Dans un contexte mondial de pénurie de personnel soignant, GE HealthCare et Duke Health ont publié, via HIMSS24, un livre blanc de recommandations. Intitulé “How to Improve Healthcare Staffing with AI“, le rapport traite de la manière dont l’intelligence artificielle (IA) optimise la gestion des soignants, notamment des infirmières. Les projections pour 2030 prévoient un déficit de 13 millions d’infirmiers à l’échelle mondiale. Aux États-Unis, près de 100 000 infirmiers ont quitté la profession pendant la pandémie, et plus de 600 000 envisagent de faire de même d’ici 2027, poussés par l’épuisement professionnel et les départs à la retraite. Les besoins en soins dépassent l’offre disponible, rendant la planification du personnel difficile pour les hôpitaux.
Des solutions traditionnelles, mais insuffisantes
Réductions de durée de séjour, amélioration des parcours patients, limitation des réadmissions : les établissements de santé adoptent déjà des modèles organisationnels pour optimiser l’efficacité. Mais la gestion des équipes reste majoritairement réactive et peine à répondre à l’imprévisibilité et aux questions d’organisation, comme : Qui est disponible pour intervenir rapidement en cas de besoin ? Y a-t-il du personnel nouveau ou peu familier avec l’unité qui nécessite une supervision accrue ? ou encore: Les plannings sont-ils équilibrés à l’échelle du système ?
Duke Health et GE HealthCare, une collaboration pour un staffing optimisé
Les algorithmes prédictifs utilisent un large ensemble de données pour les décisions de gestion des effectifs ; telles que les admissions et sorties de patients, les résultats d’examens, les ajustements de plannings ou encore les affectations des périodes de travail ou des services hospitaliers. Ces outils permettent une analyse dynamique des informations. L’apprentissage automatique détecte des schémas et ajuste en continu les modèles à mesure que les besoins des patients et les pratiques cliniques changent. Ces prédictions permettent aux hôpitaux d’anticiper avec précision les besoins en personnel.
L’hôpital Duke Health utilise une technologie de Command Center, développée par GE HealthCare, pour améliorer la gestion des équipes. Miranda Mathis-Harris, directrice des opérations cliniques pour le flux de patients, explique qu’ils sont passés d’une gestion réactive à une approche plus proactive, basée sur plus d’anticipation. Résultats : des ajustements mieux ciblés, des économies significatives et une amélioration des processus opérationnels. Les décisions proactives en matière de staffing s’intègrent directement dans les workflows, potentiellement dans chaque réunion ou point de situation.
“Our teams, including our Associate Chief Nursing Officers and Clinical Operations Directors, use the census forecast daily to make near-time and longer-range staffing decisions. We are better equipped to balance staffing based on demand — both for the current shift and looking weeks ahead.” – Chantal Howard, chief nursing and patient care services officer, Duke University Hospital.
Une organisation hospitalière fluide et une réduction du stress pour les soignants
Les hôpitaux identifient les manques ou excès de personnel, équilibrent les équipes, optimisent les plannings et évitent les ajustements de dernière minute. Ces outils fournissent aux responsables des données en temps réel, leur permettant de prendre des décisions pour mieux allouer les ressources disponibles. Au-delà des gains d’efficacité, ces solutions contribuent aussi à réduire le stress des soignants et à leur offrir plus de temps pour se consacrer à l’essentiel : les soins aux patients.
Pour aller plus loin
Lors du Health&Tech Summit, découvrez comment optimiser la gestion des ressources hospitalières grâce à l’intelligence artificielle. Participez à la session Track 2.1 – Optimizing Hospital Operations with AI : Best use cases with ROI to enhance organisation and ressources allocation in hospitals”, le mercredi 18 décembre, de 11h00 à 13h00.
Au programme :
Chair’s introduction keynote From buzz words to routine, getting a clear journey of your AI transformation.
Optimizing Hospital Operations with AI Best use cases with ROI to enhance organisation and ressources allocation in hospitals.
Tech Insight – AI readiness : Infrastructure, Data Platform, how to re-think your IT ? Is your EHR AI & EHDS ready ? How buildng easy access to data and plug in AI solutions ?
Pourquoi y participer ?
Découvrir des standards et leur rôle dans la transformation des systèmes de santé.
Comprendre comment l’intelligence artificielle permet une meilleure gestion des ressources hospitalières.
Afin de soutenir le développement et la validation d’algorithmes de ciblage dans le Système national des données de santé(SNDS), créé en 2016 pour “dé-identifier” les données de l’importante base de feuilles de soins de l’Assurance maladie “à des fins de recherches”, le HDH a lancé en 2021 le projet “Bibliothèque ouverte d’algorithmes en santé” (Boas).
Cette initiative a pour ambition de “constituer une bibliothèque ouverte d’algorithmes de ciblage qui bénéficiera à l’ensemble de la communauté”, les algorithmes du SNDS étant “des outils essentiels à l’analyse fiable des données” mais “leurs développement, validation et réutilisation restent souvent complexes”. C’est dans le but de remplir cette Boas que le HDH a déjà ouvert sept vagues de l’AMI qui ont permis la sélection de 25 lauréats jusque-là.
Pour rappel, afin de “s’assurer que les algorithmes répondent au besoin de l’écosystème”, les projets candidats devaient “favoriser l’ouverture d’algorithmes de ciblage” selon 3 modalités :
la documentation médicale et technique d’algorithmes de ciblage existants pour favoriser leur réutilisation large (thématique 1) ;
la validation ou sophistication et la validation d’algorithmes développés par des institutions nationales de référence (thématique 2) ;
ainsi que le développement, l’évaluation et la validation de nouveaux algorithmes de ciblage (thématique 3).
Dans cet article, H&TI revient sur les 3 lauréats de cette septième vague de l’AMI.
La périnatalité parmi les cibles des algorithmes lauréats
Le projet a pour objectif de concevoir un algorithme permettant d’identifier les pertes de greffon rénal au sein de la base principale du SNDS. Pour garantir sa précision, cet algorithme sera validé à l’aide de données issues du registre CRISTAL, une base de référence gérée par l’Agence de la biomédecine et servant de standard d’excellence dans le domaine des transplantations.
Le projet vise à évaluer la robustesse de plusieurs algorithmes dédiés à différentes pathologies périnatales, telles que le diabète gestationnel, l’hypertension gravidique et la dépression post-partum, sur une échelle nationale. La validation de ces algorithmes contribuera à renforcer le suivi de la santé des mères et des nouveau-nés dans la base principale du SNDS.
Le projet vise à développer un algorithme capable de prédire l’Indice Européen de Défavorisation (EDI). Basé sur des méthodes d’apprentissage supervisé, cet algorithme analysera les données combinées de la base principale du SNDS et de la base APSoReN, qui centralise les informations hospitalières pseudonymisées des patients pris en charge pour traumatisme crânien au CHU de Toulouse. L’objectif est d’identifier des corrélations entre les variables socio-économiques, cliniques et les comportements de consommation de soins.
Des algorithmes destinés à devenir open source
Comme les 22 lauréats des six premières vagues de l’AMI Boas, ces trois algorithmes sont destinés à devenir open source pour être mis à disposition de la communauté scientifique via la Bibliothèque ouverte d’algorithmes en santé. Pour le moment, 19 algorithmes sont déjà accessibles gratuitement sur la section dédiéedu site du Health Data Hub.
Parmi ces algorithmes, on retrouve notamment ceux des “Data challenges en santé” du HDH, dont :
➡️ un algorithme pour la détection des lésions dans les biopsies cervicales ;
➡️ un algorithme pour la prédiction de la récidive à cinq ans des mélanomes localisés ;
➡️ un algorithme pour la détection précoce des maladies rares à composante dentaire, orale et faciale ;
➡️ ainsi qu’un algorithme pour la détection du rejet de greffe pulmonaire.
Standardisation des données de santé : Défis, opportunités et typologie proposée
Dans leur article publié le 9 avril 2024 dans le Journal of Medical Internet Research (DOI : 10.2196/55779), Guy Tsafnat, Rachel Dunscombe, Davera Gabriel, Grahame Grieve et Christian Reich explorent les enjeux liés à l’interopérabilité des données en santé numérique. Constatant un écosystème fragmenté et des efforts d’interopérabilité souvent incohérents, les auteurs mettent en évidence les limites d’une prolifération de standards incompatibles. Ils proposent une typologie structurée des besoins en données de santé, articulée autour de trois domaines : les soins cliniques et l’administration, l’échange de données, et l’analyse longitudinale. Chaque domaine est examiné à travers ses caractéristiques propres et les défis qu’il pose, avec des recommandations de conception à la fois générales et spécifiques. L’article souligne l’importance stratégique des standards ouverts pour favoriser une collaboration plus efficace, réduire les inefficacités et garantir des soins de meilleure qualité, tout en s’adaptant aux besoins diversifiés des acteurs de la santé.
Trois domaines clés des données de santé
Soins cliniques et administration
Les données de santé sont générées pour documenter la prestation de services cliniques à diverses fins, notamment la continuité des soins et la facturation. Un référentiel de dossiers médicaux contenant l’historique complet de chaque patient est nécessaire pour fournir des soins continus et cohérents de manière efficace et efficiente. Étant donné que les soins cliniques manquent parfois d’une base de données probantes solide à partir de laquelle les meilleures pratiques peuvent être glanées, la documentation des soins doit pouvoir traiter un large éventail de types de données, y compris les événements « ponctuels » reflétant des circonstances imprévues chez le patient .
L’objectif principal des normes d’interopérabilité des dossiers médicaux électroniques est de protéger les utilisateurs contre la dépendance vis-à-vis d’un fournisseur, dans laquelle le coût du changement vers un meilleur système dépasse les avantages attendus du changement. Un système de dossiers médicaux électroniques qui utilise une norme ouverte peut remplacer un autre qui utilise la même norme beaucoup plus facilement et avec moins de perturbations pour la pratique clinique que deux systèmes incompatibles où la transformation des données d’un système à l’autre représente la part du lion du coût.
Échange de données
Les dossiers médicaux sont utilisés dans la communication entre différents acteurs. Par exemple, la continuité des soins dépend du partage d’informations sur le patient par plusieurs prestataires de soins de santé, et une facturation efficace nécessite le partage d’informations entre prestataires et payeurs. Il est souvent essentiel que les informations soient transmises immédiatement entre les systèmes pour éclairer les décisions urgentes. Les normes de transmission des données de santé devraient pouvoir être organisées en petites quantités qui incluent toutes les informations pertinentes et uniquement celles-ci.
L’objectif principal des normes d’échange de données est la fidélité aux processus opérationnels de soins de santé. Par exemple, l’un des objectifs est de capturer et de représenter fidèlement la terminologie utilisée dans les processus locaux, quelle qu’elle soit, plutôt que de restreindre l’utilisation à une terminologie commune.
Analyse longitudinale
Le modèle commun de données (OMOP) du partenariat Observational Medical Outcomes Partnership (OHDSI) est une norme ouverte conçue pour l’interrogation longitudinale des dossiers cliniques. Son utilisation d’un modèle relationnel centré sur le patient le rend adapté aux requêtes complexes sur de nombreux dossiers de patients pour découvrir des modèles et des tendances à l’aide de techniques statistiques et d’apprentissage automatique.
Les exigences de chaque norme de données ne permettant pas de remplacer les autres, des projets d’harmonisation sont menés par des bénévoles de la communauté afin de fournir des transformations standard d’une norme à une autre. Par exemple, la collaboration entre OHDSI et HL7 se manifeste par un groupe de travail commun qui organise des réunions hebdomadaires pour produire un guide de mise en œuvre des algorithmes qui convertissent les données de FHIR à OMOP et d’OMOP à FHIR. Des projets similaires visant à harmoniser openEHR avec OMOP et FHIR avec openEHR fournissent une architecture standard pour une interopérabilité et une réutilisation efficaces des données qui créeront un cercle vertueux de participation croissante de la communauté, d’amélioration des normes et de simplification de l’harmonisation. Ces groupes de bénévoles sont très bénéfiques, non seulement pour les normes auxquelles ils se consacrent, mais aussi pour les systèmes de santé du monde entier.
Praticité, faisabilité et communauté
Compromis techniques
L’adéquation technique d’une norme au problème qu’elle traite est importante, mais la santé numérique et l’interopérabilité des données sont des disciplines appliquées. Les considérations pratiques et sociotechniques, telles que les compétences disponibles, sont aussi importantes, voire plus importantes, que la supériorité technique. Bien qu’aucune norme ne soit parfaite, il existe des différences majeures entre ce que les normes peuvent faire « prêtes à l’emploi » et le degré de personnalisation requis avant de pouvoir les utiliser. Pour assurer l’interopérabilité des données dans la pratique, les normes doivent trouver le bon équilibre entre personnalisation et rigidité. Les données de base pour l’interopérabilité des États-Unis sont un excellent exemple de cet équilibre . Ces définitions d’éléments de données de base sont réglementées pour une utilisation aux États-Unis et peuvent être considérées comme un point médian entre les personnalisations nécessaires à chaque site et la rigidité concernant des éléments de données spécifiques.
Engagement communautaire
Les normes de données ne sont utiles que dans la mesure où elles sont adoptées par les organisations collaboratrices. Les normes largement utilisées dans la communauté sont donc plus susceptibles d’être bénéfiques pour les organisations qui cherchent à rejoindre des réseaux de collaboration qui utilisent ces normes. L’engagement des communautés qui non seulement utilisent une norme, mais qui y contribuent également et l’améliorent au fil du temps, différencie les normes existantes des normes plus durables. Une communauté activement engagée fera évoluer, au fil du temps, même une norme infantile vers une norme supérieure. Une communauté engagée et dynamique constitue donc un avantage majeur pour la longévité des normes de données qu’elle utilise . Les normes ouvertes ont un net avantage sur les normes propriétaires, car elles sont disponibles pour la contribution d’un public plus large et sont testées dans des environnements plus divers. Inversement, il est généralement plus facile de régir le développement de normes propriétaires, ce qui peut conduire à des cycles d’amélioration plus courts.
Terminologies
Un aspect commun à toutes les normes de données, quelle que soit leur application, est l’utilisation de terminologies communes. De nombreuses normes s’appuient sur des terminologies développées indépendamment. Les terminologies peuvent être plates ou ontologiques, spécifiques à un ou à quelques domaines ou plus générales, propriétaires ou ouvertes. En fonction de l’utilisation prévue de la norme et des ressources disponibles, la politique d’inclusion des terminologies dans une norme peut différer. Les normes conçues pour la continuité des soins peuvent autoriser l’utilisation de terminologies externes si elles sont disponibles pour toutes les parties fournissant des soins, tandis que les normes utilisées pour l’exploration de données peuvent limiter leur utilisation aux seules terminologies approuvées. Comme c’est le cas des normes de données, les terminologies bénéficient de communautés actives pour les maintenir à jour. Comme le montrent les différents critères de conception, un système de santé véritablement interopérable et agile qui fournit les meilleurs soins cliniques possibles met en œuvre plusieurs normes. Par exemple, les dossiers standard d’un référentiel d’antécédents médicaux complets peuvent être transformés en une norme pour la transmission et transformés à nouveau lorsqu’ils sont saisis dans un entrepôt de données pour analyse. Une harmonisation systématique entre les normes réduirait ou éliminerait la perte d’informations dans les processus de transformation .
Standards émergents
Paradoxe de l’interopérabilité
L’un des paradoxes de l’interopérabilité des soins de santé est l’existence d’un grand nombre de normes qui se chevauchent considérablement. Chacune d’entre elles peut être plus ou moins adaptée à l’usage auquel elle est destinée, de sorte qu’il peut être difficile de sélectionner une norme à mettre en œuvre. L’harmonisation de toutes les normes avec toutes les autres est peu pratique. Le paradoxe de l’interopérabilité est que plus il y a de normes, plus l’interopérabilité est faible. Nous (les auteurs: ndlr) proposons donc que la communauté de l’informatique médicale converge vers trois normes seulement. Nous avons choisi des normes ouvertes, soutenues par des communautés actives et qui ont été testées et éprouvées dans leurs domaines respectifs.
openEHR pour les soins cliniques et l’administration:
openEHR fournit une structure de données commune pour les systèmes informatiques de santé, y compris, mais sans s’y limiter, les dossiers médicaux électroniques et les systèmes d’administration des patients. La norme utilise une base de données centralisée avec une structure arborescente pour une récupération efficace d’un dossier patient complet. Le schéma de la base de données est centré sur le patient, clinique et extensible avec des archétypes et des modèles réutilisables. openEHR est de plus en plus préféré aux formats propriétaires, car plusieurs fournisseurs qui proposent des systèmes commerciaux basés sur openEHR signifient qu’un processus très coûteux de changement de fournisseur peut être grandement simplifié.
FHIR pour l’échange de données:
Les ressources d’interopérabilité rapide des soins de santé (FHIR) de Health Level 7 (HL7) constituent une norme ouverte particulièrement adaptée au transfert de données. Au cœur de la spécification FHIR se trouve une interface de programmation d’application (API) de transfert d’état représentatif (RESTful) qui fournit des services de soins de santé réels tels que « enregistrer les détails du patient », « prescrire un médicament », « suggérer le traitement approprié pour un patient » et « prendre rendez-vous avec votre médecin ». Sa structure de ressources ne contient que des informations pertinentes pour un appel d’API particulier afin qu’elles puissent être transmises efficacement. Des ensembles de données minimaux spécifiques de FHIR (appelés cœurs) sont requis aux États-Unis, d’autres pays élaborant actuellement des exigences de base supplémentaires. L’utilisation de FHIR permet à différentes entités de ce pays de rationaliser la continuité des soins en échangeant des informations entre les systèmes et les organisations.
OMOP pour l’analyse longitudinale:
Les exigences de chaque norme de données ne permettant pas de remplacer les autres, des projets d’harmonisation sont menés par des bénévoles de la communauté afin de fournir des transformations standard d’une norme à une autre. Par exemple, la collaboration entre OHDSI et HL7 se manifeste par un groupe de travail commun qui organise des réunions hebdomadaires pour produire un guide de mise en œuvre des algorithmes qui convertissent les données de FHIR à OMOP et d’OMOP à FHIR. Des projets similaires visant à harmoniser openEHR avec OMOP et FHIR avec openEHR fournissent une architecture standard pour une interopérabilité et une réutilisation efficaces des données qui créeront un cercle vertueux de participation croissante de la communauté, d’amélioration des normes et de simplification de l’harmonisation. Ces groupes de bénévoles sont très bénéfiques, non seulement pour les normes auxquelles ils se consacrent, mais aussi pour les systèmes de santé du monde entier.
Quelle norme utiliser ?
La plupart des utilisateurs choisiront facilement si leurs besoins sont axés sur la prestation de soins opérationnels ou sur l’analyse et identifieront les systèmes concernés. La figure 1 fournit une clé, facilitant le choix entre openEHR, OMOP ou FHIR et l’investissement dans des processus d’extraction, de transformation et de chargement pour modifier les représentations de données de l’un à l’autre. Un système de santé interopérable utiliserait openEHR pour collecter des données, FHIR pour transmettre des données entre les systèmes et les organisations, et OMOP pour trouver des informations dans les données.
Figure 1. Alignement entre le domaine (cercle extérieur) et la norme ouverte (cercle intérieur). FHIR : ressources d’interopérabilité rapide des soins de santé ; OMOP : modèle de données commun du partenariat sur les résultats.
Il est possible que les transformations d’une norme à une autre soient « avec perte ». Par exemple :
La fidélité peut être perdue lors de la conversion d’un terme spécifique (par exemple, « fracture du quatrième métatarsien du pied gauche ») à un terme plus général (par exemple, « fracture du quatrième métatarsien »).
Des informations peuvent être perdues lorsque des informations capturées dans une norme (par exemple, l’heure à laquelle l’administration du médicament a été constatée dans FHIR) n’ont pas leur place dans une autre norme (par exemple, OMOP).
Les relations peuvent être perdues lorsque des informations doivent être séparées (par exemple, un diagnostic et un traitement ultérieur).
La précision peut être perdue lors de la conversion vers une norme qui nécessite des informations non trouvées dans l’autre (par exemple, l’heure à laquelle un médicament a été arrêté est requise pour chaque exposition dans OMOP et peut devoir être estimée chaque fois qu’elle n’est pas présente dans l’ensemble de données).
Il convient de veiller à minimiser ces pertes. Ces approches peuvent s’appuyer sur des connaissances tacites ou implicites concernant l’ensemble de données, des connaissances externes ou des métadonnées .
Conclusion
Les normes ouvertes, soutenues par des communautés engagées, présentent un avantage par rapport aux normes propriétaires. Elles permettent des contributions et des tests plus larges, favorisant ainsi une amélioration continue. Cependant, pour parvenir à une véritable interopérabilité, il faut harmoniser les normes et prévoir une voie de migration à partir d’autres normes et modèles propriétaires. Trois normes ouvertes sont particulièrement adaptées à leurs domaines de soins de santé respectifs : openEHR pour les soins cliniques et l’administration, FHIR pour l’échange de données et OMOP pour l’analyse longitudinale. L’aspect le plus important de chaque norme est sa communauté, et toutes trois disposent de communautés actives et en pleine croissance qui continuent d’utiliser et d’améliorer ces normes.
Les auteurs
Guy Tsafnat est fondateur et président d’Evidentli Pty Ltd, ainsi qu’éditeur associé du Journal of Medical Internet Research.
Rachel Dunscombe est directrice générale de openEHR International.
Grahame Grieve est fondateur de Health Intersections Pty Ltd.
Christian Reich est directeur général d’Odysseus Data Services.
Davera Gabriel est employée chez Evidentli et membre du comité consultatif scientifique d’Evidentli.
Abréviations
API : interface de programmation d’application
FHIR : ressources d’interopérabilité rapide des soins de santé
HL7 : Niveau de santé 7
OHDSI : Sciences et Informatique des Données Observationnelles en Santé
OMOP : Modèle commun de données du Partenariat pour les résultats
RESTful : transfert d’état représentatif
Pour aller plus loin
Lors du Health&Tech Summit, découvrez pourquoi l’interopérabilité sémantique est essentielle pour maximiser l’usage des données de santé. Participez à la session Track 2.4 – No meaningful data without semantic interoperability standards, le mercredi 18 décembre 2024, de 16h00 à 17h00.
Au programme :
L’interopérabilité est une composante clé pour :
Optimiser les résultats des soins cliniques.
Faciliter la continuité des soins entre les professionnels de santé.
Encourager les usages secondaires des données, comme la recherche et l’innovation.
Avec la participation de Stefan Schraps :
Stefan Schraps : Vice-président Business & Community Management chez Vitagroup et membre actif de openEHR International, Stefan partagera son expérience sur l’application des normes dans les systèmes de santé pour une gestion efficace des données.
Les autres intervenants :
🔹 Anne-Sophie Bouy (Numeum / Cegedim) – Experte en réglementation et présidente de la commission santé.
🔹 Diego Kaminker (HL7 International) – Responsable de la mise en œuvre des standards HL7, comme FHIR et CDA.
🔹 Anne Maheust (Interop’Santé / Use&Share) – Fondatrice de solutions facilitant l’interopérabilité des données dans l’écosystème de santé.
Pourquoi y participer ?
Découvrir les standards comme FHIR, CDA, et openEHR et leur rôle dans la transformation des systèmes de santé.
Comprendre comment les normes permettent une meilleure continuité des soins et une valorisation des données.
Échanger avec des experts sur des cas concrets d’interopérabilité.
🎯 Inscrivez-vous dès maintenant pour explorer l’avenir des données en santé : lien d’inscription.
En collaboration avec Tempus, une entreprise spécialisée dans les biotechnologies et les données de santé, le spécialiste américain de technologies médicales, Medtronic, teste le potentiel de l’intelligence artificielle (IA) pour identifier des patients éligibles aux procédures de TAVI (transcatheter aortic valve implantation) et qui n’ont pas de plan de traitement déjà mis en place.
Le TAVI est une procédure médicale peu invasive, utilisée pour remplacer une valve aortique malade sans nécessiter une chirurgie à cœur ouvert. La technique est destinée en particulier aux patients souffrant de sténose aortique sévère, une pathologie où la valve aortique se rétrécit, limitant le flux sanguin du cœur vers le reste du corps. S’appuyant sur l’utilisation des données cliniques et génomiques, l’essai clinique randomisé, financé par Medtronic, exploitera la plateforme d’IA “Next” de Tempus.
L’innovation pour réduire les inégalités en santé
Le TAVI, alternative moins invasive à la chirurgie à cœur ouvert, est associé à des séjours hospitaliers plus courts et à des temps de récupération réduits. L’identification des patients éligibles à cette procédure est un levier pour corriger les disparités raciales, ethniques, de genre et géographiques dans les traitements cardiovasculaires. Cette étude vise ainsi à répondre à un double enjeu :
d’un côté, améliorer la prise en charge des patients sous-médicalisés ;
et de l’autre, réduire les inégalités dans l’accès aux soins.
Aux États-Unis, plus de 2,5 millions de personnes souffrent de sténose aortique. Dans sa forme sévère, cette maladie peut entraîner un pronostic vital défavorable. Selon Medtronic, les données actuelles révèlent des disparités évidentes : 91 % des procédures de TAVI concernent des patients “blancs”, tandis que les patients “noirs, hispaniques, asiatiques ou issus d’autres groupes raciaux” bénéficient de cette intervention à un rythme moindre.
Pour y arriver, la plateforme Next de Tempus repose sur l’analyse de plus de 60 algorithmes appliqués à des données multimodales (cliniques, biologiques et autres) pour détecter les profils à risque. En cardiologie plus spécifiquement, Tempus a conçu un algorithme capable de prédire la fibrillation auriculaire.
Une orientation débutée il y a 4 ans
Cette étude de Medtronic s’inscrit dans sa stratégie globale d’intégration de l’IA, avec un programme interne destiné à stimuler l’innovation dans les différentes divisions de l’entreprise. Récemment en France, la division Integrated health solutions (IHS) de Medtronic a signé un partenariat avec La Poste Santé et Autonomie pour aider les établissements de soin à améliorer :
les parcours patients ;
l’exploitation des données ;
et l’utilisation de l’IA au service de la santé.
Ces avancées peuvent contribuer à améliorer l’identification des patients à risque, rationaliser les ressources et réduire les inégalités d’accès aux traitements innovants. Une adoption systématique de solutions basées sur l’IA pourrait transformer la gestion des pathologies chroniques en cardiologie.
Les troubles cognitifs liés aux accidents vasculaires cérébraux (AVC), au trouble du déficit de l’attention avec ou sans hyperactivité (TDAH), ou encore à la dyslexie, représentent un défi majeur pour les systèmes de santé et les patients. Ces pathologies affectent des millions de personnes, compromettant leur mémoire, leur attention et d’autres fonctions cognitives cruciales. Actuellement, les solutions de réhabilitation nécessitent souvent plusieurs semaines ou mois de traitement, avec des résultats limités.
Un bénéfice de 30 % supérieur aux autres traitements :
L’entreprise italienne Restorative Neurotechnologies (RNT) s’attaque à ce problème avec Mindlenses Professional, une thérapie digitale innovante combinant lunettes prismatiques pour la neuromodulation et applications ludiques sur tablette. Grâce à un protocole certifié, cette solution permet une amélioration cognitive durable après seulement 10 jours de traitement, offrant des bénéfices 30 % supérieurs aux alternatives traditionnelles. Depuis 2023, elle a été adoptée par plus de 50 hôpitaux en Italie, traitant plus de 2000 patients et générant des résultats cliniquement significatifs pour la réhabilitation post-AVC et le soutien cognitif dans des pathologies neurodéveloppementales ou neurodégénératives.
Des lunettes prismatiques pour améliorer les fonctions cognitives
Mindlenses Professional combine une approche technologique et médicale novatrice. La solution repose sur des lunettes prismatiques qui stimulent la plasticité cérébrale de manière ciblée, en ajustant l’excitabilité des hémisphères cérébraux. Cette modulation, totalement non invasive, crée un environnement optimal pour renforcer les connexions neuronales. Cette stimulation est combinée à des jeux numériques conçus pour améliorer les fonctions cognitives clés, notamment la mémoire, l’attention et le langage. Ces applications, basées sur des preuves cliniques, sont personnalisées selon les besoins des patients.
L’usage direct de Mindlenses Professional par le patient – @ Restorative Neurotechnologies (RNT)
Un plan de traitement de 10 jours, personnalisable :
Le protocole de traitement est court et intensif, avec dix séances sur dix jours. Cela permet non seulement d’obtenir des résultats rapides, mais aussi de réduire significativement les coûts comparés aux thérapies traditionnelles, qui s’étalent sur plusieurs semaines voire plusieurs mois. Les médecins ont accès à une plateforme numérique leur permettant de suivre en temps réel les progrès de leurs patients et d’ajuster le plan thérapeutique si nécessaire. Cette approche intégrée garantit une expérience fluide pour les patients et un suivi rigoureux par les professionnels de santé. En parallèle, le remboursement par les systèmes de santé européens, rendu possible grâce à la certification CE de classe IIa pour la réhabilitation cognitive post-AVC obtenue par le dispositif, représente un levier stratégique pour l’expansion commerciale de RNT.
3 M€ pour étendre Mindlenses Professional dans toute l’Europe
Le 6 novembre 2024, Restorative Neurotechnologies a annoncé avoir bouclé une levée de fonds de série A de 3 millions d’euros, un jalon essentiel pour accélérer son développement. Ce financement, co-dirigé par CDP Venture Capital et la Fondazione ENEA Tech e Biomedical, inclut également le soutien des investisseurs historiques. Des discussions en cours pourraient aboutir à l’ajout d’un million d’euros supplémentaire d’ici la fin de l’année.
Le nombre de pathologies traitées pourrait s’élargir :
Cette levée permettra d’étendre l’accès à Mindlenses Professional dans toute l’Europe, en consolidant le réseau de distribution et en multipliant les efforts pour sensibiliser les professionnels de santé. L’entreprise prévoit également d’élargir les indications cliniques de son dispositif, notamment pour des pathologies telles que la démence précoce et Alzheimer. Une demande d’approbation auprès de la FDA est en préparation, ouvrant la voie à une implantation sur le marché américain. Enfin, Restorative Neurotechnologies travaille sur une version grand public de Mindlenses, dans l’objectif de rendre la réhabilitation cognitive accessible à un plus grand nombre de personnes.
Les ADC sont une classe de traitements en oncologie qui combinent la spécificité des anticorps monoclonaux avec les propriétés des agents chimiothérapeutiques pour cibler des cellules cancéreuses. Cette combinaison permet de cibler précisément les cellules cancéreuses tout en limitant les effets sur les cellules saines.
L’anticorps monoclonal se lie à un antigène spécifique présent à la surface des cellules cancéreuses, déclenchant ainsi l’internalisation de l’ADC. Une fois à l’intérieur de la cellule cible, l’agent cytotoxique est libéré après la rupture du liant qui le connecte à l’anticorps, entraînant la destruction de la cellule cancéreuse. Cette approche ciblée réduit la toxicité systémique généralement associée à la chimiothérapie. Les ADC sont utilisés dans plusieurs types de cancers, notamment le cancer du sein HER2-positif avec le trastuzumab emtansine (T-DM1) et certains lymphomes avec le brentuximab vedotin. Leur capacité à combiner ciblage précis et efficacité thérapeutique en fait une avancée majeure en médecine personnalisée.
Les cancers rares comme principales cibles
Basée à Copenhague, la biotech Adcendo a levé 135 millions de dollars lors d’un second tour de financement. Le financement a été mené par TCGX avec la participation de TPG, Orbimed Advisors, Venrock Healthcare Capital Partners, Surveyor Capital et Logos Capital, ainsi que par les investisseurs déjà existants de l’entreprise. Ces fonds seront alloués au développement clinique de plusieurs ADC ciblant des cancers pour lesquels le besoin médical demeure encore non satisfait :
En tête de son portefeuille, on retrouve l’ADCE-T02, un ADC anti-facteur tissulaire (TF), obtenu sous licence auprès de Multitude Therapeutics, biotech chinoise. L’accord dépasse une valeur potentielle d’un milliard de dollars. Dans la même classe thérapeutique, Tivdak (tisotumab vedotin), un ADC anti-TF développé par Pfizer et Genmab, est approuvé depuis 2021 sur le marché américain, pour traiter le cancer du col de l’utérus.
Adcendo investira aussi dans le développement de l’ADCE-D01, un ADC ciblant la protéine uPARAP (urokinase plasminogen activator receptor-associated protein), autorisé pour un essai de phase 1/2 par la Food & drug administration (FDA). Ce candidat sera évalué en monothérapie pour les sarcomes des tissus mous et métastatiques.
Deux autres programmes contre des cibles non dévoilées sont également prévus.
La découverte des molécules continue d’attirer les investisseurs
Enveda, 130 M$ pour des médicaments découverts par l’IA :
La start-up de Boulder (Colorado) a levé 130 millions de dollars pour développer des candidats-médicaments identifiés grâce à l’intelligence artificielle (IA). L’entreprise exploite une bibliothèque de composés d’origine naturelle inexplorés. Son pipeline cible des pathologies comme l’obésité, les maladies inflammatoires, la fibrose et les troubles neurosensoriels. Le tour de table de série C a été mené par Kinnevik et FPV, avec le soutien de Dimension Capital, Lux Capital et The Nature Conservancy. Enveda prévoit de progresser vers des essais cliniques entre 2025 et 2026.
Cradle Bio, l’IA générative pour l’ingénierie des protéines :
Cradle Bio, entreprise néerlandaise, a levé 73 millions de dollars dans un financement de série B dirigé par IVP. La société utilise des modèles d’IA pour accélérer le développement de protéines avec des applications pharmaceutiques, alimentaires et chimiques. L’entreprise affirme pouvoir multiplier par 12 la vitesse de développement et réduire les coûts jusqu’à 90 %. Elle collabore avec Novartis, Johnson & Johnson et Grifols. Au total, Cradle Bio a levé 100 millions de dollars.
ATB Therapeutics et 35Pharma, des initiatives européennes et canadiennes en biotechnologie :
ATB Therapeutics, entreprise belge, a levé 54 millions d’euros pour sa plateforme ATBioFarm, spécialisée dans les anticorps à cibles multiples. Ces fonds serviront à agrandir ses infrastructures de R&D et à construire une unité de fabrication pilote. Au Canada, 35Pharma a levé 53 millions de dollars pour des inhibiteurs ciblant l’hypertension pulmonaire et les maladies cardiométaboliques. Santé Canada a autorisé des essais cliniques de phase 1 sur le HS235, avec des résultats attendus en 2025.
L’apprentissage profond, ou deep learning (DL), montre qu’il est plus rapide et plus précis que les humains pour analyser des images. L’un des domaines où cela est particulièrement utile est l’histopathologie, qui consiste à examiner des tissus biologiques pour détecter des maladies, comme le cancer. Les images de tissus sont cependant très grandes et très complexes, ce qui rend leur analyse difficile. C’est pourquoi des chercheurs de l’Université d’État de Washington ont développé une méthode innovante basée sur l’intelligence artificielle (IA), capable d’analyser rapidement et de manière précise des images très détaillées de tissus (appelées “images à gigapixels”). Cette méthode peut non seulement détecter des pathologies dans les tissus, mais aussi classer l’image entière en fonction de la présence ou non de la maladie.
La “segmentation pyramidale” pour lire des gigapixels :
Cette approche innovante, appelée “la segmentation pyramidale”, fonctionne en plusieurs étapes :
➡️ Découpage en tuiles :
L’image complète (gigapixel) est découpée en petites sections (ou “tuiles”) plus faciles à analyser. Cela réduit la charge de traitement à chaque étape. Puis, chaque « tuile » est analysée individuellement par le modèle d’apprentissage profond.
➡️ Prise en compte du contexte spatial :
Chaque section est étudiée en tenant compte de son environnement. Cela permet au modèle de “comprendre” la position de cette petite région par rapport au reste de l’image et ses relations avec les tissus environnants.
➡️ Combinaison des résultats :
Une fois que toutes les « tuiles » ont été analysées, leurs résultats sont combinés pour produire une analyse complète de l’image entière. Ainsi, le modèle d’IA peut faire une classification “binaire” de l’image (maladie présente ou absente), tout en localisant précisément les zones pathologiques.
Cette approche a été entraînée et validée sur une large variété de types de tissus (testicules, ovaires, prostate, rein) et de pathologies, provenant d’une étude histologique épigénétique menée à l’Université d’État de Washington.
Résultats : une détection plus précise et plus rapide
Le modèle d’apprentissage profond analyse l’ensemble de l’image et prend en compte la taille des anomalies tissulaires, tandis que l’analyse manuelle ne compte que les occurrences. Le nombre de pixels concernés renseigne ainsi sur l’étendue de la lésion.
L’IA a naturellement permis de traiter des jeux de données vastes beaucoup plus rapidement que l’analyse manuelle. Tandis qu’une analyse manuelle prenait un an, le modèle a pris seulement 2,5 jours.
L’IA a parfois détecté des signes que les pathologistes humains avaient manqués.
« Ce programme d’apprentissage profond basé sur l’IA s’est révélé très, très précis pour l’analyse de ces tissus », a déclaré Michael Skinner, biologiste à l’Université d’État de Washington et co-auteur principal de l’étude. Et d’ajouter : « Cela pourrait révolutionner ce type de médecine pour les animaux et les humains, en facilitant considérablement ce genre d’analyse. » De son côté, Lawrence Holder, l’autre co-auteur principal de l’étude, a affirmé que « nous avons maintenant un moyen d’identifier les maladies dans les tissus plus rapidement et plus précisément que les humains. » Pour lui, le réseau que son équipe a conçu est à la pointe de la technologie : « Nous l’avons comparé à plusieurs autres systèmes et ensembles de données pour cet article, et il les a tous surpassés. »
Des ressources informatiques importantes
Bien que l’approche ait montré des résultats prometteurs sur les ensembles de données utilisés, il reste à confirmer qu’ils peuvent être généralisés à d’autres ensembles de données, en particulier dans des contextes cliniques réels ou sur des images provenant de différents laboratoires ou technologies d’imagerie. Par ailleurs, les images à gigapixels, qui sont extrêmement grandes, posent un défi technologique : la méthode de segmentation pyramidale est certes efficace, mais elle nécessite des ressources informatiques colossales pour garantir rapidité et fiabilité.
* Scalable deep learning artificial intelligence histopathology slide analysis and validation.
Défis de la virologie et de la génomique : diversité et complexité des virus
La virologie et la génomique font face à des défis majeurs : diversité et évolution rapide des virus, et difficulté à cultiver certains agents en laboratoire. Des millions d’espèces virales restent non identifiées.Les méthodes traditionnelles (tests PCR, culture virale, séquençage de nouvelle génération) sont limitées :
Identification restreinte : incapacité à détecter des virus non répertoriés.
Mutations rapides : difficulté à suivre les variations génétiques.
LucaProt : une avancée pour la bioinformatique
En collaboration avec les universités Sun Yat-Sen (Chine) et Sydney (Australie), Alibaba Cloud a développé LucaProt, un algorithme d’IA surpassant les approches conventionnelles grâce à :
L’apprentissage profond, exploitant des réseaux neuronaux sophistiqués.
La puissance du Cloud Computing, permettant une analyse rapide de vastes volumes de données.
LucaProt analyse les métatranscriptomes, soit l’ensemble des séquences d’ARN d’un échantillon, ouvrant de nouvelles perspectives en transcriptomique environnementale et médicale.
Contexte international : vers une convergence des régulations
La Food and Drug Administration (FDA) a récemment publié de nouvelles recommandations concernant l’utilisation des plans de contrôle des changements prédéterminés, ou Predetermined Change Control Plans (PCCP), pour les dispositifs médicaux intégrant des logiciels basés sur l’intelligence artificielle (IA). Cette initiative s’inscrit dans une dynamique internationale. L’Union européenne, par exemple, a renforcé son cadre réglementaire avec la Loi européenne sur l’IA, qui impose des exigences pour les dispositifs médicaux utilisant l’IA. Ces exigences portent notamment sur la transparence des algorithmes, les audits réguliers et la prévention des biais. D’autres pays, tels que le Canada et l’Australie, adoptent des approches similaires, souvent inspirées des travaux de l’IMDRF (International Medical Device Regulators Forum). Ces convergences internationales visent à standardiser les règles pour encourager une innovation responsable à l’échelle mondiale.
Anticiper les modifications logicielles des dispositifs IA grâce au PCCP
Les PCCP permettent aux fabricants de prévoir et de justifier les modifications de leurs logiciels basés sur l’IA, sans devoir systématiquement soumettre chaque évolution à une validation réglementaire. En définissant clairement :
les modifications envisagées,
leurs impacts potentiels,
et les méthodes de validation associées,
Les entreprises pourront continuer à développer leurs dispositifs tout en respectant des standards de sécurité et d’efficacité. La FDA encourage les fabricants à intégrer ces plans dès les phases préliminaires via le programme Q-Submission, qui favorise un dialogue en amont avec les régulateurs. Une fois approuvés, les PCCP permettent d’adapter les étiquetages des dispositifs pour informer les utilisateurs des évolutions logicielles et de leurs implications sur les performances ou les usages. Un PCCP doit inclure une description des modifications prévues pour les logiciels IA-DSF (dispositifs médicaux basés sur des fonctions logicielles). Chaque modification doit être justifiée et accompagnée de spécifications détaillant les caractéristiques et performances du dispositif. La FDA recommande également que les fabricants listent les modifications individuellement avec leur justification scientifique ou technique. Dans certains cas, plusieurs modifications peuvent être regroupées.
Ces nouvelles directives répondent à plusieurs objectifs :
Accélérer l’innovation : Les cycles de vie des logiciels médicaux s’alignent désormais sur les spécificités des algorithmes apprenants, favorisant une adaptation continue.
Garantir la confiance : En anticipant et détaillant les évolutions possibles des logiciels, les fabricants renforcent la transparence et la fiabilité des dispositifs auprès des professionnels de santé.
Harmoniser les standards : La convergence des cadres réglementaires américain et européen pourrait simplifier la commercialisation des dispositifs à l’international, tout en élevant les exigences de qualité.
Un cadre pour sécuriser l’innovation et la confiance
Avec ces nouvelles directives, la FDA offre un cadre réglementaire aux fabricants, facilitant l’intégration d’outils d’IA dans les dispositifs médicaux. Ces outils sont essentiels pour optimiser les diagnostics, améliorer la prise en charge des patients et accélérer l’innovation en santé numérique. La convergence des réglementations américaines et internationales devrait renforcer la confiance dans les solutions médicales basées sur l’IA et soutenir leur adoption à l’échelle mondiale.
Un financement dédié aux start-ups en phase de croissance
L’AAP THI 2025 s’adresse exclusivement aux start-ups européennes ayant clôturé un tour de financement en equity en 2023 ou 2024. Ce programme vise à soutenir les innovations capables de transformer les systèmes de santé en les rendant plus personnalisés, durables et efficaces, tout en renforçant leur viabilité à long terme.
Contrairement à d’autres initiatives d’EIT Health, cet AAP ne requiert pas de constituer un consortium : une entreprise peut bénéficier toute seule de ce financement.
Jusqu’à 500 K€ pour accélérer l’innovation
Les start-ups lauréates pourront bénéficier :
d’un financement conséquent : jusqu’à 500 000 euros par projet pour valider et déployer des innovations critiques ;
d’un accompagnement expert : accès au réseau EIT Health, comprenant des mentors, des experts sectoriels et des partenaires stratégiques pour répondre aux exigences réglementaires et affiner les stratégies de commercialisation ;
ainsi que d’un soutien ciblé pour la commercialisation : les ressources allouées sont spécifiquement destinées à la phase post-preuve de concept (Poc), incluant des évaluations supplémentaires, des validations et des développements orientés vers le marché.
Modalités de candidature
Avec l’appel THI 2025, EIT Health réaffirme son ambition de soutenir des start-ups capables de transformer les systèmes de santé européens. Pour plus d’informations , le cahier des charges de cet AAP est disponible ici, et une foire aux questions (FAQ) a été mise à disposition sur cette page.
👉 Les candidatures doivent être soumises avant le 7 janvier inclus, sur la plateforme en ligne d’EIT Health accessible via ce lien.
Les dates clés de l’AAP :
Un webinaire d’information : le 22 novembre 2024 à 12h.
Des consultations régulières : les 6 et 20 décembre puis le 7 janvier, de 12h à 12h30, des rendez-vous bimensuels pour répondre aux questions spécifiques des candidats, sur cette visioconférence.
