Articles

  • Triage, imagerie, flux: l’IA se développe progressivement au sein des services d’urgences.

    Exec. summary – Les urgences font face à une hausse d’activité et des délais prolongés, notamment en raison du vieillissement de la population. Dans le même temps l’IA devient un levier majeur pour prioriser, diagnostiquer et piloter les ressources en temps réel, à condition de maîtriser biais, explicabilité et preuves cliniques robustes. Les études publiées ces deux dernières années montrent des gains concrets en triage, imagerie et gestion des flux, mais la valeur dépend d’essais prospectifs, d’une intégration au workflow et d’une gouvernance outillée par les établissements. Sur le terrain, l’écosystème s’accélère (26 usages, 40 solutions) et des tiers‑lieux comme PLATINES, soutenus par France 2030, sécurisent l’interopérabilité, l’évaluation d’impact et le passage à l’échelle. Enfin, les initiatives nationales ciblent transcription des appels, triage et prévision des attentes, pour un déploiement mesuré et utile aux patients comme aux soignants.

    📌🗺️Urgences 2024: 16,1 M de passages (+1,9%), la moitié des patients attendent, plus de 3h.

    En 2024, les urgences ont enregistré 16,1 millions de passages, en hausse de 1,9% par rapport à 2023, avec une progression marquée chez les 75 ans et plus (+5%). La moitié des patients y sont restés plus de 3 heures (contre 2 h 15 en 2013), alors que 85% des cas relèvent de niveaux CCMU 2–3 et seulement 2% d’urgences vitales CCMU 4–5. La baisse d’accès à la médecine de ville pèse: 21% des passages sont motivés par l’impossibilité de consulter un médecin traitant, contre 14% dix ans plus tôt. Face à cette pression, des organisations modulaires (tri, fast-track, UHCD, coopération ville-hôpital) et des outils d’IA de prédiction/affichage des temps d’attente jusqu’à J+5 sont expérimentés, tandis que la Cour des comptes appelle à une refonte du pilotage des soins non programmés et des admissions directes.

    👉 Plus de détails sur “16,1 millions de passages aux urgences en 2024 (en hausse de 1,9%) : Argenteuil et Valenciennes expérimentent de nouveaux modèles d’organisation”

    📌IA en urgence: triage plus précis, imagerie accélérée, flux optimisés—avec des garde-fous éthiques et réglementaires

    Les études 2024–2025 montrent que l’IA améliore le triage (sensibilité ~0,86; spécificité ~0,81; réduction du temps de tri ~22%), renforce la détection en imagerie (fractures IA 94% vs juniors 89%; AUC pneumothorax 0,92; -6 minutes sur le délai moyen), et optimise les flux (jusqu’à 61% de variance d’afflux expliquée; abandons avant médecin réduits de 8% à 4,3%). Les gains s’accompagnent de limites: biais de données, explicabilité et acceptabilité soignante, validations réglementaires/médico-économiques encore rares. Les recommandations clés portent sur des évaluations multicentriques prospectives, l’intégration d’XAI, la formation des professionnels et l’implication des patients. En pratique, la combinaison IA+clinicien franchit souvent un palier de performance et favorise une adoption plus sûre.

    👉 Plus de détails sur “L’IA en médecine d’urgence : état de l’art, enjeux et perspectives à partir de la littérature scientifique (2024-2025)”

    📌PLATINES (HCL): 1,6 M€ France 2030, 2 pilotes (Fluence, ACIST), 24 000 pros mobilisables pour tester et déployer

    PLATINES, tiers-lieu d’expérimentation porté par les HCL, agit comme guichet unique pour les soins non programmés et l’urgence, avec une équipe de 5 personnes, 12 partenaires structurants et un accès à 24 000 professionnels. Labellisé en 2024, le programme est doté de 1,6 M€ sur 3 ans pour structurer et prouver l’impact, avec deux pilotes phares: Fluence (géolocalisation indoor aux urgences pour fluidifier les flux) et ACIST/MAX (aide cognitive en EHPAD pour éviter des passages aux urgences non nécessaires). La méthode par jalons TRL 0→7 sécurise l’idéation, la faisabilité, les tests/évaluations et l’expérimentation en conditions réelles, avec un accent sur interopérabilité, impact organisationnel et adoption. L’effet réseau (Pulsalys, Minalogic, SAS69, Lyonbiopôle…) accélère la preuve d’utilité et le passage à l’échelle.

    👉 Plus de détails sur “PLATINES, le tiers-lieu qui ancre l’innovation numérique au plus près des urgences”

    📌TIAEU (CHU Lille): le LLM surpasse les autres modèles pour prédire le tri, mais l’impact clinique reste à prouver

    Sur 7 mois d’observation (06–12/2024), TIAEU compare un NLP, un LLM et une architecture JEPA au référentiel de tri; le LLM domine sur un composite de performance (2,514 vs 0,438 pour JEPA et −3,511 pour NLP) et dépasse le tri infirmier (−4,343), avec un signal sur la prédiction d’hospitalisation. L’étude reste rétrospective, mono‑centre, sans impact en temps réel: généralisabilité, latence d’inférence, explicabilité, journalisation des écarts et surveillance du drift restent à adresser. Le passage à l’échelle suppose un essai prospectif (cluster/stepped‑wedge) mesurant délais vers secteurs critiques, réorientations pertinentes, EI évités et effet médico‑économique, intégré au workflow IAO. Sans cette étape, TIAEU demeure une preuve de concept prometteuse plutôt qu’un changement de pratique.

    👉 Plus de détails sur “TIAEU : l’IA qui écoute le triage, entre promesse clinique et réalité du terrain”

     

    📌🗺️IA aux urgences: 26 cas d’usage en 2025 (+100% en un an), déploiements dans plusieurs CHU et montée des usages préhospitaliers

    En 2025, la cartographie des usages recense 26 cas d’IA en urgence, soit un doublement en un an (+100%), avec une diversification vers le triage automatisé, la gestion prédictive des flux, l’administration et la communication préhospitalière. Douze cas visent l’aide au diagnostic (cardiologie, neuroradiologie, thoracique), avec des plateformes ECG temps réel totalisant plus de 20 000 actes annuels dans des centres comme la Pitié‑Salpêtrière et Jacques‑Cartier, et des outils radiologiques/neuroradiologiques déployés au CHRU de Nancy ou au CHU de Poitiers. Le triage automatisé progresse, jusqu’à 40 établissements équipés pour classifier la gravité et qualifier des incidents à partir d’images et métadonnées, tandis que l’analyse d’appels et de photos accélère la détection d’AVC et d’accidents graves avant décroché. Côté opérations, plusieurs solutions anticipent les pics, estiment les lits et ajustent les équipes, avec des centres de commandement réduisant engorgement et durées de séjour, et l’automatisation documentaire (transcription, cotation, facturation) libère du temps médical.

    👉 Plus de détails sur “IA aux urgences : de 13 à 26 cas d’usage en un an, une accélération confirmée”

    📌🗺️IA urgences: 40 solutions actives dont 12 pour le diagnostic et 7 pour la prédiction des flux.

    L’écosystème recense 40 start-ups positionnées sur les urgences, majoritairement sur l’aide au diagnostic (12 solutions, ex. qXR, CorEx) et la prédiction des flux (7, ex. Saniia Urgences+, Optacare), avec des déploiements notables au CHU de Rennes, Poitiers, Nancy, à Cochin, Foch ou l’IMM. Les plateformes d’optimisation des flux anticipent admissions, temps d’attente, lits et imageries, avec des usages installés depuis 2018 à Valenciennes et étendus à Nice, Chalon et Villefranche. Les entrants récents restent mesurés (4 solutions créées en trois ans: FollowMe Urgences, Sclépios IA, Bits2Beat Predictive Analytics, SAUsmart), indiquant une dynamique continue mais un marché globalement stabilisé. L’ensemble traduit une diffusion opérationnelle des cas d’usage cœur (diagnostic, flux), complétée par l’automatisation documentaire et la communication patient pour libérer du temps médical.

    👉 Plus de détails sur “40 solutions dans l’écosystème de l’IA pour les services d’urgences”

  • 40 solutions dans l’écosystème de l’IA pour les services d’urgences

    40 start-ups proposent des solutions d’IA pour les services d’urgences

    Les services d’urgences, confrontés à une pression croissante et à des besoins d’efficacité, voient émerger un écosystème d’innovations porté par 40 start-ups spécialisées dans l’intelligence artificielle. Ces solutions couvrent principalement l’aide au diagnostic, avec des outils comme qXR ou Corex qui assistent les radiologues dans la détection de pathologies thoraciques ou cardiaques afin de fluidifier la prise en charge des patients. D’autres, comme Saniia Urgences+ ou Optacare, optimisent la prédiction des flux hospitaliers en anticipant les admissions, les temps d’attente ou la gestion des lits, améliorant ainsi l’efficience opérationnelle. Enfin, l’arrivée récente de jeunes pousses telles que FollowMe Urgences ou Sclépios IA souligne un apport continu d’innovations, même si la distribution des initiatives traduit la maturité croissante de ce marché.

    Le secteur le plus fourni est celui de l’aide au diagnostique d’urgence, avec 12 solutions dédiées. Dans cette catégorie on peut notamment mentionner qXR. Utiliser au CHU de Rennes; de Poitiers et de Nancy, QXR un outil assistant les radiologues et les services d’urgence dans la détection des pathologies thoraciques en radiographie. Une liste de travail avec la classification des examens en “normal” et “anormal” permet aux radiologues et aux médecins urgentistes de prioriser le flux des patients aux urgences. Du même type, la solutions Corex analyse les scanners cardiaques de manière automatisée, détectant les plaques molles non obstructives potentiellement dangereuses, elle est utilisée dans les hôpitaux de Perpignan, Cochin, Foch, aux instituts mutualistes Monsouris et à l’institut Arnault Tzanck.

    7 solutions pour la prédiction des flux

    La solutions de prédictions des flux la plus utilisée actuellement est celle de l’entreprise suisse Saniaa. Saniia Urgences+ est une solution d’IA pour services d’urgences qui calcule en temps réel les temps d’attente et de passage, informe chaque patient de son parcours, et prédit la charge opérationnelle jusqu’à 5 jours pour adapter les ressources. Elle s’intègre aux DPI/GAM pour anticiper admissions, imageries, hospitalisations et sorties, et propose un Smart Bed Management pour orienter rapidement vers le lit le plus adapté, réduisant interruptions et améliorant l’efficience. Elle est actuellement utilisée à Valenciennes depuis 2018 où elle a été développée avant de s’étendre aux CHU de Nice, Châlon sur Saône et Villefranche sur Saône. La solution d’Optacare, qui dispose de plusieurs offre dans le domaine du pilotage d’hôpitaux, et elle aussi déployée dans plusieurs hôpitaux, celui de Nancy et de Champagne-Sud.

    10% des solutions ont moins de 3 ans, une dynamique mesurée.

    4 solutions ont été créées au cours des trois dernières années : FollowMe Urgences, développée en octobre 2022 par MyCareProcess pour informer les patients en temps réel sur leur prise en charge aux urgences ; Sclépios IA, fondée en 2023 par le Dr Andréï Galindo pour la valorisation automatisée de l’activité hospitalière ; Bits2Beat Predictive Analytics, lancée en 2022 pour l’analyse prédictive du rythme cardiaque ; et SAUsmart, dont la version opérationnelle de prédiction des flux aux urgences a été déployée en novembre 2023. Cette répartition temporelle suggéré un marché relativement mature surtout des technologies d’intelligence artificielle.

    Cartographie des solutions d’IA pour les services d’urgences @HTI

     

     

  • PLATINES : un tiers-lieu pour intégrer le numérique en santé

    PLATINES facilite l’intégration de solutions numériques en soins

    PLATINES est un tiers-lieu d’expérimentation opéré par la Direction de l’Innovation des Hospices Civils de Lyon (HCL). Il a pour objectif d’accompagner l’intégration de solutions numériques en santé, en hôpital comme en ville, en s’assurant de leur utilité et de leur insertion dans les pratiques de soins. La structure associe soignants, industriels, start-up, patients et aidants dans différents contextes, allant des services d’urgences aux EHPAD, en passant par le SAMU/SMUR et la médecine de ville. Son rôle est de transformer des projets en preuves d’usage, puis en déploiements opérationnels.

    PLATINES se présente comme un point d’entrée pour les projets numériques liés aux soins non programmés et à la médecine d’urgence. Son équipe de cinq personnes organise la mise en relation entre porteurs de solutions et usagers (professionnels hospitaliers ou libéraux, patients, aidants), et conduit ateliers d’idéation, focus groups et scénarios d’usage. Le processus suit une logique itérative : définition des besoins, tests rapides, évaluation de l’impact et ajustements, afin de faciliter l’adoption en pratique courante.

    Le tiers-lieu privilégie l’impact opérationnel

    Le tiers-lieu n’est pas un promoteur de recherche clinique. Il se concentre sur l’évaluation usagère, l’impact organisationnel, l’aptitude à l’utilisation, l’interopérabilité et la faisabilité (accès/sécurité des données, environnement SI, complexité opérationnelle, statut éventuel de dispositif médical). Point clé : sans besoin partagé côté soignants, pas d’expérimentation. Cette exigence « gagnant-gagnant » sécurise temps, budget et adoption.

    Des jalons TRL pour réduire le risque (0→9)

    Pour gagner du temps et réduire le risque, l’accompagnement suit les niveaux de maturité TRL :

    • IDÉATION — TRL 0–1 : immersion dans le besoin, UX/UI, ergonomie, propositions de projets HCL, cadrage et cahier des charges, clarification statut DM si concerné.
    • ÉTUDE DE FAISABILITÉ — TRL 2–3 : vision 360° de la filière (ville ↔ hôpital), minimisation des risques, validation HCL pour sécuriser des financements.
    • TESTS & ÉVALUATION — TRL 4–5 : tests en environnement simulé, interopérabilité, aptitude à l’utilisation, évaluation clinique si nécessaire, optimisation des coûts, jalons CE/DeepTech.
    • EXPÉRIMENTATION — TRL 6–7 : implémentation en situation réelle, collecte de données, mesure d’impact, validation d’intérêt HCL, éléments de due-diligence pour la levée de fonds.

    La progression est fluide : on ne saute pas d’étape, on stabilise chaque jalon pour éviter les impasses technico-réglementaires et les « POC qui s’arrêtent au POC ».

    France 2030 : 1,6 M€ pour structurer et prouver

    Le 18 janvier 2024, PLATINES a été labellisé “tiers-lieu d’expérimentation” en santé numérique (vague 1). Le budget de 1,6 M€ sur 3 ans consolide les ressources humaines et finance deux expérimentations représentatives du périmètre :

    • FLUENCE (Superwyze) avec les urgences du Groupement Hospitalier Nord – HCL.
    • ACIST (MAX by MEDAE) avec l’EHPAD Saint-Camille.
      L’ancrage France 2030 s’articule avec Easily, le Dossier Patient Informatisé maison, pour que l’interopérabilité devienne un accélérateur plutôt qu’un frein.

    Deux pilotes, deux leviers d’impact opérationnel

    • FLUENCE (Superwyze) : géolocalisation indoor au SAU de la Croix-Rousse pour suivre en temps réel équipements, professionnels et patients. Objectifs : fluidifier les flux, réduire les pertes de temps, optimiser les ressources et améliorer la coordination. PLATINES coordonne responsables de service, patients partenaires, ergonome et ingénieurs informatiques, et structure l’évaluation d’acceptabilité et d’impact organisationnel.
    • ACIST (MAX by MEDAE) : aide cognitive destinée aux professionnels d’EHPAD pour éviter les passages aux urgences non nécessaires. L’application MAX guide l’application des protocoles et limite le recours systématique au SAMU/urgences, favorisant le maintien en EHPAD. PLATINES orchestré la relation EHPAD-Hôpital, cadre les besoins, formalise les protocoles et met en œuvre l’expérimentation avec évaluation d’impact.

    Un consortium qui couvre la chaîne Ville-Hôpital

    L’efficacité de PLATINES tient à son consortium : Pulsalys (SATT Lyon–Saint-Étienne), Minalogic, Service d’Accès aux Soins (SAS 69), Lyonbiopôle. S’y ajoutent Urg’Ara, Université Lyon 1, France Assos Santé, Région Auvergne-Rhône-Alpes, Inria, GCS SARA, emlyon, Métropole de Lyon, et d’autres. Résultat : une chaîne d’appuis qui maille le parcours de soins, croise innovation, économie et développement, et ouvre l’accès à 24 000 professionnels HCL mobilisables selon les besoins.

    Capacité d’action et effet réseau

    • 5 personnes pour piloter accompagnements, évaluations et terrains d’essai.
    • 12 partenaires structurants pour couvrir usages, financement, transfert, déploiement.
    • 24 000 personnels HCL potentiellement mobilisables pour recruter des usagers, tester et déployer.
      Ces chiffres raccourcissent les délais, fiabilisent les décisions et augmentent la probabilité d’adoption.

    Ce que les retours montrent : preuve d’utilité avant la preuve d’échelle

    Les premiers projets confirment la logique du tiers-lieu : accès aux terrains, méthodes d’évaluation et connexion aux experts accélèrent la maturation. Des industriels soulignent l’apport d’une « étude sur étagère » capable de démontrer la performance d’une IA (témoignage autour d’une IA de détection des mélanomes). Au-delà des cas, PLATINES observe deux marchés moteurs :

    • Prise en charge (aide au diagnostic/à la thérapeutique, IA, télésurveillance, suivi post-chirurgie).
    • Organisation hospitalière (prédiction/optimisation des ressources, gestion des flux, planification comme les blocs).
      Dans les deux, preuve d’impact et compatibilité SI (Easily) conditionnent le passage à l’échelle.

    Pourquoi ça marche : proximité, méthode, réseau

    Trois facteurs font la différence :

    • Proximité terrain : implantation au cœur des HCL, accès direct aux SAU, EHPAD, HAD, libéraux.
    • Méthode claire : faisabilité d’abord, évaluation usagère & organisationnelle, jalons TRL pour éviter les “fausses bonnes idées”.
    • Effet réseau : consortium + partenaires pour recruter des usagers, sécuriser les aspects réglementaires/techniques, diffuser les résultats au sein de la communauté des tiers-lieux.

    Par ses actions, PLATINES :

    • Détecte les besoins réels du terrain, en facilitant la remontée de problématiques des soignants et des patients.
    • Encourage la co-construction, en rendant les utilisateurs finaux parties prenantes dès l’idéation et les phases de prototypage.
    • Test et mesure l’impact des innovations en vie réelle, permettant une validation organisationnelle et médico-économique.
    • Diffuse les résultats : l’ouverture, la publication et la dissémination des retours d’expérience bénéficient à l’ensemble de la filière.
    • Favorise l’essaimage : les bonnes pratiques sont partagées avec le réseau national des Tiers-Lieux, contribuant à la structuration du marché et à la duplication des modèles à différentes échelles.

     

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

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

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

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

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

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

    Applications cliniques : état de l’art 2024-2025

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

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

    Outils de triage automatisé en services d’urgence

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

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

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

    Diagnostic assisté par l’IA et imagerie médicale

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

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

    Optimisation du flux hospitalier et prédiction des admissions

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

    Principales applications de l’IA en urgence hospitalière

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

    Résultats synthétiques et indicateurs-clés

    Triage automatisé : sensibilité et spécificité

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

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

    Diagnostic assisté sur imagerie

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

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

    Optimisation des flux patients et ressources

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

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

    Tableau 3 : Synthèse des performances rapportées

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

    Discussion : apports, limites et implications

    Apports et bénéfices démontrés

    L’IA permet :

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

    Limites, risques et défis

    Les principaux freins documentés :

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

    Implications pour les décideurs et recommandations

    Il s’agit de :

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

  • IA aux urgences : de 13 à 26 cas d’usage en un an, une accélération confirmée

    Des outils déployés dans plus de 5 CHU pour une prise en charge plus rapide et fiable

    Sur les 26 cas d’usage recensés, 12 concernent l’aide au diagnostic et aux examens médicaux grâce à des solutions déployées, notamment en cardiologie et neuroradiologie. L’IA se distingue dans l’aide au diagnostic critique en urgence.

    Trois solutions sont largement utilisées :

    • Dans la détection des troubles cardiaques : Cardiologs Holter, Deepecg4u-Cohort et Bits2Beat Predictive Analytics. Déployées notamment à l’hôpital Jacques Cartier de Massy et à l’hôpital Pitié-Salpêtrière (AP-HP), ces plateformes analysent en temps réel les électrocardiogrammes et sont utilisées pour plus de 20 000 actes annuels. Elles permettent d’identifier précocement les arythmies cardiaques, et favorisent une intervention rapide.
    • Sur le volet radiologique, l’IA analyse aussi des milliers de scanners et radiographies pour détecter des pathologies thoraciques telles que pneumonies ou embolies pulmonaires grâce à des solutions comme qXR et ClearRead CT. En neuroradiologie, six outils dont qER, CINA ASPECT, CINA ICH et Annalise Enterprise CTB détectent efficacement les hémorragies cérébrales. Ces technologies sont notamment déployées dans des CHU (CHRU de Nancy, CHU de Poitiers) et regroupent entre 10 et 200 cas par établissement, impactant plusieurs milliers de patients annuellement. La relecture automatique de radiographies grâce à Itis, Lunit Insight CXR, TechCare Alert ou RadioLogs AI est active surtout à l’hôpital Lariboisière, où elle contribue à limiter les erreurs de diagnostic.
    • L’IA innove enfin par des diagnostics plus cliniques et visuels, comme AI-Stroke, capable d’identifier les AVC à partir de vidéos des exercices patients, ou CorEx et SwissCArdIA aidant au dépistage précoce des plaques coronariennes dans des établissements comme l’Institut Mutualiste Montsouris.

    Pré-diagnostic sur photo : l’IA oriente les secours avant appel et détecte les AVC dès la première seconde

    40 établissements équipés pour le triage médical

    Le triage médical automatique s’inscrit comme un autre pilier de l’intégration de l’IA. Ancrée dans un usage génératif, la solution GenHealth AI analyse rapidement un vaste volume de données cliniques pour classifier la gravité des patients, avec un déploiement confirmé dans une quarantaine d’établissements. Un des usages réside dans la capacité à qualifier les contextes d’incidents à partir de photos et métadonnées adressées au SAMU. HighWind, utilisé depuis 2019 à l’APHM (Hôpital La Timone, Hôpital Nord, Sainte-Marguerite), détecte non seulement le type d’accident ou catastrophe mais aussi les indices émotionnels (peur, crispation), affinant la priorisation dans la file d’attente et soutenant ainsi la décision médicale. L’envoi automatisé d’ambulances s’oriente aussi vers une détection rapide des accidents graves, notamment via un algorithme embarqué dans les véhicules, et l’analyse des appels d’urgence pour les AVC permet de déclencher les secours sans délai. Le pré-diagnostic traumatologique sur photo, qui invite les appelants à envoyer des images avant décroché, est déployé en régulation avec HighWind à l’APHM, visant à réduire significativement les minutes critiques.

    Gestion prédictive des flux : anticiper et contrôler la saturation des services

    Les 7 cas dédiés à la gestion des flux et des opérations impactent directement la capacité d’accueil hospitalière et la coordination des équipes. La gestion des flux s’appuie sur plusieurs plateformes d’IA prédictive parmi lesquelles Saniia, Projet 3P-U, Matrics, MedUse et SAUsmart. Ces solutions traitent des centaines à plusieurs milliers de données par établissement pour anticiper les pics d’activité, estimer les besoins en lits et adapter le personnel hospitalier. L’information en temps réel sur la saturation territoriale des urgences est rendue possible grâce à Medmapping, Optacare et Oky Doky, utilisés notamment au CHRU de Nancy, où des données collectées quotidiennement alimentent les décisions d’orientation des patients vers des services encore disponibles.

    Les centres de commandement, tels que MedDataSuite exploité par The Queen’s Health Systems aux États-Unis, agrègent ces données pour éviter le gonflement des durées de séjour, coordonner les transferts et fluidifier le parcours patient. Ce suivi actif a permis de réduire sensiblement l’engorgement et d’augmenter la capacité d’accueil inter-hospitalier.

    Transcription, facturation : moins de tâches chronophages pour plus de temps médical

    L’automatisation administrative et la documentation couvrent 4 cas d’usage pour libérer du temps aux soignants. Deux cas concernent l’expérience patient et la prise en charge préhospitalière connectée, tandis que le cas pharmaceutique, bien qu’unique, joue un rôle complémentaire. Dans une logique de réduction des charges administratives, plusieurs solutions automatisent la prise de notes, la cotation médicale et la facturation. La transcription automatique des consultations est assurée par MIRA Medical (Allemagne), déployée dans plusieurs CHU avec plusieurs centaines d’actes documentés par an.

    Pour sécuriser la cotation et générer tous les documents administratifs nécessaires, Sclépios IA et Starclay sont utilisés dans différents établissements, dont le Groupe Hospitalier Paris Saint Joseph. Ces solutions contribuent à accélérer la facturation et optimiser la traçabilité, à travers des processus entièrement automatisés. La cohérence entre les échanges vocaux des centres d’alerte et leur transcription informatique est vérifiée par le projet Le Petit Camion (Inria), diminuant les erreurs et améliorant la qualité des dossiers d’urgence.

    Communication patient : FollowMe et Saniia notifient les familles

    L’IA se positionne également au service de la communication vers les proches et du suivi en temps réel du patient. Les outils FollowMe Urgences et Saniia permettent l’envoi de notifications, et offrent une meilleure visibilité sur l’évolution du traitement et apaisant familles et aidants. Sur le terrain préhospitalier, des chatbots tels qu’EMSy (déployé en Italie) assistent les équipes d’urgence en fournissant des réponses immédiates, améliorant la préparation au intervention dès les premiers contacts. La création interactive de checklists dynamiques, via Check it easy à l’hôpital Pitié-Salpêtrière, renforce la sécurité des soins et aide les équipes à réagir avec précision dans un contexte souvent chaotique.

    Ordonnances : Posos détecte effets secondaires et surdosages

    Moins nombreux mais tout aussi fondamentaux, certains cas d’usage concernent la gestion des médicaments prescrits. Posos analyse les ordonnances pour fournir des renseignements exhaustifs sur les interactions médicamenteuses, posologies et effets secondaires. Cette solution est déployée dans des établissements comme le Centre Hospitalier de la Côte Basque et le CHIAP, sécurisant la délivrance pharmaceutique aux urgences.

    Analyse comparative entre 2024 et 2025 : les cas d’usage doublent

    Comparativement à la cartographie publiée en 2024 qui recensait 13 cas d’usage majoritairement centrés sur le diagnostic radiologique et la gestion de flux, l’année 2025 marque un doublement du nombre de cas d’usage identifiés soit une augmentation de 100% en un an. L’évolution ne se limite pas à la quantité : de nouveaux domaines apparaissent, tels que l’automatisation documentaire, la sécurisation administrative, l’orientation intelligente des patients via triage automatique et la régulation audio-visuelle des appels. Cette diversification technique s’accompagne d’une montée en puissance des déploiements. Nombre de solutions ont quitté la phase pilote pour être intégrées à des systèmes hospitaliers réels au sein d’une vingtaine d’établissements majeurs, notamment plusieurs CHU et hôpitaux privés. L’approche devient plus multidimensionnelle, associant diagnostic médical, opérations hospitalières, pharmacie et expérience patient.

    La prise en charge préhospitalière a également progressé avec l’introduction des chatbots et de l’analyse photo avant décroché, améliorant la qualité du triage et réduisant les délais de prise en charge. La gestion algorithmique des flux et des lits s’intègre dans des command centers opérationnels, réduisant les durées de séjour tout en augmentant la capacité d’accueil face à des afflux croissants.

    En matière d’aide à la facturation et à la cotation, la montée en puissance des outils IA optimise également la valorisation des actes réalisés, un aspect clé en contexte hospitalier. Ainsi, 2025 confirme une accélération forte vers une médecine d’urgence connectée, intelligente et anticipatrice, fondée sur la donnée et l’automatisation.

  • TIAEU : l’IA qui écoute le triage, entre promesse clinique et réalité du terrain

    Un algorithme pour la première décision, qui engage tout aux urgences

    Un entretien, quelques minutes, des mots choisis dans l’urgence : c’est là, à l’accueil et à l’orientation, que se joue le chaînon principal de la prise en charge des patients aux urgences. À Lille, au CHU, le projet TIAEU (pour Triage Intelligent à l’Entrée des Urgences) a voulu savoir si une IA, nourrie par les verbatims des entretiens de tri et les données cliniques qui les accompagnent, pouvait s’aligner que la pratique quotidienne sur un référentiel expert. L’étude est officiellement encadrée, portée par le CHU de Lille, et bornée dans le temps : du 1er juin au 31 décembre 2024, soit sept mois d’observation. Elle décrit sans ambiguïté sa finalité (sécurité du patient, organisation des soins), sa méthodologie (analyse a posteriori, pas d’impact sur la prise en charge en temps réel) et son cadre juridique (MR-004 avec information patient et consentement).

    La valorisation scientifique arrive à l’été 2025 sous forme de publication, publiée notamment sur researchgate et arXiv. Trois familles de modèles sont opposées au “gold-standard français” : un modèle NLP baptisé “TRIAGEMASTER“, un LLM nommé “URGENTIAPARSE“, et l’architecture JEPA “EMERGINET“.

    Des chiffres qui forcent l’attention :

    Le verdict est net pour cette étude réalisée aux urgences Roger Salengro du CHU : sur un composite de performances mobilisant plusieurs métriques concernant le “gold-standard français” … , le LLM prend l’avantage (2,514) devant l’architecture JEPA (0,438), le NLP (–3,511)… et dépasse même le tri infirmier (–4,343). Les analyses secondaires confirment un signal intéressant sur la prédiction des besoins d’hospitalisation une robustesse aux modalités de données (transcriptions brutes versus données structurées). Ces chiffres montrent donc qu’à Lille, sur ce terrain-là, l’apprentissage par le langage (NLP) fait mieux que les autres types d’IA, qui font déjà mieux que la pratique réelle pour prédire le tri attendu par le référentiel.

    Des preuves qui ne suffisent cependant pas à l’intégration totale dans la pratique

    Ce résultat dit quelque chose de plus profond que la hiérarchie des modèles. Le tri, c’est un récit clinique : symptômes, contexte, chronologie, signaux faibles. Les LLM semblent mieux capter ces nuances que des représentations plus frugales, d’où l’écart observé. Mais ce gain « d’alignement » ne vaut pas amélioration clinique en soi : il indique que l’IA comprend mieux ce que voudrait le référentiel, pas encore qu’elle sauve plus de temps ou évite plus d’événements indésirables. La nuance est cruciale.

    TIAEU reste une étude rétrospective, mono-centre. La généralisabilité inter-sites (accents, bruit, routines d’entretien, systèmes d’information) n’est pas acquise. L’intégration en temps réel pose des enjeux concrets : latence d’inférence compatible avec le flux, explicabilité des recommandations (rationales lisibles au poste de tri), journalisation des écarts IA/IAO, surveillance du drift et audit des biais. C’est à ces conditions qu’une prédiction devient une aide à la décision sûre et utile. La littérature récente sur l’usage de modèles de langage et l’intégration de données non structurées en triage plaide dans le même sens : l’apport est prometteur, mais la validation prospective reste le passage obligé.

    Pour le moment, aucune phase 2 n’est annoncée sur la fiche publique du projet. Le périmètre, lui, est clos conformément au calendrier, et la publication fournit la matière scientifique attendue. Pour passer de la preuve de concept au changement de pratique, il faut : un essai prospectif (cluster ou stepped-wedge) évaluant des critères cliniques durs, comme les délais vers secteurs critiques, réorientations pertinentes, événements indésirables évités, impact médico-économique, avec une intégration soignée dans le workflow des IAO. Sans cette étape, TIAEU restera un signal fort, mais une promesse encore suspendue.

  • ESMS numérique : 86 M€ mobilisés pour 2025, avec de nouvelles règles de financement et d’éligibilité

    Dernière phase pour le programme ESMS numérique

    À l’approche de la fin de la phase de généralisation du programme ESMS numérique (2022–2025), le ministère du Travail, de la Santé, des Solidarités et des Familles a publié, le 5 septembre 2025, une nouvelle instruction (n° DNS/DGCS/CNSA/2025/100) qui modifie l’instruction précédente du 16 avril. Ce texte fixe les conditions de déploiement pour cette ultime année de financement, avec une enveloppe portée à 86 millions d’euros.

    Seuls certains AHI devront atteindre les cibles sur la MSS et Mon Espace Santé

    L’instruction introduit des ajustements importants, notamment pour les établissements et services d’Accueil, Hébergement et Insertion (AHI). Désormais, seuls certains types d’établissements AHI, définis par un arrêté à paraître courant 2025, seront éligibles au Système ouvert et non sélectif (SONS) – Vague 2. Pour ces établissements, l’accès aux crédits est conditionné à l’atteinte d’objectifs d’usage, notamment en ce qui concerne la Messagerie Sécurisée de Santé et Mon Espace Santé. En revanche, les structures AHI non éligibles à SONS seront dispensées de ces obligations tout en pouvant bénéficier des financements ESMS numérique. Cette différenciation vise à garantir une allocation plus ciblée des ressources.

    Répartition de l’enveloppe 2025

    Les 86 M€ mobilisés pour 2025 se répartissent ainsi :

    • 76,5 M€ sont affectés au programme ESMS numérique :
      • 56 M€ délégués aux agences régionales de santé (ARS) pour les appels à projets régionaux (1re délégation FMIS).
      • Jusqu’à 7,5 M€ prévus pour une 2de délégation, selon les besoins des régions.
      • 12,7 M€ pour les projets nationaux, pilotés par la DNS et la CNSA.
      • 0,3 M€ pour les frais de gestion de la Caisse des Dépôts.
    • 6,5 M€ sont alloués à l’abondement du programme SONS Vague 2, visant à accompagner les éditeurs de logiciels et les maîtrises d’ouvrage.
    • 1,5 M€ pour soutenir l’innovation numérique dans le médico-social.
    • 1,5 M€ pour le renforcement des ressources régionales Ségur.

    Une gestion déconcentrée appuyée sur les ARS et les GRADeS

    Le pilotage du programme reste fortement déconcentré, avec un rôle central confié aux ARS, en lien avec les conseils départementaux et les GRADeS. Les crédits sont répartis au prorata du nombre d’ESSMS dans chaque région. Les montants alloués varient ainsi de 500 000 € pour les régions ultramarines à plus de 8,3 M€ pour l’Auvergne-Rhône-Alpes. Le programme ESMS numérique est financé exclusivement par des fonds européens, via le Plan national de relance et de résilience (PNRR) et la Facilité pour la reprise et la résilience (FRR). Aucun autre financement européen ne peut être cumulé avec ce dispositif.

    En parallèle, 2025 marque aussi le lancement de la deuxième vague du SONS, amorcée en 2022 pour aligner l’effort des établissements et des éditeurs.

    Une instruction à application immédiate

    Signée le 2 septembre, l’instruction est applicable dès sa publication au Bulletin officiel. Elle confirme le recentrage stratégique du programme sur les usages et l’interopérabilité.

    Instruction n° DNS/DGCS/CNSA/2025/100 du 2 septembre 2025 modifiant l’instruction n° DNS/DGCS/CNSA/2025/40 du 16 avril 2025 relative à la mise en œuvre de la phase de généralisation du programme « ESMS numérique »

     

  • Appel à projets France 2030 : 3 solutions retenues (IA, télésurveillance et données de vie réelle) et soutenues par France 2030

    IA, télésurveillance et données de vie réelle soutenues par France 2030

    Theremia, Emobot et Résilience sélectionnés pour développer des DMN en psychiatrie

    À l’occasion de la journée de la filière IA et Cancer du 4 septembre 2025, Yannick Neuder, ministre chargé de la Santé et de l’Accès aux soins, a dévoilé les résultats de deux appels à projets du plan France 2030, dans le cadre de sa stratégie Santé numérique. Trois dispositifs médicaux numériques (DMN) en santé mentale ont été retenus lors de la première vague de l’appel à projets dédié, opéré par Bpifrance.

    Ces projets ont pour objectif d’améliorer le diagnostic, le suivi et la prise en charge des troubles de l’humeur en s’appuyant sur des solutions technologiques évaluées cliniquement et coconstruites avec les acteurs de terrain.

    • Theremia développe un outil d’aide à la prescription d’antidépresseurs, basé sur l’intelligence artificielle et les données de vie réelle. En collaboration avec l’INRIA, l’entreprise ambitionne de mieux adapter les traitements aux patients, en particulier les jeunes adultes, en réduisant les errances thérapeutiques.
    • Emobot poursuit la validation clinique de EMOCARE, dispositif de télésurveillance passive et continue des troubles de l’humeur. Grâce à une IA multimodale analysant visage, voix, sommeil et activité, la solution détecte les signes de rechute sans interaction du patient. L’essai clinique REMOOD soutient l’obtention du marquage CE.
    • Résilience, via sa division psychiatrie Edra, développe EDRA PRO, un dispositif médical de télésurveillance destiné aux adultes en traitement pour dépression. Le financement obtenu permettra une étude clinique sur les bénéfices médicaux et économiques du suivi personnalisé à grande échelle.

    29 expérimentations numériques supplémentaires dans les tiers lieux

    En parallèle, 29 projets ont été sélectionnés dans le cadre de la troisième vague d’appel à projets pour les tiers lieux d’expérimentation, créés par la Stratégie d’accélération Santé numérique et opérés par la Banque des Territoires. Ces espaces permettent aux professionnels de santé, chercheurs et industriels de tester des solutions numériques dans des conditions réelles. Avec ces nouveaux lauréats, 115 expérimentations ont été financées depuis le lancement de ce dispositif, dans les 37 tiers lieux couvrant l’ensemble du territoire. Une dynamique soutenue par des conventions signées entre le ministère, UniHA et le Resah pour favoriser l’intégration des solutions validées dans les établissements de santé et médico-sociaux.

  • Gustave Roussy obtient l’aval de la Cnil pour un entrepôt de données de santé apparié au SNDS sur 20 ans

    L’EDS INTERCEPTION dédié à la prévention des cancers à Gustave Roussy

    L’Institut Gustave Roussy a obtenu, via la délibération n°2025-062, l’autorisation de la Cnil pour mettre en œuvre un traitement automatisé de données personnelles de santé en vue de créer un entrepôt de données, dénommé “INTERCEPTION”. L’établissement, centre de lutte contre le cancer d’intérêt collectif, avait déposé sa demande le 19 février 2025. L’entrepôt servira notamment à centraliser les données issues de la cohorte INTERCEPTION et à évaluer des stratégies de prévention personnalisée.

    La finalité du traitement est l’analyse des données de patients inclus dans le programme, afin de réduire l’incidence des cancers graves et d’identifier des actions de prévention individualisées. Pour cela, l’entrepôt intégrera des données issues de la plateforme mutualisée “MyInterception” et du Système national des données de santé (SNDS), grâce à un appariement déterministe via le NIR. L’usage de ces données est encadré, excluant tout usage à des fins commerciales, d’assurance ou de prospection, conformément au Code de la santé publique.

    Pseudonymisation, appariement, conservation : les garanties techniques

    Les données concernées incluent, pour les patients, des informations sur l’âge, la santé, la génétique, et la qualité de vie, et, pour les professionnels de santé, leurs identifiants, coordonnées et activités. Ces informations seront pseudonymisées dans un environnement sécurisé, avec un cloisonnement technique strict entre les différents systèmes, conformément aux exigences du RGPD et du référentiel “entrepôts de données dans le domaine de la santé”.

    Plusieurs sous-traitants participent à l’implémentation du projet :

    • Euris Health Cloud, pour l’hébergement HDS des plateformes “MyInterception” et de l’EDS.
    • Health Data Trust, en charge de l’appariement avec le SNDS.
    • CEMKA, comme bureau d’études.
    • Les centres investigateurs du programme, utilisateurs de la plateforme mutualisée.

    Tous ces traitements devront être encadrés par des contrats conformes à l’article 28 du RGPD. Les données seront conservées pendant 20 ans à compter de la dernière saisie dans “MyInterception”, avec un enrichissement semestriel par les données du SNDS sur une période glissante de 20 ans. L’infrastructure d’hébergement, homologuée jusqu’en septembre 2027, devra être renouvelée à cette échéance. L’Institut devra également transmettre à la Cnil un rapport triennal sur le fonctionnement de l’EDS et les recherches menées.

    L’EDS INTERCEPTION inscrit pour 19 ans, sous suivi réglementaire renforcé

    Par ailleurs, l’accès aux données SNDS sera conditionné à une inscription dans le répertoire public de la Plateforme des données de santé. Une information individuelle est prévue pour les patients comme pour les professionnels, accompagnée d’une information publique en ligne.

    L’autorisation délivrée par la Cnil est valable pour une durée de 19 ans, à laquelle s’ajoute l’année en cours. La conformité à la réglementation, notamment en matière de sécurité, d’information et de pseudonymisation, fera l’objet d’un suivi continu. Toute réutilisation des données à des fins de recherche devra être encadrée par des formalités propres, au titre des articles 66 et suivants de la loi “informatique et libertés”.

  • Santé intelligente en Chine : un gestionnaire IA multimodal franchit les 100 millions d’utilisateurs

    269 agents médicaux virtuels dans son gestionnaire de santé AQ

    Ant Group a annoncé cet été lors du World Artificial Intelligence Conference 2025 que son gestionnaire de santé numérique multimodal, AQ, a déjà séduit 100 millions d’utilisateurs, après une phase de test public débutée en septembre 2024. Cette technologie médicale assistée par l’IA vise à renforcer le dépistage et la gestion des maladies non transmissibles (MNT).

    Les maladies non transmissibles (MNT) représentent une part élevée de la mortalité en Chine. Selon les estimations de l’Organisation mondiale de la santé (OMS)

    • En 2021, les MNT ont causé 10,4 millions de décès en Chine, soit 91 % de la mortalité non pandémique
    • Quatre groupes – maladies cardiovasculaires, respiratoires chroniques, cancer et diabète – représentent environ 80 % des décès prématurés.
    • La pollution de l’air, extérieure et intérieure, entraîne 2 millions de décès par an, notamment liés à l’utilisation de combustibles polluants.

    Ces défis sont aggravés par les limites des diagnostics in vitro (PCR, ELISA) : sensibilité réduite pour certains biomarqueurs, coûts élevés, délais longs et accès limité dans les zones rurales.

    Déployé dans 5 000 hôpitaux chinois

    Ant Group a doté AQ d’un modèle de langage médical (LLM) et de capacités de traitement de données variées (imagerie, rapports, données numériques).

    Déployée dans plusieurs hôpitaux de référence, cette solution optimise la gestion des patients et la précision diagnostique grâce à :

    • 269 agents médicaux virtuels spécialisés : recommandations de médecins, analyse de rapports, conseils personnalisés.
    • 100 millions d’utilisateurs connectés à plus de 5 000 hôpitaux et près d’1 million de professionnels de santé.