Articles

  • Contexte et chiffres clés de la santé numérique en Argentine

     Un système basé sur une structure tripartite

    Le système de santé est organisé en 3 sous-systèmes distincts : le secteur public, le secteur privé et le système de sécurité social.

    Le secteur public offre des services de santé gratuits à tous les résidents indépendamment de leur situation économique ou sociale. Ce système financé par l’État comprend un réseau d’hôpitaux et de cliniques répartis sur l’ensemble du territoire national. Cependant, il est confronté à des défis tels que des disparités géographiques dans l’infrastructure et une surcharge des établissements de santé notamment dans les zones urbaines.

    Le secteur privé est composé d’établissements de santé et de professionnels offrant des services médicaux aux patients disposant d’une assurance privée ou capables de payer directement les soins. Environ 10% de la population argentine utilise exclusivement des services privés attirés principalement par des temps d’attente réduits et un accès à des technologies avancées.

    Le système de sécurité sociale connu sous le nom d’Obras Sociales est financé par des contributions obligatoires des employeurs et des employés. Il fournit une couverture médicale aux travailleurs formels (c’est-à-dire avec un contrat de travail) et à leurs familles représentant environ 50% de la population. Les Obras Sociales sont gérées par des syndicats et offrent une gamme de services de santé mais la qualité et l’étendue de la couverture peuvent varier en fonction de la taille et des ressources du syndicat concerné. En Argentine, une part importante de la population active travaille encore de manière informelle ce qui limite leur accès aux soins de santé via le système de sécurité sociale.

    Chiffres clés @ H&TI

    Un financement mixte issu de sources publiques et privées

    Le financement du système de santé provient de diverses sources reflétant sa structure tripartite. Le secteur public est principalement financé par les impôts collectés aux niveaux national et provincial. Les Obras Sociales sont alimentées par des contributions obligatoires des employeurs et des employés tandis que le secteur privé dépend des primes d’assurance payées par les individus et des paiements directs pour les soins ou services rendus. Cette diversité de sources de financement vise à assurer une couverture de santé étendue mais elle peut également entraîner des inégalités dans l’accès et la qualité des soins en fonction des ressources disponibles dans chaque sous-système.

    3174 hôpitaux, cliniques et sanatoriums à travers le territoire

    L’Argentine compte près de 3174 hôpitaux, cliniques et sanatoriums répartis entre le secteur public et privé. Environ 55% (soit 1740) sont privés tandis que 45% (1434) sont publics. Parmi les hôpitaux privés, 96% (1670 établissements) ne possèdent pas leur propre assurance santé ce qui signifie qu’ils dépendent des paiements directs des patients et des remboursements des assurances prépayées.

    Les principales entreprises de santé privées comme Swiss Medical, OSDE, Medicus, Galeno et Omint financent une partie des hôpitaux privés. Certaines cliniques sont directement intégrées à ces groupes ce qui permet d’offrir directement des services exclusifs aux assurés. Cependant, les hausses de prix dans le secteur privé de la santé et les difficultés de financement des hôpitaux privés créent une instabilité économique importante menaçant la viabilité de nombreuses cliniques.

    D’autre part, le système hospitalier public est confronté à un sous-financement. Le PAMI, la plus grande Obra social du pays couvrant les retraités peine à augmenter les remboursements aux hôpitaux partenaires mettant ainsi en péril plusieurs établissement. Actuellement, près de 30 cliniques privées sont menacées de fermeture en raison de problèmes financiers liés à la réduction des subventions et des déductions fiscales.

    Une volonté d’interconnecter les 3 sous-systèmes

    L’Argentine a mis en place la Red Nacional de Salud Digital pour assurer l’interopérabilité des systèmes de santé entre les secteurs public, privé et de la sécurité sociale. Ce réseau permet aux établissements de partager des informations médicales via un système de nœuds interconnectés tout en garantissant la confidentialité des données. La Red Nacional de Salud Digital fonctionne à travers des nœuds indépendants qui représentent les systèmes d’information en santé au niveau provincial, municipal et hospitalier. Chaque nœud possède ses propres bases de données sur les patients et peut se connecter aux autres pour partager des informations médicales. Grâce à cette interconnexion, lorsqu’un médecin enregistre des informations médicales dans un hôpital ou une clinique, elles deviennent accessibles à d’autres professionnels de santé du réseau en cas de besoin. Cela permet une continuité des soins, notamment en cas de transfert de patient entre établissements ou régions. L’Argentine encourage actuellement l’adhésion des établissements privés à ce système et organise régulièrement des rencontres pour favoriser l’adoption des standards d’interopérabilité.

  • Comment le NLP transforme l’analyse des dossiers médicaux et la documentation clinique ?

    L’enjeu ? Structurer les données médicales

    Chaque jour, le secteur de la santé produit une importante quantité de données issues des dossiers patients électroniques (DPE), des comptes rendus médicaux, des prescriptions et des retours de patients. Ces données restent, souvent, non structurées, ce qui complique leur exploitation. Grâce au NLP, ces informations peuvent être analysées et organisées automatiquement, facilitant leur intégration dans les outils de suivi et d’aide à la décision. Cette technologie permet d’extraire du sens à partir de textes non formatés, qu’il s’agisse de notes médicales, de publications scientifiques ou de documents administratifs.

    Le NLP joue un rôle à deux niveaux :

    • Automatisation des tâches administratives : transcription des consultations, classification des comptes rendus, mise à jour des dossiers médicaux.
    • Aide à la décision médicale : extraction d’informations pertinentes pour les médecins, repérage des tendances pathologiques, appariement des patients avec des essais cliniques.

    Les principales applications du NLP en santé

    Automatisation de la documentation clinique

    • Réduction du temps consacré à la saisie des dossiers médicaux électroniques (DSE).
    • Intégration d’outils de reconnaissance vocale et d’analyse textuelle.
    • Moins d’erreurs et une meilleure précision des notes médicales.

    Analyse des avis patients pour améliorer la prise en charge

    • Exploitation des témoignages patients issus des enquêtes, DSE ou réseaux sociaux.
    • Identification des problèmes récurrents : délais d’attente, communication, organisation des soins…
    • Mise en place d’actions correctives pour améliorer l’expérience patient.

    Analyse prédictive et anticipation des risques médicaux

    • Identification des schémas prédictifs à partir des dossiers médicaux et antécédents patients.
    • Repérage des populations à risque avant l’apparition des symptômes.

    Automatisation du codage médical et de la facturation

    • Transformation des données cliniques en codes standardisés pour la facturation.
    • Réduction de la charge des codeurs médicaux et limitation des erreurs.

    Accélération du recrutement pour les essais cliniques

    • Analyse automatique des dossiers médicaux pour identifier les patients éligibles.
    • Gain de temps pour les chercheurs et accès plus rapide aux traitements innovants.

    Contenu de l’étude :

    Essais cliniques, facturation, documentation… L’usage du NLP s’impose dans la santé

    En 2021, l’American Medical Association estimait que 63 % des médecins étaient en situation d’épuisement, en partie en raison de la lourdeur administrative liée à la documentation. En France, une étude de Medscape indique que les praticiens consacrent en moyenne 15H par semaine à ces tâches. Dans ce contexte, les technologies de NLP apparaissent prometteuses pour optimiser le temps médical.

    Des délais divisés par deux : comment la reconnaissance vocale accélère la transmission des comptes rendus médicaux

    Les professionnels de santé, et en particulier les médecins hospitaliers, consacrent près de 40% de leur temps à la documentation clinique (Les Echos Études pour Nuance, 2016). Un poids administratif qui, dans un contexte d’afflux croissant de patients (20 millions de passages annuels aux urgences), accentue le risque de burn-out et allonge les délais de prise en charge.

    NLP et reconnaissance vocale : 37 solutions qui souhaitent révolutionner l’expérience des soins pour les patients et les médecins

    Analyse des conversations patient-médecin, génération automatique de résumés médicaux, analyse des langages dit « non-standard » pour les retranscrire clairement à l’oral, transcription en temps réel des conversations médicales pour les malentendants… 37 solutions de NLP et de reconnaissance vocale souhaitent améliorer l’expérience des soins pour les patients et les médecins.

    NLP en santé : les méthodes pour structurer et exploiter les données médicales

    Face aux difficultés que posent la gestion des données de santé non structurées, le “traitement automatique du langage naturel” (NLP) offre des solutions pour analyser et organiser ces informations en exploitant plusieurs techniques avancées : classement de texte, reconnaissance d’entités, modélisation thématique et extraction de relations. Tour d’horizon sur les méthodes existantes.

    8,5 % de croissance d’ici 2029, le marché du NLP en expansion

    Le marché mondial du traitement du langage naturel (NLP) en santé et sciences de la vie était évalué à 2,11 milliards USD en 2023 et atteindra 3,42 milliards USD en 2029, avec une croissance annuelle de 8,58 %. L’Amérique du Nord est la région dominante grâce à des technologies avancées et à un solide écosystème.

     

     

  • NLP en santé : les méthodes pour structurer et exploiter les données médicales

    Optimiser l’analyse des données médicales avec le NLP

    Une grande quantité de données est produite quotidiennement, mais 80 % d’entre elles restent non structurées. Ces données proviennent de sources diverses ; des dossiers patients électroniques (DPI), des comptes rendus médicaux, des publications scientifiques et des échanges entre professionnels de santé. Sans structuration, leur exploitation est limitée, freinant l’efficacité du système de soins et la prise de décision clinique. Le NLP permet de transformer ces documents en informations utilisables en extrayant des éléments essentiels, en les organisant et en facilitant leur recherche. Par exemple, un hôpital générant des centaines de comptes rendus d’examens quotidiens (IRM, scanners, prises de sang) peut automatiser leur classement selon les pathologies associées, permettant aux médecins d’accéder rapidement aux données pertinentes. Un laboratoire pharmaceutique analysant des milliers d’articles scientifiques peut identifier les thématiques émergentes et les tendances en matière de nouvelles thérapies.

    • Classer les documents pour mieux structurer l’information

    Le classement de texte permet d’assigner automatiquement une catégorie à un document en fonction de son contenu. Dans le cadre médical, cette technologie permet d’organiser les informations et d’accélérer leur traitement. Dans les services hospitaliers, les dossiers médicaux des patients sont parfois difficiles à exploiter. L’intégration du NLP dans les dossiers permet par exemple de catégoriser ces documents en fonction de la spécialité médicale concernée (neurologie, cardiologie, oncologie) ou du type d’acte réalisé (consultation, imagerie, biologie). Cela facilite la récupération des antécédents médicaux et améliore la coordination entre les professionnels de santé. L’analyse des sentiments est un autre champ d’application du NLP dans le classement de texte. Les établissements de santé collectent des avis et témoignages de patients afin d’évaluer la qualité des soins. Ces retours peuvent être classés automatiquement en sentiments positifs, neutres ou négatifs, mettant en évidence les points à améliorer dans l’expérience. Les technologies employées pour ces tâches vont des algorithmes d’apprentissage automatique supervisé, comme les SVM ou les arbres de décision, jusqu’aux modèles de deep learning tels que BERT ou GPT, qui offrent une compréhension fine du langage médical.

    • Reconnaissance d’entités : identifier les données médicales clés

    La reconnaissance d’entités nommées (NER) permet d’extraire automatiquement des informations essentielles telles que les noms de médicaments, les pathologies, les traitements et les dates clés à partir de textes médicaux. Cette technologie est utile pour les dossiers patients électroniques, où elle permet d’extraire et de structurer des informations dispersées dans les comptes rendus des consultations. Dans un hôpital, une infirmière cherchant un antécédent précis dans un dossier volumineux pourrait perdre du temps en naviguant manuellement à travers les documents. Un moteur de recherche basé sur la reconnaissance d’entités nommées permettrait d’identifier instantanément tous les passages où un traitement spécifique ou une pathologie est mentionné. La pharmacovigilance bénéficie aussi du NLP grâce à l’extraction automatique d’informations dans des publications scientifiques et des bases de données médicales. En appliquant la reconnaissance d’entités, il devient possible de repérer et d’analyser rapidement les signalements. Les approches utilisées pour cette tâche combinent des modèles basés sur des règles (dictionnaires de termes médicaux) et des algorithmes de deep learning comme les réseaux neuronaux BiLSTM ou les Transformers (BERT, RoBERTa), qui permettent une analyse fine et contextuelle des données textuelles.

    • Modélisation thématique : détecter les tendances en santé

    La modélisation thématique regroupe automatiquement les documents médicaux selon leurs sujets principaux, facilitant l’identification de tendances émergentes en recherche médicale et en pharmacovigilance. Le NLP analyse et regroupe les thématiques spécifiques, les publications scientifiques dans un domaine précis, permettant d’identifier les axes de recherche dominants et les tendances émergentes. L’organisation des dossiers médicaux bénéficie de cette technologie. Un centre hospitalier qui cherche à mieux structurer ses archives peut utiliser la modélisation thématique pour regrouper automatiquement les comptes rendus selon les pathologies, facilitant la gestion et la recherche d’informations. Les modèles les plus couramment utilisés pour ces tâches incluent LDA (Latent Dirichlet Allocation), qui repose sur une approche probabiliste, et NMF (Non-Negative Matrix Factorization), une alternative rapide et efficace pour l’identification de thèmes.

    • L’extraction de relations sémantiques : identifier les liens

    L’extraction de relations sémantiques est une technique qui permet d’identifier et de structurer les liens entre différentes entités dans un texte. Elle va au-delà de la simple reconnaissance d’entités en établissant des connexions sémantiques entre elles. Elle peut détecter des relations entre un médicament et ses effets secondaires, une maladie et ses symptômes, ou encore un gène et une pathologie. En s’appuyant sur des modèles linguistiques avancés et des algorithmes d’apprentissage automatique, l’extraction de relations permet d’enrichir les bases de connaissances, d’améliorer la recherche d’information et d’optimiser la prise de décision clinique.

    Déjà déployées dans certains hôpitaux, laboratoires pharmaceutiques et instituts de recherche, les techniques de NLP automatisent l’analyse de dossiers patients, optimisent les diagnostics et accélèrent la recherche médicale. L’adoption à grande échelle ne va pas sans obstacles. Interopérabilité des systèmes, protection des données sensibles et réticence des professionnels de santé freinent encore son déploiement.

     

  • Servier et Google renforcent leur partenariat pour accélérer l’innovation en R&D grâce à l’IA

    Un contrat stratégique axé sur la GenAI

    Deux ans après un premier partenariat autour de la data et de l’IA, Servier renouvelle et étend son alliance avec Google via un contrat de cinq ans. Ce nouvel accord se concentre sur l’intelligence artificielle, en particulier l’IA generative (GenAI). Son ambition principale : améliorer l’efficacité et la productivité de la recherche et développement (R&D), un domaine important pour un groupe qui consacre 70 % de ses investissements à l’oncologie et aux maladies rares. Ce partenariat repose sur une soixantaine de cas d’usage identifiés, notamment dans la R&D. Parmi ces applications figurent l’identification de nouvelles cibles thérapeutiques, le criblage moléculaire, la compréhension biologique des pathologies, la numérisation des essais cliniques ou encore le développement de la médecine de précision.

    Vers une recherche plus efficace et rapide

    Le coût moyen pour développer un nouveau médicament avoisine aujourd’hui 2 milliards d’euros, avec un taux d’échec de 90 % et une durée moyenne de mise sur le marché de 10 à 15 ans. En réponse à ces défis, Servier s’appuie sur l’IA pour augmenter les probabilités de succès des projets thérapeutiques et réduire les délais. Un exemple concret de cette stratégie est la plateforme analytique Axe (Advanced Analytics Environment), développée avec Google Cloud. Grâce à cet outil, certaines études cliniques sont désormais analysées en une demi-journée, contre deux à trois semaines auparavant, tout en augmentant la capacité de traitement et d’analyse des données.

    Une transformation digitale au service de la chaîne de valeur

    L’accord avec Google s’étend aussi à d’autres activités stratégiques. L’IA est mobilisée pour optimiser la maintenance prédictive des infrastructures industrielles, améliorer la supply chain, et renforcer les interactions avec les patients et les professionnels de santé. En parallèle, Servier déploie un programme ambitieux de transformation numérique nommé Jazz, basé sur SAP S/4 Hana, pour harmoniser ses opérations à l’échelle mondiale. Ce projet est complété par des solutions dédiées à la planification et à l’exécution industrielles, garantissant une couverture logicielle intégrée.

    Une infrastructure hybride, pensée pour l’efficacité et la sécurité

    Côté infrastructures, Servier mise sur une approche hybride combinant cloud public et datacenters on-premise. Si le partenariat avec Google constitue le socle de sa plateforme de données, le groupe utilise également Azure pour d’autres déploiements. Cependant, Servier maintien des datacenters stratégiques, notamment au siège à Suresnes et dans son usine principale à Gidy, dans le Loiret. Pour des raisons de sécurité et de latence, certains sites industriels et laboratoires conserveront de petites infrastructures locales, alors que la stratégie « serverless » est appliquée à l’international.

    Un partenariat au cœur de l’innovation en santé numérique

    En renouvelant sa confiance en Google, Servier renforce sa position dans la course à l’innovation en santé numérique. Ce partenariat illustre comment l’intelligence artificielle peut transformer les modèles de R&D, réduire les coûts et, à terme, améliorer les résultats pour les patients. Une alliance stratégique qui pourrait bien dessiner l’avenir du développement pharmaceutique.

     

  • Évaluation médico-économique de la télésurveillance : quels bénéfices avérés et quelles limites ?

    Du programme ETAPES à la généralisation : l’essor de la télésurveillance médicale

    Avec le vieillissement de la population et l’augmentation des pathologies chroniques comme le diabète, l’insuffisance cardiaque ou les maladies respiratoires, les systèmes de santé doivent relever le défi d’assurer un suivi régulier et personnalisé.  Les maladies chroniques touchent environ 15 millions de personnes en France. Un quart des 45 – 54 ans cumule au moins deux pathologies chroniques.

    La télésurveillance médicale, définie comme un acte de télémédecine permettant à un professionnel médical d’interpréter à distance les données nécessaires au suivi d’un patient, connaît un essor ces dernières années. Cette pratique associe une surveillance médicale à l’utilisation de dispositifs médicaux numériques (DMN) capables de collecter, analyser et transmettre des données physiologiques, cliniques ou psychologiques du patient.

    Les expériences menées, notamment dans le cadre du programme ETAPES (Expérimentations de télémédecine pour l’amélioration des parcours en santé), ont permis de s’apercevoir que la télésurveillance s’est révélée bénéfique pour le suivi des patients atteints de maladies chroniques, comme l’insuffisance rénale, en permettant une détection précoce des complications et une réduction des hospitalisations non programmées, et a montré son intérêt en compensant un relatif isolement médical.

    Sur le plan médical, la télésurveillance vise à améliorer la qualité des soins en permettant une prise en charge plus réactive et personnalisée. D’un point de vue organisationnel, elle pourrait optimiser le parcours de soins, notamment pour les patients géographiquement isolés ou à mobilité réduite. Économiquement, elle pourrait contribuer à réduire les coûts liés aux hospitalisations évitables et aux transports. Enfin, à noter la nécessité de développer des DMN fiables, interopérables et respectueux de la protection des données personnelles.

    Dans cette étude, nous analyserons les enjeux, les évolutions et les bonnes pratiques de la télésurveillance médicale, en mettant en lumière les défis liés à son déploiement, son cadre réglementaire, son impact sur l’organisation des soins et les perspectives qu’elle ouvre pour l’avenir du suivi médical à distance.

    @ Health & Tech Intelligence

    Contenu de l’étude :

    1. Télésurveillance et maladies chroniques : les leçons du programme ETAPES

    Après plusieurs années d’expérimentation, le programme ETAPES a permis d’analyser les bénéfices cliniques et économiques de la télésurveillance pour les patients atteints d’insuffisance cardiaque, respiratoire, rénale ou de diabète. Depuis juillet 2023, son remboursement en droit commun marque une étape dans l’intégration de la télésurveillance médicale.

    2. Télésurveillance : 72 % des études montrent une amélioration de la qualité de vie (des solutions efficaces mais encore à structurer)

    La télésurveillance médicale s’impose progressivement dans les parcours de soins, notamment en faveur des maladies chroniques. Des études récentes montrent des réductions importantes en termes de mortalité et d’hospitalisations, tout en optimisant les coûts. Son application varie cependant en fonction des pathologies ciblées, chaque aire thérapeutique bénéficiant de résultats spécifiques.

    3. Comprendre la télésurveillance médicale : dispositifs, opérateurs et conditions de prise en charge

    Il y a 3 conditions à réunir pour que la télésurveillance soit prise en charge par l’assurance maladie. La pathologie doit faire partie de la liste des pathologies ayant reçu un avis favorable de la HAS, l’opérateur de la télésurveillance doit être enregistré auprès de l’ARS, et le dispositif médical numérique (DMN) doit avoir été validé par des instances de contrôle.

    4. Vers un modèle économique plus global et intégré de la télésurveillance

    La télésurveillance médicale (TLS) est une technologie qui transforme les systèmes de santé en répondant aux besoins liés à la prise en charge des maladies chroniques, à la pénurie de professionnels de santé et à la réduction des coûts dans un contexte de pression budgétaire. Son déploiement soulève des questions, notamment en matière de financement et d’organisation.

    5. 33 solutions numériques de télésurveillance médicale : les dispositifs pour les pathologies cardiaques dominent

    Les maladies cardiaques, le diabète et l’oncologie font parties des pathologies pour lesquelles des solutions de télésurveillance médicale sont déployées en France et utilisées par les médecins pour le suivi de leurs patients. Dans cette étude, Health and Tech Intelligence dresse la cartographie de ces 35 solutions numériques de télésurveillance médicale.

  • Le label « Model facts » se précise pour rendre les systèmes d’IA plus transparents

    Vers une labellisation des modèles d’IA en santé

    En 2020, le Duke Institute for Health Innovation de l’université de Durham (Caroline du Nord) avait publié le label « Model facts » dans la revue Nature Digital Medicine. But de l’opération : donner aux utilisateurs d’un modèle d’IA les informations essentielles concernant ce modèle, telles que ses caractéristiques, sa conception, ses performances, et d’autres détails techniques. Le premier modèle qui a reçu ce que l’équipe du Duke Institute appelle une « étiquette » était Sepsis Watch, un système de détection du sepsis.

    L’équipe du Duke Institute vient de mettre à jour son label “Model Facts” pour inclure des informations supplémentaires afin qu’elle soit conforme aux exigences de la règle du Health Data, Technology, and Interoperability: Certification Program Updates, Algorithm Transparency, and Information Sharing (HTI-1), qui exige depuis le 1er janvier 2025 la divulgation de 31 informations spécifiques concernant les données ou les modèles utilisés dans un produit d’intelligence artificielle. Cela permet de mieux documenter l’origine et la transparence des modèles d’IA utilisés dans le secteur de la santé. Et ainsi qu’ils deviennent évaluables et compréhensibles. En effet, il est essentiel que les utilisateurs finaux (les médecins ou les gestionnaires de soins de santé) sachent exactement d’où viennent les données et comment elles ont été traitées afin de garantir que les décisions basées sur l’IA sont prises de manière éclairée. Tout en réduisant les risques d’erreurs dues à des biais, des lacunes ou des données incorrectes.

    Les concepteurs de ce label tiennent à rappeler qu’il a été publié sous une licence Creative Commons Attribution 4.0. Cela signifie que n’importe qui peut utiliser, adapter et redistribuer « l’étiquette », à condition de créditer l’équipe du Duke Institute et de citer la source originale. Et ils se félicitent du fait que « Model facts » a été citée plusieurs fois dans le (HTI-1), « ce qui montre que le travail de l’Institut influence la régulation de l’IA dans le secteur de la santé », précisent-ils. Ils plaident en outre pour que « les praticiens et les régulateurs collaborent dans le but de standardiser la présentation des informations sur les modèles d’apprentissage automatique à destination des utilisateurs cliniques finaux afin de prévenir tout dommage pour les patients. »

    D’autres outils de standardisation en gestation

    Le label « Model Facts » n’est pas unique en son genre. Il existe en effet plusieurs initiatives similaires visant à améliorer cette transparence dans les modèles d’IA. Des chercheurs de Google ont développé AI Model Cards qui vise à fournir un cadre standardisé pour la documentation des modèles d’IA. Des chercheurs de l’Université de Washington et d’autres institutions ont quant à eux mis au point une sorte de fiche descriptive pour chaque jeu de données utilisé pour l’entraînement des modèles d’IA, afin de détailler son origine, ses caractéristiques, ses biais potentiels et ses limites. Ce combat pour la transparence et la fiabilité des modèles d’IA est aussi mené par des organisations gouvernementales et internationales. De son côté, l’Union européenne a adopté en mai 2024 un règlement sur l’IA qui prévoit notamment des mesures de transparence et de documentation minimales, plus ou moins strictes en fonction du niveau de risque.

  • GAFAM et Nvidia : les stratégies des géants de la tech et leurs cas d’usage en santé numérique

    Avec un marché mondial de la santé numérique évalué à plus de 250 milliards USD, les GAFAM ciblent des domaines variés : prévention, médecine personnalisée, télésanté et recherche clinique. En 2023, leurs investissements représentaient un tiers des financements dans ce secteur ce qui met en avant des stratégies axées sur l’interopérabilité, la collecte de données et une vision à long terme. Grâce à leurs innovations, les GAFAM transforment la manière dont les soins sont délivrés, analysés et coordonnés. En mettant l’accent sur des gains concrets tels que la réduction des erreurs médicales, l’augmentation de la précision des diagnostics et une gestion plus efficace des flux hospitaliers, ces entreprises redéfinissent le paysage de la santé numérique.

    📌 Comment les GAFAM redéfinissent l’écosystème médical ?

    La stratégie de ces géants de la tech repose sur trois piliers : la collecte et l’exploitation des données, l’intégration verticale via des acquisitions stratégiques, et une vision à long terme intégrant la médecine personnalisée et les soins connectés. Les GAFAM ambitionnent de créer un écosystème de santé intégré pour résoudre les grands défis du secteur : vieillissement de la population, inégalités d’accès aux soins, et soutenabilité des systèmes de santé.

    👉 H&TI dresse un aperçu détaillé de différents aspects de leurs stratégies dans un article à retrouver ici.

    Chiffre clé : En 2022, Amazon a investi 3,9 milliards USD pour acquérir One Medical et intégrer soins primaires et télémédecine.

    📌Nvidia : des cartes graphiques à la santé numérique

    Deuxième entreprise mondiale en termes de capitalisation boursière, Nvidia consacre une part significative de ses capacités de calcul aux sciences de la vie, avec des applications révolutionnaires dans l’imagerie médicale, la génomique et la découverte de médicaments. Grâce à des programmes innovants tels que MONAI et Clara™, Nvidia transforme la recherche clinique et facilite l’implémentation de solutions d’IA dans les hôpitaux et laboratoires du monde entier. Nvidia favorise aussi la collaboration à travers des initiatives open-source et en soutenant les startups grâce à son programme Inception.

    👉Découvrez dans cet article comment Nvidia s’appuie sur trois piliers stratégiques – MONAI, Clara™ et Inception – pour remodeler le paysage de la santé numérique et accompagner des acteurs clés du secteur.

    Chiffre clé : 1/4 des startups accompagnées par Nvidia Inception évolue dans le domaine de la santé, témoignant de l’importance stratégique de ce secteur.

    📌Panorama des solutions en santé numérique des GAFAM

    Avec 24 solutions numériques identifiées, les GAFAM couvrent plusieurs domaines : notamment les plateformes de données (11), les solutions IA (7), les dispositifs connectés (4), et la réalité augmentée (2). En collaborant avec des institutions de santé, des laboratoires pharmaceutiques et des startups innovantes, ils accélèrent l’adoption de leurs outils dans le domaine médical et contribuent à une médecine plus connectée et personnalisée.

    👉 Cet article explore comment chaque acteur apporte sa contribution unique à la santé numérique que cela soit avec les objets connectés comme l’Apple Watch jusqu’à des solutions d’IA dédiées à la recherche clinique et à la prévention des maladies.

    Chiffre clé : Les solutions de Google ont permis plus de 3 000 publications scientifiques grâce à leurs outils IA.

    📌Cas d’usage de l’IA en France

    En France, 6 cas d’usage de l’IA par Microsoft, Google et Amazon ont été recensés. Leurs solutions répondent à des problématiques telles que la surcharge administrative, les diagnostics complexes, la gestion des ressources hospitalières et les délais dans la recherche biomédicale. Grâce à l’IA, ces géants de la tech offrent des outils qui améliorent significativement l’efficacité des soins et l’expérience des professionnels de santé. Les indicateurs de performance démontrent des résultats tangibles : réduction des délais de diagnostic, meilleure gestion des ressources, et précision accrue dans les traitements.

    👉 Cet article explore en détail les cas d’usages et leur impact concret ici.

    Chiffres clés : 2 heures de temps gagnées par jour pour les médecins grâce à AWS HealthScribe.

    Chiffres clés de l’étude GAFAM & Nvidia @ H&TI

  • Nvidia, des cartes graphiques à la santé numérique

    Nvidia deuxième plus grosse entreprises mondiale et acteur majeur de la santé numérique

    Nvidia, deuxième entreprise mondiale en termes de capitalisation boursière, est surtout connue pour son expertise en cartes graphiques. L’entreprise est également très active dans la santé numérique. Deux domaines, l’imagerie médicale et la simulation des dynamiques moléculaires, demandent de grandes capacités de calcul, spécialité de Nvidia, d’où la volonté de s’impliquer dans le domaine de la santé.

    Les 3 piliers de la stratégie de Nvidia 

    Actuellement 3 projets de Nvidia dans la santé numérique se distinguent particulièrement : 

    Nvidia Inception

    Nvidia Inception est un programme gratuit conçu pour aider les startups à grandir plus rapidement. Le programme donne notamment accès aux avantages suivants :  Des cours gratuits du Nvdia deep learning institute, des crédits cloud gratuits, la participation à des évènements spéciaux ainsi que des relations facilitées avec des investisseurs. Près de 20 000 start-up participent à ce programme, dont 25 % dans la santé.

    MONAI 

    MONAI (Medical Open Network for Artificial Intelligence), cofondée par NVIDIA et le King’s College de Londres, est un ensemble de cadres collaboratifs open-source et gratuits. Son objectif est d’accélérer la recherche et la collaboration clinique. 

    Monai est composé de 3 outils, MONAI Label, qui permet de faciliter l’annotation d’image grâce à l’IA, et d’entrainer un modèle d’IA grâce aux interactions des utilisateurs. MONAI CORE, une bibliothèque logicielle conçue pour aider les chercheurs et les développeurs à créer et entraîner des modèles d’intelligence artificielle (IA). Par exemple un outil pour modifier une image pour la rendre plus adaptée avant de les utiliser dans un modèle d’IA. MONAI Deploy qui a pour but d’aider à passer des recherches en IA médicale (souvent réalisées en laboratoire) à une utilisation concrète dans des hôpitaux ou des cliniques. Cela inclut tout le processus, depuis la conception des applications d’IA jusqu’à leur déploiement dans un environnement clinique réel. 

    La plateforme a 5 ans et a enregistré plus de 3,5 millions de téléchargements, 220 contributeurs du monde entier, des mentions dans plus de 3 000 publications, et est utilisé dans des produits cliniques. 

    Parmi les entreprises utilisant MONAI il y a notamment Siemens Healthineers dont les solution d’imagerie Syngo Carbon et syngo.via  comptent 15 000 dispositifs installés, le Centre allemand de recherche sur le cancer (German Cancer Research Center) qui développe des indicateurs pour mesurer la performance de l’intelligence artificielle ainsi que des conseils d’utilisation, ou encore GSK pour la segmentation d’image (division d’images médicales en différentes zones ou structures, facilitant ainsi l’analyse) 

    Clara™

    Clara est une suite de services logiciels conçue pour faciliter l’implémentation de solutions d’intelligence artificielle (IA) dans le domaine de la santé. De très nombreuses entreprises dans différents secteurs de la santé numérique collabore avec Nvidia et utilise ses logiciels. Ci-joint une infographie de l’écosystème Clara. 

    @Nvidia Clara

    Dans cette infographie Nvidia a classé ses activités dans la santé numérique en 5 catégories principales : imagerie médicale, dispositif médicaux (partie software des dispositifs médicaux), découverte de médicament, génomique, edge computing et capteurs. Elle a ensuite positionné les entreprises dans les catégories correspondantes, en fonction de leur utilisation des outils Clara™. 

    Pour chacune des catégories mentionnées il existe plusieurs “microservices”. Par exemple en découverte de médicaments il en existe une dizaine : Genmol qui permet de générer informatiquement des molécules à partir de fragments synthétisables, AlphaFold-3 Multimer qui prédit la structure 3D de deux protéines se liant l’une à l’autre, AlphaFold 2 qui prédit la structure 3D d’une protéine à partir de sa séquence d’acides aminés, DiffDock qui prédit la structure 3D de liaison d’une molécule à une protéine…etc. 

    On notera la présence d’Iktos dans l’infographie de Nvidia, une start-up française travaillant sur le développement de nouveaux traitements à l’aide de l’IA. 

     

    Nvidia développe également des outils graphiques pour les bots conversationnels, des modèles d’intégration de LLM, et de la compréhension de texte avec l’entreprise française Mistral AI. 

  • SOG Health (GERS), RCAN Guyane, Contact (SOS Médecins)… 20 entrepôts de données de santé ont été créés en 2024

    La majorité des entrepôts créés sont franciliens

    Sur les 20 entrepôts de données de santé créés en 2024, 13 sont implantés en Île-de-France. Les 7 autres EDS créés en 2024 sont implantés dans le Grand-Sud (4), le Grand-Est (1), ainsi qu’en dehors de la France métropolitaine (2). Les dernières informations communiquées par la Commission nationale de l’informatique et des libertés (Cnil), au travers de sa cartographie des entrepôts de données de santé publiée en novembre 2024 et qui n’a pas été mise à jour depuis, montrent que sur ces 20 nouveaux EDS, 11 ont été créés par des organismes publics, – comme le Centre national de la recherche scientifique (CNRS), le CHU de Montpellier, ou encore le CH de Cayenne –,  contre 9 par des organismes privés, comme Cerbaliance ou France Tissue Bank.

    Dans cet article, Health&Tech Intelligence publie la cartographie des entrepôts de données de santé créés en 2024 :

    Nom de l’entrepôt  Responsable de l’entrepôt  Description de l’entrepôt

    RCAN GUYANE

    		 Centre hospitalier de Cayenne Il a pour but de réaliser un état des lieux de la situation épidémiologique de la Guyane concernant les cancers, par le recueil de tous les nouveaux cas à partir du 1er janvier 2003.
    EDS Logipren

    LOGIPREM-F

    		 Il a pour but de réaliser des recherches, études ou évaluations dans le domaine de la santé et en particulier concernant l’amélioration des pratiques de soins en néo-natologie et pédiatrie.
    SOG Health

    Groupement pour l’Elaboration et la Réalisation de Statistique (GERS)

    Il a pour but la collecte et la mise à disposition à des fins de recherche des données de vie réelle de ventes et de délivrances de produits aux clients de pharmacies partenaires.

    THIN

    		 Groupement pour l’Elaboration et la Réalisation de Statistique (GERS) Il rassemble des données de vie réelle de suivi des patients, collectées chez les médecins libéraux de ville, à des fins de recherche et d’études non interventionnelle.
    EDS Cerba Cerbaliance Il a pour but de réaliser des recherches, études ou évaluations dans le domaine de la santé, de réalisation d’études de faisabilité et à des fins de pilotage de l’activité des laboratoires de biologie médicale du groupe Cerballiance.
    L’entrepôt du CNRS Centre national de la recherche scientifique (CNRS)

    Déclaré conforme au référentiel EDS, l’entrepôt a pour but de réaliser des recherches, études ou évaluations concernant la trisomie 21 et les déficiences intellectuelles d’origine génétique.

    L’entrepôt de l’Institut Jérôme Lejeune

     

    Institut Jérôme Lejeune

    Déclaré conforme au référentiel EDS, il a pour but de réaliser des recherches, études ou évaluations concernant la trisomie 21 et les déficiences intellectuelles d’origine génétique.
    L’entrepôt de l’Institut Mutualiste Montsouris Institut Mutualiste Montsouris

    Déclaré conforme au référentiel EDS, il contient les données médicales et administratives des patients collectées lors de leur venue dans l’établissement, pour consultation ou hospitalisation et, selon les cas, des données provenant des études cliniques. Le but de l’entrepôt est de mener des études à grande échelle et faire avancer la recherche médicale, mais aussi d’améliorer l’organisation des soins et la prise en charge des patients en utilisant des données qui n’étaient pas collectées pour cette finalité initialement.
    Contact SOS Médecins Il a pour but de l’amélioration des pratiques et de la prise en charge médicale, ainsi que le partage des données à des tiers à des fins de recherche en santé.
    EDS Curie Institut Curie Il contient les données médicales et administratives des patients collectées lors de leur venue dans l’établissement, pour consultation ou hospitalisation et, selon les cas, des données provenant des études cliniques. Le but de l’entrepôt est de mener des études à grande échelle et faire avancer la recherche médicale, mais aussi d’améliorer l’organisation des soins et la prise en charge des patients en utilisant des données qui n’étaient pas collectées pour cette finalité initialement.
    L’entrepôt du Groupe de Recherche en Réanimation Respiratoire du patient d’Onco-Hématologie (GRRR-OH)
    		 Groupe de Recherche en Réanimation Respiratoire du patient d’Onco-Hématologie (GRRR-OH) N.C
    L’entrepôt de l’Université Sorbonne-Paris-Nord Université Sorbonne-Paris-Nord N.C

    FREDD

    		 Institut nationale de la santé et de la recherche médicale (Inserm) Il a pour but de réaliser des recherches, études ou évaluations concernant les maladies rares de l’œil.

    BOOST DATAS

    		 Gustave Roussy Il a pour but d’optimiser la recherche sur l’ostéosarcome et de proposer une prise en charge adaptée aux patients qui en sont atteints.
    L’entrepôt du centre hospitalier de Saint-Denis CH de Saint-Denis N.C

    Data – Life Sciences 

    France Tissue Bank

    		 Il a pour but de réaliser des recherches, études ou évaluations dans le domaine de la santé et principalement dans le domaine de la cancérologie.

    DAT’AIDS

    		 DAT’AIDS

    Il a pour but de réaliser des recherches, études ou évaluations concernant l’infection au virus de l’immunodéficience humaine (VIH) et autres infections sexuellement transmissibles.

    eDOL

    		 CHU de Montpellier Il contient les données médicales et administratives des patients collectées lors de leur venue dans l’établissement, pour consultation ou hospitalisation et, selon les cas, des données provenant des études cliniques. Le but de l’entrepôt est de mener des études à grande échelle et faire avancer la recherche médicale, mais aussi d’améliorer l’organisation des soins et la prise en charge des patients en utilisant des données qui n’étaient pas collectées pour cette finalité initialement.
    L’entrepôt du centre hospitalier Charles Perrens CH Charles Perrens N.C
    L’entrepôt des Hôpitaux universitaires de Strasbourg (HUS)
    		 Hôpitaux universitaires de Strasbourg (HUS) Il contient les données médicales et administratives des patients collectées lors de leur venue dans l’établissement, pour consultation ou hospitalisation et, selon les cas, des données provenant des études cliniques. Le but de l’entrepôt est de mener des études à grande échelle et faire avancer la recherche médicale, mais aussi d’améliorer l’organisation des soins et la prise en charge des patients en utilisant des données qui n’étaient pas collectées pour cette finalité initialement.

  • Etude : l’IA générative pour combler le fossé linguistique dans les récits médicaux

    Données médicales non structurées : une mine à explorer

    Les récits médicaux sont essentiels pour identifier correctement l’état de santé d’un patient, car ils fournissent des informations sur sa situation actuelle ainsi que sur l’évolution de son état de santé. Cependant, ces récits sont souvent vagues et difficiles à catégoriser. En effet, les données non structurées, telles que les récits médicaux, restent difficiles à générer. Cependant, elles sont importantes, car le contexte narratif fournit des informations essentielles.

    Les modèles de langage peuvent être utilisés pour extraire des éléments de ces récits. Cependant, un problème majeur réside dans le manque de données pour entraîner ces modèles dans des langues autres que l’anglais. Cela peut entraîner un biais lorsqu’il s’agit de former des modèles. Il est donc nécessaire de développer une méthode pour créer des récits synthétiques de haute qualité.

    Générer des récits fictifs grâce à l’IA

    Des chercheurs allemands du Stuttgart Cancer Center et de l’université de Stuttgart ont donc mené une étude afin d’évaluer la capacité l’IA générative à créer des récits médicaux synthétiques en allemand à partir de données réelles de patients, tout en protégeant leur confidentialité. En effet, la plupart des ensembles de données biomédicales annotées sont disponibles en anglais. Ce manque de données freine le développement de modèles d’IA biomédicale pour des langues autres que l’anglais. L’objectif de leur étude était donc de tirer parti des outils d’IA générative comme ChatGPT pour créer un jeu de données ressemblant étroitement à des récits cliniques authentiques et démontrer que la génération de données peut constituer une alternative viable à l’accès à des données qui, autrement, seraient indisponibles. Les normes strictes de protection des données de santé les rendant par ailleurs difficiles d’accès.

    Si l’utilisation de l’IA pour générer des textes médicaux a montré un énorme potentiel, elle soulève cependant des questions éthiques, notamment en ce qui concerne la protection des données personnelles et la production de contenu trompeur ou incohérent.

    Concrètement, les chercheurs ont donc mis au point une méthode pour générer des récits médicaux en allemand, décrivant l’état de patients imaginaires, à partir de données issues d’un groupe de patients réels. Ces récits médicaux générés ont ensuite été annotés automatiquement, ce qui permet de former des outils de reconnaissance d’entités nommées. Ce que la Cnil définit comme une « sous-tâche d’extraction d’informations qui cherche à localiser et classifier les mentions d’entités nommées dans du texte non structuré en catégories prédéfinies ». L’évaluation de la performance de ces outils repose sur 3 mesures :

      • La précision : C’est la proportion des entités correctement identifiées parmi celles que le modèle a classées comme pertinentes.
      • Le rappel : C’est la proportion des entités réellement présentes dans le texte et que le modèle a bien identifiées.
      • Le score F1 : il combine la précision et le rappel en une seule métrique.

    Les résultats de leur étude ont été publiés le 28 décembre dans la revue BMC Medical Informatics and decision making.

    Résultats : précis mais loin d’être exhaustif

      • Le modèle de reconnaissance d’entités nommées obtient une précision de 0,8. Cela signifie que 80 % des entités que le modèle a identifiées étaient correctes.
      • Dans tous les scénarios, le rappel restait faible, ce qui indique que les modèles sont « prudents » et ont du mal à reconnaître toutes les entités biomédicales sur des données réelles.
      • Le score F1 était de 0,3, ce qui suggère que le modèle n’identifie qu’une faible partie des entités.

    Ces résultats montrent que les modèles sont prudents et ne marquent que les entités pour lesquelles il est presque certain.  Ils privilégient la précision au détriment de l’exhaustivité. En outre, les auteurs mentionnent plusieurs limitations : des récits générés manquant des nuances, un style naïf, ne correspondant pas à l’expertise requise dans la documentation médicale…

    Cependant, ils estiment que cette méthode qu’ils surnomment le « standard en aluminium » a le potentiel de synthétiser des données non structurées et de les utiliser pour l’entraînement de modèles de machine learning tout en protégeant la confidentialité des patients. Ainsi « certaines tâches dans les hôpitaux, comme la rédaction des lettres de sortie, pourraient être automatisées, réduisant ainsi la charge de travail des professionnels de santé. »

    * The aluminum standard: using generative Artificial Intelligence tools to synthesize and annotate non-structured patient data.

    Diaz Ochoa, J.G., Mustafa, F.E., Weil, F. et al.

    BMC Med Inform Decis Mak 24, 409 (2024). https://doi.org/10.1186/s12911-024-02825-4