Un impact sur les 3 niveaux de la prévention
En prévention primaire, l’innovation en prévention concerne davantage l’utilisation de registres nationaux ou d’applications mobiles qui promeuvent des modes de vie sains afin d’empêcher l’apparition de maladies. En prévention secondaire, l’utilisation de technologies de suivi ou des données issues de dossiers patients permettent d’identifier des épidémies émergentes ou à détecter des maladies à un stade précoce pour permettre un traitement rapide et adapté. En prévention tertiaire, la télémédecine notamment permet un suivi continu des patients atteints de maladies chroniques, améliorant leur qualité de vie et réduisant le risque de complications et par là même les taux d’hospitalisation.
Dans cet article, H&TI revient sur ces différents types d’initiatives à travers 4 grandes tendances internationales :
- le big data ;
- les DTx ;
- la santé populationnelle ;
- et la vaccination.
Le big data : un marché mondial estimé à 39,7 Mds$ en 2022
Dans un article publié en avril 2023, des chercheurs de l’Institute for Medical Science and Technology en Inde mettent en avant comment la Big data permet une approche plus proactive et personnalisé pour le diagnostic et la prévention des maladies.
En 2018, des données omics ont pu être analysées avec des algorithmes d’IA pour identifier des tendances et des modèles qui pourraient ne pas être visibles à l’œil nu. L’analyse de ces données a révélé des corrélations entre différents facteurs de risque et l’asthme, permettant une meilleure compréhension des facteurs qui contribuent à cette maladie.
Des chercheurs du Farr Institute of Health Informatics Research en Angleterre ont analysés des données provenant de millions de dossiers de santé électronique et de données sociétales afin de mieux appréhender les causes des maladies cardiovasculaires. Les algorithmes d’IA ont été utilisés ici pour développer des modèles prédictifs qui évaluent le risque qu’un individu développe une maladie cardiovasculaire.
Des chercheurs de l’Université de Singapour ont analysés par machine learning des données provenant de résultats de laboratoire, données d’imagerie et notes en texte libre des médecins pour personnaliser les traitements en fonction des caractéristiques spécifiques de chaque patient et adapter les traitements en fonction des réponses individuelles aux médicaments pour prévenir des effets indésirables et éviter des rechutes.
En Australie dans l’état du Queensland, des données provenant de dossiers patients électroniques, d’objets connectés et de réclamations/facturations ont été analysées pour surveiller l’obésité des patients et déterminer des profils de risques à l’échelle de l’état.
Les DTx en santé mentale :
Les initiatives de prévention liées aux DTx se concentrent sur l’amélioration de la qualité de vie des patients et la réduction des risques de complications. Les DTx encouragent les patients à modifier leur mode de vie par des activités comme l’exercice régulier, l’adoption d’une alimentation saine et la gestion du stress.
En oncologie, les DTx peuvent également fournir des séances de conseils et d’éducation pour sensibiliser aux facteurs de risque associé, tels que les antécédents familiaux et les habitudes de vie néfastes. En automatisant la gestion des médicaments et en surveillant les symptômes et comportements de stress, ces technologies favorisent une approche personnalisée, permettant de détecter précocement les signes avant-coureurs de complications, de prévenir les rechutes et de réduire les hospitalisations. En Islande, un programme a été mis en place avec des patientes ayant un cancer du sein.
En Allemagne, Mika a été la première plateforme DTx à recevoir la certification DiGA pour l’oncologie permettant de suivre les niveaux de détresse et les symptômes et de fournir des conseils allant de la nutrition à l’exercice physique pour prévenir des rechutes ou des effets secondaires des traitements.
En psychiatrie, le plan d’action de l’Organisation mondiale de la santé (OMS), « Comprehensive Mental Health Action Plan 2013–2030 », vise à promouvoir la santé mentale et les stratégies de prévention. Parmi les recommandations figure l’utilisation des DTx.
Au Royaume-Uni, EndeavorRx et BDD-Net utilisent des algorithmes pour ajuster le niveau de serious game pour la prévention, la gestion et le traitement des troubles de l’humeur. En Finlande, le programme Ascend a été mis en place afin de prévenir la dépression dans un groupe de patient et intervenir avant les premiers symptômes.
La Suède a intégré les DTx dans son système de santé, notamment avec des solutions du groupe Kry qui propose des consultations en ligne et des programmes de thérapies cognitivo-comportementale (TCC) pour prévenir et traiter la dépression et l’anxiété.
La santé populationnelle et la prévention à l’échelle d’un territoire :
Aux Etats-Unis, la plateforme de visualisation de données RiskScape utilisent les données des dossiers patient pour surveiller la santé de la population sur l’échelle d’un territoire permettant aux autorités de santé d’identifier rapidement les tendances et de prendre des mesures préventives pour éviter des crises etc.
En Australie, l’initiative PopHQ vise à récolter les données anonymisées des dossiers patients afin d’appliquer des analyses impliquant de l’IA pour guider les décisions, les investissements, les ressources et les interventions dans les agences de santé publique.

L’IA au service des campagnes de vaccination :
Depuis la crise Covid-19, l’utilisation de l’IA pour établir des compagnes de vaccination s’est accéléré. En effet, l’IA aide à cibler les interventions de manière plus précise pour atteindre les populations marginalisées et améliorer l’accès équitable aux vaccins
Le programme « Reaching the Unreached » de l’Unicef en Afrique centrale et de l’ouest en est un exemple. Des algorithmes de machine learning sont utilisés conjointement avec des images satellites, des projections de recensement, des résultats d’enquête et des données géospatiales afin d’identifier les zones où des enfants sont sous-vaccinés ou n’ayant reçu aucune dose d’un vaccin.
En 2021, une collaboration entre l’Université Duke aux Etats-Unis et des universités brésiliennes a permis de développer une méthode afin d’identifier de manière automatisée des populations éligibles aux campagnes de vaccination pour une planification affinée. Cette méthode, qui intègre des données provenant d’images satellites et des données géostatistiques, a été testée dans 29 pays des Amériques.

Sources :
- Goldin PR , Lindholm R , Ranta K , Hilgert O , Helteenvuori T , Raevuori Une faisabilité d’une intervention en ligne avec l’aide d’un thérapeute et délivrée par téléphone portable pour la dépression : étude observationnelle longitudinale
JMIR Form Res 2019;3(1):e11509 - Gudmundsson GH, Mészáros J, Björnsdóttir ÁE, Ámundadóttir ML, Thorvardardottir GE, Magnusdottir E, Helgadottir H, Oddsson S Evaluating the Feasibility of a Digital Therapeutic Program for Patients With Cancer During Active Treatment: Pre-Post Interventional Study
JMIR Form Res 2022;6(10):e39764 - Hemingway H, Asselbergs FW, Danesh J et al (2018) Big data from electronic health records for early and late translational cardiovascular research: challenges and potential. Eur Heart J39:1481–1495
- Galeone C, Scelfo C, Bertolini F et al (2018) Precision medicine in targeted therapies for severe asthma: is there any place for “omics” technology? BioMed Res Int 2018:1–15
- Ngiam KY, Khor IW (2019) Big data and machine learning algorithms for health-care delivery. Lancet Oncol 20:e262–e273
- Big data and machine learning algorithms for health-care delivery. Ngiam, Kee Yuan et al. The Lancet Oncology, Volume 20, Issue 5, e262 – e273
- Canfell O, Davidson K, Sullivan C, Eakin E, Burton-Jones A. Data Sources for Precision Public Health of Obesity: A Scoping Review, Evidence Map and Use Case in Queensland, Australia, BMC Public Health (2022) 22:584. doi: 10.1186/s12889-022-12939-x
- Augusto Hernandes Rocha T, Grapiuna de Almeida D, Shankar Kozhumam A, Cristina da Silva N, Bárbara Abreu Fonseca Thomaz E, Christine de Sousa Queiroz R, de Andrade L, Staton C, Ricardo Nickenig Vissoci J. Microplanning for designing vaccination campaigns in low-resource settings: A geospatial artificial intelligence-based framework. Vaccine. 2021 Oct 8;39(42):6276-6282.







