fagotti, A., Fanfani, F., Querleu, D., Scambia, G., Akladios, C., & Lecointre, L. (2025). Unveiling the real benefits of robot-assisted surgery in gynaecology: from telesurgery to image-guided surgery and artificial intelligence. Facts, Views & Vision in ObGyn, 17(1), 50-60. https://doi.org/10.52054/FVVO.2024.13522
    • Zhao, X., Takenaka, S., Iuchi, S., Kitaguchi, D., Wakabayashi, M., Sato, K., Arakaki, S., Sasaki, K., Kosugi, N., Nobushige Takeshita, Nobuyoshi Takeshita, Sakamoto, S., Ichikawa, T., & Ito, M. (2025). Automatic recognition of surgical phase of robot-assisted radical prostatectomy based on artificial intelligence deep-learning model and its application in surgical skill evaluation: a joint study of 18 medical education centers. Surgical Endoscopy. Advance online publication. https://doi.org/10.1007/s00464-025-11967-z
    • Article sur l’anxiété des étudiants en soins infirmiers vis-à-vis de l’IA
      (The Effect of Nursing Students’ Artificial Intelligence Anxiety on Their Knowledge of Robotic Surgery: The Mediating Role of Individual Innovativeness.) (2025). Nursing & Health Sciences. https://pubmed.ncbi.nlm.nih.gov/39813078/

     

  • Rôle de l’IA dans la prédiction et la gestion de l’obésité (revue de littérature)

    L’article intitulé « Harnessing Artificial Intelligence in Obesity Research and Management: A Comprehensive Review » a été publié en 2025 dans la revue Diagnostics par Azmi et al., issus principalement du Scientific Research Center du Ministère de la Défense en Arabie Saoudite. Cette revue analyse les applications cliniques et de recherche de l’intelligence artificielle (IA), en particulier l’apprentissage automatique (machine learning, ML) et l’apprentissage profond (deep learning, DL), dans la compréhension, la prédiction et la gestion de l’obésité.

    1,2 Mds d’obèse en 2030 selon une projection de l’OMS à travers le monde

    L’obésité représente un défi sanitaire mondial en raison de sa prévalence croissante et de ses nombreuses comorbidités associées telles que le diabète de type 2, les maladies cardiovasculaires, certains cancers et les troubles respiratoires. En 2014, l’OMS estimait que 600 millions de personnes étaient obèses avec une projection à près de 1,2 milliard en 2030. Cette pathologie complexe est influencée par des facteurs génétiques, épigénétiques, comportementaux et environnementaux.

    L’objectif des auteurs à travers cet article est d’explorer comment l’IA, via ses méthodes ML et DL, peut améliorer la recherche et la prise en charge de l’obésité en s’appuyant sur les données cliniques, génétiques et environnementales. La revue s’appuie sur une analyse rigoureuse d’études observationnelles, de revues systématiques et d’applications cliniques récentes.

    Applications de l’IA dans la prédiction et la détection de l’obésité

    De nombreux modèles ML et DL ont été développés pour prédire l’obésité et ses risques associés à partir de données hétérogènes. Les auteurs ont mis en avant différents travaux à ce propos dans leur revue.

    Prédiction précoce chez l’enfant :

    Dugan et al. ont comparé six modèles ML sur un dataset pédiatrique (CHICA) avec 167 variables, montrant que les modèles random tree et ID3 étaient les plus sensibles à la prédiction d’obésité après 2 ans, avec un facteur prédictif clé étant le surpoids avant 2 ans

    Facteurs socio-environnementaux chez l’adolescent :

    Allen et al. ont utilisé des forêts aléatoires pour analyser 120 variables socio-économiques et environnementales dans l’étude ABCD (22 sites aux USA), révélant des interactions complexes entre niveau d’éducation, revenu, pollution, activité physique et obésité

    Prédiction génétique :

    Wang et al. ont employé des modèles ML (SVM, KNN, arbres décisionnels) sur des SNPs issus de séquençage nouvelle génération, identifiant 9 SNPs clés pour prédire le risque d’obésité avec une précision de 70,77% et une sensibilité de 80,09%

    Comparaison de modèles :

    Plusieurs études ont montré que les algorithmes de gradient boosting (GB), XGBoost (XGB) et random forest (RF) surpassent d’autres méthodes en précision, rappel et F1-score, avec des performances atteignant jusqu’à 98% d’exactitude dans certains cas.

    Ci-dessous un extrait du tableau des auteurs regroupant des études avec les modèles testés les données utilisées, et les performances observées, soulignant la diversité des approches et leur efficacité variable selon le contexte.

    Extrait du tableau 1 : synthèse des études

    Auteurs Objectif de l’étude Modèles testés et données utilisées Modèle(s) performant(s) Résultats clés (précision, sensibilité, etc.)
    Almeida et al. Prédiction du % de masse grasse chez l’enfant Réseaux de neurones (NN), modèles logistiques, données anthropométriques (n=3084) NN Précision supérieure pour la classification « normal »/« obèse »
    Carvalho et al. Reconnaissance d’exercices physiques chez l’enfant Arbre de décision (DT), forêt aléatoire (RF), perceptron multicouche (MLP), 30 enfants RF Précision : 92,95 %
    Chen et al. Détection du surpoids via mesures sanguines Extreme learning machine (ELM), SVM, BPNN, 225 obèses, 251 témoins ELM AUC 89,98 %, sensibilité 83,95 %, spécificité 96,02 %
    Dugan et al. Prédiction de l’obésité infantile (CHICA) Random tree (RT), forêt aléatoire (RF), ID3, J48, Naive Bayes, BayesNet, 167 variables RT, ID3 Sensibilité 88 %, spécificité 80–82 %
    Kaur et al. Prédiction du risque d’obésité et planification des repas Gradient boosting (GB), XGBoost (XGB), SVM, KNN, 2111 adultes, 16 variables GB, XGB Précision jusqu’à 98,11 %
    Wang et al. Prédiction génétique du risque d’obésité SVM, KNN, arbres de décision, 139 SNPs, âge, sexe SVM Précision 70,77 %, sensibilité 80,09 %, spécificité 63,02 %
    Lin et al. Détection du surpoids et prédiction de l’obésité LR, KNN, ANN, DT, RF, GBM, CatBoost, 5236 participants chinois CatBoost Précision 91 %
    Lingren et al. Prédiction de l’obésité sévère précoce chez l’enfant SVM, Naive Bayes, EHR de deux hôpitaux pédiatriques américains Naive Bayes PPV 0,9–0,95
    Maharana et al. Influence de l’environnement bâti sur la prévalence de l’obésité CNN, 150 000 images satellite Google Maps CNN 64,8 % de la variance expliquée
    Rajput et al. Détection de l’obésité et comorbidités dans les textes cliniques PART, Naive Bayes, RF, Hoeffding tree, CNN, base de données i2b2 PART, CNN Précision jusqu’à 95,2 %

    Note : Le tableau complet du manuscrit comprend plus d’une vingtaine d’études couvrant également la prédiction par imagerie, les approches hybrides, l’utilisation de données génétiques, environnementales, comportementales et cliniques, ainsi que les performances détaillées selon les métriques standardisées (accuracy, recall, F1-score, etc.)

    On observe que les modèles de gradient boosting, XGBoost et random forest sont fréquemment les plus performants, atteignant des précisions supérieures à 97 % dans certains contextes. Les réseaux de neurones convolutifs (CNN) sont particulièrement efficaces pour l’analyse d’images et la détection de facteurs environnementaux. Les approches hybrides et l’intégration de variables génétiques, cliniques et comportementales permettent d’améliorer la sensibilité et la spécificité des modèles. Par ailleurs, les performances varient selon la qualité et la diversité des données, la population étudiée et l’objectif clinique.

    IA dans la gestion et le traitement de l’obésité

    L’IA est exploitée pour personnaliser les interventions thérapeutiques, améliorer le suivi et optimiser les traitements médicamenteux et chirurgicaux :

    Interventions personnalisées :

    Des systèmes comme CHICA ou des applications mobiles utilisent l’IA pour proposer des plans alimentaires adaptés, des recommandations d’activité physique, et des interventions comportementales ciblées.

    Surveillance continue :

    L’intégration de capteurs portables et de réseaux neuronaux convolutifs permet le suivi en temps réel de l’activité physique, du sommeil et de la consommation calorique, facilitant un ajustement dynamique des recommandations.

    Pharmacothérapie assistée par IA :

    L’IA peut aider à prédire la réponse aux médicaments anti-obésité (orlistat, phentermine, liraglutide, semaglutide, etc.) en intégrant des données cliniques et génétiques, bien que cette application soit encore en phase émergente.

    Chirurgie bariatrique :

    L’IA intervient dans l’évaluation préopératoire (ex. prédiction d’intubation difficile avec un modèle XGBoost à plus de 80% d’exactitude), le suivi post-opératoire (prédiction des complications via réseaux neuronaux et forêts aléatoires), et l’analyse vidéo opératoire par DL pour optimiser la durée et la qualité des interventions.

    L’IA est prometteuse mais des défis demeurent selon les auteurs

    L’intégration de l’IA dans la santé numérique dédiée à l’obésité ouvre la voie à une médecine de précision, capable de prendre en compte la complexité multifactorielle de cette pathologie. Les modèles prédictifs permettent d’identifier précocement les individus à risque, tandis que les outils de gestion personnalisée améliorent l’adhésion et l’efficacité des traitements. L’IA contribue aussi à optimiser les ressources médicales en ciblant mieux les interventions.

    Cependant plusieurs défis subsistent :

    • Qualité et diversité des données : les modèles requièrent des bases de données volumineuses, complètes et représentatives, ce qui reste un frein majeur.
    • Infrastructure technique : le déploiement nécessite des capacités informatiques importantes, souvent absentes dans les milieux à ressources limitées.
    • Compétences organisationnelles : le personnel médical doit être formé à l’interprétation et à l’intégration des outils IA dans la pratique clinique.
    • Questions éthiques : la protection des données personnelles, la transparence des algorithmes et l’équité dans l’accès aux technologies sont des enjeux majeurs.

    Les recommandations proposées incluent la standardisation des protocoles de collecte de données, la formation des professionnels, le développement de cadres éthiques robustes, ainsi que la collaboration interdisciplinaire entre cliniciens, data scientists et décideurs.

    Référence principale :
    Azmi, S., Kunnathodi, F., Alotaibi, H.F., Alhazzani, W., Mustafa, M., Ahmad, I., Anvarbatcha, R., Lytras, M.D., & Arafat, A.A. (2025). Harnessing Artificial Intelligence in Obesity Research and Management: A Comprehensive Review. Diagnostics, 15(3), 396. https://doi.org/10.3390/diagnostics15030396

  • Recherche clinique & IA : avancées, limites méthodologiques et exigences pour une adoption responsable (revue de littérature)

    L’intégration de l’IA dans la recherche clinique représente une avancée susceptible d’accompagner la conception, la conduite et l’analyse des essais cliniques. Cet article propose une synthèse critique de huit publications scientifiques récentes, chacune illustrant des applications et des défis spécifiques de l’IA dans la recherche clinique. Les articles analysés sont :

    • Zhang et al. (2023), publié dans npj Digital Medicine (The First Affiliated Hospital of Jinan University, Chine), qui explore l’utilisation de l’IA pour optimiser la conception des essais cliniques.
    • Tsuchiwata & Tsuji (2024), accepté dans CPT: Pharmacometrics & Systems Pharmacology (Pfizer RD Japan et Nihon University, Japon), qui démontre l’apport des algorithmes évolutionnaires pour la planification des essais.
    • Foote et al. (2025), publié dans JACC Advances (Duke Clinical Research Institute, États-Unis), qui présente une réflexion d’experts sur l’impact du génératif IA dans la recherche clinique.
    • Petit-Jean et al. (2024), publié dans le Journal of the American Medical Informatics Association (Assistance Publique–Hôpitaux de Paris, France), qui décrit la mise en œuvre collaborative et sécurisée de pipelines de traitement automatique du langage naturel pour l’extraction de comorbidités à partir de notes cliniques.
    • Lyman & Kuderer (2024), publié dans Cancer Investigation (Fred Hutchinson Cancer Center, États-Unis), qui analyse les limites méthodologiques et les exigences de validation dans le développement des modèles prédictifs en oncologie, en comparant l’intelligence artificielle et les approches statistiques classiques.
    • Lyman & Kuderer (2024), publié dans Cancer Investigation (Fred Hutchinson Cancer Center, États-Unis), qui évalue les performances comparées des modèles de prédiction du risque de neutropénie fébrile sous chimiothérapie, en mettant en perspective les méthodes de régression logistique, les algorithmes de machine learning et les approches de deep learning sur de larges cohortes de patients.
    • Salybekov et al. (2024), publié dans Biomedicines (Shonan Kamakura General Hospital, Japon ; Technische Universität Dresden, Allemagne), qui examine l’adhésion aux standards de publication et de reporting des études en intelligence artificielle en néphrologie, en soulignant l’importance des guidelines (TRIPOD-AI, STARD-AI, CONSORT-AI, etc.) pour la reproductibilité et la qualité méthodologique.
    • Bentzen (2025), publié dans Clinical Oncology (University of Maryland Greenebaum Comprehensive Cancer Center, États-Unis), qui propose une réflexion critique sur les enjeux éthiques, les risques de biais, l’effet de déqualification professionnelle et la nécessité d’une recherche indépendante et rigoureuse dans l’adoption des outils d’intelligence artificielle et des grands modèles de langage en santé.

    L’objectif de cet article est de présenter une vue d’ensemble des apports, des résultats quantitatifs et des limites de l’IA en recherche clinique en mettant l’accent sur la rigueur méthodologique, la reproductibilité, l’éthique et la protection des données.

    La recherche clinique est confrontée à des défis  : complexité croissante des protocoles, coûts élevés, difficultés de recrutement, représentativité insuffisante des participants et gestion massive de données hétérogènes. L’IA, en particulier le machine learning (ML), le traitement automatique du langage naturel (NLP) et les algorithmes de LLM offre des leviers pour repenser l’ensemble du cycle de vie des essais cliniques à travers des cas d’usages de plus en plus concrets

    Optimisation de la conception des essais cliniques par l’IA

    Zhang et al. (2023) démontrent que l’IA permet d’améliorer la sélection des cohortes, d’assouplir les critères d’inclusion et de réduire la taille des échantillons sans perte de puissance statistique. Par exemple, l’outil open source Trial Pathfinder a doublé le nombre de patients éligibles à un essai sur le cancer du poumon en utilisant les données de vie réelle (RWD) tout en réduisant le risque relatif de mortalité globale de 0,05. Les modèles d’IA basés sur des marqueurs d’imagerie multimodale permettent également de sélectionner des patients « idéaux », réduisant significativement la taille des essais tout en maintenant la puissance statistique.

    Les systèmes de matching automatisé patient-essai, utilisant le NLP pour analyser les critères d’éligibilité et les dossiers médicaux ont montré une précision élevée dans le recrutement des patients, notamment en oncologie, avec des F1-scores et des taux de concordance supérieurs à 90 % dans plusieurs études citées.

    Enfin, l’utilisation de jumeaux numériques (digital twins) pour constituer des bras contrôles externes, comme le logiciel TwinRCTs™, permet de réduire le nombre de patients dans le bras placebo et d’accélérer l’enrôlement, tout en maintenant la robustesse statistique. Cette approche est soutenue par l’Agence européenne du médicament pour les phases II et III.

    Tableau 1. Gains apportés par l’IA dans la conception des essais (exemples tirés de Zhang et al., 2023)

    Application Gain quantitatif observé
    Assouplissement critères Doublement du nombre de patients éligibles
    Matching patient-essai Précision >90 % pour le screening en oncologie
    Jumeaux numériques Réduction significative du nombre de patients au bras contrôle, sans perte de puissance

    Planification expérimentale par algorithmes évolutionnaires

    Tsuchiwata & Tsuji (2024) montrent que les algorithmes génétiques (GA) peuvent optimiser la planification des essais notamment :

    1)Réduction du nombre de prélèvements sanguins dans une étude de bioéquivalence pédiatrique de 15 à 7 sans impact significatif sur la précision des paramètres pharmacocinétiques (MAPE pour Cmax : 0,43 %; RMSPE : 0,12 %).

    En effet, dans certaines études cliniques, notamment celles qui évaluent comment un médicament se comporte dans le corps (études de bioéquivalence), il est parfois nécessaire de faire plusieurs prélèvements sanguins à différents moments pour mesurer la concentration du médicament. Le problème étant que plus il y a de prélèvements, plus cela est contraignant pour les patients (surtout les enfants) et coûteux pour l’étude. Les auteurs montrent qu’en utilisant un algorithme génétique (une méthode d’optimisation inspirée de l’évolution), il est possible de réduire le nombre de prélèvements.

    2) Optimisation de la répartition des sujets dans une étude de recherche de dose, permettant une réduction de 10 % du nombre total de participants par rapport à la méthode proportionnelle classique (405-415 sujets vs. 450), tout en maintenant la puissance statistique à 80 %. En effet, lorsqu’on cherche à déterminer la dose optimale d’un médicament, il faut répartir les participants de l’étude dans différents groupes recevant différentes doses et avoir trop de participants augmente le coût et la durée de l’étude et les auteurs ont ici montré qu’il était possible de réduire le nombre total de participants tout en gardant la même capacité à détecter un effet du médicament.

    Tableau 2. Comparaison des designs optimisés par GA vs. traditionnels (d’après Tsuchiwata & Tsuji, 2024)

    Paramètre Design traditionnel Design optimisé GA
    Prélèvements sanguins (BE) 15 7
    MAPE (Cmax) – 0,43 %
    Nombre total de sujets (dose) 450 405-415
    Puissance statistique 80 % 80 %

    Les auteurs insistent sur la nécessité de valider ces approches par des analyses de sensibilité et d’intégrer progressivement l’IA dans la chaîne de décision en raison de la complexité combinatoire des protocoles réels

    GenAI et transformation des processus cliniques

    Foote et al. (2025) synthétisent les conclusions d’un think tank international sur l’impact de l’IA générative dans la recherche clinique. Les principaux bénéfices identifiés sont :

    • Automatisation de la génération de documents (protocoles, consentements), réduisant les délais et les coûts de développement,
    • Engagement direct des participants via chatbots, avatars ou applications, favorisant l’inclusivité et la rétention,
    • Simulation de trajectoires cliniques et optimisation dynamique des protocoles,
    • Création de jeux de données synthétiques pour la simulation et la validation des modèles

    Les experts soulignent cependant des défis majeurs : risques de biais, hallucinations, atteintes potentielles à la vie privée, nécessité de guidelines robustes et de mécanismes de surveillance continue (algorithmovigilance). La confiance des parties prenantes repose sur la transparence, l’auditabilité et la gestion éthique des données et des modèles.

    Liste des recommandations pour l’intégration de l’IA générative (Foote et al., 2025)

    • développer des guidelines itératives et adaptées à l’évolution rapide des technologies ;
    • mettre en place des audits indépendants et une surveillance continue des performances ;
    • favoriser la collaboration ouverte et le partage de bonnes pratiques ;
    • impliquer les patients et les communautés dans la conception et l’évaluation des outils IA.

    Extraction d’information clinique et protection de la vie privée

    Petit-Jean et al. (2024) présentent un pipeline hybride (règles + ML) de NLP pour l’extraction automatisée de 18 conditions (dont les 16 comorbidités du score de Charlson) à partir de notes cliniques en français. Le modèle, entraîné sur 21 millions de notes pseudonymisées, atteint :

    • F1-score macro-agrégé : 95,6 % (IC95 : 94,5-96,3),
    • Précision (PPV) : 95,3 %,
    • Sensibilité : 95,9 %,
    • Spécificité : 99,2 %

    Le pipeline surpasse les alternatives (modèle générique, règles seules, extraction à partir des codes PMSI) et démontre l’intérêt d’une collaboration multi-cohortes tout en limitant l’exposition des données personnelles grâce à des workflows sécurisés et des modèles partagés via un registre protégé.

    Tableau 3. Performances du pipeline NLP-ML-CLINICAL (Petit-Jean et al., 2024)

    Indicateur Valeur (%)
    F1-score 95,6
    Précision (PPV) 95,3
    Sensibilité 95,9
    Spécificité 99,2

    Standards de reporting, reproductibilité et qualité méthodologique

    Salybekov et al. (2024) analysent l’adhésion aux standards de reporting des études IA en néphrologie et démontrent que la majorité des publications manquent de transparence et de reproductibilité. Moins de 1 % des articles évalués étaient jugés robustes dans leur design et leur reporting, et seulement 6 % des études d’imagerie IA incluaient une validation externe. Les auteurs détaillent les principaux standards issus du réseau EQUATOR, tels que TRIPOD-AI, STARD-AI, DECIDE-AI, SPIRIT-AI et CONSORT-AI, ainsi que les checklists transversales MI-CLAIM et MINIMAR. L’adhésion à ces standards est corrélée à une meilleure performance des modèles et à une réduction du risque de biais.

    Tableau 2. Principaux standards de reporting IA et leur application (Salybekov et al., 2024)

    Guideline Domaine d’application Adoption constatée (%)
    TRIPOD-AI Modèles prédictifs <20
    STARD-AI Diagnostic/prognostic <10
    DECIDE-AI Évaluation clinique précoce Faible
    CONSORT-AI Essais randomisés <5
    MI-CLAIM Modélisation IA clinique Faible
    MINIMAR Reporting minimal IA Faible

    Modèles de prédiction du risque de neutropénie fébrile sous chimiothérapie

    Lyman & Kuderer (2024), se concentre sur les modèles de prédiction du risque de neutropénie fébrile (FN) chez les patients recevant une chimiothérapie anticancéreuse. Il rappelle que la FN est un événement grave, associé à une morbidité, une mortalité et des coûts élevés, et qu’une prédiction fiable du risque individuel est essentielle pour personnaliser la prise en charge.

    Les premiers modèles, fondés sur la régression logistique et des cohortes prospectives (n > 4000), ont montré de bonnes performances (AUROC : 0,80–0,83 en validation interne et externe). L’ajout de nouveaux facteurs de risque dans des cohortes plus larges (n > 15 000) n’a permis qu’une amélioration marginale de la performance (AUROC : 0,72–0,71). Les méthodes de shrinkage (LASSO, ridge regression, elastic net) et les algorithmes de machine learning (SVM, gradient boosting, XGBoost, réseaux de neurones) ont été testés dans des cohortes réelles (jusqu’à 86 000 patients), mais n’apportent pas d’amélioration significative par rapport à la régression logistique (AUROC : 0,82–0,84 pour tous les modèles).

    Les auteurs insistent sur la nécessité d’une validation externe, d’une gestion des biais, d’un reporting conforme à TRIPOD-AI, et d’une vigilance face à la surinterprétation des performances des modèles IA, en particulier dans des contextes cliniques critiques comme la FN.

    Développement et validation des modèles prédictifs en oncologie

    Lyman & Kuderer (2024), propose également une analyse critique des défis méthodologiques liés au développement et à la validation des modèles prédictifs en oncologie, qu’ils soient issus de l’IA ou de méthodes statistiques conventionnelles. Les auteurs soulignent que la majorité des modèles publiés présentent un risque élevé de biais, principalement en raison d’une taille d’échantillon insuffisante, d’une gestion inadéquate des données manquantes, d’un manque de validation externe et d’une faible adhésion aux standards de reporting (TRIPOD). Une revue systématique citée dans l’article indique que 84 % des modèles développés et 51 % des modèles validés présentent un risque élevé de biais selon PROBAST. La médiane d’adhésion aux items TRIPOD n’est que de 41 % et seulement 19 % des études rapportent plus de 50 % des items requis.

     Références

    • Tsuchiwata, S., & Tsuji, Y. (2024). CPT: Pharmacometrics & Systems Pharmacology
    • Zhang, B., et al. (2023). npj Digital Medicine
    • Foote, H. P., et al. (2025). JACC Advances
    • Salybekov, A. A., et al. (2024). Biomedicines
    • Bentzen, S. M. (2025).
    • Petit-Jean, T., et al. (2024). Journal of the American Medical Informatics Association
    • Lyman, G. H., & Kuderer, N. M. (2024). Cancer Investigation (II et III)

     

  • DMN : la certification ANS, passage obligé pour le remboursement en 2025

    La certification de conformité des dispositifs médicaux numériques (DMN) est un processus obligatoire et complémentaire au marquage CE visant à garantir la sécurité, l’interopérabilité et la prise en charge par l’Assurance Maladie des solutions numériques en santé. Cette certification répond à des objectifs majeurs : généraliser un partage fluide et sécurisé des données de santé, renforcer la sécurité des données et améliorer l’interopérabilité des systèmes d’information pour optimiser la prévention et le soin.

    Le cadre réglementaire et les objectifs de la certification des DMN

    La certification de conformité des DMN s’inscrit dans un cadre réglementaire européen et national strict. Elle est indissociable du marquage CE qui constitue un prérequis obligatoire. Selon les règlements européens 2017/745 et 2017/746, tout DMN doit obtenir un marquage CE attestant de sa conformité aux exigences de sécurité et de performance avant d’engager la certification de conformité au référentiel national.

    Cette certification vise à valider la conformité des solutions numériques aux référentiels d’interopérabilité et de sécurité spécifiques aux DMN. Elle permet aux entreprises du numérique en santé (ENS) de rendre leurs produits éligibles à une prise en charge par l’Assurance Maladie via des inscriptions en droit commun (ligne générique ou nom de marque) ou par des prises en charge anticipées (PEC-AN).

    Les objectifs généraux sont triples :

    • généraliser le partage fluide et sécurisé des données de santé entre professionnels et avec les usagers ;
    • renforcer la sécurité des données de santé ;
    • développer l’interopérabilité des systèmes d’information pour améliorer la prévention et le soin.

    Les étapes clés du parcours de certification de conformité des DMN

    Le parcours de certification est structuré en plusieurs phases successives chacune comportant des exigences précises et des ressources d’accompagnement proposées par l’ANS.

    1. Orientation et préparation

    L’ENS doit d’abord comprendre que le marquage CE est un prérequis incontournable avec un délai moyen d’obtention d’environ 18 mois. Il est important de définir la classe de risque du DMN et de choisir un organisme notifié pour l’évaluation clinique et la mise en place d’un système de management de la qualité.

    L’ENS s’inscrit ensuite sur le Portail Industriels de l’ANS, crée un compte sur l’Espace Authentifié et complète son profil. Il peut consulter les référentiels applicables notamment le référentiel d’interopérabilité et de sécurité ainsi que les exigences spécifiques selon le type de DMN (thérapeutique, diagnostique ou télésurveillance).

    Des modules de formation en e-learning sont disponibles pour approfondir les connaissances sur les exigences réglementaires et techniques ainsi que sur les démarches administratives.

    2. Développement et mise en conformité

    L’ENS réalise une analyse d’impact de son logiciel et procède aux développements nécessaires pour se conformer aux exigences du référentiel. Des outils de tests d’interopérabilité tels que la Plateforme Gazelle ou le Bac à Sable Pro Santé Connect, sont mis à disposition pour valider la conformité technique.

    Selon la nature des données hébergées, l’ENS doit obtenir la certification Hébergement de Données de Santé (HDS) ou choisir un hébergeur certifié HDS. Pour les solutions impliquant une gestion d’identité, une homologation CNDA est requise à initier en amont de la procédure de certification.

    3. Candidature et dépôt des preuves

    L’ENS dépose sa candidature via la plateforme Convergence de l’ANS en renseignant les informations demandées et en soumettant les preuves de conformité aux exigences du référentiel. L’ANS étudie la recevabilité du dossier et notifie l’ENS de la validation.

    Trois cas de figure peuvent se présenter pour le dépôt des preuves :

    – première certification ;
    -évolution majeure du DMN nécessitant une nouvelle certification ;
    -évolution réglementaire du référentiel imposant une mise à jour de la certification.

    L’ENS peut modifier ses preuves en cas de non-conformité détectée lors de l’examen.

    4. Certification et notification

    Après examen, l’ANS délivre la certification de conformité et notifie l’ENS par mail avec le certificat officiel. Cette étape valide la conformité du DMN aux exigences d’interopérabilité et de sécurité, condition indispensable pour la prise en charge par l’Assurance Maladie.

    5. Inscription et remboursement

    L’ENS dépose ensuite un dossier d’évaluation pour l’inscription de son DMN sur la liste des produits et prestations remboursables (LPPR) ou sur la liste des activités de télésurveillance médicale (LATM), selon le type de dispositif.

    Deux voies sont possibles :

    -inscription en ligne générique, permettant d’obtenir un code individuel ;
    -inscription en nom de marque, avec dépôt conjoint auprès de la Haute Autorité de Santé (HAS) et du Comité Économique des Produits de Santé (CEPS).

    6. Déploiement et maintien en condition opérationnelle

    Une fois certifié et remboursé, l’ENS peut déployer son DMN auprès des professionnels et établissements de santé. Un suivi continu est nécessaire pour garantir que les versions déployées restent conformes aux exigences. Toute non-conformité avérée et non corrigée peut entraîner le retrait du certificat de conformité, obligeant à un nouveau cycle de certification.

    Spécificités par type de DMN : lignes génériques et pathologies concernées

    DMN à visée thérapeutique ou diagnostique
    Pour ces dispositifs, l’inscription à la LPPR peut se faire :

    -soit via une ligne générique (pour tout DMN correspondant à une description générique existante, quelle que soit l’indication),

    -soit sous un nom de marque (si le DMN ne correspond à aucune ligne générique ou revendique une indication particulière ou une amélioration notable)

    DMN de télésurveillance
    Pour les DMN de télésurveillance, l’inscription à la LATM en ligne générique concerne exclusivement cinq pathologies, selon la liste exhaustive suivante :

    • Diabète
    • Insuffisance cardiaque chronique
    • Insuffisance rénale chronique
    • Insuffisance respiratoire chronique
    • Prothèses cardiaques implantables à visée thérapeutique

    Tout DMN de télésurveillance qui ne correspond à aucune de ces lignes génériques, ou qui revendique une amélioration notable du service médical rendu, doit passer par une inscription en nom de marque.

    Exemples de situations de non-conformité et vigilance réglementaire

    Situations typiques de non-conformité pouvant entraîner un retrait du certificat de conformité :

    • Déploiement d’une version du DMN qui ne respecte plus au moins une exigence du référentiel d’interopérabilité et de sécurité (écart entre le périmètre de la certification et le déploiement terrain).
    • Évolutions majeures non déclarées ou non certifiées : modification significative des fonctionnalités principales, impact sur la sécurité des données, changement d’architecture technique, impact sur l’interopérabilité, évolution réglementaire affectant la conformité CE ou HDS, évolution majeure en cybersécurité (ex : nouvelle politique d’authentification).
    • Non-respect des exigences spécifiques à la ligne générique lors d’une inscription à la LATM (par exemple, non-respect des critères techniques ou fonctionnels propres à la pathologie ciblée).
    • Non-correction d’une non-conformité avérée après un audit de conformité.

    Points de vigilance supplémentaires :

    • La délivrance de l’homologation CNDA dépend du périmètre adressé et de la maturité du projet : il est crucial d’anticiper cette démarche, préalable à la certification.
    • La certification HDS doit être anticipée pour tout DMN hébergeant des données de santé.
    • Les délais de transition du marquage CE diffèrent selon le type de DMN : une veille réglementaire active est indispensable.
    • La surveillance régulière de la messagerie dédiée sur Convergence est requise pour répondre rapidement aux demandes de l’ANS.

    Les acteurs impliqués et les ressources d’accompagnement

    Le parcours de certification mobilise plusieurs acteurs :

    • l’Agence du Numérique en Santé (ANS), qui pilote la certification, met à disposition les plateformes (Portail Industriels, Convergence) et accompagne les ENS,
    • les organismes notifiés pour le marquage CE,
    • les organismes de certification HDS,
    • le CNDA pour l’homologation des référentiels d’identité,
    • l’Assurance Maladie, la HAS et le CEPS pour la prise en charge et le remboursement.

    L’ANS propose un accompagnement complet : FAQ dédiées, webinaires, journées nationales des industriels, comités de concertation, plateformes de formation en ligne, guides détaillés, matrices d’analyse et documentation technique. Ces ressources facilitent la compréhension des référentiels, la gestion des candidatures et la veille réglementaire.

  • Europe : comment le EHDS structure la gouvernance, la sécurité et l’accès aux données ? (Revue de littérature)

    L’initiative de l’EHDS vise à faciliter l’accès, le partage et la réutilisation des données de santé pour améliorer la recherche, l’innovation, la qualité des soins et la gouvernance des systèmes de santé.

    Cependant, la mise en œuvre de l’EHDS soulève des défis majeurs :

    • garantir la conformité avec le RGPD et les exigences nationales (Rodríguez-Mejías et al., 2024) ;
    • assurer la confiance des citoyens et la transparence des usages ;
    • permettre un accès effectif et équitable aux données, notamment pour les patients (Hägglund et al., 2024).

    Cet article propose une synthèse critique de quatre contributions scientifiques récentes :

    • l’analyse éditoriale de De Broe & Marly (2025, Developmental Medicine & Child Neurology, Sciensano, Belgique) sur les principes et enjeux politiques du EHDS ;
    • l’étude empirique de Rodríguez-Mejías et al. (2024, Journal of Biomedical Informatics, IBiS/Seville, Espagne) sur la sécurisation des infrastructures d’échange de dossiers de santé électroniques (EHR) ;
    • la perspective comparative de Hägglund et al. (2024, Journal of Medical Internet Research, projet NORDeHEALTH, pays nordiques) sur l’accès en ligne des patients à leurs dossiers ;
    • le retour d’expérience d’Arzideh et al. (2024, Bundesgesundheitsblatt, BfArM Allemagne/Health Data Hub France) sur la coopération franco-allemande pour la mise en œuvre du EHDS.

    L’objectif de cet article est d’offrir une synthèse rigoureuse des résultats et recommandations issus de ces travaux, en contextualisant les implications pour les professionnels de santé et les décideurs du secteur de la santé numérique.

    Gouvernance et cadre réglementaire du EHDS

    L’EHDS vise à rendre les données de santé accessibles pour un usage primaire (soins) et secondaire (recherche, innovation, politiques publiques), tout en garantissant la qualité, la sécurité et l’éthique de leur utilisation (De Broe & Marly, 2025). Il impose à chaque État membre la création d’un ou plusieurs organismes d’accès aux données (Health Data Access Bodies, HDABs), responsables de l’instruction des demandes, de la sécurité et de la conformité réglementaire (Arzideh et al., 2024).

    Articulation avec le RGPD et les cadres nationaux

    Le RGPD demeure la référence pour la protection des données personnelles, mais son interprétation dans le contexte de la « réutilisation secondaire » reste sujette à débat, notamment sur la légitimité de l’usage des données pour la recherche (Rodríguez-Mejías et al., 2024). Les cadres nationaux, comme le National Security Scheme (NSS) en Espagne ou la réglementation CNIL en France, imposent des exigences complémentaires, notamment en matière de sécurité et de gouvernance.

    Coopération transfrontalière et projets pilotes

    La coopération entre institutions comme le Health Data Hub (France) et le Health Data Lab (Allemagne) illustre la nécessité d’une harmonisation des standards, des procédures d’accès et des infrastructures, via des projets pilotes européens tels que TEHDAS et HealthData@EU-Pilot (Arzideh et al., 2024).

    Sécurité, interopérabilité et gestion des accès

    L’étude IMPACT-Data (Rodríguez-Mejías et al., 2024) identifie 24 mesures de sécurité prioritaires (sur 72 du NSS) jugées importantes pour les infrastructures de santé couvrant :

    • contrôle d’accès, gestion des droits ;
    • ségrégation des fonctions et des flux ;
    • authentification forte ;
    • analyse des risques, surveillance ;
    • protection de l’intégrité, traçabilité.

    Tableau 1 : Exemples de mesures de sécurité selon le rôle dans l’infrastructure (d’après Rodríguez-Mejías et al., 2024)

    Rôle EHDS/IMPACT-Data Mesures de sécurité prioritaires (NSS)
    Data Space Gatekeeper Contrôle d’accès, gestion des droits, politique de sécurité
    Data Space Enabler Analyse des risques, surveillance, architecture sécurisée
    Data Space Prosumer Protection des données, ségrégation des flux, traçabilité

    Interopérabilité et qualité des données

    L’EHDS promeut l’adoption des principes FAIR (Findable, Accessible, Interoperable, Reusable), et la structuration des données issues de documents non structurés (rapports, protocoles) via l’IA (De Broe & Marly, 2025). Les projets TEHDAS et HealthData@EU-Pilot développent des standards communs pour les catalogues de métadonnées et les formulaires de demande d’accès (Arzideh et al., 2024).

    Limites et défis opérationnels

    La réponse limitée (14 %) des nœuds interrogés dans IMPACT-Data souligne la difficulté d’aligner les pratiques de sécurité à grande échelle, en particulier dans des systèmes fédérés et multi-juridictionnels (Rodríguez-Mejías et al., 2024).

    Accès des patients et droits numériques

    L’analyse de Hägglund et al. (2024) identifie cinq principes pour l’accès en ligne des patients à leurs dossiers (ORA) dans le contexte EHDS :

    • accès immédiat, gratuit et consolidé aux données ;
    • accès délégué (parents, aidants) ;
    • saisie directe de données par le patient ;
    • droit de rectification ;
    • gestion fine des autorisations.

    Liste 1 : État de l’ORA dans les pays nordiques (Hägglund et al., 2024)

    • l’accès varie selon les pays et la convivialité des plateformes ;
    • les règles sur l’accès par procuration diffèrent fortement ;
    • peu de solutions permettent la saisie directe de données par le patient ;
    • un nombre significatif de patients identifient des erreurs dans leurs dossiers ; peu tentent de les corriger
    • des cas d’accès non souhaité aux dossiers ont été rapportés.

    Facteurs de réussite et obstacles

    La réussite de l’implémentation dépend de la robustesse de l’infrastructure, de l’engagement des parties prenantes, de la prise en compte du contexte sociotechnique (usages, culture, compétences numériques) et de la gestion fine des droits d’accès (Hägglund et al., 2024).

    Coopération européenne et harmonisation

    La coopération entre le Health Data Hub (France) et le Health Data Lab (Allemagne) vise à développer des solutions partagées pour la gestion des catalogues de métadonnées, la standardisation des formulaires de demande et la mise en place d’environnements sécurisés d’analyse (Arzideh et al., 2024). Les projets TEHDAS et HealthData@EU-Pilot jouent un rôle central dans l’expérimentation et la validation de ces outils.

    L’implication des citoyens, la transparence des usages et la sensibilisation à la notion de « solidarité des données » sont identifiées comme des leviers de confiance et d’acceptabilité (De Broe & Marly, 2025 ; Arzideh et al., 2024).

    Références

    • Arzideh, R., Jendrossek, M., & Zittlau, I. (2024). Kooperation zwischen dem Health Data Hub und dem FDZ Gesundheit am BfArM beim Aufbau des europäischen Gesundheitsdatenraums. Bundesgesundheitsblatt, 67, 189-194. https://doi.org/10.1007/s00103-023-03829-7

    • De Broe, S., & Marly, N. (2025). The European Health Data Space: Unlocking the power of health data. Developmental Medicine & Child Neurology, Mac Keith Press, Sciensano, Bruxelles, Belgique. https://doi.org/10.1111/dmcn.16359

    • Hägglund, M., et al. (2024). A Nordic Perspective on Patient Online Record Access and the European Health Data Space. Journal of Medical Internet Research, 26, e49084. https://doi.org/10.2196/49084

    • Rodríguez-Mejías, S., Degli-Esposti, S., González-García, S., & Parra-Calderón, C. L. (2024). Toward the European Health Data Space: The IMPaCT-Data secure infrastructure for EHR-based precision medicine research. Journal of Biomedical Informatics, 156, 104670. https://doi.org/10.1016/j.jbi.2024.104670

       

  • Maroc : un système de santé mixte confronté aux défis de l’équité territoriale

    Le système de santé marocain connaît depuis plusieurs années une dynamique de réforme visant à améliorer l’accès aux soins, réduire les inégalités territoriales et renforcer les infrastructures. Cet article fournit une vue d’ensemble factuelle et structurée du système de santé marocain, à jour des principales évolutions et met en lumière les spécificités de son organisation, son financement et ses ressources.

    Un système de santé mixte en pleine réforme

    Le système de santé marocain repose sur une structure mixte articulée autour de deux secteurs principaux : le secteur public piloté par le Ministère de la Santé et de la Protection sociale et un secteur privé en croissance, concentré dans les grandes agglomérations. Les prestataires non lucratifs comme les fondations complètent l’offre dans certains domaines spécifiques.

    Depuis les réformes initiées sous l’impulsion du Roi Mohammed VI en 2024, la gouvernance du système connaît une refonte progressive. La création de la Haute Autorité de la Santé (HAS), autorité indépendante chargée de réguler, d’évaluer les établissements et de superviser l’Assurance Maladie Obligatoire (AMO) marque un tournant. L’objectif est d’ancrer les politiques sanitaires dans une logique d’efficience, de transparence et d’équité.

    Dans une dynamique de régionalisation avancée, le Maroc a également mis en place les Groupements Sanitaires Territoriaux (GST), structures censées fédérer les établissements de santé au niveau régional pour harmoniser l’offre de soins, améliorer la coordination et répondre aux besoins spécifiques des territoires, notamment en milieu rural.

    Les dépenses de santé représentent 6% du PIB

    Le financement de la santé au Maroc repose sur un modèle mixte. Selon les données de l’OMS (2014), les dépenses de santé représentent environ 5,91 % du PIB. Toutefois, la structure de financement demeure déséquilibrée :

    • 66,1 % des dépenses proviennent du secteur privé essentiellement des ménages (paiements directs) ;
    • Dépenses publiques : seulement 6,03 % des dépenses publiques totales sont consacrées à la santé.

    Le système d’assurance maladie s’est unifié autour de l’Assurance Maladie Obligatoire (AMO), qui comprend trois principaux régimes :

    • CNSS (Caisse Nationale de Sécurité Sociale) : salariés du privé ;
    • CMAM (Caisse Marocaine d’Assurance Maladie) : fonction publique et étudiants ;
    • RAMED (Régime d’Assistance Médicale) : populations en situation précaire.

    Depuis 2023, l’ensemble des régimes tend à être gérés par la CNSS pour simplifier les démarches et améliorer la performance. Les remboursements AMO varient de 70 % (ambulatoire) à 90 % (hospitalisation). Néanmoins, le reste à charge des ménages reste élevé (54 %).

    Principaux chiffres clés

    Indicateur (2024) Valeur
    Nombre total de médecins 32 665 (15 452 publics, 17 213 privés)
    Ratio médecin / habitant 1 / 1 156 (OMS recommande 1 / 434)
    Nombre d’hôpitaux publics 155–159
    CHU 5
    Hôpitaux psychiatriques 11 (1 512 lits)
    Cliniques privées 384–439 (environ 14 500 lits)
    Centres de santé primaire publics 2 178 (869 urbains, 1 309 ruraux)
    Nombre total de lits hospitaliers 22 146
    Ratio infirmiers/sages-femmes / hab. 0,84 pour 1 000
    Taux de couverture vaccinale DTC3 99 % (OMS, 2016)
    Espérance de vie (2015) 75,8 ans (77,4 ans femmes, 74,2 ans hommes)

    Des enjeux marqués par une forte disparité entre les territoires et des inégalités d’accès aux soins

    Le Maroc traverse une transition épidémiologique marquée par la prédominance croissante des maladies non transmissibles responsables de 75 % des décès (cancers, maladies métaboliques, cardiovasculaires).

    Par ailleurs, les efforts entrepris depuis les années 1990 ont permis de réduire significativement la mortalité maternelle (-78,1 %) et infantile (-65 %). Toutefois, les inégalités d’accès aux soins entre zones urbaines et rurales combinées à la pénurie de personnel médical (notamment dans les régions périphériques) freinent l’équité du système.

    La densité médicale (0,68 médecins pour 1 000 habitants) reste très inférieure aux normes internationales (OMS : 2,3 pour 1 000). Ce manque structurel est aggravé par une forte concentration des professionnels de santé à Casablanca, Rabat et sur l’axe atlantique accentuant les déserts médicaux ailleurs dans le pays.

    Le secteur privé, mieux doté en équipements et personnel devient de plus en plus attractif, notamment pour les classes moyennes et les expatriés français. À l’image de la France, un mouvement vers une complémentarité entre assurance publique et couverture privée se dessine.

    Enfin, les grandes orientations actuelles visent :

    • la généralisation de la couverture santé ;
    • l’amélioration de la qualité des soins via la digitalisation ;
    • la montée en compétences du capital humain ;
    • la souveraineté pharmaceutique ;
    • l’amélioration de la gouvernance locale avec les GST.