VERDU BISSI Alexandre

  • BIG 2024 : « à termes, on pourra créer un jumeau numérique du système de santé français grâce aux données » (Y-M. Le Douarin)

    Des données qui créent un cercle vertueux

    “La donnée qu’on produit doit pouvoir aider directement pour le soin, mais doit aussi pouvoir mettre en place les stratégies médicales de demain et faire de la recherche. Donc dans la conception des parcours et de la conception de l’offre de soins, on intègre aujourd’hui ce besoin de réutiliser la donnée demain pour aller encore plus loin dans les cas d’usages” : c’est avec ces mots que Samantha Pasdeloup, directrice innovation, développement et partenariats chez Elsan, a conclu son intervention lors de la conférence “le pouvoir des données de santé, vers l’excellence des soins : quelles perspectives pour demain ?” organisée dans le cadre de l’événement de Bpifrance, BIG 2024. Au cours de cette session, les intervenants ont montré que l’usage secondaire des données de santé offre un cadre vertueux et unique pour le système de soins.

    L’intervention d’Emeric Lemaire, CEO de la start-up Arkhn, confirme que ce cercle vertueux permis par l’usage secondaire des données de santé n’est pas qu’un souhait de tous les acteurs, mais que cela se concrétise déjà actuellement sur le terrain. Il prend l’exemple de l’AP-HP qui est le centre hospitalo-universitaire qui possède le plus de logiciels, avec 800 solutions. Pour les faire communiquer entre eux, les données de santé vont permettre de mettre au point des algorithmes comme celui d’Arkhn, pour être analysées, extraites, structurées afin d’ensuite être réutilisées pour la prise en charge de tous les patients du groupe hospitalier.

    Un futur jumeau numérique du système français grâce aux données ?

    Alors que beaucoup de conférence ont déjà été faites sur l’importance de la collecte et de la réutilisation des données de santé, la particularité de celle qui a eu lieu lors du BIG 2024 réside dans le fait que les intervenants – que sont Samantha Pasdelou, Emeric Lemaire, et Yann-Maël Le Douarin, chef du département “santé et transformation numérique” de la Direction générale de l’offre de soins (DGOS) – ont été invités à faire part de leurs souhaits réalisables quant au futur de l’utilisation secondaire des données de santé.

    Pour Samantha Pasdeloup, il serait interessant de tirer le plein potentiel des données de santé non structurées, “pour aller beaucoup plus loin et beaucoup plus vite”, car la structuration de ces données, même si elle est actuellement réalisable en partie de manière automatique, demande un temps conséquent aux personnes en charge des données. Yann-Maël Le Douarin a quant à lui évoquer la possibilité d’utiliser les données de santé pour développer un jumeau numérique du système de santé français afin “de tester des politiques publiques et surtout tester de la prévention” et cela sur le moyen terme, entre 3 et 5 ans.

  • Datatransformeurs : participez à la réunion du groupe de travail pour une stratégie française de données en oncologie (15/10, PSCC)

    Une stratégie nationale qui repose sur 4 axes

    Le groupe de travail des Datatransformeurs a été mis au point pour définir une stratégie française de la donnée en oncologie qui repose sur 4 axes :

    1️⃣ développer et implanter un set minimal de données en cancérologie : en créant un ensemble minimal de données centralisées pour l’oncologie, adaptable aux spécificités locales et types de cancer ;

    2️⃣ promouvoir un cadre fédéré : en adoptant une approche hybride combinant un cadre fédéré pour la gestion locale et des éléments centralisés pour les besoins communs ;

    3️⃣ adopter des technologies innovantes : en encourageant l’utilisation du traitement du langage naturel et des solutions open source pour l’analyse et la structuration des données de santé ;

    4️⃣ établir des standards d’interopérabilité validés : en collaborant avec des institutions pour valider et harmoniser les standards en oncologie afin d’assurer leur adoption par tous les acteurs.

    Lors de la dernière réunion du groupe qui s’est tenu le 1er octobre 2024, près de 30 Datatransformeurs étaient au rendez-vous. Le compte rendu de cette matinée est disponible sur le groupe dédié à la stratégie sur le site des Datatransformeurs : pour le consulter, il suffit de s’inscrire sur le site et rejoindre le groupe en suivant ce lien.

    📝 Rendez-vous au PSCC pour la première réunion en présentiel

    Le 15 octobre à 14 heures, la première réunion du groupe en présentiel se déroulera au PSCC, lieu de convergence des acteurs pluridisciplinaires travaillant tous pour la lutte contre le cancer. 👉 Pour y participer, il suffit de confirmer sa présence en envoyant un mail à camille.bachot@roche.com.

    📍 L’adresse Paris Saclay Cancer Campus est le 79 avenue de Fontainebleau, 94270 Kremlin-Bicêtre – accessible par les lignes 7 et 14.

     

  • Cartographie des cas d’usage de l’IA aux services d’urgences

    Les principaux usages sont dans l’aide au diagnostic et la gestion des flux

    Sur les 13 cas d’usage relevé de l’usage de l’IA pour les urgences, plus d’un tiers concerne l’aide au diagnostic, ce qui fait de cette catégorie de cas d’usage la plus présente aux urgences. Hormis la détection automatique des arythmies cardiaques, les 4 autres cas d’usage de cet axe, à savoir la détection automatique des hémorragies cérébrales, des pathologies thoraciques, la détection de fracture et la relecture automatique des images de radiologie sont tous des cas d’usage tenant à l’utilisation de l’IA en radiologie dans le cadre des urgences.

    L’autre grand axe de cas d’usage de l’IA aux urgences est celui de la prédiction et de la gestion des flux. Les avancées technologiques permettent désormais aux algorithmes d’IA d’analyser les données historiques et les tendances quelles soient météorologiques ou pathologiques pour prédire le flux des urgences : ainsi l’IA peut désormais être utilisée pour la prédiction des flux non programmés ou encore l’information en temps réel de la saturation des urgences dans un territoire pour optimiser les soins des patients et éviter des temps d’attente trop longs pour ces derniers. La prédiction par l’IA des besoins en lits d’hospitalisation rentre aussi dans cet catégorie de cas d’usage.

    Dans l’axe de la prédiction et de la gestion des flux, on retrouve aussi les cas d’usage tenant à l’envoi automatisé d’une ambulance vers le patient pour son transfert aux urgences. Pour le moment, les deux cas d’usage associés à cet axe sont l’envoi automatisé d’une ambulance après la détection d’un AVC par l’IA lors de l’appel du patient au standard du 15, ainsi que l’envoi automatisé d’une ambulance après la détection d’un accident de voiture grave par un algorithme présent dans les véhicules connectés.

    Les cas d’usage du triage, de l’aide à la documentation et à la décision encore à développer

    Même si les cas d’usage de l’IA aux urgences est dominée par ceux portant sur l’aide au diagnostic et à la gestion des flux, d’autres usages, bien que moins développés sont à notifier, tant ils revêtent une importance particulière pour la bonne prise en charge du patient aux urgences.

    C’est le cas du seul cas d’usage relevé pour le triage et l’orientation du patient avant même son arrivée aux urgences : l’utilisation de l’IA pour orienter de manière automatique le patient en fonction de la gravité de ces symptômes. Grâce à cet usage de l’IA, le patient saura s’il doit se rendre ou non aux services des urgences rapidement. De nombreuses études scientifiques montre que la rareté des cas d’usage concernant le triage et l’orientation du patient grâce à l’IA vient du fait que la plupart des vérificateurs de symptômes et leurs systèmes d’aide à la décision s’appuient sur des algorithmes probabilistes ou graphiques qui ne permettent pas d’orienter avec précision le patient.

    Si des assistants vocaux qui rédigent automatiquement des comptes-rendus tout en analysant le contenu de celui-ci pour en extraire les antécédents du patient et classer les symptômes existent pour les consultations avec des praticiens, le caractère impérieux de la prise en charge d’un patient aux urgences ne permet pas d’attendre que l’IA fasse son travail pour classer et hiérarchiser les différentes informations prises en note. Cependant, quelques solutions d’IA permettent d’auto compléter les termes cliniques dans le dossier médical partagé (DMP) tout en prenant des notes pour faire gagner du temps aux urgentistes. Avec l’automatisation de la prise de notes aux urgences, l’IA n’a donc qu’un seul cas d’usage notable pour l’aide à la documentation et au processus administratif.

    Même constat du côté des cas d’usages de l’IA dans l’aide à la prise de décision. Un seul cas d’usage est à notifier : celui du tri et de la priorisation des patients selon la criticité des examens. En fonction des symptômes détectés sur tous les patients présents aux urgences, l’IA va hiérarchiser la prise en charge de ces patients du cas le plus urgent au cas qui l’est le moins.

    Cartographie des cas d’usage de l’IA aux urgences

    Les 13 cas d'usage de l'IA aux urgences @Health&Tech Intelligence
    Les 13 cas d’usage de l’IA aux urgences – @ Health&Tech Intelligence

  • Panorama des solutions d’IA aux urgences disponibles en France en 2024

    Des solutions à différentes étapes du parcours patient

    Fluidifier les urgences :

    En France, les solutions d’intelligence artificielle pour les urgences s’étendent de l’orientation du patient avant son arrivée aux urgences à la prise de décision du médecin. S’il ne se trouve pas dans une situation où il est transporté automatiquement aux urgences et qu’il a des interrogations sur sa santé, le patient peut faire appel à l’intelligence artificielle par le biais la plateforme Triage d’Infermedica qui va l’orienter vers les urgences ou non en fonction de la gravité de ces symptômes. Cette solution est la seule du genre à être utilisée en France et elle permet aux patients de savoir si leur situation mérite ou non de se rendre aux urgences, ce qui permet un premier triage, évitant ainsi un encombrement inutile des services de l’hôpital.

    Avant l’arrivée des patients aux urgences, des solutions d’IA permettent aussi au personnel du service de s’organiser : en prenant en compte l’historique des urgences et les événements actuels, comme des pandémies ou une période de gel plus propice aux accidents de la route, les solutions vont permettre d’anticiper le flux des patients. C’est le cas de la solution Predict d’Optacare qui est utilisée au CHU de Nancy, ainsi qu’au centre psychiatrique de la ville. D’autres solutions comme celle développée dans le cadre du projet 3P-U de l’Université de Picardie, et Saniia de Calyps, permettent, en plus de prédire le flux des patients, de calculer les besoins en lits des urgences, ainsi que l’allocation en terme de personnel qu’il est nécessaire de consacrer.

    Ce sont en tout 4 solutions sur les 13 recensées qui permettent de fluidifier les urgences.

    Etablir un diagnostic d’urgence :

    Toutes les autres solutions d’IA disponibles en France pour les urgences permettent de dresser rapidement un diagnostic pour les patients.

    La majorité de ces solutions (6) ont la capacité de détecter rapidement les fractures. C’est le cas de deux solutions de Gleamer :

    • Boneview qui réalise une seconde lecture automatique pour s’assurer que le radiologue n’a pas oublié de fractures ou de lésions ;
    • et Chestview qui détecte directement les fractures sur les radios thoraciques.

    En plus de détecter de manière automatique les fractures thoraciques, Chestview les trie en fonction de leur gravité pour aider les urgentistes à prioriser la prise en charge des patients. C’est la seule solution parmi les 13 recensées, qui aide ainsi les urgentistes dans la prise de décision.

    Les solutions SmartUrgences, de Milvue, et Itis, d’Imadis Groupe, permettent elles aussi une relecture automatique des radiographies pour dresser des conclusions. Rayvolve d’Azmed est aussi utilisée à l’hôpital Lariboisière pour détecter automatiquement les détecter les fractures de la main, du poignet, de l’avant-bras, du coude, de l’épaule, du pied, de la cheville, de la jambe, du genou et du fémur.

    Qure.ai, de son côté, développe des solutions qui permettent d’assister les radiologues, grâce à qXR qui détecte automatiquement les pathologies thoraciques, et qER qui détecte automatiquement les hémorragies et les fractures crâniennes. La dernière solution recensée qui assiste le radiologue est Cina-LVO d’Avicenna.ai qui détecte automatiquement les occlusions de gros vaisseaux (LVO) de la circulation antérieure sur les angiographies CT de la tête.

    Pour aider les cardiologues à détecter les anomalies cardiaques d’urgence, le néerlandais Philips propose la solution Cardiologs qui effectue une analyse automatique des ECG.

    D’autres innovations disponibles à l’étranger

    Des solutions d’IA qui couvrent des pans qui ne sont pas couverts en France existent dans d’autres pays :

    • Medknowts, qui est utilisée aux États-Unis, permet de noter automatiquement dans le dossier médical du patient ce que le patient va dire à son arrivée aux urgences, ce qui a permis de réduire de 67 % le temps passer à l’accueil du client ;
    • Corti AI, qui est utilisée au Danemark, permet d’envoyer automatiquement une ambulance vers le patient qui appelle le standard des urgences lorsque l’IA détecte un arrêt cardiaque ;
    • la solution de la start-up israélienne MDGo permet d’envoyer automatiquement une ambulance vers le patient lorsque l’IA présente dans son véhicule détecte un accident grave qui nécessite l’intervention des secours et un transfert vers les urgences.

    Cartographies des solutions d’IA aux urgences présentes en France

    Les 13 solutions d'IA aux urgences utilisées en France @ Health&Tech Intelligence
    Les 13 solutions d’IA aux urgences utilisées en France – @ Health&Tech Intelligence

  • Trophées de la e-santé : traitement, valorisation et sécurisation des données de santé parmi les catégories de l’édition 2024

    Une visibilité accrue pour les lauréats

    Pour sa nouvelle édition des trophées de la e-santé organisée à l’occasion de son événement annuel de l’Université de la e-santé, Castres-Mazamet Technnopole a décidé de mettre à l’honneur les outils et les applications qui permettent de traiter les données de santé qui sont un sujet de plus en plus important dans le monde de la santé numérique, encore plus depuis la montée en puissance de l’intelligence artificielle et de son besoin en données de santé fiables et de bonne qualité. De ce fait, l’une des 4 catégories pour candidater aux trophées cette année est le traitement, la valorisation et la sécurisation des données de santé.

    Ces trophées ont été mis en place pour mettre en lumière les usages du numérique dans les systèmes de santé, du soin, de l’autonomie et du bien-être et récompenser les solutions développées par toutes les parties prenantes de l’écosystème de l’innovation en e-santé, qu’ils soient entrepreneurs, start-ups, chercheurs, patients, professionnels de santé, étudiants, établissements de santé, acteurs de la protection sociale, entreprises du secteur des technologies et de la santé, enseignants.

    En plus de la catégorie “traitement, valorisation et sécurisation des données de santé”, il est possible de participer dans 3 autres catégories : “patients”, “structures de soin et professionnels de santé” et “prévention, bien-être et bien vieillir”. À noter que tous les participants pourront remporter l’un des deux prix spéciaux de cette édition “le grand prix du jury” ou “le trophée des internautes”.

    Plus de 25 millions d’euros levés par d’anciens lauréats :

    Les 6 lauréats de cette édition bénéficieront d’une visibilité accrue par le biais :

    ➡️ d’interview d’après cérémonie ;

    ➡️ d’apparition sur le site internet de l’évènement ;

    ➡️ d’apparition sur les réseaux sociaux de l’évènement ;

    ➡️ d’un communiqué de presse post évènement.

    Cette mise en lumière lors des précédentes éditions a permis à d’anciens lauréats de lever plusieurs millions d’euros : c’est le cas de Tilak et d’OSO AI qui ont tous les deux levés 10 millions d’euros depuis. Lauréat en 2021, SiView a levé 5 millions d’euros depuis.

    👉 Pour participer à l’édition 2024 des trophées de la e-santé, il suffit d’envoyer son dossier de candidature téléchargeable via ce lien à l’adresse trophees@universite-esante.com avant le 14 octobre 2024.

     

     

  • French Tech Tremplin : 14 entreprises de santé numérique parmi les lauréats de la 4e édition

    Le secteur « Data-IA-cyber-cloud » en première place

    La 4eme édition du programme French Tech Tremplin “Incubation” – organisé par la French Tech en partenariat avec Bpifrance – a permis de mettre en lumière 218 entreprises portées par des entrepreneurs issues de milieux sous-représentés dans l’écosystème start-up français, “afin qu’ils puissent développer leur projet entrepreneurial”. Parmi ces 218 entreprises, 15 sont des jeunes pousses du numérique en santé, ce qui représente plus de 6 % des lauréats et ce qui fait de ce secteur l’un des plus représentés en termes de lauréats sur les 14 catégories présentes, même si le secteur « Data-IA-cyber-cloud » est loin devant tous les autres avec 26 %. La santé en général arrive à la deuxième place avec 12 % (dont plus de 6 % pour le numérique en santé).

    Autre fait marquant de cette édition : même si la région parisienne est encore devant en termes de nombre de lauréats – comme cela a été le cas lors des éditions précédentes – , avec 43 représentants (38 pour la French Tech Grand Paris et 5 pour la French Tech Paris-Saclay), de nombreuses régions s’illustrent avec un nombre apportant de lauréats, notamment la Gironde, avec 26 lauréats pour la French Tech Bordeaux, et la Provence-Alpes-Côte-d’Azur, avec 39 lauréats, dont 17 pour la French Tech Côte d’Azur et 22 pour la French Tech Marseille. Il en va de même pour le secteur de la santé numérique, puisque cette année, seules 4 entreprises, sur les 17 nommées, sont issus d’Île-de-France : LaMadre, HandyDuty, Osmose Healthcare et Smart&Connection.

    Répartition des lauréats de la 4eme promotion French Tech Tremplin par région - @La French Tech
    Répartition des lauréats de la 4eme promotion French Tech Tremplin par région – @La French Tech

    Des lauréats qui vont être accompagnés pendant une année

    Pendant un an, les 218 lauréats de cette 4e édition vont :

    • bénéficier d’un accompagnement personnalisé au sein d’un incubateur partenaire
    • être intégrés aux initiatives proposées par leur capitale ou communauté French Tech de référence pour “renforcer leurs liens avec les acteurs de l’écosystème local” ;
    • avoir accès à un soutien financier dédié au développement de leur entreprise pour un montant maximal de 22 900 euros, versé sous forme de subventions.

    En plus de ces avantages, l’ensemble des lauréats à le droit chaque année à participer à l’événement VivaTechnology où la French Tech les accompagne et les aider à renforcer leur visibilité de ces entreprises et les mettre en relation avec de potentiels acheteurs.

    Pour rappel, le programme French Tech Tremplin a été mis en place dans le cadre du programme France 2030 “permet à des personnes éloignées de l’entrepreneuriat de créer leur start-up, contribue à réduire les inégalités d’accès au financement dans les territoires et à valoriser les écosystèmes French Tech partout en France”. Depuis la première édition en 2019, 896 entreprises ont été accompagnées dans toute la France, 80 % d’entre elles sont toujours en activité et 10 % ont déposé au moins un brevet. Autre fait marquant, la French Tech rapporte que pour les entreprises de la première édition du programme, leur chiffre d’affaires a quintuplé en moyenne 5 ans après et pour la deuxième édition,  leur chiffre d’affaires a triplé en moyenne 3 ans après.

    Des chiffres clés sur le programme French Tech Tremplin // @La French Tech
    Des chiffres clés sur le programme French Tech Tremplin // @La French Tech

    Découvrez les lauréats en santé numérique

    Pour cette 4e édition du programme, 15 entreprises de santé numérique font partie des lauréats :

    Entreprise Solution
    A.F Genese Un dispositif qui traite les douleurs chroniques par optimisation du système nerveux humain. Cette solution non-invasive appelée E-Tonus contribue à améliorer le fonctionnement du corps humain.
    Solving Company Une suite logicielle qui respecte le temps de nos soignants et qui permet de simplifier la récolte de données et leurs utilisations au quotidien. Les outils de formulaire, de traitement statistique et de génération d’arbre généalogique de Solving Company sont déjà utiliser par le CHU de Bordeaux.
    FP Santé La plateforme Rhomboid.fr offre une solution complète pour les professionnels de la kinésithérapie en facilitant la connexion entre les acteurs du secteur. Elle permet aux utilisateurs d’accéder à des formations classées par thématiques, formats ou situations géographiques. La plateforme propose également un accès exclusif à des dizaines de fiches détaillées sur les formateurs et les organismes de formation, offrant ainsi une ressource complète pour le développement professionnel dans le domaine de la kinésithérapie/physiothérapie.
    HandyDuty Une plateforme de mise en relation en temps réel avec des professionnels du handicap, ainsi qu’un accès à une gamme de services et de ressources pour favoriser l’autonomie et le bien-être.
    LaMadre Une solution qui offre aux employés un soutien personnalisé en bien-être , renforcé par l’IA et l’expertise humaine dans un environnement engageant. Avec le Smart Chat de LaMadre, chaque salarié peut s’exprimer dans un cadre confidentiel – stress, anxiété, burnout, harcèlement – et améliorer sa santé mentale de manière plus autonome au quotidien.
    Osmose Healthcare Une application qui accompagne les femmes atteintes d’endométriose ou en suspicion via : une messagerie médicale disponible 7j/7, du contenu pour mieux comprendre l’endométriose et apprendre à la soulager efficacement et un outil de suivi pour aider les patientes à identifier ce qui leur fait du bien.
    Reflextime Company Les dispositifs Reflexcare offrent aux professionnels de santé une gamme étendue de modes d’utilisation et de combinaisons d’exercices pour les personnes âgées ou en phase de rééducation. Ces options permettent la création de programmes de rééducation sur mesure. Grâce à des modules interactifs et adaptables, chaque séance peut être ajustée en temps réel pour s’aligner avec les capacités et les besoins spécifiques des patients. Cette flexibilité garantit une pertinence clinique exceptionnelle.
    Auxalie Une plateforme de mise en relation entre personnes âgées et/ou handicapées et les professionnels de l’aide à domicile.
    Izybiote Un compagnon numérique pour mieux vivre le syndrome de l’intestin irritable.
    FF-Scan Une application mobile en santé numérique pour diagnostiquer la fatigue par analyse automatisée d’images.
    Famille Santé Une application qui souhaite faciliter la coordination des soins entre différents professionnels de santé, notamment au travers d’un module de téléconsultation, d’un réseau d’experts facilement joignables, des outils de suivi personnalisé et d’un chatbot intelligent qui guide  pour trouver le bon spécialiste selon ses besoins spécifiques et faciliter la prise de rendez-vous.
    Medeasy Une plateforme qui accompagne le personnel médical dans son installation en libéral pour éviter la charge mentale que cette étape de la vie de soignants représente.
    MDDT Un logiciel d’aide au diagnostic psychiatrique par magnétoencéphalographie (MEG), une technique d’imagerie médicale basée sur la mesure du champ magnétique induit par l’activité électrique des neurones
    Idelly Une application 6 en 1 pour les infirmiers libéraux qui intègre un dossier patient, un module de gestion des tournées, une messagerie sécurisée, un système de partage d’ordonnances, un module de facturation et un dernier de transmission de documents et de notes entre collègues infirmiers libéraux.
    Farahon Une application reliée à une carte qui permet aux professionnels de santé de connaître les dernières volontés d’une personne concernant son don du corps à la science, les soins ou encore le repos du corps lors de la maladie.

    Retrouvez l’ensemble des lauréats de cette 4eme édition du programme French Tech Tremplin en suivant ce lien.

  • IA & Cancer du sein : DiaDeep et Roche collaborent pour aider les pathologistes à dresser le bon diagnostic

    Éviter le sur ou le sous dosage du traitement des patientes

    “Un diagnostic le plus précis possible constitue un élément clé pour le choix d’une stratégie thérapeutique appropriée et personnalisée selon les besoins de chaque patiente ou patient atteint de cancer” : c’est ce qu’a indiqué DiaDeep lors de l’annonce de son partenariat avec Roche, le géant suisse de l’industrie pharmaceutique. Ce partenariat doit permettre aux pathologistes du monde entier qui utilisent la plateforme navify de Roche d’avoir accès aux algorithmes d’IA de DiaDeep, notamment ceux développés pour la quantification en temps réel des biomarqueurs du cancer du sein (comme Ki67, ER, PR, et HER2).

    L’accès à ces algorithmes pour les pathologistes doit leur permettre d’obtenir une “mesure immédiate des marqueurs de cancer pertinents pour chaque patient” lors de la lecture des lames numériques et donc de les conforter dans leurs décisions, permettant, suite à cela, d’attribuer le meilleur traitement aux patientes atteintes de cancer du sein et éviter le sur ou le sous dosage.

    Un développement futur d’algorithmes pour le mélanome :

    Ce partenariat est un grand pas à l’international pour l’entreprise française qu’est DiaDeep, puisque les algorithmes seront commercialisés dans les laboratoires français, mais aussi dans toute l’Europe, aux États-Unis et au Moyen-Orient. Cette entreprise lyonnaise a été créée en 2022 par deux chercheurs en IA et deux médecins anatomopathologistes qui ont voulu créer un assistant virtuel pour les pathologistes afin de “garantir aux patients des soins pertinents et ciblés”, alors que le cancer du sein est le cancer qui est le plus meurtrier chez les femmes avec 670 000 décès dans le monde en 2022.

    Avec cette collaboration, l’entreprise française souhaite “qu’un maximum de patients [au niveau mondial] reçoivent les traitements adaptés”, comme l’a déclaré sa CEO et fondatrice, Sanae Salhi. Elle a aussi indiqué que, même si le cancer des seins est une cause qui est chère à DiaDeep, les revenus générés permettront à l’entreprise de “poursuivre ses investissements en recherche et développement, avec notamment un focus sur la prédiction de l’évolution du cancer tel que le mélanome”.

    Navify, une plateforme qui offre de nouveaux outils aux pathologistes

    La plateforme navify Digital Pathology de Roche sur laquelle seront disponibles les algorithmes de DiaDeep est une plateforme de pathologie numérique qui permet aux lames d’être numérisées pour être analysées directement sur l’ordinateur par le pathologiste. Au-delà de la vision sur ordinateur des lames virtuelles, cette plateforme permet aux médecins d’accéder à de nombreux outils tels que le partage des cas, ainsi que des algorithmes d’aide au diagnostic comme ceux développés par la société lyonnaise.

    En plus de sa collaboration avec DiaDeep, Roche a annoncé en septembre plusieurs autres partenariats pour renforcer sa plateforme et 20 nouveaux algorithmes y ont été intégrés. Parmi ces partenariats, on peut relever :

    • celui avec Deep Bio, qui permet l’intégration dans la plateforme d’un algorithme de détection, de classification et de quantification tumorale du cancer de la prostate ;
    • celui avec le français Owkin, qui permet l’intégration dans la plateforme d’un algorithme pour le dépistage de la stabilité des microsatellites dans le cancer colorectal ;
    • celui avec Lunit, qui permet l’intégration dans la plateforme d’un algorithme d’analyse du score de proportion tumorale pour le cancer du poumon non à petites cellules ;
    • celui avec Stratipath, qui permet l’intégration dans la plateforme d’un algorithme de profilage des risques du cancer invasif du sein.

     

  • Cartographie de 26 cas d’usage de l’IA en imagerie déployés en France

    De nombreux cas d’usages pour l’aide au diagnostic

    Pour répondre à des besoins croissants en termes de rapidité, précision et amélioration de la prise en charge des patients de nombreux cas d’usage de l’IA en radiologie sont déjà déployés aujourd’hui, facilitant à la fois la vie des professionnels de santé et celle des patients. Cependant, certains types de cas d’usages se démarquent par leur adoption plus large, tandis que d’autres restent encore à un stade émergent. Parmi les cas d’usages les plus présents en France, on retrouve ceux qui concernent l’aide au diagnostic du radiologue, qu’il s’agisse de diagnostic à dresser à partir d’une radiographie, d’un scanner, d’un IRM, ou d’une échographie, puisque 7 des 26 cas d’usages recensés en France (soit plus d’un tiers d’entre eux) concernent l’aide au diagnostic.

    Cette aide au diagnostic emporte la détection automatique de pathologies et de fractures, ou concerne encore le dépistage, comme celui des nodules ou de la dénutrition. Cela couvre une large gamme de maladies, en particulier dans les domaines de l’oncologie et des maladies pulmonaires. Cet usage est l’un des plus répandus car il permet d’optimiser la charge de travail des radiologues tout en réduisant les risques d’erreurs.

    Ainsi, ces 8 cas d’usages sont :

    • la détection automatique de pathologie à partir d’un scanner ;
    • la détection automatique de pathologie à partir d’une échographie ;
    • la détection automatique de pathologie à partir d’un IRM ;
    • la détection automatique de pathologie à partir d’une radiographie ;
    • la détection automatique d’une fracture à partir d’une radiographie ;
    • la détection automatique d’une fracture à partir d’un IRM ;
    • la détection automatique de la dénutrition à partir d’un scanner ;
    • la prédiction de risque cardiaque grâce à l’analyse de tissus adipeux par scanner.

    Les cas d’usages concernent souvent des maladies graves :

    Pour ces cas d’usages, les pathologies qui sont les plus fréquemment concernées sont les pathologies graves et fréquentes, telles que le cancer, les pathologies pulmonaires, où la détection rapide fait une différence significative en termes de survie des patients et de qualité des soins. De plus, les images issues de scanners ou d’échographies sont particulièrement adaptées aux algorithmes d’apprentissage automatique, qui peuvent analyser d’énormes volumes de données pour en extraire les anomalies.

    L’IA intervient par exemple pour détecter plus rapidement les anomalies dans les images de mammographies, réduisant ainsi le temps de diagnostic et augmentant la précision. Cela répond à un besoin pressant en oncologie, où un dépistage précoce est crucial. L’IA aide également à détecter et à caractériser les nodules dans les poumons à partir d’images de scanner thoracique. Cette automatisation permet d’accélérer les diagnostics de maladies pulmonaires, comme le cancer, et d’alléger la charge de travail des radiologues.

    Une meilleure détection permise aussi par la segmentation :

    Même s’il n’est pas directement un cas d’usage de détection automatique par l’IA, il existe des cas d’usages d’IA en radiologie qui permettent la segmentation automatique, un processus qui consiste à identifier et isoler des parties spécifiques d’une image, comme des organes ou des tumeurs. Les deux cas d’usages concernant la segmentation sont ceux de :

    • la segmentation organique automatique ;
    • la segmentation tumorale automatique.

    Ainsi plusieurs solutions d’IA utilisées en France permettent par exemple la segmentation du cerveau ou du foie, facilitant l’identification de lésions, quand d’autres permettent de segmenter et quantifier les tumeurs sur des images TEP-Scanner, un processus essentiel dans le suivi des patients atteints de cancer.

    L’amélioration de la qualité des images médicales 

    L’aide au diagnostic passe aussi par un autre groupe de cas d’usages clé de l’IA en radiologie qui concerne l’amélioration de la qualité des images médicales. Ce domaine est en pleine expansion, car la qualité des images impacte directement la précision des diagnostics. Ainsi les deux cas d’usages qui concernent l’amélioration de la qualité des images sont ceux qui permettent :

    • l’amélioration de la qualité des images d’IRM ;
    • l’amélioration de la qualité des images de scanners.

    L’IA va donc permettre pour les IRM de réduire le bruit et les artefacts des images IRM, permettant des acquisitions plus rapides sans perte de qualité. Du côté du cas d’usage de l’IA pour l’amélioration des images de scanners, l’entraînement du deep learning permet de rehausser la qualité des images issues de scanners tout en réduisant la dose de rayonnement nécessaire, ce qui est bénéfique tant pour les radiologues que pour la santé des patients.

    Des cas d’usages pour l’automatisation des tâches du personnel

    En plus d’être utilisé pour le diagnostic des patients, l’IA en radiologie comporte des cas d’usages qui concerne l’automatisation des tâches du personnel des établissements de santé. 3 cas d’usages permettent donc :

    • le tri et la priorisation des patients selon la criticité des examens ;
    • l’optimisation de la planification des scanners ;
    • l’analyse de la satisfaction des patients.

    L’IA peut donc permettre de prioriser les examens radiologiques en fonction de la gravité des anomalies détectées, ce qui va aider les radiologues à se concentrer en priorité sur les cas les plus urgents, comme c’est le cas de la solution ChestView de Gleamer. Pour ce qui est de l’optimisation de la planification des scanners, l’IA va être utilisée pour améliorer l’organisation des plannings d’imagerie médicale, en ajustant les horaires et les ressources de manière plus efficiente.

    Un cas d’usage pour la recherche

    Le dernier cas d’usage de l’IA en radiologie concerne l’automatisation des protocoles de recherche clinique, puisque des solutions vont transformer des données dormantes en données qualifiées pour la recherche clinique. Cela va permettre à des chercheurs de transformer des données d’imagerie brutes en informations qualifiées, améliorant ainsi la qualité et la rapidité des études cliniques.

    Cartographie des cas d’usages de l’IA radiologie en France :

    Vous trouverez la liste des cas d’usages répertoriés sur cette cartographie interactive :

    Cas d’usage pour l’imagerie médicale @ H&TI

  • 42 solutions numériques d’IA en imagerie médicale répertoriées : l’oncologie domine le secteur

    Des solutions qui utilisent principalement du deep learning

    La radiologie est l’un des secteurs de la santé qui a été le premier à utiliser l’intelligence artificielle (IA) que ce soit pour aider les radiologues à dresser des diagnostics, pour segmenter plus rapidement l’anatomie ou les tumeurs des patients, ou pour faciliter la recherche clinique pour les chercheurs. De ce fait, 42 solutions sont actuellement utilisées en France. Et s’il existe une multitude de types d’intelligence artificielle (machine learning, traitement automatique du langage naturel, deep learning, etc…), le deep learning est celui qui est le plus utilisé en radiologie, pour ne pas dire le seul, parce que quelques rares exceptions existent.

    De nombreuses applications du deep learning en radiologie :

    Le deep learning est une sous catégorie du machine learning dans laquelle la machine va apprendre par elle-même à partir de grandes quantités de données : elle utilise plusieurs couches d’apprentissage”pour reconnaître des modèles ou des tendances dans des informations complexes, comme des images ou des textes. Plus la machine est exposée à des exemples, plus il devient capable de prendre des décisions ou d’effectuer des tâches précises, comme identifier des pathologies ou segmenter des tumeurs. Les solutions de radiologies qui utilisent le deep learning et qui sont utilisées dans les établissements français permettent, par exemple, d’assister la radiologue pour l’aider à émettre un diagnostic (Pionus, Odiasp, Transpara), d’améliorer la qualité des images par la reconstruction de manière automatique (Breast-SlimView, Philips Precise Image), ou encore de détecter des lésions et de les classer automatiquement (CorEX).

    Sur les 42 solutions utilisées en France, 36 d’entre elles utilisent des algorithmes de deep learning. Le machine learning est le deuxième type d’IA utilisé en radiologie et bien qu’il soit moins performant que le deep learning, il permet, entre autres, de suggérer aux professionnels de réaliser certaines échographies pour le nourrisson (Projet SUOG), ou encore d’accompagner les médecins dans leur prise de décision en segmentant les lésions sur les examens de TEP-TDM afin d’en extraire les caractéristiques usuellement reportées dans les comptes-rendus (PaIRe).

    Une utilisation majoritaire dans les examens par scanner et par radiographie

    Les solutions d’IA qui sont utilisées dans les examens par scanner et par radiographie en France concernent plus de trois quarts des 42 solutions (31). Cela s’explique par le fait que le développement de l’IA permet aux algorithmes de détecter des informations, segmenter et classer des images grâce à l’apprentissage automatique, à force d’entraînement : les examens par scanner et par radiographie étant ceux qui sont le plus souvent réalisés, la production de données pour l’entraînement des algorithmes qui en découle permet de les rendre plus performant.

    Même si les deux types d’examen sont au coude à coude, l’intelligence artificielle reste essentiellement utilisée dans ceux effectués par scanner : 18 solutions d’IA sont utilisées en France dans les examens par scanner, contre 14 solutions pour les examens par radiographie (dont une solution qui est utilisée pour les deux types d’examen, ainsi que pour les IRM : AI-Rad Companion de Siemens Healthineers). Dans le cadre des examens par scanner, l’IA va principalement venir détecter des pathologies, des anomalies ou des fractures, alors que dans les examens par radiographie, l’IA va venir lire l’image pour analyser et donner des solutions aux professionnels.

    L’IA beaucoup moins utilisée pour les échographies :

    Alors que 31 solutions d’IA utilisée en radiologie en France servent pour les examens par radiographie ou par scanner, 11 d’entres elles sont utilisées pour les examens par IRM (dont 3 qui sont aussi utilisées pour les examens par scanner), ce qui n’est pas négligeable. Mais le type d’examen dans lequel l’intelligence artificielle est la moins utilisée est l’échographie, puisque seule 2 solutions, dont une qui n’est pas encore aboutie : FemEndo, sont utilisées pour cette spécialité : parmi elles ont retrouve le projet SUOG de la Sorbonne Université qui est un outil d’assistance pour tout opérateur d’échographie, qui fournit un guidage intelligent et itératif lorsqu’il constate un aspect inhabituel chez le fœtus. Cet outil suggère, en temps réel et pendant l’échographie, les images échographiques à réaliser pour identifier les signes nécessaires pour porter un diagnostic.

    Le fait que presque aucune solution n’est utilisée lors des échographies réside dans sa complexité d’utilisation, comme l’indique le docteur Ferdinand Dhombres, responsable du projet SUOG. Cette complexité s’explique par le fait que l’échographie, à la différence d’autres techniques d’imagerie, pose des défis particuliers en raison des nombreuses variations possibles dans le positionnement de la sonde et des différentes coupes réalisées. Cela nécessite donc des approches hybrides, comme celle adoptée par SUOG, qui associent un modèle d’apprentissage supervisé à des algorithmes de raisonnement sémantique.

    Des solutions pour la neurologie et l’oncologie

    L’oncologie et la neurologie sont les aires thérapeutiques qui possèdent le plus de solutions d’intelligence artificielle en radiologie : 8 solutions sont utilisées pour la détection de différents cancers et 7 sont utilisées en neurologie. En oncologie, les cancers du sein et du poumon sont les cancers les plus représentés, avec 3 solutions en radiographie pour le cancer du sein – ils détectent les lésions pour aider le médecin dans son diagnostic de la pathologie -, ainsi que 4 solutions pour le cancer du poumon. L’aide au diagnostic du cancer du foie et du cancer de la prostate sont aussi possibles grâce aux solutions d’IA utilisées en France.

    En neurologie, plusieurs solutions assistent les radiologues dont la détection de pathologies cérébrales, que ce soit des AVC ou des hémorragies cérébrales : l’IA permet une interprétation plus rapide des images de scanner. La détection et l’aide au diagnostic pour les fractures, les déformations osseuses, les pathologies thoraciques, l’endométriose et la dénutrition sont aussi concernées par des solutions d’IA utilisées en France.

    Cartographie des solutions d’IA en radiologie utilisées en France :

    Vous trouverez la liste des solutions répertoriées sur cette cartographie interactive :

     

  • Stratégie nationale : des contrats-types et des délais réduits d’ici 2025 pour simplifier l’accès aux données de santé

    Une stratégie pour se préparer à l’entrée dans l’EHDS

    “Ce qui ressort de cette stratégie nationale, c’est la volonté collective d’avancer vers le défi européen que représente l’Espace européen des données de santé (EHDS) et de s’inscrire dans la course internationale à la valorisation de notre patrimoine de données” : c’est avec ces mots que Hela Ghariani, directrice de la Délégation ministérielle au numérique en santé (DNS), a conclu la conférence du 30 septembre 2024 sur la stratégie nationale concernant l’utilisation secondaire des données de santé. Lors de cet événement, qui s’est tenu au ministère de la Santé, l’Agence du numérique en santé (ANS) et la DNS ont présenté la première version de la “Stratégie interministérielle pour construire notre patrimoine national des données de santé” pour la période 2025-2028.

    Cette stratégie a été élaborée en collaboration avec 31 parties prenantes, dont des sociétés savantes, des organismes de professionnels de santé, des agences, des opérateurs et des autorités publiques indépendantes, ainsi que des représentants d’usagers et des entités de recherche. Elle s’articule autour de quatre axes principaux :

    1️⃣ favoriser la transparence et la confiance des citoyens ;

    2️⃣  constituer des bases de données d’intérêt réutilisables ;

    3️⃣ réunir les conditions nécessaires au partage et à la réutilisation des données de santé ;

    4️⃣ faciliter et simplifier l’utilisation des données.

    Des actions à venir pour renforcer la confiance des citoyens :

    L’un des grands défis de la réutilisation des données de santé réside dans la confiance des citoyens dont les données seront réutilisées. Pour relever ce défi, la stratégie vise à faire évoluer la gouvernance française des données de santé pour la rendre plus claire et lisible. Le Comité stratégique des données de santé fusionnera ainsi au premier semestre 2025 avec l’Agence de l’innovation en santé (AIS) et la Direction générale des entreprises (DGE), afin de mieux incarner le rôle d’interface avec l’ensemble des acteurs, en particulier les détenteurs et utilisateurs de données de santé.

    La confiance repose également sur la facilitation de l’exercice des droits des citoyens et le renforcement de la sécurité des données hébergées. Un portail centralisé de transparence verra ainsi le jour au premier semestre 2025 pour permettre aux citoyens de consulter les informations relatives à l’utilisation de leurs données personnelles et d’exercer leurs droits plus facilement. Par ailleurs, un plan est en cours pour héberger les données de santé sur des infrastructures hautement sécurisées. Un appel d’offres pour des solutions cloud conformes aux normes SecNumCloud sera lancé d’ici la fin de l’année afin de garantir la sécurité des informations stockées.

    Optimiser l’utilisation des bases de données existantes :

    Pour favoriser le partage et la réutilisation des données de santé, la stratégie nationale propose des actions visant à créer des conditions propices à ce partage. Parmi ces actions, la mise en place d’un modèle économique équilibré pour soutenir la réutilisation des bases de données est prévue. Ce modèle, qui devrait voir le jour au premier semestre 2025, instaurera des redevances pour couvrir les coûts de mise à disposition des données. Ce système sera aligné avec les directives européennes afin de garantir la pérennité financière des détenteurs de données.

    L’optimisation de l’utilisation des bases de données existantes est également essentielle. Dès le premier semestre 2025, la Plateforme des données de santé (PDS), la Commission nationale de l’informatique et des libertés (Cnil), le Comité stratégique des données de santé et l’AIS prévoient de mettre en place un répertoire national des bases de données de santé. Ce répertoire recensera toutes les bases autorisées par la Cnil et offrira aux chercheurs une vue d’ensemble des ressources disponibles, facilitant ainsi l’accès à l’information.

    Simplifier l’utilisation des données de santé :

    L’un des principaux obstacles à une utilisation efficace des données de santé est la difficulté d’accès à celles-ci. Pour fluidifier l’accès aux données tout en garantissant la sécurité des informations, la stratégie nationale prévoit de mettre en place des contrats-types et des grilles de tarification afin de réduire le temps de contractualisation et d’uniformiser l’accès aux données. Cela s’accompagnera d’une réduction des délais d’accès à la base principale du système national des données de santé (SNDS), notamment grâce à la simplification des processus administratifs et à l’amélioration de la transparence sur les délais d’accès. Cette démarche vise à réduire les délais, actuellement de 9 à 12 mois, pour atteindre des durées plus raisonnables d’ici quatre ans, conformément aux exigences du règlement EHDS.

    La consultation nationale est dès à présent ouverte

    Cet événement a également marqué le lancement de la consultation nationale, permettant à toutes les parties prenantes de contribuer au plan d’action collectif pour la stratégie des données de santé et leur réutilisation. Cette consultation, ouverte jusqu’au 5 novembre, est accessible via ce lien. Les résultats seront présentés lors de la Journée nationale de l’innovation en santé numérique, qui se tiendra le 3 décembre 2024 au Palais des Congrès d’Issy-les-Moulineaux.

    De nombreux représentants de patients et d’utilisateurs secondaires des données de santé ont été invités à cette journée pour exprimer leurs besoins et les intégrer aux travaux en cours. Le docteur Jean-François Thebaut, vice-président de la Fédération française des diabétiques, a notamment demandé des données synthétiques et fiables, ainsi que des accès simplifiés, intelligibles et accessibles en routine. Il a également souligné l’importance de disposer de données territorialisées pour mieux connaître les besoins des territoires et adapter les stratégies en conséquence, tout en appelant à une plus grande rapidité d’accès aux données et à de meilleures collaborations avec les fournisseurs de données.

    ✈️ Un tour de France des entrepôts de données de santé :

    En conclusion de cette conférence, Hela Ghariani a annoncé que les membres de la DNS allaient entreprendre un tour de France des entrepôts de données de santé pour “aller à la rencontre des acteurs sur le terrain et enrichir les travaux”. Ces visites permettront de présenter la stratégie nationale à ces acteurs et de recueillir leurs retours. Les visites débuteront le 10 octobre 2024 avec l’entrepôt du Pays de la Loire à Rennes, suivies de ceux du Grand Est (14 octobre) et de l’Île-de-France (24 octobre).