Articles

  • Données de santé synthétiques : une promesse à l’épreuve du réel

    Données de santé synthétiques : une promesse à l’épreuve du réel

    Article 1 – Données de santé synthétiques : d’un concept de laboratoire à une priorité nationale

    Pendant des années, la donnée de santé synthétique n’était qu’une curiosité de laboratoire. En 2025, elle est devenue une priorité affichée par les institutions françaises. Premiers jeux de données ouverts sur data.gouv.fr, sondage national lancé par la Plateforme des données de santé, entrée en vigueur du règlement européen EHDS : cet article dresse l’état des lieux d’un sujet encore jeune, mais en pleine accélération ; et révèle pourquoi la France, malgré cette dynamique, reste en retard face aux États-Unis et au Royaume-Uni, qui ont plusieurs années d’avance.

    👉 Pour en savoir plus : consulter l’article.

    Article 2 – Données de santé synthétiques : un cadre juridique encore à construire

    « La donnée synthétique échappe au RGPD » : l’argument séduit, mais le droit ne suit pas encore. Cet article démonte cette fausse promesse à travers un cas concret et récent : une décision du Conseil d’État confirmant 1,8 million d’euros de sanctions pour anonymisation insuffisante de données patients. Entre une Cnil qui n’a toujours pas tranché et un règlement européen EHDS dont les dispositions clés n’entreront en vigueur qu’en 2029, découvrez pourquoi le cadre juridique de la donnée synthétique reste, pour l’instant, un chantier largement ouvert.

    👉 Pour en savoir plus : consulter l’article.

    Article 3 – Comment fabrique-t-on les données synthétiques ?

    La donnée synthétique ne se créée pas avec une méthode unique, mais deux logiques radicalement différentes : simuler une logique clinique à la main, ou laisser un modèle génératif (GAN, diffusion, LLM) apprendre seul les régularités des données réelles. Cet article décortique le fonctionnement de Synthea et des approches génératives, leurs forces et leurs angles morts respectifs. La leçon centrale qui s’en dégage : une donnée peut être statistiquement irréprochable – mêmes moyennes, mêmes distributions – tout en étant cliniquement absurde dans le détail. Un défi qui explique pourquoi l’évaluation d’un jeu de données synthétique est loin d’être triviale.

    👉 Pour en savoir plus : consulter l’article.

    Article 4 – 7 études démontrent l’intérêt des données de santé synthétiques pour la recherche (revue de littérature)

    Maladies rares, pays à ressources limitées, classes de patients sous-représentées : sept études récentes, publiées dans Nature, JAMIA ou le Journal of Biomedical Informatics, documentent déjà des cas concrets où la donnée synthétique comble un vrai manque pour la recherche. Mais un chiffre résume l’angle mort de cette littérature : 17 méthodes existent pour évaluer son utilité, contre seulement 5 pour évaluer ses risques de confidentialité. Cet article fait le bilan scientifique le plus à jour sur ce que la donnée synthétique apporte vraiment à la recherche, et sur ce qu’elle ne garantit pas encore.

    👉 Pour en savoir plus : consulter l’article.

    Article 5 – Cartographie des acteurs de la donnée synthétique en France

    Qui fabrique vraiment la donnée synthétique en France ? Cet article dresse la carte d’un écosystème encore restreint : une plateforme publique qui finance et catalyse, deux start-ups qui portent l’essentiel de la visibilité (mais avec un niveau de preuve très inégal), et deux CHU pionniers qui servent de bancs d’essai. Au centre de cette carte, une pépite nantaise dont la méthode est validée par une publication dans Nature, de quoi devenir un point d’appui pour toute la filière française, encore loin des écosystèmes américain et britannique.

    👉 Pour en savoir plus : consulter l’article.

    Données de santé synthétiques : une promesse à l'épreuve du réel - @H&TI
    Données de santé synthétiques : une promesse à l’épreuve du réel – @H&TI
  • 7 études démontrent l’intérêt des données de santé synthétiques pour la recherche (revue de littérature)

    7 études démontrent l’intérêt des données de santé synthétiques pour la recherche (revue de littérature)

    Un corpus de 7 études (2023–2026) sur la donnée de santé synthétique en recherche

    La pénurie chronique de données de santé exploitables — pour cause de rareté clinique, de confidentialité ou de coût de collecte — freine depuis longtemps la recherche biomédicale et le développement de modèles d’intelligence artificielle en santé. Cet article synthétise les résultats de sept études publiées entre 2025 et 2026, incluant des travaux méthodologiques, une revue systématique, une revue de portée (scoping review) et un éditorial scientifique, hébergés sur PubMed/PMC, ScienceDirect et Nature. Ces travaux, menés par des équipes de recherche internationales, visent à évaluer l’apport réel des données synthétiques lorsque les données réelles font défaut ou sont insuffisantes.

    Les études retenues couvrent trois thématiques structurantes :

    • L’usage des données synthétiques pour combler des lacunes de données dans des contextes à ressources limitées ou pour des pathologies rares ;
    • Leur capacité à égaler ou renforcer la performance de modèles cliniques par rapport aux données réelles seules ;
    • Les limites méthodologiques et les risques de gouvernance liés à un usage encore peu standardisé.

    Combler les lacunes de données : maladies rares et pays à ressources limitées

    L’un des apports les plus documentés des données synthétiques est de pallier l’insuffisance structurelle de données dans certains contextes. Une étude publiée dans Frontiers in Digital Health (2025) montre que la recherche sur les maladies rares se heurte à un manque chronique de patients, à des réglementations de confidentialité strictes et à un besoin de données diversifiées pour développer des outils diagnostiques fondés sur l’IA, les données synthétiques y sont présentées comme un pont permettant l’entraînement de modèles, la simulation d’essais cliniques et la collaboration transfrontalière entre équipes de recherche. Dans un registre proche, une étude menée sur un jeu de données de surveillance démographique et sanitaire (HDSS) en zone rurale du Kenya (2025) démontre, à titre de preuve de concept, que des modèles génératifs open source permettent de produire des données tabulaires synthétiques de haute qualité dans un pays à ressources limitées, ouvrant la voie à une recherche moins dépendante des infrastructures de collecte coûteuses.

    La question du déséquilibre des classes, fréquente en recherche clinique lorsque certains sous-groupes de patients sont sous-représentés, est elle aussi documentée : une étude de référence sur les données anti-rétrovirales pour le VIH utilise des réseaux antagonistes génératifs (GAN) pour générer des données cliniques synthétiques qui préservent la distribution déséquilibrée des classes d’origine, plutôt que de la lisser artificiellement.

    Une utilité comparable aux données réelles, dans certains cas précis

    Au-delà de la simple compensation d’un manque, plusieurs études rapportent des résultats de performance directement comparables aux données réelles. Le projet coréen Healthcare Big Data Showcase (2019-2023), documenté dans une étude publiée par l’agence coréenne de contrôle des maladies (2025), a produit des jeux de données synthétiques évalués selon leur « utilité », soit leur capacité à reproduire des résultats d’analyse comparables à ceux obtenus avec les données réelles correspondantes. Autre exemple concret : une étude sur des modèles de prédiction clinique en gastro-entérologie et hépatologie (hépatite alcoolique, angiocholite aiguë) montre que des données synthétiques générées par IA permettent d’augmenter et de renforcer la performance des modèles prédictifs existants, tout en appelant à des protocoles de validation standardisés avant tout déploiement clinique plus large.

    Des limites méthodologiques et de gouvernance encore non résolues

    La littérature récente met cependant en garde contre une adoption non critique. Une revue de portée (scoping review) parue en 2025, portant sur les publications indexées entre 2018 et 2024, recense pas moins de 17 méthodes différentes utilisées pour évaluer l’utilité des données médicales synthétiques et seulement 5 pour en évaluer les risques de confidentialité, un déséquilibre qui traduit l’absence de standard consolidé pour juger de la fiabilité d’un jeu de données synthétique. Plus préoccupant encore, un éditorial de la revue Nature (2025) alerte sur une dérive de gouvernance : certaines universités et institutions de recherche dispensent déjà des études fondées sur des données synthétiques de tout examen éthique préalable, au motif que ces données ne sont pas directement issues de participants humains, alors même qu’elles dérivent in fine de données réelles et peuvent en hériter les biais.

    Tableau comparatif synthétique des 7 études :

    Réf. Population / Domaine Conclusion principale
    Frontiers in Digital Health, 2025 (PMC11958975) Recherche sur maladies rares Les données synthétiques comblent le manque de patients et permettent essais simulés et collaboration transfrontalière.
    PMC12628187 (2025) Données de surveillance démographique et sanitaire, Kenya rural Les modèles génératifs ouverts sont viables dans des contextes à ressources limitées.
    J Biomed Inform, 2023 (PMID 37451495) Données antirétrovirales VIH Les GAN permettent de générer des données synthétiques fidèles aux déséquilibres réels, plutôt que de les lisser.
    Osong Public Health Res Perspect, 2025 (PMC12066231) Programme national coréen (2019-2023) Les données synthétiques évaluées par leur utilité peuvent se substituer aux données réelles pour certaines analyses.
    PMC12138892 (2025) Hépatite alcoolique, angiocholite aiguë Les données synthétiques renforcent les modèles prédictifs, sous réserve de protocoles de validation standardisés.
    PMC11772694, 2025 (scoping review, 2018-2024) Littérature médicale sur données synthétiques L’absence de standards d’évaluation consolidés reste un frein majeur à la confiance.
    Nature, 2025 (éditorial) Gouvernance de la recherche Les risques de gouvernance et de biais hérités doivent être mieux encadrés avant généralisation.

    Une donnée efficace, mesurable, mais pas encore encadré

    Il ressort de ces sept travaux que l’intérêt des données de santé synthétiques pour la recherche repose sur deux constats convergents, tempérés par un troisième :

    • Un comblement réel des lacunes de données, qu’il s’agisse de maladies rares, de contextes à ressources limitées ou de classes de patients sous-représentées ;
    • Une utilité désormais mesurable et parfois comparable aux données réelles, comme le montrent le projet coréen et l’étude sur les modèles prédictifs en hépatologie, signe que la donnée synthétique dépasse le stade de la preuve de concept pour certains usages ciblés ;
    • Un cadre méthodologique et éthique encore en rattrapage, car l’absence de standards d’évaluation de la confidentialité, couplée à des pratiques de gouvernance parfois trop permissives, rappelle que l’utilité mesurée d’un jeu de données synthétique ne dispense pas d’un examen rigoureux de ses risques. C’est un point qui fait écho aux limites techniques de fidélité clinique déjà abordées dans cette étude, et au flou juridique qui entoure encore leur qualification au regard du RGPD.

    Bibliographie :

    (1) Kimuli A, et al. Synthetic data generation of health and demographic surveillance systems data: a case study in a low- and middle-income country. J Am Med Inform Assoc. 2025. PMCID: PMC12628187.

    (2) Mendes JM, et al. Synthetic data generation: a privacy-preserving approach to accelerate rare disease research. Front Digit Health. 2025;7:1563991. PMCID: PMC11958975.

    (3) Korea National Institute of Health. Synthetic data production for biomedical research. Osong Public Health Res Perspect. 2025;16(2):94-99. PMCID: PMC12066231.

    (4) Use of Artificial Intelligence–Generated Synthetic Data to Augment and Enhance the Performance of Clinical Prediction Models in Patients With Alcohol-Associated Hepatitis and Acute Cholangitis. PMCID: PMC12138892.

    (5) A scoping review of privacy and utility metrics in medical synthetic data. PMC. 2025. PMCID: PMC11772694.

    (6) Synthetic data can benefit medical research — but risks must be recognized [éditorial]. Nature. 2025.

    (7) Kuo NI, Garcia F, Sönnerborg A, Böhm M, Kaiser R, Zazzi M ; EuResist Network study group ; Polizzotto M, Jorm L, Barbieri S. Generating synthetic clinical data that capture class imbalanced distributions with generative adversarial networks: Example using antiretroviral therapy for HIV. J Biomed Inform. 2023 Aug;144:104436. PMID: 37451495.

  • Dossier patient informatisé : un marché en mouvement malgré sa maturité

    Dossier patient informatisé : un marché en mouvement malgré sa maturité

    Une concurrence qui se joue sur l’exécution

    Les établissements recherchent désormais des partenaires capables de conduire des transformations organisationnelles complexes 

    Le marché fonctionne par cycles. Après une phase de conquête commerciale, les éditeurs consacrent plusieurs années au déploiement des contrats remportés. Sur un GHT, un projet peut mobiliser les équipes pendant 18 à 36 mois. 

    Cette organisation fait évoluer les critères de sélection. Les fonctionnalités cliniques restent nécessaires, mais elles ne suffisent plus à départager les offres. Les établissements évaluent désormais la capacité des éditeurs à conduire les migrations, à accompagner le changement, à respecter les délais et à répondre aux exigences du SI convergent. 

    À ces critères s’ajoutent la souveraineté numérique, l’hébergement des données, la qualité de la relation client sur des contrats pouvant dépasser dix ans, ainsi que la capacité à intégrer les futurs usages de la donnée et de l’intelligence artificielle. Sans oublier le coût global, qui est un critère sensible dans un contexte financier difficile. 

    Le marché du DPI « cœur » se ferme, les opportunités se déplacent 

    Le choix d’un DPI engage un établissement pour sept à dix ans. Les grands programmes de convergence déjà lancés ferment progressivement le marché du logiciel lui-même jusqu’au prochain cycle de renouvellement, attendu entre 2032 et 2035. Les opportunités se déplacent donc vers les services associés aux migrations. Chaque déploiement crée des besoins en interopérabilité, cybersécurité, entrepôts de données, hébergement HDS, conduite du changement, formation ou intégration de l’IA. Cette fenêtre restera active pendant toute la période 2026-2031, au rythme des grands programmes de convergence. 

    Les projets dont le choix du DPI n’est pas encore arrêté ou dont la convergence est remise en question constituent des opportunités encore ouvertes sur le marché du logiciel. 

    Pour les établissements de santé 

    • Le choix d’un DPI est un choix d’architecture du système d’information avant d’être un choix logiciel. Les critères d’interopérabilité, de réversibilité et d’ouverture des standards (FHIR, HL7, IHE) doivent être intégrés dès la contractualisation afin de limiter le risque de verrouillage technologique. 
    • Il n’existe pas de « meilleur DPI » universel. Le choix dépend de la stratégie de l’établissement : convergence territoriale pour les GHT, recherche clinique et entrepôts de données pour les CHU, standardisation des processus pour les groupes privés, recherche d’efficience pour les centres hospitaliers. 
    • Le coût total de possession (licences, hébergement, exploitation, migration, accompagnement et cybersécurité) devient un indicateur plus pertinent que le seul coût d’acquisition. 
    • Les projets de migration sont une opportunité pour harmoniser les organisations, améliorer la qualité des données et préparer les futurs usages de l’IA. 

    Pour les éditeurs de DPI 

    • Le marché bascule d’une logique de conquête vers une logique de fidélisation. Les renouvellements annuels deviennent le principal terrain concurrentiel. 
    • La capacité de déploiement constitue le premier facteur de différenciation. Les ressources projet, les méthodes d’industrialisation et les références acquises auprès des GHT deviennent des avantages concurrentiels. 
    • Les perspectives de croissance se déplacent vers les services : interopérabilité, plateformes de données, cybersécurité, hébergement HDS, conduite du changement et intégration de l’IA. 
    • Les prochaines années seront marquées par deux points de vigilance : la réussite des migrations vers Care4U et Maincare IC, qui conditionnera la capacité des leaders historiques à conserver leur base installée, ainsi que les effets du référencement Ségur Vague 2 sur les équilibres concurrentiels. 

    Plan de l’étude :

    Comment le dossier patient informatisé devient la plateforme centrale de l’hôpital ?

    Implémenté par des plateformes généralistes et enrichi par des solutions spécialisées, le dossier patient informatisé s’impose progressivement dans le système d’information hospitalier Porté par les programmes HOP’EN et Ségur, le DPI transforme la manière dont les établissements collectent, partagent et exploitent les données de santé.

    DPI : quelles obligations réglementaires pour les établissements et les éditeurs ?

    Parce qu’il concentre les données les plus sensibles du système de santé, le DPI fait l’objet d’un encadrement juridique et technique strict. Les gagnants du marché ne seront plus uniquement ceux qui ont le meilleur logiciel. Quand la conformité devient l’arme concurrentielle n°1 sur le marché. Tour d’horizon de la règlementation.

    Comment fonctionne le financement des mises à niveau des DPI hospitaliers ? 

    Le financement, calculé au cas par cas selon l’activité PMSI et le code FINESS, est versé par l’ASP directement à l’éditeur. Les demandes d’avance sont ouvertes jusqu’au 23 septembre 2026.

    Du phishing aux rançongiciels : anatomie des attaques contre les dossiers patients informatisés

    Le DPI a transformé l’hôpital : accès immédiat à l’historique médical, coordination des équipes, réduction des erreurs liées au papier. Mais en concentrant les données les plus sensibles dans un même système, il est devenu une cible privilégiée des cybercriminels. Et lorsqu’il tombe, c’est toute la prise en charge qui vacille.

    Le marché des DPI reste en mouvement : près d’un GHT sur deux a changé de solution

    Près d’un GHT sur deux a changé de solution, mais les migrations profitent essentiellement à un nombre limité d’acteurs. Le marché se structure progressivement autour de quelques plateformes (Softway, Maincare, Dedalus) capables de répondre aux exigences de convergence, d’interopérabilité et de déploiement à grande échelle.

    Choisir un DPI : pourquoi les critères de sélection varient entre CHU, GHT et groupes privés ?

    Le marché français des DPI entre dans une phase : après la convergence des SI portée par les GHT et le Ségur du numérique, la prochaine bataille concurrentielle devrait se jouer autour de trois axes : l’intégration native de l’IA, l’exploitation des données de santé et la capacité à accompagner les migrations complexes des établissements dans un contexte budgétaire contraint.

    Souveraineté, IA et déploiement rapide deviennent les principaux critères de différenciation des éditeurs de DPI

    Alors que 47,1 % des groupements hospitaliers ont changé ou engagé une migration de DPI sur la période analysée, la compétition entre éditeurs se déplace vers de nouveaux critères de sélection. Au-delà des fonctionnalités, les établissements arbitrent désormais leurs choix sur la souveraineté des données, la capacité de déploiement, la relation client et la maturité en intelligence artificielle.

     

     

  • IA & Cancer : l’INCa et l’Université Paris Cité créent la chaire de recherche « Intelligence artificielle et recherche clinique en oncologie »

    Une chaire pour répondre à de nouveaux défis auxquels sont confrontés les essais cliniques

    L’évolution de la médecine de précision transforme profondément la recherche en cancérologie. L’identification de sous-groupes de patients de plus en plus spécifiques améliore le ciblage thérapeutique, mais complexifie également la conduite des essais cliniques. Le recrutement devient plus difficile, les coûts augmentent et les méthodologies traditionnelles montrent parfois leurs limites.

    Dans ce contexte, l’intelligence artificielle apparaît comme un levier majeur pour exploiter les données de vie réelle, améliorer la conception des études et renforcer leur validité scientifique. Mais l’intégration de ces nouvelles approches soulève aussi des enjeux méthodologiques, réglementaires et éthiques qui nécessitent un cadre robuste et partagé.

    C’est précisément l’ambition de cette nouvelle chaire : structurer la recherche autour de méthodes innovantes tout en garantissant leur fiabilité et leur acceptabilité pour les chercheurs, les cliniciens, les patients et les autorités de santé.

    Une chaire construire autour de trois axes pour construire les essais cliniques de demain

    La chaire s’articulera autour de trois grands domaines de recherche.

    Le premier concerne l’émulation et le redressement d’essais cliniques à partir de données de vie réelle. L’objectif est d’utiliser les données collectées dans les parcours de soins pour mieux estimer l’efficacité des traitements dans les populations réelles et compléter les enseignements issus des essais traditionnels.

    Le deuxième axe porte sur la création de bras de contrôle synthétiques. Cette approche consiste à remplacer ou compléter certains groupes comparateurs par des cohortes construites à partir de données historiques ou observationnelles, particulièrement utiles dans les maladies rares ou lorsque les effectifs sont limités.

    Enfin, la chaire explorera la génération de cohortes simulées grâce à l’IA. Ces patients virtuels pourraient permettre de tester des scénarios d’essais in silico, d’augmenter artificiellement certaines cohortes ou encore de faciliter le partage sécurisé de données.

    Une convergence entre IA, données de santé et recherche clinique :

    Sélectionnée à l’issue d’un appel à candidatures national, la professeure Agathe Guilloux, chercheuse à l’Inria et membre de l’équipe commune HeKA (Inria–Inserm–Université Paris Cité), apportera une expertise reconnue à l’interface entre apprentissage statistique et recherche clinique.

    Ses travaux s’appuieront sur des sources de données variées, incluant notamment les données du Système national des données de santé (SNDS), les entrepôts de données hospitaliers et les données issues des essais cliniques. L’ambition est également d’exploiter des données multimodales et de développer des approches capables d’intégrer imagerie, données cliniques et informations moléculaires.

    Au-delà de la recherche, la chaire entend structurer un véritable écosystème de formation autour de l’IA appliquée à la santé. Enseignements universitaires, masterclasses, diplôme spécialisé et diffusion ouverte des méthodes développées doivent contribuer à faire émerger une nouvelle génération d’experts capables de maîtriser les enjeux méthodologiques de la recherche clinique augmentée par l’IA.

    À travers cette initiative, l’INCa et l’Université Paris Cité affichent une ambition claire : faire de la France un acteur de référence dans la conception des méthodologies qui accompagneront la prochaine génération d’essais cliniques en oncologie. Une orientation qui s’inscrit pleinement dans la stratégie nationale de lutte contre les cancers et dans la montée en puissance des usages de l’intelligence artificielle en santé.

  • Check-ups santé digitalisés : vers un continuum de prévention prédictive, connectée et personnalisée

    Opportunités principales

    31 évaluations et plus de 140 biomarqueurs : la montée en puissance du check-up premium intégré

    Zoī propose un check-up complet en moins de quatre heures, structuré autour de 31 évaluations détaillées, d’imagerie avancée et de plus de 140 biomarqueurs. Cette profondeur analytique montre qu’une partie du marché se déplace vers des offres premium capables de condenser, sur un temps très court, une grande quantité d’informations cliniques et biologiques. Pour des établissements de santé ou des investisseurs, ce modèle révèle une opportunité de création de valeur fondée sur la densité de l’examen, la personnalisation du parcours et la monétisation d’une expérience de prévention haut de gamme.

    Moins d’une heure : l’industrialisation du check-up préventif par Neko Health

    Neko Health met en avant un scan préventif réalisé en moins d’une heure, couvrant la peau, le cœur, les vaisseaux, le sang et la santé métabolique. La société souligne la capture de millions de points de données, la prise de plus de 2 000 images haute résolution et une restitution clinique immédiate, ce qui démontre qu’un check-up très dense peut être rendu compatible avec des logiques de flux et d’efficacité opérationnelle. Cette capacité d’industrialisation ouvre une perspective stratégique importante pour les acteurs souhaitant développer des centres de prévention à forte productivité sans renoncer à un haut niveau de sophistication technologique.

    Plus de 160 tests : la biologie de longévité devient une infrastructure de prévention

    Function Health structure son offre autour de plus de 160 tests biologiques annuels, avec un positionnement explicite sur la détection proactive et la longévité. La valeur stratégique de ce modèle tient à la répétition des mesures, qui transforme le check-up en infrastructure de suivi longitudinal plutôt qu’en acte ponctuel. Pour les décideurs, cette évolution crée une opportunité majeure : celle de bâtir des offres récurrentes fondées sur la donnée biologique, avec des usages allant de la prévention personnalisée à la segmentation de populations à risque.

    Plus de 100 biomarqueurs et 21 catégories : l’essor des health super-apps

    Superpower propose deux campagnes de tests par an couvrant plus de 100 biomarqueurs répartis en 21 catégories, dans le cadre d’une « health super-app ». Cette architecture suggère que le marché du check-up digitalisé peut évoluer vers des plateformes intégrées de gestion de santé, combinant collecte de données, recommandations, navigation dans l’offre de soins et accompagnement individualisé. L’opportunité ici dépasse le seul bilan biologique : elle réside dans la création d’un point d’entrée numérique central pour le pilotage de la santé, potentiellement extensible à d’autres services cliniques ou assurantiels.

    Deux prises de sang par an et plus de 180 biomarqueurs : l’émergence d’un operating system de prévention

    Lucis se présente comme un « preventive health operating system » proposant deux prises de sang par an et le suivi de plus de 180 biomarqueurs. Les communications publiques mentionnent également 3 000 clients et plus de 500 000 tests réalisés, ce qui indique une capacité de structuration et de passage à l’échelle sur plusieurs marchés européens. Cette dynamique révèle une opportunité stratégique forte pour les acteurs capables de transformer la donnée biologique répétée en plans d’action standardisés, intelligibles et médicalement encadrés.

    À partir de 40 ans : la médecine prédictive spécialisée ouvre un segment distinct

    Predilife propose plusieurs bilans prédictifs, dont une offre dédiée au cancer du sein pour les femmes à partir de 40 ans, ainsi qu’un bilan multi-pathologies pour femmes et hommes à partir de 40 ans. L’entreprise mobilise intelligence artificielle, big data, téléconsultation et techniques médicales éprouvées dans un cadre de dispositif médical de classe I marqué CE. Cette spécialisation montre qu’une part du marché du check-up digitalisé peut se structurer non autour de bilans généralistes, mais autour d’axes de risque ciblés, plus proches des logiques de médecine de précision et de stratification clinique.

    Un outil conforme aux recommandations médicales : la prévention digitalisée en entreprise gagne en légitimité

    Lianeli présente son bilan santé digital comme un outil simple, personnalisé et conforme aux recommandations médicales, capable d’orienter vers les bons dépistages au bon moment. Cette promesse de prévention structurée, accessible sans expertise médicale préalable, ouvre un champ de déploiement important dans les environnements professionnels et les politiques de santé au travail. L’opportunité stratégique réside ici dans la capacité à démocratiser l’entrée dans la prévention digitalisée, au-delà des seuls segments premium ou hyper-technologiques.

    Une première analyse gratuite : l’interprétation des bilans devient un marché en soi

    BioSense.life indique que l’analyse du premier bilan est gratuite, avec dépôt d’un PDF, synthèse immédiate et aperçu des biomarqueurs clés. La plateforme précise qu’elle aide à comprendre les résultats biologiques en langage clair à partir de sources officielles, afin d’éclairer les échanges avec le médecin. Cette proposition de valeur montre qu’au sein de l’écosystème, la couche d’interprétation et de pédagogie peut constituer un marché autonome, particulièrement pertinent à mesure que la production de données de check-up s’intensifie.

    Six paramètres physiologiques : le check-up bascule vers le monitoring continu

    Chronolife propose un wearable assurant le suivi continu de six paramètres physiologiques, dont l’électrocardiogramme, la fréquence cardiaque, l’activité physique, la respiration, la température cutanée et l’impédance pulmonaire. Cette capacité transforme le check-up en observation longitudinale et ouvre des usages en télésurveillance, santé au travail et accompagnement de patients chroniques. L’opportunité majeure réside dans le passage d’une logique de photographie ponctuelle à une logique de détection dynamique des évolutions physiologiques.

    Un suivi continu des troubles de l’humeur : la santé mentale entre dans le champ du check-up digitalisé

    Emobot développe un dispositif médical destiné à la détection et au suivi continu des troubles de l’humeur, notamment la dépression et les troubles bipolaires. L’approche repose sur une surveillance passive entre les consultations et sur des usages en diagnostic, prévention de la rechute et thérapie digitale adaptative. Cette évolution élargit le périmètre du check-up digitalisé à la santé mentale et crée une opportunité stratégique dans un domaine historiquement moins structuré par la donnée continue.

    Un suivi médical continu : Kor étend la valeur au-delà de l’examen initial

    Kor associe à son check-up complet une promesse explicite de suivi médical continu. Les informations publiquement accessibles évoquent une évaluation de prévention comprenant prélèvements biologiques, paramètres cliniques et consultation d’interprétation. Cette articulation entre bilan initial et accompagnement longitudinal constitue une opportunité forte pour des modèles hybrides, à la frontière du check-up, de la médecine préventive et du disease management personnalisé. Kor insiste dans ses communications sur sa volonté de s’adresser à toute la population et pas uniquement les couches les plus favorisées.

    Une plateforme unifiée : Aro rapproche le check-up des logiciels de coordination clinique

    Aro se présente comme une plateforme unifiant dossier médical électronique, rendez-vous, paiements, admission patient et données de bien-être. Des comparatifs publics lui attribuent également plus de 60 biomarqueurs suivis et des tests biannuels dans une logique d’optimisation santé. Cette convergence entre coordination clinique, données de bien-être et suivi biologique suggère une opportunité de fusion entre check-up digitalisé et système d’orchestration du parcours patient.

    Risques majeurs

    Des millions de points de données : la complexité informationnelle peut dépasser la capacité d’appropriation clinique

    Neko Health met en avant la collecte de millions de points de données lors d’un seul parcours de scan. Si cette richesse analytique constitue un avantage compétitif, elle peut aussi créer un risque d’inflation informationnelle, en particulier si la hiérarchisation clinique des signaux n’est pas suffisamment robuste ou compréhensible pour l’utilisateur et les professionnels. Plus l’intensité des données produites par le check-up augmente, plus la qualité de l’interprétation et du tri des anomalies devient stratégiquement critique.

    Plus de 100 à 180 biomarqueurs : le risque de surinterprétation augmente avec la profondeur des panels

    Les offres de Superpower, Function Health et Lucis reposent sur des panels biologiques très étendus, allant de plus de 100 à plus de 180 biomarqueurs. Cette profondeur crée une promesse forte de détection précoce, mais elle peut aussi augmenter le risque de signaux ambigus, de résultats frontières ou de sollicitations médicales additionnelles dont la pertinence clinique n’est pas toujours explicitée dans les documents disponibles. Pour les acteurs hospitaliers et médicaux, ce point implique une vigilance particulière sur la capacité de ces modèles à éviter la surmédicalisation induite par la multiplication des mesures.

    Des données de santé sensibles : la gouvernance et le consentement deviennent centraux

    Les solutions étudiées reposent sur des données hautement sensibles : biologie, imagerie, signaux physiologiques continus, paramètres émotionnels ou informations issues de questionnaires de santé. BioSense explicite, par exemple, l’existence d’une notice d’information et de consentement relative au traitement des données personnelles et de santé dans un cadre RGPD. Les documents montrent ainsi que la confiance, la sécurité et la gouvernance des données constituent un risque structurant pour tout déploiement à grande échelle de check-ups digitalisés.

    Une logique premium : le risque d’inégalités d’accès reste élevé

    Zoī, Neko Health, Function Health et Superpower s’inscrivent dans des formats qui relèvent d’une médecine préventive fortement individualisée et technologiquement dense. Les sources mettent en évidence une montée en gamme de l’offre, mais elles suggèrent aussi implicitement un risque de concentration de ces services sur des segments solvables, au détriment d’une diffusion plus large dans les parcours de prévention ordinaires. Ce risque d’inégalités d’accès est majeur pour des décideurs publics ou hospitaliers cherchant à concilier innovation et équité.

    Un périmètre encore hétérogène : la catégorie du check-up digitalisé manque de normalisation

    Les documents fournis rassemblent sous une même bannière des offres très différentes : scan intégré, plateforme de biomarqueurs, outil pédagogique, prévention en entreprise, monitoring physiologique et suivi en santé mentale. Cette hétérogénéité signale une richesse d’innovation, mais elle crée aussi un risque de confusion stratégique et clinique, notamment pour les acheteurs, partenaires hospitaliers ou investisseurs qui compareraient des solutions répondant en réalité à des usages distincts. L’absence de normalisation claire de la catégorie complique donc l’évaluation comparative des résultats, des performances et des modèles économiques.

    Dynamiques structurantes du marché

    Quatre grands modèles : un marché en voie de modularisation

    Les sources permettent d’identifier quatre grands modèles opérationnels. Les centres intensifs et intégrés regroupent Neko Health, Zoī et Kor. Les plateformes de biomarqueurs et de longévité incluent Function Health, Superpower, Lucis et partiellement Aro. Les outils d’orientation ou d’interprétation préventive rassemblent Predilife, Lianeli et BioSense. Enfin, Chronolife et Emobot prolongent la logique du check-up dans le monitoring continu.

    3 000 clients et 500 000 tests : le passage à l’échelle devient un enjeu clé

    Les données publiques disponibles sur Lucis mentionnent 3 000 clients et plus de 500 000 tests réalisés. Au-delà du seul cas Lucis, ces indicateurs traduisent une dynamique de montée en puissance industrielle du marché, où la valeur ne dépend plus seulement de la sophistication technique, mais aussi de la capacité à déployer, standardiser et opérer ces solutions à grande échelle. Le passage à l’échelle apparaît ainsi comme un facteur discriminant pour les acteurs souhaitant s’imposer durablement dans l’écosystème de la prévention digitalisée.

    Une consultation, un scan, une application : l’intégration verticale devient un avantage concurrentiel

    Les offres de Neko Health, Kor, Superpower et Aro illustrent une tendance à l’intégration verticale de la chaîne de valeur, depuis la collecte de données jusqu’au suivi et à la coordination. Cette intégration peut renforcer l’expérience utilisateur, améliorer la captation de valeur et faciliter la fidélisation, mais elle accroît aussi les exigences opérationnelles et réglementaires pesant sur les acteurs. Les sources suggèrent ainsi que l’avantage concurrentiel ne repose plus seulement sur une technologie isolée, mais sur la capacité à articuler examen, interprétation, suivi et interface numérique au sein d’un système cohérent.

    Synthèse

    Plus de 10 modèles cités : un marché encore fragmenté mais déjà structuré par des logiques communes

    Les documents remis montrent que les solutions de check-ups santé digitalisés couvrent un spectre large comprenant Neko Health, Zoī, Kor, Predilife, Function Health, Superpower, Lucis, Aro, BioSense.life, Lianeli, Chronolife et Emobot, avec la mention complémentaire d’acteurs comme Astrium et BrainTrip. Malgré cette diversité, plusieurs points saillants convergent : intensification de la collecte de données, montée de la personnalisation, extension du check-up vers le suivi longitudinal et transformation de l’examen ponctuel en infrastructure de prévention. Les perspectives stratégiques les plus nettes, au regard des sources, concernent la modularisation du marché en briques complémentaires, l’essor des modèles récurrents fondés sur les biomarqueurs, la progression du monitoring continu et la nécessité, pour chaque acteur, de concilier sophistication technologique, lisibilité clinique, gouvernance des données et soutenabilité économique.

     

  • Santé des femmes et numérique : entre promesses technologiques et angles morts

    Article 1 – Santé des femmes : un état des lieux entre progrès fragiles et financements sous tension

    Les femmes vivent plus longtemps que les hommes, mais à peine plus longtemps en bonne santé : le cancer du poumon féminin progresse à contre-courant et quatre pathologies majeures (ménopause, SPM, migraine, endométriose) captent moins de 1 % des financements de recherche. La femtech promettait de combler ces lacunes, mais l’élan s’essouffle : après un pic à 2,7 Md$ en 2021, les investissements ont fondu, et en France 18 % seulement des 200 start-ups existantes ont levé des fonds en 2025. Un panorama lucide sur un secteur où les promesses du numérique se heurtent encore au mur du financement.

    👉 Pour lire l’article.

    Article 2 – Baromètre Femtech France 2026 : une filière qui gagne en maturité mais cherche encore son changement d’échelle

    L’écosystème femtech français se structure : 200 start-ups recensées (contre 170 un an plus tôt), un quart déjà rentables et près de 35 M€ levés en 2025 avec un ticket moyen qui double pour atteindre 3 M€. Surtout, le périmètre s’élargit, de la santé reproductive vers la santé globale des femmes (santé mentale, maladies cardiovasculaires, violences), et sept start-ups bénéficient désormais d’un remboursement par l’Assurance Maladie, tournant vers une vraie intégration dans le système de soins. Reste le nerf de la guerre : moins de 10 % des financements de capital-risque en santé vont à la femtech, encore perçue comme un marché « de niche ».

    👉 Pour lire l’article.

    Article 3 – IA et santé des femmes : ce que révèlent 13 études sur son impact clinique (revue de littérature)

    La synthèse de 13 études cliniques (2017–2026) montre que l’IA apporte des gains mesurables dans un domaine historiquement sous-étudié : jusqu’à 29 % de cancers du sein détectés en plus sans hausse des faux positifs, un dépistage fiabilisé des cancers du col et de l’ovaire, et la capacité d’anticiper les complications de grossesse (prééclampsie, diabète gestationnel, dépression post-partum) là où les femmes subissent les errances diagnostiques les plus longues. Mais le tableau invite à la prudence : deux essais randomisés de grande ampleur n’ont démontré aucune supériorité clinique (FIV, monitoring fœtal), et des biais ethniques et de genre menacent l’équité, des modèles entraînés sur des populations masculines risquant de reproduire à grande échelle le sous-diagnostic féminin. Un panorama nuancé qui pose une règle claire : preuve clinique et supervision humaine avant tout déploiement.

    👉 Pour lire l’article.

    Article 4 – Femtech : 16 solutions d’IA utilisées en France

    Ce panorama recense 16 solutions d’intelligence artificielle déployées en France au service de la santé des femmes, avec quatre terrains privilégiés : l’endométriose (dont le test salivaire Ziwig Endotest, face à une errance diagnostique de sept ans en moyenne), le dépistage des cancers féminins – domaine le plus mature, porté par des pionniers comme Therapixel -, la fiabilisation de l’échographie fœtale (Sonio, racheté par Samsung Medison, BrightHeart, Diagnoly) et des champs émergents comme la fertilité et la santé mentale. Un fil conducteur traverse ces dispositifs, dont beaucoup sont déjà marqués CE ou autorisés par la FDA : l’algorithme assiste le médecin sans jamais le remplacer.

    👉 Pour lire l’article.

    Article 5 – La santé mentale, nouveau front de la femtech française

    La catégorie « Santé mentale » de la cartographie Femtech France réunit six jeunes pousses qui recouvrent en réalité quatre approches très différentes : la deeptech clinique visant la validation scientifique et le remboursement (Dalia et son phénotypage numérique de la dépression, Theremia et sa médecine de précision), l’immersif au service du deuil périnatal et des tabous (Butterfly XR), l’accompagnement du rapport au corps et des troubles alimentaires (Club Mojo, Foodelles) et la prévention en entreprise (Sli.wo). Une même étiquette, donc, mais des modèles qui vont du dispositif médical B2B au parcours communautaire B2C, révélateur d’un secteur qui dépasse désormais la seule santé reproductive pour investir l’ensemble des spécificités de la santé féminine.

    👉 Pour lire l’article.

    Santé des femmes et numérique : entre promesses technologiques et angles morts
    Santé des femmes et numérique : entre promesses technologiques et angles morts

  • IA pour le maintien à domicile : chiffres clés, acteurs et conditions de passage à l’échelle

    Perte d’autonomie : 65% des Français veulent vieillir chez eux, mais l’IA ne convainc qu’à condition de rester humaine

    En France, 63% des personnes se sentent concernées par la perte d’autonomie et que près de 20 millions de personnes âgées sont attendues d’ici 2050, ce qui fait du maintien à domicile un enjeu massif. Malgré cela, l’IA suscite encore de fortes réserves : 61% des Français se disent peu enthousiastes, 65% peu confiants et 47% dépassés par cette technologie. La crainte principale porte sur la déshumanisation, puisque 80% estiment que l’IA menace les échanges sociaux et 57% redoutent un isolement accru des personnes fragiles. Les usages jugés utiles sont surtout ceux qui renforcent la sécurité et l’organisation, comme les détecteurs de chute soutenus par 87% des répondants ou les outils de mesure connectés approuvés par 76%. L’idée centrale est donc que l’IA peut aider le maintien à domicile, mais uniquement comme appui à la prévention, à la coordination et au travail des professionnels, jamais comme substitut à la présence humaine.

    👉 Pour lire l’article complet, cliquez ici.

     

    AI Act : à domicile, la conformité des solutions d’IA dépend de leur usage réel, pas de leur promesse marketing

    Le règlement européen sur l’IA, entré en vigueur le 1er août 2024, impose d’évaluer les solutions de maintien à domicile au cas par cas selon leur niveau de risque. Une solution d’assistance simple peut relever d’un régime relativement léger, alors qu’un système qui surveille, profile ou influence une décision de santé peut entrer dans une catégorie bien plus contraignante. Dans le domicile, les enjeux sont particulièrement sensibles car ils touchent à l’autonomie, au consentement, à la supervision humaine, à la traçabilité et aux données personnelles ou de santé. L’article souligne aussi que beaucoup d’initiatives sont encore au stade pilote, freinées par les coûts, l’interopérabilité et la fracture numérique, ce qui complique leur passage à l’échelle. Le message clé est qu’une IA de domicile n’est pas “autorisée” ou “interdite” en bloc : sa conformité se construit par la finalité réelle, l’utilité démontrée et le maintien d’un contrôle humain.

    👉 Pour lire l’article complet, cliquez ici.

     

    Le marché de l’IA pour le maintien à domicile accélère, porté par 92% de seniors favorables au vieillissement chez eux

    92% des personnes âgées souhaitent vieillir à domicile alors que les systèmes de santé cherchent à réduire les hospitalisations évitables. En Europe, le marché des soins connectés comptait 14,7 millions d’utilisateurs en 2024 et pourrait atteindre 23 millions en 2028, avec une croissance moyenne de 11,8%, tandis que le marché européen de la e-santé est estimé à près de 70 milliards de dollars. La téléassistance domine encore avec 9,7 millions d’utilisateurs, mais la télésanté progresse vite avec 6,6 millions d’usagers, dans un paysage où Tunstall, Legrand et TeleAlarm représentent 60% des ventes d’équipements. L’article met aussi en avant des cas concrets comme Cassiopea, qui teste un dispositif de cinq capteurs pour un coût cible de 49 euros par mois, ou Tucuvi et les programmes canadiens de smart homes. Mais cette croissance reste freinée par la fragmentation de l’offre, la dépendance aux financements publics, l’absence de modèles économiques stabilisés et le fait qu’une personne de 75 ans et plus sur deux n’a pas accès à Internet à domicile.

    👉 Pour lire l’article complet, cliquez ici.

     

    Vers un domicile médicalisé par l’IA : prévention prédictive, détection des chutes et coordination augmentée

    L’article part d’un constat structurant : plus de 92% des personnes âgées souhaitent vieillir chez elles, ce qui pousse le domicile à devenir un espace de soins connecté, préventif et coordonné. Les solutions étudiées promettent une détection précoce des fragilités grâce à l’analyse continue des habitudes de vie, certaines anticipant les risques 7 à 14 jours à l’avance et d’autres atteignant jusqu’à 99% de précision en laboratoire pour la détection de chute. Elles améliorent aussi la coordination entre aidants, familles et professionnels, et certaines plateformes identifient jusqu’à 15 risques majeurs, y compris le burn-out des aidants, avec des taux de satisfaction rapportés supérieurs à 90%. En parallèle, l’article insiste sur les limites : dépendance à la qualité des données, difficultés d’intégration dans les parcours de soins, enjeux de confidentialité et risque de substitution partielle du lien humain. Sa thèse principale est que l’IA peut transformer le domicile en pilier du système de santé, à condition d’être non intrusive, bien intégrée et strictement encadrée sur le plan éthique et organisationnel.

    👉 Pour lire l’article complet, cliquez ici.

     

    Plus de 30 solutions d’IA se disputent le domicile des seniors, avec des gains prometteurs mais une offre encore très fragmentée

    Les promesses sont fortes, avec jusqu’à 76% de chutes en moins pour Aladin+, 4 chutes sur 5 évitées selon Nobi, une réduction de 8 à 12% des passages aux urgences revendiquée par DeHealth et des anticipations de risque d’hospitalisation à 7 à 14 jours pour Presage Care. Le texte montre aussi l’émergence de modèles économiques “as a Service”, avec des tarifs illustratifs de 69,90 dollars par mois pour CarePredict, 45 euros par mois pour Otono-me, 60 à 90 euros pour Lili Smart et 2,99 dollars pour l’offre B2C de DeHealth. En contrepartie, les risques sont nombreux : conformité IA Act et RGPD, collecte massive de données sensibles, surcharge informationnelle pour les professionnels, faible lisibilité tarifaire et fracture numérique. L’enseignement central est que la valeur ne viendra pas seulement de la technologie, mais de la capacité des acteurs à prouver leur impact clinique, à s’intégrer aux parcours et à proposer des solutions interopérables, peu intrusives et soutenables économiquement.

    👉 Pour lire l’article complet, cliquez ici.

  • Achats numérique à l’hôpital : comment les centrales d’achat sont devenues le premier guichet du numérique hospitalier

    Article 1 – Etats des lieux des achats numériques : un marché français des SIH estimé à plus de 4Md €, mais un budget hospitalier moyen consacré de seulement 1,69 %

    Alors que le marché français de la santé numérique dépasse les 4 milliards d’euros, l’hôpital public se retrouve piégé dans un paradoxe budgétaire criant, n’allouant que 1,69 % de ses ressources à un outil informatique pourtant devenu vital face à l’explosion des cyberattaques. Entre fragmentation des décisions internes, obsolescence technique et dépendance face aux géants du logiciel, cet article décrypte comment les établissements tentent de sortir de l’impasse en s’appuyant sur les centrales d’achat pour rationaliser leurs investissements et transformer la contrainte financière en levier de modernisation stratégique.

    👉 Pour lire l’article complet, cliquez ici.

    Article 2 – Réglementation des achats hospitaliers : naviguer entre le nouveau seuil à 60 000 € et l’urgence NIS2

    Naviguer dans les méandres de la commande publique hospitalière en 2026 relève de la haute voltige : entre le relèvement du seuil de dispense à 60 000 €, l’exigence HDS 2.0 et la déferlante réglementaire NIS2, chaque décision d’achat engage désormais la responsabilité juridique et la résilience cyber de l’établissement. Face à une Cnil de plus en plus offensive et au durcissement des critères de la HAS, la conformité devient un défi quotidien pour les acheteurs. Un éclairage indispensable pour comprendre comment les centrales d’achat s’imposent désormais comme le bouclier stratégique incontournable pour s’affranchir de la lourdeur des procédures formalisées tout en sécurisant les trajectoires numériques.

    👉 Pour lire l’article complet, cliquez ici.

    Article 3 – Achats numériques à l’hôpital : 4 centrales passées à la loupe, de 410 M€ à 7,7 Md€ de volume

    Face au casse-tête des achats numériques à l’hôpital, quatre poids lourds de la commande publique se partagent le terrain : UniHA, le Resah, la CAIH et l’Ugap. Pesant de 410 millions d’euros à plus de 7 milliards d’euros de volume, ces structures ne s’affrontent pas mais dessinent une carte de complémentarités indispensables pour les établissements de santé. Qu’il s’agisse de déployer des logiciels métiers avec l’ancrage terrain d’UniHA, de négocier un entrepôt de données via le Resah, de verrouiller sa cybersécurité grâce à l’expertise sélective de la CAIH ou de commander du matériel standardisé en urgence auprès de l’Ugap, la clé réside désormais dans l’art de combiner ces différents réseaux. Un panorama comparatif essentiel pour guider les décideurs hospitaliers vers le bon guichet et optimiser chaque euro investi.

    👉 Pour lire l’article complet, cliquez ici.

    Article 4 – Catalogues d’achat : décryptage d’un marché de plus de 135 éditeurs référencés

    Avec un processus de sélection s’étalant sur 12 à 18 mois et des exigences de sécurité draconiennes, l’accès aux catalogues des centrales d’achat hospitalières s’apparente à un véritable parcours du combattant pour les éditeurs de logiciels. Une cartographie complète des offres d’UniHA, du Resah et de la CAIH révèle un marché hautement structuré de plus de 135 fournisseurs, allant du noyau dur historique que constituent le dossier patient informatisé (DPI) et le SIH jusqu’aux segments en pleine explosion de la cybersécurité, de l’intelligence artificielle et des entrepôts de données de santé. Une immersion exclusive dans les coulisses de ces catalogues pour permettre aux décideurs de décrypter les forces de chaque opérateur selon le domaine fonctionnel et d’optimiser la trajectoire de leurs investissements technologiques.

    👉 Pour lire l’article complet, cliquez ici.

    Article 5 – Stratégie d’achat numérique à l’hôpital : quelle voie choisir ?

    Face à la complexité croissante des systèmes d’information hospitaliers, l’art de la commande publique ne réside plus dans le choix d’une voie unique, mais dans le dosage sur mesure de trois leviers complémentaires : le marché propre pour le sur-mesure, les centrales d’achat pour l’immédiateté, et la mutualisation via les GHT pour la cohérence territoriale. Du grand CHU à l’ehpad, la réussite d’une trajectoire numérique dépend désormais d’une grille d’arbitrage fine, dictée par la criticité de la solution, les ressources internes et le degré d’innovation requis. Une mise en perspective essentielle des meilleures stratégies et des profils d’alignement pour transformer l’achat informatique en un véritable pivot de la modernisation hospitalière.

    👉 Pour lire l’article complet, cliquez ici.

    Achats numérique à l'hôpital : comment les centrales d’achat sont devenues le premier guichet du numérique hospitalier - H&TI
    Achats numérique à l’hôpital : comment les centrales d’achat sont devenues le premier guichet du numérique hospitalier – H&TI

  • IA en santé : comment mesurer une valeur réelle ?

    Évaluation des IA en santé : HTA européen et virage vers la RWE

    L’évaluation des IA en santé s’organise désormais en quatre niveaux complémentaires : performances techniques (sensibilité, spécificité, AUC), essais cliniques, real‑world evidence (RWE) et Health Technology Assessment (HTA) multidimensionnel. Les États‑Unis ont autorisé 1 451 dispositifs IA fin 2025, dont 295 en 2025, en s’appuyant sur des Predetermined Change Control Plans et une consultation spécifique sur la RWE. L’Union européenne mise sur un couplage MDR + règlement HTA, complété par l’AI Act qui crée une catégorie haut risque et rend les hôpitaux co‑responsables de l’évaluation continue. Le Royaume‑Uni (CHEERS‑AI, AI Airlock), la Corée du Sud (DMPA, fast‑track ramenant les délais de 490 à 80–140 jours) et le Japon (approbation dynamique, tarification basée sur l’ICER) illustrent des modèles combinant rigueur et agilité. En parallèle, la Chine déploie massivement des dispositifs IA (plusieurs centaines, 38 210 brevets en IA générative) avec une HTA peu développée, tandis que les écarts d’investissement (581 Md$ en IA en 2025, dont 109,1 Md$ aux États‑Unis) fragilisent la capacité européenne à produire des preuves robustes.

    👉 Lire l’article ici

     

    IA à l’hôpital : des promesses au ROI mesurable, 22% de coûts en moins et 2 heures gagnées par jour

    Face à environ 450 entreprises de santé numérique en France en 2024 dont 57 intégrant de l’IA, la réussite d’un projet dépend moins de la technologie que du portage institutionnel, de la maturité data et de la gouvernance des risques. Les KPI transverses couvrent l’adoption (taux d’utilisation, abandon), les processus (temps de cycle, erreurs), l’économie (coût par patient, coûts évités) et les indicateurs cliniques (radmissions, durée de séjour, PREMS/PROMs, sécurité, équité). Les organisations ayant intégré l’IA dans leurs processus critiques rapportent une baisse moyenne de 22% de leurs coûts opérationnels, et une étude Talan 2025 estime un gain potentiel jusqu’à 2 heures par jour pour les professionnels. Le ROI administratif se mesure via le codage PMSI automatisé, les délais de facturation, le taux de recouvrement et l’optimisation des plannings, tandis que le ROI clinique repose sur la réduction de la morbi‑mortalité, l’amélioration de la précision diagnostique et l’optimisation des parcours. S’ajoutent des dimensions encore peu intégrées mais stratégiques : QVCT (88% des soignants souhaitent intensifier l’usage de l’IA), empreinte environnementale (data centers IA 4–5 fois plus énergivores) et impacts éthiques (biais, explicabilité, souveraineté).

    👉 Lire l’article ici

     

     1 451 dispositifs IA autorisés par la FDA contre 219 marquages CE estimés : un fossé documenté

    Fin 2025, la FDA comptabilise 1 451 dispositifs IA autorisés, dont 295 pour la seule année 2025, alors qu’en Europe on estime à au moins 219 le nombre de solutions portant le marquage CE, faute de registre public complet type EUDAMED. La radiologie représente environ 76% des autorisations FDA (environ 1 104 dispositifs), suivie par la cardiologie (9%) et d’autres spécialités, avec 84,4% des dispositifs fondés sur des données d’imagerie. En France, le panorama 2024 recense 450 entreprises de santé numérique dont 57 produits intégrant de l’IA, un tiers étant des dispositifs médicaux, et 60% des solutions numériques intégrant de l’IA générative en 2025. Les cas d’usage dominants sont l’aide au diagnostic et au triage, l’imagerie (Gleamer, Incepto), la télésurveillance soutenue par les financements ETAPES, l’ambient listening (Nabla) et les IA organisationnelles et administratives sélectionnées via l’AMI 2025 (environ 100 solutions). L’absence de registre public unifié et la complexité du double cadre MDR + AI Act limitent aujourd’hui la lisibilité du marché pour les acheteurs institutionnels, en attendant l’effet structurant de l’AI Act à l’horizon 2027.

    👉 Lire l’article ici

     

    AFNOR, marquage CE, CHU de Montpellier, HAS : vers un écosystème coordonné d’évaluation des IA

    L’évaluation des IA en santé en France s’appuie sur un écosystème en structuration : normalisation (AFNOR), certification (marquage CE), living labs hospitaliers (CHU de Montpellier) et évaluation médico‑économique et organisationnelle (HAS). L’AFNOR a publié en mai 2024 l’AFNOR SPEC 2213 sur la “garantie humaine de l’IA en santé” et s’inscrit dans la dynamique ISO/IEC 42001, tandis que le CEN‑CENELEC prépare des normes harmonisées donnant présomption de conformité à l’AI Act. Le marquage CE, fondé sur le MDR/IVDR et la règle 11 pour les logiciels, fournit un socle de sécurité‑performance mais reste statique face à des modèles d’IA évolutifs, ce qui motive un futur parcours intégré MDR–AI Act. Le projet Alliance Santé IA du CHU de Montpellier (14,9 M€ France 2030, cluster 8 GPU H100, outil ERIOS pour détecter les hallucinations) illustre une approche d’évaluation institutionnelle en vie réelle, centrée sur des indicateurs publiés et reproductibles. Parallèlement, la HAS intègre l’IA dans le 6e cycle de certification (critères 3.4‑05/06 et 3.1‑06), publie des clefs d’usage de l’IA générative (démarche A.V.E.C.) et expérimente l’IA dans ses propres processus de revue de littérature.

    👉 Lire l’article ici

     

    IA en santé : preuves fortes en imagerie, résultats mitigés en ambient listening, essor en triage et recherche

    L’imagerie médicale concentre les preuves les plus robustes, avec 76% des autorisations FDA et des études montrant des performances diagnostiques proches de radiologues experts, par exemple une hausse de 17,6% de détection du cancer du sein dans l’étude Vara‑PRAIM (463 094 femmes). Les IA de quantification et de suivi longitudinal améliorent la reproductibilité des mesures et réduisent la variabilité inter‑observateur, notamment en oncologie et cardiologie, même si la revue eClinicalMedicine 2025 souligne encore une hétérogénéité des protocoles et un manque de données long terme. Pour l’ambient listening, une étude NEJM AI 2024 sur DAX n’a pas démontré de gain significatif d’efficacité, tandis qu’une étude JMIR 2026 sur 7 545 notes trouve que 83,8% des erreurs sont légères/modérées et que 5,3% des notes présentent un risque sérieux. Les IA de triage et monitoring, comme OSO‑AI, montrent des effets qualitatifs positifs (moins de réveils inutiles, meilleure organisation, réduction de la charge mentale), mais nécessitent d’articuler performance statistique et résultats cliniques réels. En recherche clinique, l’essai JAMA 2024 sur RECTIFIER (4 476 patients) montre un ratio de risque de 1,78 pour la rapidité de détermination de l’éligibilité, suggérant un potentiel important pour accélérer les essais et l’accès aux thérapies.

    👉 Lire l’article ici

     

    Pourquoi l’IA en santé ne peut pas être évaluée comme un SI classique

    Les systèmes d’information classiques sont déterministes, auditables et stables dans le temps, ce qui permet une évaluation centrée sur la conformité au cahier des charges, la performance technique et la satisfaction utilisateur. À l’inverse, l’IA est probabiliste, sujette au data/model drift, avec des erreurs asymétriques et parfois opaques, ce qui impose validation prospective, monitoring continu, analyse des biais et procédures de mise à jour encadrées. En santé, la réglementation est plus exigeante que dans d’autres secteurs : une IA clinique relève du MDR comme SaMD et de l’AI Act (haut risque), impose marquage CE, études de performance clinique et supervision humaine, conformément notamment à l’AFNOR SPEC 2213 et à la loi de bioéthique. Les IA non cliniques (codage PMSI, planification, facturation) se concentrent sur des indicateurs opérationnels (gain de temps, erreurs, recouvrement) mais restent concernées par l’AI Act si elles impactent les droits des personnes. La littérature souligne enfin l’importance de distinguer ROI financier et VOI (QALY, DALY, populations atteintes) et montre, avec l’étude COMPOSER sur le sepsis, que le même algorithme (AUROC 0,94) peut réduire la mortalité de 17% dans un hôpital et de 0% dans un autre selon les contextes organisationnels.

    👉 Lire l’article ici

     

    Un dashboard national pour piloter le ROI clinique et hors santé de l’IA

    L’article propose un dashboard structuré autour d’un double modèle de valeur : un ROI santé aligné sur le HTA (efficacité clinique, coût‑efficacité, impacts organisationnels) et un ROI hors santé centré sur la performance opérationnelle et financière. Le socle transversal commun à tout projet IA couvre quatre dimensions systématiques : impact économique (coût par patient, payback period), impact travail/QVCT (satisfaction, burnout, absentéisme), impact environnemental (consommation électrique, CO₂, eau) et impact éthique/souveraineté (biais, transparence, localisation des données, lock‑in). Des modules spécifiques détaillent des indicateurs dédiés aux IA cliniques (AUC, sensibilité, spécificité, événements indésirables, résultats patients) et aux IA organisationnelles/génératives (heures de documentation économisées, taux de codage automatisé validé, valorisation PMSI). Le cadre prévoit une gouvernance tripartite pour chaque modèle (responsable clinique, data scientist, informaticien) afin d’assurer un suivi structuré du cycle de vie. La trajectoire envisagée passe par des sites pilotes (CHU, CH, ESPIC), la consolidation inter‑sites, puis la convergence vers un modèle commun France articulé avec EUnetHTA, EHDS et l’AI Act pour parler un langage partagé de la “valeur réelle” de l’IA.

    👉 Lire l’article ici

     

    IA hospitalière : 5 archétypes et 4 phases de déploiement

    La santé est l’un des secteurs les plus difficiles à automatiser, avec une croissance de productivité de seulement 0,1% par an aux États‑Unis entre 1987 et 2024, et une part d’activités fortement automatisables estimée à 25–40% des heures de travail. L’article distingue cinq archétypes de projets IA (dépistage/triage, événements aigus, suivi de traitement, documentation ambiante, optimisation de flux) et insiste sur la nécessité de définir un unique type de retour principal (financier, clinique ou équité) par projet. Le cadre opérationnel repose sur six dimensions de préparation (données, workflows, porteur clinique, capacité d’action, mesure de référence, équité) et quatre phases de déploiement, avec des jalons explicites comme un taux de réponse clinique > 50% pour passer en phase d’expansion. Des tableaux de notation aident à planifier dès le départ la “conversation d’arrêt”, en fixant des critères quantifiés comme un taux de réponse < 30% après six mois ou la perte du porteur clinique. L’article recommande par ailleurs une allocation de portefeuille 70–20–10 entre archétypes éprouvés, extensions et expérimentations, et conclut qu’il est en général plus efficace d’acheter que de construire en interne, les développements maison décrochant en 18 mois.

    👉 Lire l’article ici

  • IA en santé : des cadres d’évaluation mondiaux de plus en plus exigeants, mais financés de façon profondément inégale

    L’évaluation de l’IA en santé inclue de nombreuses dimensions : méthodes cliniques de validation des performances, approches médico-économiques, cadres d’évaluation en vie réelle et frameworks d’impact organisationnel et éthique. Chaque grande économie mondiale a développé sa propre combinaison de ces dimensions, révélant des philosophies profondément différentes quant à ce que signifie « prouver la valeur » d’un système d’IA en santé. 

    Les méthodes d’évaluation : une taxonomie commune, des pratiques divergentes 

    L’évaluation technique et de performance du modèle constitue le premier niveau : mesure de la sensibilité, spécificité, AUC, valeur prédictive positive et négative, sur des jeux de données de test représentatifs. C’est le minimum requis partout, mais aussi la méthode la plus critiquée pour son insuffisance : un modèle aux excellentes performances statistiques peut s’avérer sans bénéfice clinique démontré en conditions réelles.  

    L’évaluation clinique constitue le second niveau : essais cliniques randomisés (ECR), études observationnelles prospectives ou rétrospectives, études de cohorte avant/après implémentation. La revue publiée dans JMIR en 2025 souligne que les études sur l’IA sont « insuffisantes pour couvrir les prérequis de l’Health Technology Assessment » : manque de preuves comparatives, hétérogénéité des populations d’entraînement, absence de données sur le long terme.  

    La real-world evidence (RWE) constitue le troisième niveau, désormais reconnu comme indispensable : évaluation des performances de l’IA sur des données réelles issues des dossiers patients électroniques, des flux de facturation ou des dispositifs connectés, dans des populations non sélectionnées. En septembre 2025, la FDA elle-même a lancé une consultation publique sur les méthodes de mesure de la performance des IA en conditions réelles, reconnaissant que « de nombreux dispositifs sont évalués principalement par des tests rétrospectifs ou des benchmarks statiques » qui ne reflètent pas leur comportement en déploiement.  

    L’évaluation HTA (Health Technology Assessment) représente le quatrième niveau, multi-dimensionnel : efficacité clinique relative, rapport coût-efficacité, impacts organisationnels, éthiques et sociaux. C’est la méthode la plus complète, mais aussi la plus exigeante en données et en temps. Le modèle HTA évalue classiquement 9 domaines (PICO, sécurité, efficacité, coût, équité, aspects légaux, éthiques, organisationnels, et impact patient), et des chercheurs proposent de l’adapter spécifiquement aux IA en y ajoutant l’interprétabilité, la cybersécurité, la transparence et la gestion de la dérive des modèles (model drift). 

    Le framework AI for IMPACTS, publié dans JMIR en février 2025, propose une synthèse des approches : il intègre le contexte clinique, les facteurs d’implémentation en vie réelle et les dimensions organisationnelles et sociales, allant bien au-delà des métriques techniques. Multidisciplinaire par nature, il reconnaît explicitement que « les méthodes d’évaluation traditionnelles peinent à suivre le rythme de développement de l’IA » et que des processus d’évaluation flexibles et accélérés sont nécessaires. 

    États-Unis : la preuve technique prime, la RWE s’impose 

    La FDA a construit son système d’évaluation autour de la voie 510(k) et de ses dérivés, dans lesquels la validation de performance sur des données cliniques représentatives est centrale. À fin 2025, 1 451 dispositifs IA avaient été autorisés cumulativement, dont 295 en 2025. La principale innovation méthodologique récente est la guidance Predetermined Change Control Plans (PCCP) de décembre 2024 : les fabricants documentent à l’avance les types de modifications algorithmiques autorisées sans resoumettre leur dossier, introduisant une logique d’évaluation continue et dynamique du cycle de vie. En septembre 2025, la FDA a lancé une consultation publique spécifique sur l’évaluation de la performance en vie réelle des IA médicales, signalant un pivot vers la RWE comme méthode complémentaire obligatoire. Sur le plan médico-économique, la méthode HTA n’est pas formellement requise pour l’accès au marché américain, le système repose davantage sur la négociation entre payeurs privés et industriels. Mais l’Inflation Reduction Act de 2022, en introduisant la négociation de prix pour les médicaments, a renforcé l’intérêt pour les approches coût-efficacité qui pourraient s’étendre progressivement aux DM et IA. 

    Union européenne : le HTA au cœur, avec un règlement dédié 

    L’Europe se distingue par la rigueur de son cadre d’évaluation clinique et par l’introduction d’un règlement HTA européen (UE 2021/2282), entré en application progressive depuis janvier 2025. Ce règlement harmonise les évaluations cliniques comparatives à l’échelle des États membres, produisant des rapports HTA publics et de haute qualité scientifique utilisables par toutes les agences nationales (dont la HAS en France). Les dispositifs médicaux basés sur l’IA sont soumis à une évaluation clinique rigoureuse selon le MDR, et l’AI Act (2024) impose des exigences supplémentaires : gouvernance des données, robustesse, traçabilité, supervision humaine, gestion des biais. Un changement majeur depuis 2025 : les hôpitaux deviennent co-responsables de l’évaluation continue des IA qu’ils déploient, devant vérifier la classification, les risques associés et la capacité du fournisseur à maintenir le modèle. La Commission a proposé un parcours intégré MDR/AI Act pour simplifier la double conformité, avec adoption prévue à l’été 2026. 

    Royaume-Uni : NICE, Evidence Standards Framework et sandbox réglementaire 

    Le Royaume-Uni dispose d’un des cadres d’évaluation les plus innovants au monde grâce au NICE (National Institute for Health and Care Excellence). Le HealthTech programme du NICE est responsable de l’évaluation des technologies numériques et IA, avec plusieurs niveaux d’évaluation selon la maturité de la solution : guidance précoce (Early Value Assessment), évaluation complète avec Health Technology Evaluation manual, et Evidence Standards Framework (ESF) pour les technologies numériques. En novembre 2024, le NICE a lancé l’outil CHEERS-AI : un standard de reporting coût-efficacité spécifique à l’IA, ajoutant 8 éléments aux 28 standards CHEERS classiques pour intégrer les nuances propres à l’IA, notamment l’autonomie des utilisateurs et l’apprentissage continu du modèle. Ce standard s’impose progressivement comme référence internationale. Parallèlement, la MHRA a développé l’AI Airlock, un programme sandbox permettant aux fabricants d’IA d’expérimenter leurs solutions dans un cadre réglementaire contrôlé avant soumission formelle. En juillet 2025, la MHRA (Medicines and Healthcare products Regulatory Agency) a introduit la reconnaissance mutuelle des autorisations FDA, TGA et Santé Canada, accélérant l’accès au marché sans dupliquer l’évaluation. 

    Canada: convergence méthodologique avec les États-Unis 

    Santé Canada évalue les dispositifs médicaux IA comme SaMD sous le MDR canadien. En 2025, une guidance pré-marché dédiée aux Machine Learning-enabled Medical Devices (MLMD) a été publiée, exigeant que les fabricants documentent explicitement les caractéristiques du ML dans leur dossier de soumission. Sur le plan HTA, l’ACMTS (Agence canadienne des médicaments et des technologies de la santé) conduit des évaluations médico-économiques comparables au modèle NICE, avec des analyses coût-efficacité et des revues systématiques. Le Canada participe à l’IMDRF (International Medical Device Regulators Forum), qui coordonne l’harmonisation internationale des méthodes d’évaluation réglementaire. Sur le plan financier, le Canada est au 4e rang mondial en investissement cumulé en IA (environ 15 milliards de dollars depuis 2013). 

    Chine : priorité au volume et à l’équivalence technique 

    La NMPA (National Medical Products Administration) évalue les dispositifs médicaux IA selon une classification à trois niveaux de risque. L’approche d’évaluation clinique chinoise est fondée sur le principe d’équivalence substantielle à des dispositifs déjà autorisés, avec une acceptation des données cliniques générées à l’étranger dans certains cas. La Chine a autorisé plusieurs centaines de dispositifs IA depuis 2020, principalement en imagerie. Si la robustesse méthodologique des évaluations cliniques est parfois critiquée, la Chine a publié depuis 2021 des réglementations post-marché plus strictes, s’alignant partiellement sur le modèle européen. Sur le plan de l’évaluation médico-économique, la HTA reste peu développée : l’État définit les prix par voie administrative, sans recours systématique aux méthodes coût-efficacité. La Chine mise davantage sur le volume (38 210 brevets en IA générative déposés entre 2014 et 2023, soit 6 fois plus que les États-Unis) que sur la rigueur évaluative. 

    Japon : l’approbation dynamique et le HTA ICER-based 

    Le Japon combine deux innovations méthodologiques remarquables. D’une part, la PMDA (Pharmaceuticals and Medical Devices Agency) pratique une approbation dynamique (dynamic approval) : gestion des risques par niveaux, critères d’examen flexibles selon le stade de développement, et surveillance post-approbation active. D’autre part, le Japon est le premier pays au monde à avoir adopté une méthode algorithmique de tarification basée sur l’ICER (Incremental Cost-Effectiveness Ratio) pour les technologies de santé, avec un seuil de consentement à payer de 5 à 10 millions de yens par QALY. Cette méthode, proche du modèle NICE britannique, s’applique aux médicaments mais tend à être étendue aux dispositifs médicaux numériques. Les AI Business Operator Guidelines d’avril 2024 posent des principes éthiques d’évaluation fondés sur la principles-based guidance, préservant l’agilité tout en garantissant la sécurité des patients. 

    Corée du Sud : le modèle le plus intégré pour les DM numériques 

    Avec le Digital Medical Products Act (DMPA) entré en vigueur en janvier 2025, la Corée du Sud a construit le cadre d’évaluation le plus spécifiquement adapté aux produits médicaux numériques et IA. Le DMPA impose des exigences originales : model cards (fiches de description du modèle), Predetermined Change Control Plans, étiquetage IA explicite, et évaluation de la robustesse du cycle de vie. Sur le plan HTA, la Corée du Sud utilise le HTA pour optimiser l’utilisation et les coûts des technologies, avec des méthodes comparables aux standards australiens et japonais. Le fast-track Market Immediate Entry de janvier 2026 réduit le délai approbation-usage clinique de 490 à 80-140 jours pour les innovations ayant passé une évaluation clinique renforcée. La Corée du Sud combine ainsi rigueur méthodologique et agilité réglementaire, en faisant un modèle de référence émergent. 

    Australie : technologiquement neutre et orientée enforcement 

    La TGA applique une approche technologiquement neutre : tout logiciel à visée diagnostique ou thérapeutique est soumis aux mêmes standards d’évaluation quelle que soit la technologie sous-jacente. Le cadre d’évaluation est fondé sur les Guidelines for SaMD, et la TGA participe au MDSAP (Medical Device Single Audit Program) avec la FDA, Santé Canada, le Japon et le Brésil. En 2025, face à la prolifération de solutions IA non enregistrées, la TGA a lancé une campagne d’enforcement ciblée — notamment contre les AI scribes intégrant des fonctionnalités diagnostiques non déclarées. Sur le plan HTA, l’MSAC (Medical Services Advisory Committee) conduit des évaluations médico-économiques rigoureuses, intégrant les analyses coût-efficacité et les impacts organisationnels dans les recommandations de remboursement. 

    Singapour et Israël : les modèles flexibles 

    Singapour (Health Sciences Authority) a publié dès 2021 des guidelines SaMD couvrant le cycle de vie complet, avec une approche fondée sur le risque adaptée à l’IA. L’agence adapte en continu ses méthodes d’évaluation aux spécificités des modèles génératifs. Israël a adopté une approche sectorielle : les régulateurs sectoriels (dont l’autorité sanitaire) définissent leurs propres méthodes d’évaluation, guidés par une National AI Policy de 2023 fondée sur le principe de responsible innovation. Avec 15 milliards de dollars cumulés en investissement IA, Israël est au 5e rang mondial, avec une forte concentration dans le secteur de la santé numérique.

    Sur le plan financier 

    Les écarts de financement conditionnent directement la capacité à produire les preuves nécessaires à une évaluation robuste. L’investissement privé mondial en IA a atteint 581 milliards de dollars en 2025, plus du double des 253 milliards de 2024. Le marché mondial de l’IA en santé est estimé à 28-40 milliards de dollars, avec un CAGR projeté entre 34 et 37%. Les États-Unis dominent avec 109,1 milliards de dollars en 2024, soit 12 fois l’investissement chinois. En France et en Europe, les levées de fonds en e-santé ont chuté de 42% en 2025, et l’Union européenne ne capte que 2% des deals mondiaux en IA générative, un écart qui fragilise la capacité à financer les études cliniques nécessaires à une évaluation de qualité.

    Tableau comparatif des méthodes d’évaluation 

    Pays / Zone 

    Méthode principale 

    HTA formalisée 

    RWE intégrée 

    Spécificité IA 

    États-Unis (FDA) 

    Validation technique + PCCP  

    Non obligatoire 

    En construction (2025)  

    PCCP, registre public 

    Union européenne 

    Évaluation clinique MDR + HTA EU  

    Oui (depuis 2025)  

    EUDAMED en cours 

    AI Act haut risque 

    Royaume-Uni (NICE) 

    ESF, CHEERS-AI, HTA multi-niveaux  

    Oui (NICE HealthTech) 

    Oui (NHS données) 

    CHEERS-AI, AI Airlock 

    Canada 

    MLMD Guidance + ACMTS HTA  

    Oui 

    Oui (CIHR) 

    MLMD guidance 2025 

    Chine (NMPA) 

    Équivalence substantielle + post-marché  

    Limitée 

    Non systématique 

    Volume brevets 

    Japon (PMDA) 

    Approbation dynamique + ICER-based HTA  

    Oui (ICER algorithmique) 

    Oui 

    Dynamic approval 

    Corée du Sud (MFDS) 

    DMPA, model cards, PCCP  

    Oui  

    En développement 

    Première loi DM numérique 

    Australie (TGA) 

    Technologiquement neutre + MSAC HTA  

    Oui (MSAC) 

    Oui (MDSAP) 

    Enforcement AI scribes 

    Singapour (HSA) 

    SaMD guidelines, risk-based  

    Partielle 

    Partielle 

    Hub régional 

    Israël 

    Sectoriel, principles-based  

    Partielle 

    Partielle 

    Responsible innovation 

    Convergences et tensions structurelles 

    L’analyse transversale fait émerger une convergence méthodologique autour de quelques principes : approche par niveaux de risque, exigence croissante de RWE post-déploiement, intégration de la gestion du cycle de vie des modèles (PCCP), et nécessité d’une évaluation multidimensionnelle dépassant les seules métriques techniques. L’IMDRF et l’OCDE jouent un rôle de coordination croissant, et plusieurs pays (Canada, Corée du Sud) ont explicitement repris la méthodologie PCCP de la FDA. La guidance CHEERS-AI du NICE est déjà adoptée comme référence par plusieurs agences européennes pour les évaluations économiques de l’IA. 

    Les tensions persistantes portent sur deux axes. D’abord, rigueur vs vitesse : l’Europe et le Royaume-Uni investissent dans des cadres d’évaluation exigeants (HTA, MDR, AI Act) qui garantissent la qualité des preuves mais allongent les délais, tandis que la Corée du Sud et le Japon démontrent qu’il est possible de combiner rigueur et agilité. Ensuite, réglementation vs évaluation de la valeur : la plupart des pays maintiennent une séparation entre la validation réglementaire (accès au marché) et l’évaluation de la valeur (remboursement, adoption). Combler ce fossé, pour que l’autorisation d’un dispositif soit accompagnée d’une démonstration de valeur réelle, constitue le principal défi méthodologique des prochaines années pour l’ensemble des systèmes de santé.