Un corpus de 15 études (2024–2025) sur la santé numérique des personnes âgées
La transition démographique et la pression sur les systèmes de santé rendent urgente l’évaluation rigoureuse des interventions numériques destinées aux personnes âgées. Ce contexte impose l’évaluation rigoureuse des bénéfices et limites des interventions numériques dédiées à la population âgée, en intégrant à la fois les dimensions cliniques, organisationnelles et sociales. Cet article synthétise et analyse les résultats de quinze études récentes publiées entre 2024 et 2025 dans des revues spécialisées telles que :
- BMC Geriatrics(He et al., 2025; Liu et al., 2025),
- European Geriatric Medicine(Deng et al., 2025),
- Healthcare Basel(Pilotto et al., 2025),
- et d’autres, menées par des équipes de recherche issues de Chine (Université de Médecine de Tongji, Université de Changsha, Anhui Medical University), d’Europe (Galliera Hospital – Italie, Hôpital Paris Saint-Joseph – France), du Royaume-Uni (Imperial College London), ou d’Australie (University of Queensland).
L’objectif est d’identifier les avancées, les points critiques et les recommandations pour une intégration efficace du digital en santé gériatrique.
Les articles retenus couvrent des thématiques structurantes :
- littératie numérique et capacité de gestion individuelle des patients âgés ;
- impact des dispositifs digitaux sur la cognition, l’adhésion thérapeutique ou la gestion du diabète ;
- méthodes organisationnelles et gouvernance des plateformes gériatriques numériques.
Littératie numérique : jusqu’à 49 % de l’effet expliqué par le soutien social
Plusieurs études examinent le lien entre e-health/digital health literacy et autogestion chez les personnes âgées. He et al. (2025) rapportent des scores moyens : eHealth literacy 17.43 ± 8.11; self-management 87.76 ± 13.39; perceived social support 55.33 ± 12.09, et montrent une corrélation positive entre ces variables, avec un effet médiateur partiel du support social (49.02% de l’effet total). Ces trois dimensions sont positivement liées : plus la littératie est élevée, plus l’autogestion est bonne. Mais une partie de cet effet passe par le soutien social, qui explique 49 % de la relation totale.
Liu et al. (2025) observent une digital health literacy moyenne de 39.25 ± 9.00 et un score d’autogestion 27.82 ± 9.56 ; la médiation par le support social et la dépression explique 36.07% de l’effet total. Ici aussi, la relation entre littératie et autogestion est indirectement influencée par deux facteurs : le soutien social et la dépression. Ensemble, ils expliquent 36 % de l’effet total.
Chen et al. (2025) confirment que chez des personnes âgées en Jiangsu, la littératie numérique a un impact direct et fort sur la fonction physiologique (β = 0,916 ; p < 0,001). En revanche, son effet indirect via la fonction physiologique sur les comportements de santé n’est pas statistiquement confirmé.
En résumé : mieux les personnes âgées maîtrisent les outils numériques, mieux elles gèrent leur santé — mais cet effet dépend fortement de facteurs sociaux et psychologiques (soutien, dépression, état physiologique).
Cognition et réhabilitation : amélioration globale de 0,50 écart-type
Deng et al. (2025) réalisent une méta-méta-analyse sur 31 revues et rapportent un effet global significatif des DHIs (Digital Health Intervention, c’est-à-dire intervention numérique en santé) sur la fonction cognitive. Des effets spécifiques sont signalés pour attention, mémoire, fonctions exécutives et vitesse de traitement.
Wen et al. (2025) étudient l’adhérence en réadaptation post-AVC avec approche multimodale et montrent des augmentations significatives des indicateurs d’adhérence au fil du temps; feedback de haute qualité améliore la conformité (β = 0.0318) tandis que des retours trop fréquents peuvent la dégrader (β = -0.0914).
Gériatrie à domicile : réduction documentée de la durée d’hospitalisation
Le projet MULTIPLAT_AGE (Pilotto et al., 2025) propose une plateforme CGA-based utilisée dans cinq études et émet des recommandations : réduction des durées d’hospitalisation, amélioration de la fragilité multidimensionnelle, performances physiques et cognitives. Les auteurs insistent sur l’intégration du MPI et d’une plateforme web commune pour l’« aging in place ».
Yang et al. (2025) passent en revue les technologies pour patients âgés diabétiques en « smart wards » (CMG, RT-CGM, intégration 5G, big data, HIS). Les auteurs identifient un potentiel d’amélioration des résultats cliniques mais soulignent des défis d’implémentation.
IA clinique : AUC de 0,817 pour prédire la mortalité à 90 jours
Weller et al. (2025) ont construit un modèle d’intelligence artificielle pour prédire, dès 48 heures après l’admission, le risque de décès à 90 jours chez des patients âgés hospitalisés pour insuffisance cardiaque. Xiao & Liu (2025) ne se concentrent pas sur les patients mais sur la gouvernance des plateformes de services de santé pour personnes âgées. En utilisant la théorie des jeux, ils montrent que les plateformes, les entreprises de soins et le gouvernement adoptent différentes stratégies qui peuvent parfois être opportunistes (chercher un avantage au détriment du système). Leur conclusion : une régulation gouvernementale active est indispensable pour encourager la coopération et éviter les dérives des plateformes ou des prestataires.
Formation et équité : de +1,7 odds ratio à 100 % de rétention
Beverly et al. (2025) ont testé un module de formation en gériatrie utilisant la réalité virtuelle immersive (« cine-VR ») auprès de 65 étudiants en santé. Le programme a montré une rétention complète des participants (100 %) et une amélioration significative de l’empathie et de l’auto-efficacité des étudiants.
Aryasinghe et al. (2025) ont appliqué le traitement automatique du langage (NLP) pour analyser un dispositif de recrutement inclusif dans le NHS. Leur étude révèle que l’ajout d’une lettre explicative adressée aux CEO augmente les chances d’embauche de candidats issus des minorités ethniques (odds ratio = 1,7 ; IC 95 % : 1,2–2,3). Toutefois, des inégalités persistent malgré cette intervention.
Woods et al. (2025) rapportent, du côté australien, un plan d’action académique national visant à requalifier la main-d’œuvre en santé numérique et à renforcer les capacités de recherche dans ce domaine.
Nouveaux modèles organisationnels : précision de 92,6 % dans la recommandation de services
Hu et al. (2025) décrivent en Chine un modèle d’« assistance mutuelle intelligente » reposant sur une plateforme décisionnelle connectée au centre de gestion des données de santé. Leur système améliore sensiblement la performance des recommandations de services pour les personnes âgées, avec une précision de 92,6 % contre 88,6 % pour les méthodes traditionnelles et un temps moyen de réponse réduit à 18,5 secondes contre 25,2 secondes.
De leur côté, Hirmas-Adauy et al. (2024) proposent une revue de 421 publications sur les interventions de santé numérique destinées aux personnes âgées. La majorité des initiatives recensées proviennent de pays à revenu élevé et reposent principalement sur des solutions utilisant téléphones mobiles et ordinateurs.
Tableau comparatif synthétique des 15 études
| Réf. |
Population (n) |
Méthodologie |
Résultats chiffrés clés |
Conclusion principale |
| He et al., 2025 |
337 elderly stroke pts |
Cross-sectional; eHealthLS, PSS, SSMS |
eHealth 17.43±8.11; self-mgmt 87.76±13.39; mediator social support 49.02% |
Low e-health literacy; social support médiateur partiel |
| Liu et al., 2025 |
202 rural elderly chronic |
Survey; SEM, AMOS |
DHL 39.25±9.00; self-mgmt 27.82±9.56; indirect effect 36.07% |
DHL affecte self-mgmt via social support & dépression |
| Deng et al., 2025 |
31,093 (revues) |
Umbrella/meta-meta |
Global cognitive SMD 0.50 (0.40–0.60) |
DHIs améliorent cognition chez âgés |
| Wen et al., 2025 |
180 (540 datapoints) |
Longitudinal LMM |
Time effects +; high-quality feedback β=0.0318; over-frequent feedback β=-0.0914 |
Personalized feedback & psycho support boost adherence |
| Pilotto et al., 2025 |
Multi-center projets |
Projet réseau, recommandations |
Réduction LOS; amélioration MPI et fonctions |
CGA-based digital program recommandé pour aging in place |
| Weller et al., 2025 |
2257 deriv; 348/388 val |
EHR + NLP; LASSO + LR |
AUC deriv 0.817; val 0.750 & 0.723; risk strata observed mort. 3.8/8.4/19.4% |
AI model robust pour prédiction 90-day mortality |
| Xiao & Liu, 2025 |
Théorique modèle |
Evolutionary game theory |
5 equilibrium points; régulation positive clé |
Régulation active favorise coopération plateforme/enterprises |
| Aryasinghe et al., 2025 |
NHS recruitment data (sep2021-jan2024) |
NLP + regression |
Letter to CEO OR 1.7 [1.2–2.3] for BME offers |
NLP utile; interventions augmentent diversité mais inégalités subsistent |
| Yang et al., 2025 |
Revue (diabetes elderly) |
Narrative review |
Intégration RT-CGM, 5G, big data |
Smart wards potentiels mais challenges implémentation |
| Chen et al., 2025 |
Jiangsu elderly |
Survey; SEM |
e-health → phys func β=0.916 (p<0.001) |
Renforcer e-health literacy pour healthy digital aging |
| Hu et al., 2025 |
Simulations & tests |
Decision support platform |
Recommendation accuracy 92.6% vs 88.56% |
Plateforme améliore recommandation pension services |
| Beverly et al., 2025 |
65 students |
Pilot pre-post cine-VR |
Retention 100%; ↑empathy, ↑self-efficacy (p<.05) |
Cine-VR feasible for geriatric training |
| Hirmas-Adauy et al., 2024 |
421 documents |
Scoping review |
Majority HIC; devices phone/PC; focus home apps |
Need more LMIC research; evaluate effectiveness |
| Woods et al., 2025 |
Council perspective |
Action plan |
N/A (policy actions) |
Requalify workforce; fund digital health R&D |
| Cai et al., 2024 |
578 elderly |
Survey; mediation analysis |
Self-identity & social capital mediate e-health→motivation (effect 0.61) |
e-health literacy → education motivation via identity/social capital |
3 convergences : amélioration cognitive, adhérence accrue, valeur prédictive de l’IA
Il ressort de la concordance des études analysées que le bénéfice des interventions numériques chez les personnes âgées dépend étroitement :
- de la qualité de l’accompagnement (personnalisé, bienveillant, psychologique aussi bien que technologique),
- de l’adéquation des outils à la fragilité et l’hétérogénéité de cette population,
- des politiques de gouvernance proactives, adaptées à la diversité des contextes nationaux (Europe, Asie, Australie),
- de la collecte de données rigoureuse pour évaluer l’efficacité réelle et ajuster les dispositifs,
- et de la réduction des inégalités sociales face à la diffusion du numérique.
Les effets constatés sur l’autogestion, la cognition et la réhabilitation sont substantiels mais conditionnés par l’environnement psychosocial et la pertinence des outils. Les modèles d’intelligence artificielle nécessitent une validation constante et une transparence méthodologique.
Bibliographie
He, T., Huang, J., Song, C., Du, C., Zhang, W., Zhu, Q., & Shi, H. (2025). The mediating effect of perceived social support between e-health literacy and self-management ability in elderly stroke patients: A cross-sectional survey. BMC Geriatrics, 25(1), 712. https://doi.org/10.1186/s12877-025-06369-8
Xiao, M., & Liu, H. (2025). The impact mechanism of government regulation on the operation of smart health senior care service platform: A perspective from evolutionary game theory. International Journal of Health Policy and Management, 14, 8646. https://doi.org/10.34172/ijhpm.8646
Deng, Y., Wang, M., Li, C., & Wu, H. (2025). An umbrella review and meta-meta-analysis on the effectiveness of digital health interventions for cognitive function improvement in the elderly. European Geriatric Medicine. Advance online publication. https://doi.org/10.1007/s41999-025-01257-1
Pilotto, A., Massone, C., Iaccarino, G., Genazzani, A., Trompetto, C., Arabia, G., Morganti, W., Seminerio, E., Illario, M., Castello, L., Mori, L., Pignolo, L., Custureri, R., & MULTIPLAT_AGE Investigators. (2025). A digital-health program based on comprehensive geriatric assessment for the management of older people at their home: Final recommendations from the MULTIPLAT_AGE Network Project. Healthcare (Basel), 13(10), 1105. https://doi.org/10.3390/healthcare13101105
Aryasinghe, S., Carenzo, C., Barnett, K. A., Khalid, R., Greenaway-Harvey, K., Sherlock, C., Clark, L., Croft, K., Orchard, T., & Mayer, E. (2025). Increasing the ethnic diversity of senior leadership within the English National Health Service: Using an artificial intelligence approach to evaluate inclusive recruitment strategies in hospital settings. Human Resources for Health, 23(1), 24. https://doi.org/10.1186/s12960-025-00991-8
Woods, L., Haines, M., Arabi, S., Boyd, J., Butler-Henderson, K., Gray, K., Gruen, R. L., Guinea, S., Bennett, C., & Sullivan, C. (2025). Where to for digital health? The Australian Council of Senior Academic Leaders in Digital Health action plan. Australian Health Review, 49, AH25039. https://doi.org/10.1071/AH25039
Liu, X., Gan, X., Ren, G., Mao, Z., Hu, J., Sha, C., & Wu, J. (2025). Path analysis of the influence of digital health literacy on self-management behaviour among elderly patients with chronic diseases in rural China. BMC Geriatrics, 25(1), 293. https://doi.org/10.1186/s12877-025-05952-3
Wen, X., Li, Y., Zhang, Q., Yao, Z., Gao, X., Sun, Z., Fang, X., & Huang, W. (2025). Enhancing long-term adherence in elderly stroke rehabilitation through a digital health approach based on multimodal feedback and personalized intervention. Scientific Reports, 15(1), 14190. https://doi.org/10.1038/s41598-025-95726-z
Chen, A., Wang, X., Xu, A., Liu, Q., & Tong, B. (2025). Analysis of the impact of e-health literacy on health behavior among the elderly in Jiangsu: Structural equation model. Public Health Nursing, 42(4), 1461–1468. https://doi.org/10.1111/phn.13565
Yang, W., Lu, J., Si, S. C., Wang, W. H., Li, J., Ma, Y. X., Zhao, H., & Liu, J. (2025). Digital health technologies/interventions in smart ward development for elderly patients with diabetes: A perspective from China and beyond. World Journal of Diabetes, 16(4), 103002. https://doi.org/10.4239/wjd.v16.i4.103002
Hu, Z., Wang, J., Nie, H., Liu, Y., & Li, X. (2025). Building new model of intelligent mutual support for the elderly based on the decision support platform of the health management data center. SLAS Technology, 32, 100274. https://doi.org/10.1016/j.slast.2025.100274
Weller, J., Gutton, J., Hocquet, G., Pellet, L., Aroulanda, M. J., Bruandet, A., Theis, D., Boudis, F., Cador, R., Zweigenbaum, P., Buronfosse, A., de Groote, P., & Komajda, M. (2025). Prediction of 90-day mortality in elderly patients with acute HF from e-health records using artificial intelligence. ESC Heart Failure, 12(3), 2200–2209. https://doi.org/10.1002/ehf2.15244
Beverly, E. A., Miller, S., Love, M., & Love, C. (2025). Feasibility of a cinematic-virtual reality program educating health professional students about the complexity of geriatric care: Pilot pre-post study. JMIR Aging, 8, e64633. https://doi.org/10.2196/64633
Hirmas-Adauy, M., Castillo-Laborde, C., Awad, C., Jasmen, A., Mattoli, M., Molina, X., Olea, A., Matute, I., Soto, F., Rubilar, P., Urrejola, O., Alfaro, T., Abusleme Lama, M. T., & Esnouf, S. (2024). Navigating through innovation in elderly’s health: A scoping review of digital health interventions. Public Health Reviews, 45, 1607756. https://doi.org/10.3389/phrs.2024.1607756
Cai, S., Du, J., Chen, X., Li, E., & Chen, Y. (2024). The relationship between e-health literacy and educational participation motivation among elderly individuals: The chained mediating effects of self-identity and social capital. British Journal of Hospital Medicine, 85(9), 1–13. https://doi.org/10.12968/hmed.2024.0261
Annexe : stratégie de recherche documentaire PubMed
La sélection des articles scientifiques ayant servi de base à la synthèse présentée dans ce travail repose sur une requête ciblée effectuée sur PubMed :
(“health”[Title] AND (“AI”[Title] OR “artificial intelligence”[Title] OR “VR”[Title] OR “virtual reality”[Title] OR “digital therapies”[Title] OR “robotics”[Title] OR “platform”[Title] OR “telemedicine”[Title] OR “teleconsultation”[Title] OR “telesurveillance”[Title] OR “smartphone application”[Title] OR “robot”[Title] OR “digital health”[Title] OR “e-health”[Title] OR “healthtech”[Title])) AND (“elderly”[Title] OR “senior”[Title] OR “geriatric”[Title])
Cette requête a permis de cibler spécifiquement les publications en anglais dont le titre comporte à la fois des mots-clés relatifs à la santé numérique, aux nouvelles technologies (intelligence artificielle, réalité virtuelle, robotique, plateformes numériques, télésanté, etc.), et à la population âgée (elderly, senior, geriatric).
Ce choix méthodologique garantit la pertinence thématique et la reproductibilité du corpus de références utilisé pour cette revue académique.