Articles

  • Panorama des 51 solutions d’IA en oncologie

    Des solutions majoritairement dédiées au système nerveux central et au sein

    Parmi ces innovations, 14 utilisent l’IA pour accompagner les patients atteints de cancers du système nerveux central. Certaines, comme Pionus de l’entreprise Paire, exploitent des technologies avancées de deep learning et de machine learning pour améliorer la précision des diagnostics. En fournissant une seconde lecture systématique des résultats, Pionus détecte d’éventuelles anomalies non identifiées lors du premier examen, renforçant ainsi la prévention et la fiabilité des diagnostics.

    D’autres solutions, comme Klineo, proposent une plateforme numérique destinée aux patients et aux médecins, visant à élargir l’accès aux essais cliniques adaptés. Cette approche réduit les inégalités dans l’accès aux traitements innovants, en s’appuyant également sur le machine learning.

    Le cancer du sein, une pathologie fréquente chez les femmes, bénéficie également d’un grand nombre de solutions numériques. Parmi les 10 outils recensés, tous visent à prévenir et à diagnostiquer précocement les signes précurseurs de cette maladie. On retrouve, Hope de Hope Valley AI, une solution IA pour la prédiction des risques et la détection précoce des signaux faibles de cancer du sein, accessible directement via smartphone et Transpara de ScreenPoint Medical, un outil qui assiste les radiologues dans l’interprétation des mammographies, facilitant ainsi le diagnostic des cancers du sein.

    35 % des solutions numériques axées sur l’expérience patient

    Si de nombreuses technologies se concentrent sur la détection, le diagnostic ou l’aide à la prise de décision, 35 % des solutions numériques en oncologie visent à améliorer l’expérience patient. Ces outils incluent le suivi, la télésurveillance, ainsi que des services d’accompagnement pour garantir une meilleure compréhension des traitements par les patients.

    Ces solutions sont principalement développées pour les cancers du foie, du système lymphatique, du pan-cancer et du pancréas. Il y a l’Hôpital Henri Mondor qui développe une solution d’IA capable de prédire la réponse thérapeutique des patients atteints de carcinome hépatocellulaire avancé et Lifen DataLab, conçu par Lifen, propose une application cloud qui collecte et structure des données cliniques non organisées, facilitant ainsi la recherche clinique et l’analyse des parcours de soins.

    29 % des solutions axées sur le dépistage de cancers spécifiques

    Près de 29 % des solutions numériques utilisent des algorithmes d’IA pour prévenir et dépister les cancers du poumon, de la peau, de la prostate et du col de l’utérus. Grâce à des technologies avancées, ces outils apportent une aide précieuse aux praticiens :

    • ADVANCE Chest CT de Contextflow : un logiciel de détection assistée pour les pathologies interstitielles, la BPCO et le cancer du poumon ;
    • Veye Lung Nodules de DeepHealth : un outil spécialisé dans la détection et la caractérisation des nodules pulmonaires sur des TDM ;
    • deepLive de Damae Medical : dispositif médical d’imagerie pour détecter les cancers de la peau ;
    • Quantib Prostate de Quantib : un logiciel d’IA qui identifie les anomalies sur les IRM de la prostate ;
    • Genius Digital Diagnostic System de HOLOGIC Inc. : une solution pour détecter les lésions précancéreuses et cellules cancéreuses cervicales ;

    Une solution unique pour certains cancers rares

    Pour des cancers spécifiques, comme ceux de la moelle osseuse, du gros intestin, de la vessie et du rein, une seule solution numérique a été recensée.

    • Omicure pour la moelle osseuse : l’entreprise développe des outils d’aide à la décision thérapeutique basés sur une intelligence artificielle explicable (xAI) pour les traitements du cancer ;
    • Orakl Oncology pour le gros intestin : l’entreprise met en place une plateforme techbio innovante qui exploite des avatars tumoraux pour accélérer le développement de médicaments en oncologie ;
    • VitaDx pour la vessie : La solution mise en place par l’entreprise permet le diagnostic de cancer de la vessie à partir d’un échantillon d’urine ;
    • Semeia pour le rein : L’entreprise propose une solution de télésuivi dédiée aux patients atteints de maladies rénales chroniques. Elle collecte des données telles que les résultats biologiques, les constantes vitales, et le ressenti des patients, et alerte en cas de risque de complications (comme la perte de greffon).

    Cartographie des solutions IA en oncologie

    Cartographie des solution IA en oncologie
    Cartographie des solution IA en oncologie

  • Cartographie des partenariats public-privé utilisant l’IA en oncologie

    Mutualiser les ressources grâce aux collaborations public-privé

    L’IA transforme la prise en charge des patients en oncologie. En intégrant des algorithmes d’apprentissage automatique et des systèmes d’analyse de données, elle améliore la précision des diagnostics, optimise les traitements et renforce la médecine personnalisée. Ces outils exploitent des volumes massifs de données cliniques, d’imagerie médicale et de génomique pour identifier des schémas complexes. L’analyse prédictive, basée sur des modèles algorithmiques, favorise une meilleure évaluation des risques et une allocation plus efficace des ressources. Les partenariats public-privé (PPP) jouent un rôle clé dans l’intégration de l’IA en oncologie. Ces collaborations combinent les ressources et expertises des institutions publiques, des hôpitaux et des entreprises privées pour accélérer la recherche, le développement de solutions technologiques et leur application clinique. Ces alliances permettent de mutualiser les moyens financiers et techniques, tout en facilitant l’accès aux données médicales et à des infrastructures de calcul performantes. Plusieurs initiatives, telles que la Filière intelligence artificielle et cancer (Fiac), le programme Fresh, ou encore le projet Mosaic, illustrent cette dynamique.

    • Filière Intelligence Artificielle et Cancer (Fiac)

    Créée en 2021, la filière intelligence artificielle et cancer (FIAC) rassemble des partenaires publics et privés pour intégrer l’IA dans la lutte contre le cancer. Les membres incluent l’Institut national du cancer (INCa), le Health Data Hub, l’Alliance ARIIS, ainsi que plusieurs laboratoires pharmaceutiques tels qu’Amgen, AstraZeneca, Janssen-Cilag, MSD France, Novartis, Pfizer, Pierre Fabre, Roche Diagnostics France, et Bristol-Myers Squibb. La Fiac a pour objectif de transformer les données de santé en outils diagnostiques et thérapeutiques, d’améliorer les méthodes de collecte et d’analyse de ces données, et de positionner la France comme un leader en oncologie appliquée à l’IA. Elle œuvre pour renforcer la confiance des professionnels et des patients dans l’utilisation des données. Depuis sa création, la FIAC a initié dix projets, dont une étude menée par AstraZeneca comparant les données publiques et privées sur des patients atteints de cancer du poumon traités sous autorisation temporaire d’utilisation (ATU). Ce projet a permis d’améliorer le suivi à long terme des patients et d’optimiser les stratégies thérapeutiques.

    • Projet Mosaic : Multi-Omic Spatial Atlas in Cancer

    Le projet Mosaic réunit des partenaires académiques, hospitaliers et industriels pour cartographier le microenvironnement tumoral grâce à des technologies multi-omiques et à l’IA. Financé par l’Union européenne dans le cadre du programme Horizon Europe, ce partenariat inclut l’hôpital Bicêtre AP-HP, qui utilise l’outil d’IA RlapsRisk BC, développé par Owkin pour prédire les rechutes du cancer du sein. Mosaic développe un atlas spatial des tumeurs en combinant des données biologiques variées, telles que l’expression génique, les protéines et l’imagerie. L’objectif est de comprendre les interactions entre les cellules tumorales et leur environnement, et d’identifier des cibles thérapeutiques. Une avancée majeure a été l’analyse des tissus tumoraux issus de plusieurs types de cancers, permettant de caractériser des biomarqueurs spécifiques. Les résultats de Mosaic, couplés à des algorithmes d’IA, facilitent des traitements personnalisés et renforcent la précision des soins en oncologie.

    • Paris Saclay Cancer Cluster (PSCC)

    Lancé dans le cadre du plan France 2030, le PSCC regroupe des acteurs académiques, industriels et hospitaliers, notamment l’Institut Gustave Roussy, l’Université Paris-Saclay, le CNRS, Inserm, et des entreprises biotechnologiques et pharmaceutiques. Son objectif est de transformer la recherche fondamentale en solutions diagnostiques et thérapeutiques innovantes. Désigné premier lauréat de l’appel à manifestation d’intérêt “Biocluster” en décembre 2022, le PSCC soutient les collaborations entre membres et attire de nouveaux partenaires, avec l’ambition d’accueillir 200 membres d’ici 2027. Il accompagne les start-ups dans la mise sur le marché de leurs innovations thérapeutiques.

    • PR[AI]RIE : CNRS, Inria, Institut Pasteur, Universités PSL et Paris Cité

    Le programme PR[AI]RIE regroupe des institutions académiques comme le CNRS, l’Inria, l’Institut Pasteur, et des industriels tels que Google et Meta. Ce programme développe des outils d’IA pour analyser les données biomédicales et environnementales, modéliser les maladies et prédire les impacts environnementaux sur la santé. Devenu PR[AI]RIE-PSAI (Paris School of AI) en 2024 grâce à une dotation de 75 millions d’euros du programme France 2030, il met désormais l’accent sur l’éducation, offrant un cursus intégré de la licence au doctorat en IA appliquée.

    • Programme Fresh : French Sequencing Hub for Liquid Biopsy

    L’Institut Gustave Roussy pilote le programme Fresh, qui se consacre à l’analyse des biopsies liquides pour améliorer le diagnostic et le suivi des cancers. Fresh mobilise des technologies de séquençage pour détecter et analyser l’ADN tumoral circulant (ctDNA) dans le sang des patients, permettant une personnalisation des traitements et un suivi en temps réel des tumeurs, sans recourir à des biopsies invasives. Fresh a développé une plateforme centralisée de séquençage ayant déjà permis de détecter des mutations génétiques spécifiques chez des patients atteints de cancers métastatiques. En 2023, plus de 1 000 analyses ont été réalisées, accompagnées de recommandations thérapeutiques issues de réunions pluridisciplinaires.

     

     

     

  • Contexte et chiffres clés de l’oncologie en France

    En septembre 2024, l’Institut National du Cancer (INCa) a publié le « Panorama des cancers en France ». Ce rapport compilant les données les plus récentes sur le cancer a été réalisé en collaboration avec l’Agence technique de l’information sur l’hospitalisation, les Hospices civils de Lyon, la Caisse nationale d’assurance maladie, le Réseau français des registres du cancer Francim, Santé publique France et les Centres régionaux de coordination des dépistages des cancers.

    433 136 nouveaux cas de cancer estimés en 2023

    Le rapport de l’INCa révèle qu’en 2023 il y a eu 433 136 nouveaux cas de cancers diagnostiqués en France. Ce chiffre marque un doublement par rapport à 1990 où 216 130 cas étaient enregistrés. Cette hausse s’explique principalement par l’évolution démographique : le vieillissement de la population représente 48 % des cas supplémentaires chez les hommes et 27 % chez les femmes.

    Le cancer demeure la première cause de décès chez les hommes et la deuxième chez les femmes. En 2021, 162 400 décès par cancer ont été enregistrés répartis entre 90 900 pour les hommes soit 56 % et 71 500 pour les femmes soit 44 %. Les cancers du poumon, de la prostate et colorectal sont ceux causant le plus de décès pour les hommes tandis que le cancer du sein, suivi du poumon et du colorectal occupe ces mêmes positions chez les femmes.

    Une baisse de la mortalité grâce aux progrès médicaux mais une augmentation notable des cancers du poumon et du pancréas

    La mortalité par cancer diminue régulièrement grâce à des diagnostics de plus en plus précoces et des traitements améliorés. Entre 2011 et 2021, les taux standardisés de mortalité ont baissé de 2,1 % par an chez les hommes et de 0,6 % chez les femmes. Parmi les cancers les plus courants le taux de survie à 5 ans atteint 88 % pour le cancer du sein et 93 % pour le mélanome cutané.

    Toutefois, même si certains cancers voient leur incidence se stabiliser ou diminuer d’autres continuent d’augmenter. C’est le cas du cancer du poumon chez la femme qui a connu une augmentation de 659% depuis 1990 principalement en raison du tabagisme. Le cancer du pancréas, difficile à diagnostiquer précocement, affiche une progression de 374 % sur la même période.

    La survie nette standardisée à 5ans (2010-2015) est en augmentation pour certains cancers :

    Prostate 93%
    Mélanome cutané 93%
    Sein 88%
    Colorectal 63%
    Col de l’utérus 63%

    Données de l’INCa, 2024

    Pour d’autres cancers la survie nette standardisée à 5ans reste faible malgré les progrès de la médecine :

    Système nerveux central 26%
    Poumon 20%
    Foie 18%
    Œsophage 17%
    Pancréas 11%

    Données de l’INCa, 2024

    12 719 cas de cancers chez les enfants de moins de 14 ans

    Les données relatives aux cancers pédiatriques sont collectées par 2 registres nationaux :

    • le Registre national des hémopathies malignes de l’enfant (RNHE) ;
    • et le Registre national des tumeurs solides de l’enfant (RNTSE).

    Ces registres suivent les cancers des enfants de moins de 15 ans depuis respectivement 1990 et 2000 avec une extension aux adolescents de 15 à 17 ans depuis 2011. Ils enregistrent non seulement les diagnostics et les traitements mais surveillent également les taux de survie et les effets tardifs des traitements. L’objectif de ces registres est d’avoir une meilleure compréhension des cancers pédiatriques et d’orienter les stratégies de recherche et de santé publique.

    Entre 2014 et 2020, le Registre national des cancers de l’enfant (RNCE) a recensé 12 719 cas de cancers chez les enfants âgés de 0 à 14 ans en France soit une moyenne annuelle de 1 817 nouveaux cas. Parmi ces cancers :

    • 28 % sont des leucémies ;
    • 26% des tumeurs du système nerveux central ;
    • et 36% d’autres types de cancers.

    Chez les adolescents de 15 à 17 ans, 2 215 cas ont été enregistrés sur la même période avec une moyenne annuelle de 443 nouveaux cas. Les principaux types de cancers dans cette tranche d’âge sont :

    • 15% des leucémies ;
    • 17% des tumeurs du système nerveux central ;
    • 29% des lymphomes.

    1,3M de patients atteints de cancer hospitalisés

    En 2022, les établissements de médecine, chirurgie et obstétrique (MCO) ont assuré 7,84 millions de séjours et séances liés à la prise en charge des cancers représentant près d’un quart de l’activité hospitalière globale en court séjour. La moitié de ces hospitalisations se sont déroulées en ambulatoire. La durée moyenne d’hospitalisation par patient (hors séances) était alors de 9 jours.

    Au niveau des traitements, 418 342 personnes ont bénéficié de chirurgies anticancéreuses tandis que 372 348 ont reçu une chimiothérapie. 130 062 patients ont eu de la radiothérapie dans le secteur public et 115 160 dans le secteur privé libéral. L’immunothérapie progresse en 2022 avec 74 631 patients traités par des inhibiteurs de points de contrôle (+19 % par rapport à 2021) et 785 patients ayant bénéficié de thérapies par cellules CAR-T (+55 %).

    Une workforce en augmentation par rapport à 2021

    En 2022, la France comptait :

    • 1 648 oncologues médicaux, soit une augmentation de 4 % par rapport à 2021 ;
    • 1 012 radiothérapeutes dont 505 en libéral en 2023, également en hausse de 4 % ;
    • 1 671 anatomopathologistes dont 632 en libéral en 2023, un chiffre resté stable.

  • Oncologie : comment l’IA redessine les contours de la lutte contre le cancer en France ?

    Aujourd’hui, les progrès médicaux ont permis des gains significatifs en termes de survie et de réduction de la mortalité. L’IA devient un levier pour une oncologie de demain en passant des traitements personnalisés aux approches prédictives et préventives. Elle permet d’accélérer les essais cliniques, de structurer des données médicales complexes et de personnaliser les stratégies de dépistage. Toutefois, cette application de l’IA en oncologie doit s’accompagner d’une vigilance éthique et méthodologique pour garantir une adoption sécurisée, équitable et bénéfique. Alors que l’oncologie évolue vers une approche plus préventive et anticipative, l’IA permettra une gestion du cancer plus précise et rapide ouvrant de nouvelles perspectives pour les années à venir.

    Dans cette étude, Health & Tech Intelligence explore comment l’IA redessine les contours de la lutte contre le cancer, en s’appuyant sur des exemples et données récentes tout en mettant en lumière les défis et opportunités à venir.

    Chiffres clés @H&TI

    🔎 Analyses

    📌État des lieux de l’oncologie : chiffres clés, incidence, données épidémiologiques et activité hospitalière

    Le « Panorama des cancers en France » publié par l’Institut National du Cancer en septembre 2024 établi un état des lieux et une comparaison de l’évolution des cancers qui reste l’un des principaux défis de santé publique. Le constat est clair : une baisse notable de la mortalité est remarquée ainsi qu’une amélioration du taux de survie pour de nombreux cancers. Cependant, l’incidence continue de croitre à cause notamment du vieillissement de la population et des comportements à risque comme le tabagisme.

    Ce rapport met en lumière le besoin de conjuguer prévention, innovation et coordination des politiques de santé pour relever le défi qu’est la lutte contre le cancer.

    👉 Plus de détail sur le contexte français de l’imagerie médicale sont disponibles dans cet article.

    📌Revue de littérature : l’intégration des modèles de langage en oncologie entre promesses et vigilance

    Les modèles d’IA permettent de renforcer la précision des décisions médicales et l’efficacité des soins. Leur capacité à analyser les données complexes des dossiers médicaux ouvre la voie à des applications telles que l’amélioration des décisions cliniques, l’identification des patients pour les essais cliniques ou encore la personnalisation des traitements. Cependant, leur déploiement à grande échelle exige une validation rigoureuse pour surmonter les défis liés aux biais, à la reproductibilité et à l’impact écologique. Les recommandations proposées dans l’article du Lancet soulignent l’importance d’une approche méthodique associant innovations technologiques et vigilance éthique pour maximiser les bénéfices de ces outils.

    👉 Une analyse approfondie des opportunités et limites des modèles de langage en oncologie, tout en mettant en lumière les recommandations nécessaires pour garantir leur intégration sécurisée et bénéfique dans la pratique médicale dans cet article.

    📌Essais cliniques et données de santé : comment l’IA permet d’accélérer les essais cliniques et structurer les données

    Les essais cliniques sont parfois ralentis par des processus longs et coûteux notamment lors du recrutement des patients et de la gestion des données. L’IA peut aider à surmonter ces défis. En automatisant des tâches critiques comme l’identification des patients éligibles ou la structuration des données, l’IA contribue à l’essor d’une médecine plus personnalisée. Des solutions comme ISELA-V2 et Lifen DataLab montrent comment l’IA peut optimiser le recrutement des patients, simuler des réponses thérapeutiques et structurer des données avec précision.

    👉 Des projets novateurs comme ceux de Nova In Silico et Lifen sont présentés dans cet article.

    📌La prévention, levier d’avenir de lutte contre le cancer

    La prévention et le dépistage personnalisé permettent de cibler les personnes à risque avant l’apparition de la maladie. Le programme Interception, développé par Gustave Roussy, illustre comment est combiné médecine préventive et IA afin de proposer des parcours de soins adaptés à chaque individu. En effet, il permet d’anticiper la maladie et de réduire les risques par des interventions précoces. Ce modèle pourrait transformer la gestion des cancers et réduire leur incidence renforçant l’importance de l’anticipation dans les stratégies de santé publique.

    👉 Retrouvez ici comment la recherche sur de nouveaux biomarqueurs et outils de dépistage, combinées à des parcours de soins adaptés, ouvrent la voie à une médecine préventive efficace.

    🗺️ Cartographies

    📌Cartographie des cas d’usage de l’IA en oncologie

    En optimisant les diagnostics, en ajustant les traitements et en facilitant la gestion des soins l’IA contribue à améliorer les résultats cliniques tout en allégeant les charges opérationnelles des équipes médicales. Grâce à ses capacités d’analyse et de prédiction, elle permet la prise en charge des patients atteints de cancer, du diagnostic au suivi en passant par l’élaboration de protocoles thérapeutiques.

    👉 Un tableau détaillé des cas d’usage repérés ainsi qu’une infographie illustrant la répartition des cas d’usage de l’IA en oncologie sont disponibles ici.

    📌Cartographie des entreprises proposant une solution d’IA en oncologie

    51 solutions en oncologie sont cartographiées ici. Les solutions présentées couvrent un large éventail de cas d’usage : analyse d’imagerie médicale, prédiction des réponses thérapeutiques, détection précoce des anomalies, gestion de la pathologie digitale et bien d’autres applications.

    👉 Cartographie à consulter ici

    📌Cartographie des partenariats public-privé utilisant l’IA

    Les partenariats publics-privés favorisent le partage des ressources et des compétences entre les institutions publiques, les centres de recherche et les entreprises privées pour accélérer le développement de solutions innovantes. Cet article propose une cartographie des principales initiatives en cours telles que la Fiac, le projet Mosaic ou encore le programme Fresh qui illustrent la dynamique de collaboration et le potentiel de l’IA dans la lutte contre le cancer.

    👉 Cartographie à consulter ici

  • Les applications de l’IA dans les essais cliniques en oncologie

    Une étude publié en 2024 montre que l’IA permet de surmonter de nombreux obstacles liés au recrutement de patients qui est une étape critique pour les essais cliniques. L’IA permet, par exemple, d’exploiter les dossiers médicaux pour identifier rapidement des participants éligibles grâce à du machine learning (ML) ou du traitement du langage naturel (NLP).

    24 à 50 % de patients en plus recrutés

    Ces systèmes augmentent l’efficacité, réduisent le temps nécessaire pour évaluer les candidatures et améliorent la précision des correspondances entre patients et essais. Aux Etats-Unis de nombreux outils se sont avérés prometteurs, en augmentant de 24 à 50 % le nombre de patients identifiés par rapport aux méthodes traditionnelles tout en réduisant le temps de présélection des candidats.

    L’IA ne se limite pas au recrutement. Parmi ses applications :

    • gestion des essais cliniques grâce au suivi automatisé des participants ;
    • gestion des risques ;
    • analyse prédictive des résultats ;
    • surveillance des critères d’éligibilité afin d’augmenter l’engagement des professionnels de santé et des patients.

    Dans cette étude, des défis techniques sont soulevés. Parmi eux, la qualité des données et la généralisabilité des modèles. Les algorithmes mal entraînés peuvent introduire des biais, limiter l’applicabilité des résultats et compromettre la transparence des processus. Par ailleurs, les enjeux éthiques comme la confidentialité des données des patients et l’obtention d’un consentement éclairé doivent être adressés pour garantir une mise en œuvre responsable de ces modèles d’IA.

    Amélioration de l’efficacité des essais tout en accélérant le développement de thérapies personnalisées

    En France, Nova In Silico via sa plateforme ISELA-V2 permet d’optimiser les essais cliniques. Son approche repose sur le développement de modèles mécanistiques basés sur la connaissance combinant pharmacocinétique et mécanismes de la maladie. Cette solution vise à prédire l’efficacité des thérapies ciblées et à rationaliser les processus des essais cliniques.

    Simulation des réponses thérapeutiques

    ISELA-V2 intègre des modèles physiologiquement basés sur la pharmacocinétique (PBPK) pour évaluer la distribution des inhibiteurs de tyrosine kinase (TKI) tels que le gefitinib et l’osimertinib dans les tumeurs primaires et les métastases. Ces simulations permettent de prédire l’évolution des tumeurs en prenant en compte l’hétérogénéité et la dynamique des sous-clones tumoraux. Grâce à l’analyse mécanistique, la solution identifie les patients susceptibles de répondre aux traitements. L’objectif étant de tendre vers une médecine personnalisée efficace.

    Par ailleurs, ISELA-V2 permet également de réduire la taille des cohortes nécessaires. En générant des bras de contrôle synthétiques, la plateforme permet de comparer les résultats des traitements testés avec des prédictions robustes issues de modèles basés sur les données des patients. Cela a notamment été évoqué lors des rencontres annuelles des phases précoces de cancérologie le 21 novembre 2024.

    ISELA-V2 a démontré aussi sa capacité à reproduire les données des essais cliniques et des études rétrospectives avec un haut degré de précision. Ces capacités ouvrent des perspectives pour réduire les coûts et les délais des essais cliniques.

    L’IA générative pour la structuration des données

    La structuration des données issues des parcours patient est un défi en recherche clinique en raison du volume et de la complexité des informations médicales. Le partenariat entre Lifen et Gustave Roussy vise à y répondre en automatisant et accélérant les processus tout en garantissant une précision équivalente à celle des méthodes traditionnelles.

    Le projet LUCC (Large & Unified Cancer Cohort) lancé par Lifen et Gustave Roussy dans le cadre du plan France 2030 a pour objectif de constituer une base de données sur les patients atteints de cancer en France, en commençant par le cancer du poumon. Cette cohorte multicentrique prévoit d’inclure 5 000 patients d’ici fin 2024 et de collecter des données sur plus de 200 critères cliniques.

    Grâce à Lifen DataLab les données non structurées provenant des dossiers médicaux et des comptes rendus sont automatiquement transformées en bases de données anonymisées et exploitables. Cette approche qui se base sur du LLM a permis de structurer en 3 mois les parcours de plus de 1 000 patients atteints de cancer thoracique. L’étude comparative entre saisie manuelle et saisie automatique révèle une concordance de 91,9 %, avec un gain de temps de 85 % pour la méthode automatisée.

    Parmi les bénéfices de cette méthode :

    • réduction des erreurs ;
    • et efficacité opérationnelle

     

  • Médecine personnalisée : la prévention, levier d’avenir de lutte contre le cancer (exemple du programme Interception)

    Anticiper pour mieux soigner

    Le cancer reste la première cause de mortalité en France et dans de nombreux pays occidentaux. Face à ce fléau, la prévention et le dépistage jouent un rôle fondamental. Le programme “Interception”, lancé par Gustave Roussy et piloté par le Dr Suzette Delaloge, oncologue médical, s’inscrit dans cette dynamique en proposant des solutions de prévention personnalisées, permettant d’identifier les personnes à risque augmenté de cancer et d’anticiper la maladie avant son apparition. Environ 30 à 40% des cancers sont diagnostiqués chez des personnes qui auraient pu être identifiées comme étant à risque élevé bien avant leur développement. L’IA devient alors un levier incontournable pour affiner cette prévision et rendre la médecine plus préventive.

    La promesse de la personnalisation du dépistage :

    Le programme Interception repose sur l’identification précoce des risques de cancer. Contrairement aux méthodes classiques de dépistage de masse, souvent généralisées, cette approche se concentre sur l’individu et son profil spécifique. Des facteurs de risques variés, comme les antécédents familiaux, les prédispositions génétiques ou les expositions environnementales (tabac, pollution…), sont pris en compte pour proposer des stratégies de prévention sur mesure.

    Les 4 phases du parcours patient du programme Interception - @ Gustave Roussy
    Les 4 phases du parcours patient du programme Interception – @ Gustave Roussy

    Grâce à l’IA, des scores de risque sont générés, permettant de quantifier et de personnaliser le suivi des patients. Cela offre une meilleure efficacité dans le dépistage et réduit les risques de faux positifs ou de sur-diagnostics, fréquents dans les méthodes traditionnelles.

    Situation de risque augmenté de cancer - @ Gustave Roussy
    Situation de risque augmenté de cancer – @ Gustave Roussy

    Des parcours de soins sur-mesure

    Une fois le risque identifié, le programme Interception met en place un suivi personnalisé, en collaboration avec les médecins traitants. Ce suivi inclut des consultations de prévention, des ateliers de sensibilisation et des examens spécifiques, selon les risques identifiés. Par exemple, les femmes à risque élevé de cancer du sein peuvent bénéficier de mammographies fréquentes et d’IRM annuelles.

    Ce suivi ne se limite pas aux soins médicaux : il inclut également des conseils en nutrition et activité physique, qui peuvent réduire l’incidence de certains cancers. Le recours à l’IA dans cette gestion permet de suivre l’évolution des risques et d’adapter en temps réel les parcours de soins.

    Deux exemples de dépistage et de prévention personnalisés - @ Gustave Roussy
    Deux exemples de dépistage et de prévention personnalisés – @ Gustave Roussy

    La “journée Interception”, temps fort du parcours de lutte contre le cancer :

    La Journée Interception permet d’évaluer les risques de cancer et de planifier un suivi personnalisé. Elle combine des consultations individuelles et des ateliers en groupe pour informer les participants sur :

    • leur risque spécifique ;
    • les bénéfices et limites du dépistage et des mesures préventives ;
    • ainsi que les symptômes à surveiller et les options de traitement.

    Un plan de suivi est ensuite élaboré avec le médecin traitant, incluant examens complémentaires (imagerie, coloscopie, suivi gynécologique…) et conseils hygiéno-diététiques (nutrition, activité physique).

    L’exemple du parcours “Interception poumon” :

    Le parcours “Interception poumon” de Gustave Roussy s’adresse aux personnes à risque accru de cancer du poumon, âgées de 50 à 74 ans, ayant fumé un paquet par jour pendant au moins 20 ans, et qui fument encore ou ont arrêté depuis moins de 10 ans.

    Ce programme inclut une demi-journée axée sur la prévention et le dépistage, comprenant :

    • un scanner thoracique à faible dose ;
    • une consultation de sevrage tabagique ;
    • et des ateliers sur la cigarette, le cancer, l’alimentation et l’activité physique.

    Les participants repartent avec les résultats de leur scanner et un plan de prévention personnalisé. En cas d’anomalie détectée, ils peuvent intégrer le parcours InstaDiag Poumon, une prise en charge rapide et coordonnée en partenariat avec le Centre international des cancers thoraciques (CICT). Cela permet de réduire l’attente, le stress et les déplacements, tout en assurant un diagnostic rapide.

    Vers de nouveaux biomarqueurs et outils de dépistage

    Le programme Interception ne se contente pas de mettre en place des mesures de prévention et de dépistage. Il s’engage également dans une recherche active pour améliorer les méthodes de détection. Des études cliniques, telles que l’étude MyPeBS pour le dépistage personnalisé du cancer du sein, ou l’étude LEAH qui explore l’usage de l’ADN circulant pour le dépistage, sont au programme. L’IA joue un rôle clé dans ces recherches, notamment pour l’identification de nouveaux biomarqueurs et la mise au point de nouveaux tests de dépistage. Ces avancées pourraient, à terme, révolutionner la manière dont nous anticipons les cancers, en permettant une détection encore plus précoce et plus précise.

    La contribution du programme Interception dans la recherche pourrait permettre une détection plus précoce des cancers - @ Gustave Roussy
    La contribution du programme Interception dans la recherche pourrait permettre une détection plus précoce des cancers – @ Gustave Roussy

    Le programme Interception représente un tournant dans la lutte contre le cancer. Il permet, grâce à l’IA, d’identifier les personnes à risque et de leur offrir un parcours de soins et de prévention personnalisé. Ce modèle prévisionnel et prédictif ouvre de nouvelles perspectives dans la gestion du cancer, où l’anticipation devient la clé de la prévention. Les innovations continues dans ce domaine permettent d’espérer une réduction significative de l’incidence des cancers dans les années à venir.

     

  • IA : l’intégration des modèles de langage en oncologie entre promesses et vigilance (The Lancet)

    Un potentiel prometteur freiné par des défis complexes

    L’introduction de l’intelligence artificielle (IA) dans l’oncologie suscite des attentes considérables, en particulier grâce à l’avancée des technologies de traitement du langage naturel (NLP). Les grands modèles de langage (LLM), capables de traiter et d’analyser de vastes ensembles de données narratives issues des dossiers médicaux, promettent de transformer la manière dont les décisions cliniques sont prises. De la recommandation de traitements adjuvants à l’identification de patients éligibles pour des essais cliniques, ces outils pourraient jouer un rôle clé dans l’amélioration de la prise en charge des patients. Cependant, malgré ces avancées, l’intégration de ces technologies dans les pratiques cliniques quotidiennes reste un défi majeur. Les préoccupations liées à leur efficacité, leur biais potentiel, ainsi qu’aux enjeux éthiques et techniques freinent leur déploiement à grande échelle.

    Cette étude, publiée dans la rubrique “Personal view” du numéro de novembre du journal The Lancet Regional Health – Europe, explore les résultats et les recommandations pour assurer une adoption sûre et bénéfique des modèles de langage en oncologie. En soulignant la nécessité d’évaluations prospectives et de validations rigoureuses, elle propose des solutions pour garantir que ces innovations contribuent véritablement à améliorer les soins aux patients, tout en minimisant les risques associés.

    Les risques cachés des modèles de langage en santé

    Les LLM apportent des avancées significatives, mais leur déploiement en santé comporte des risques importants. Ils consomment énormément d’énergie et de ressources, accentuant leur empreinte écologique. Les biais discriminatoires, notamment liés au genre, à l’origine ou aux stéréotypes, persistent dans leurs résultats, influençant négativement les recommandations médicales ou éducatives. De plus, ces modèles peuvent perpétuer ces biais dans les outils dérivés, notamment dans les startups en santé. Les mécanismes non transparents et non reproductibles des LLM compliquent l’évaluation rigoureuse de leurs performances. Enfin, leur usage intensif peut modifier la relation médecin-patient en déplaçant les décisions vers des recommandations biaisées ou mal interprétées, impactant la confiance et l’équité des soins :

    • impact environnemental (consommation élevée d’énergie et d’eau, contribution à l’épuisement des matériaux et à la pollution des sols, modèles génératifs plus énergivores que les systèmes spécifiques) ;
    • travail aliénant (dépendance au travail de “click workers” dans des conditions souvent précaires et invisibles) ;
    • prolifération disproportionnée (multiplication des LLMs avec plus de 200 nouveaux modèles en 2023, formation redondante et influence des contextes politiques sur les données utilisées) ;
    • discrimination de genre (association stéréotypée des femmes à des rôles familiaux et des hommes à des sphères professionnelles, conséquences sur des suggestions automatisées comme les choix éducatifs) ;
    • origine démographique et stigmatisations (propagation de biais liés à l’origine, à la religion ou aux handicaps, diffusion de préjugés médicaux basés sur la race ou inégalités dans les recommandations de soins) ;
    • distractions des modèles (utilisation d’informations inattendues ou inadéquates pour des prédictions, comme des annotations textuelles dans des images médicales) ;
    • transmission de biais aux modèles dérivés (formation de nouveaux modèles à partir de données synthétiques, amplifiant les biais des modèles d’origine) ;
    • influence sur les humains (intériorisation des biais par les utilisateurs, même après le retrait de l’IA) ;
    • problèmes de reproductibilité (variabilité des résultats selon les exécutions dues à des outils non déterministes et au parallélisme des opérations) ;
    • évaluation impossible (limitations des données de santé pour des évaluations généralisées, benchmarks saturés ou surutilisés réduisant leur pertinence) ;
    • perturbation de la relation médecin-patient (impact négatif des recommandations biaisées sur les décisions partagées, interaction de facteurs humains et sociaux renforçant ces biais).

    Rrecommandations pour maximiser l’impact positif des modèles de langage en santé

    Pour garantir un usage efficace et éthique des modèles de langage en santé, des mesures précises sont nécessaires à chaque étape, de la collecte des données à leur déploiement. Ces recommandations visent à limiter les biais, préserver la confidentialité des données, réduire l’empreinte écologique et renforcer la relation médecin-patient. Voici les points clés :

    • collecte et nettoyage des données : assurer une qualité irréprochable des données et identifier et réduire les biais dans les données publiques ou synthétiques ;
    • formation des modèles : prioriser l’utilisation de modèles pré-entraînés ou ajustés (fine-tuning) pour minimiser les ressources nécessaires, mais aussi évaluer l’impact écologique et la pertinence d’entraîner un nouveau modèle ;
    • sélection des résultats attendus : définir des objectifs utiles pour la clinique en consultant des experts en statistiques, et considérer les impacts des prédictions sur les utilisateurs ;
    • validation externe : tester les modèles sur des données externes pour évaluer leur généralisation et garantir leur performance réelle ;
    • partage des données : favoriser la transparence tout en respectant strictement la confidentialité des données des patients ;
    • apprentissage fédéré : permettre l’entraînement décentralisé des modèles pour protéger les données sensibles, malgré des défis techniques ;
    • évaluation de la performance et de la généralisation : mesurer les performances sur des données inédites, en tenant compte des biais culturels ou régionaux ;
    • déploiement des outils : intégrer les modèles aux systèmes existants avec une formation des utilisateurs pour préserver la relation médecin-patient ;
    • gestion des dérives de calibration : surveiller et ajuster régulièrement les prédictions après le déploiement pour maintenir leur précision ;
    • suivi des variations des données : détecter les changements dans les données qui pourraient nuire aux performances du modèle ;
    • exigences réglementaires : consulter des experts pour respecter les normes en vigueur, notamment en matière de reproductibilité ;
    • impact écologique : évaluer et minimiser l’empreinte écologique grâce à des pratiques comme l’IA frugale ou des analyses de cycle de vie ;
    • relation médecin-patient : renforcer une communication centrée sur le patient pour éviter une dépendance excessive aux recommandations des IA.

    Le défi de l’évaluation des modèles de langage

    L’évaluation des modèles de langage dans le domaine de l’oncologie reste entravée par des difficultés liées à la reproductibilité, l’accès aux données et les limitations des benchmarks existants. Ces obstacles freinent leur adoption pour des usages cliniques.

    • problème de reproductibilité : les modèles doivent être testés sur des bases de données externes pour détecter des biais (culturels, linguistiques, etc.) et garantir leur fiabilité dans des contextes variés ;
    • accès limité aux données cliniques : les données narratives en oncologie sont difficiles d’accès, et les bases publiques anonymisées ne couvrent souvent pas les besoins spécifiques du domaine ;
    • saturation des benchmarks publics : les ensembles de données standard atteignent leurs limites (surentraînement des modèles), soulignant la nécessité d’évaluations spécifiques et prospectives ;
    • besoin d’essais cliniques dédiés : seuls des essais en conditions réelles peuvent valider les performances des modèles pour des tâches oncologiques précises, comme le diagnostic ou les recommandations thérapeutiques.

    Imaginer les futurs essais pour l’IA en oncologie

    Les essais prospectifs jouent un rôle clé pour valider l’impact des modèles IA dans des conditions réelles. Ces études, en comparant les performances des IA à celles des médecins ou en mesurant leurs effets sur les résultats cliniques, sont essentielles pour établir la fiabilité des outils en oncologie.

    • Études non interventionnelles récentes : comparaisons préliminaires entre IA et médecins pour le diagnostic et les recommandations (exemple : cancers gastro-intestinaux), avec des résultats optimistes mais des erreurs critiques dans certains cas ;
    • Importance des essais interventionnels : ces essais, standard en médecine, évaluent l’impact clinique réel, par exemple en mesurant la survie ou les effets secondaires (exemple : validation de l’IA dans le dépistage du cancer du sein.
    • Focus actuel sur l’imagerie : la majorité des études IA se concentrent sur l’imagerie médicale (50% des essais actifs), les méthodes NLP sont encore sous-représentées (3 études en cours) ;
    • Obstacles spécifiques au NLP : les designs classiques (randomisation) ne conviennent pas toujours, nécessitant des approches innovantes pour évaluer les outils NLP.

    Le développement de l’IA en oncologie nécessite des essais cliniques innovants adaptés à des applications comme les recommandations thérapeutiques ou le suivi des patients. Ces essais doivent surmonter des défis méthodologiques importants pour garantir un impact clinique mesurable et pertinent.

    Les cas d’usage de l’IA en oncologie incluent des applications telles que la recommandation de traitements adjuvants pour les cancers hormonodépendants, l’estimation du pronostic et le suivi des risques médicaux, ainsi que le matching des patients aux essais cliniques à l’aide du NLP. Toutefois, plusieurs défis méthodologiques doivent être surmontés, notamment la nécessité d’un recrutement ciblé et de mesures adaptées à l’application évaluée. Il est également essentiel d’effectuer une comparaison rigoureuse entre les groupes interventionnels et témoins, avec des analyses statistiques préalablement planifiées. La conception de ces essais nécessite la mobilisation d’équipes multidisciplinaires pour garantir leur robustesse et leur pertinence. Enfin, les essais basés sur des biomarqueurs peuvent inspirer la conception d’évaluations pour les nouveaux outils NLP en oncologie.

    L’avenir prometteur mais exigeant du NLP en oncologie

    Selon cet article du Lancet, malgré un potentiel considérable, les modèles NLP nécessitent une validation clinique approfondie avant de pouvoir être déployés à grande échelle en oncologie. Leur adoption dépendra de leur capacité à prouver leur fiabilité, leur sécurité et leur bénéfice pour les patients.

    Les auteurs estiment que les modèles de langage peuvent surpasser les médecins pour estimer le pronostic, prédire les risques médicaux et identifier les essais cliniques adaptés à un patient. Mais le manque de validation freine leur utilisation, alors que des essais prospectifs en conditions réelles sont essentiels pour évaluer leur impact et éviter les biais. Ils soulignent, par ailleurs, qu’informer les médecins sur les atouts et limites de l’IA est indispensable pour une adoption éclairée, sécurisée et bénéfique en oncologie.

     

     

    * Artificial intelligence in oncology: ensuring safe and effective integration of language models in clinical practice

    Verlingue, Loïc et al.

    The Lancet Regional Health – Europe, Volume 46, 101064

     

  • Un nouvel outil d’IA prédictif multidimensionnel pour prévenir les récidives de thrombose

    Un outil d’IA face à la récidive de MVTE

    Un groupe de chercheurs hospitaliers développe un outil d’intelligence artificielle (IA) inédit pour prévenir les récidives de Maladie Veineuse Thrombo-Embolique (MVTE) sans cause identifiable. Une avancée majeure dans la lutte contre la troisième cause de mortalité cardiovasculaire en Europe. Les récidives, qui touchent 40 % des patients après l’arrêt des anticoagulants, entraînent une mortalité dans 10 % des cas et des séquelles chroniques graves (hypertension artérielle, troubles respiratoires, douleurs persistantes) chez 30 % des patients.

    Limites des approches actuelles

    Les outils conventionnels — scores cliniques, marqueurs biologiques (troponines, protéine C réactive) et imageries (échographie, angiographie, scanner) — montrent des limites majeures :

    • Précision insuffisante pour prédire les risques individuels.
    • Dépendance à des facteurs statistiques.
    • Absence de prise en compte des données génétiques et morphologiques complexes.
    • Négligence des facteurs psychosociaux affectant l’adhésion au traitement.

    Morpheus : un projet collaboratif français soutenu par l’Union européenne

    Financé par le programme Horizon-Health 2022 de l’Union européenne, Morpheus est piloté par le CHU de Brest en collaboration avec des partenaires tels que l’Inserm, le réseau Innovte (Investigation Network On Venous Thrombo-Embolism) et les universités de Bordeaux et Bretagne Occidentale. Ce projet rassemble des experts de huit pays européens (France, Pays-Bas, Allemagne, Espagne, la Suisse, la Pologne, la Suède et le Danemark). Son originalité repose sur :

    • Intégration multi-niveaux : analyse combinée de données cliniques, biologiques, morphologiques et socio-anthropologiques.
    • Base de données unique : fusion de 14 cohortes européennes comprenant 20 000 dossiers cliniques, 10 000 données biologiques et 400 imageries avancées.
    • IA et machine learning : identification de modèles complexes pour des recommandations personnalisées.
    • Décision partagée : outil interactif intégrant prédictions cliniques et préférences des patients.

    L’essai clinique de validation débute le 1er décembre 2024

    Le 1er décembre 2024, un essai clinique sera lancé sur 2 400 patients dans 40 centres européens. Ce nouvel outil IA prédictif multidimensionnel vise à optimiser les traitements anticoagulants, éviter les interventions inutiles et réduire les récidives et complications. Une avancée majeure pour personnaliser la prise en charge de la MVTE.

     

  • Etude : la télésanté, une option à ne pas négliger pour prévenir le risque de suicide (Jama)

    Soins virtuels : un manque de données sur les idées suicidaires

    En France, près de 9000 décès par suicide sont enregistrés chaque année. Fort heureusement, ce chiffre diminue depuis une trentaine d’années mais comme le souligne France Assos Santé, la part de la mortalité attribuable au suicide chez les moins de 35 ans est en augmentation. Notamment depuis la pandémie de Covid 19. Au niveau mondial, plus de 700 000 personnes par an mettent fin à leur jour.

    Or, si plusieurs essais cliniques randomisés ont démontré que les traitements de télésanté psychiatrique via vidéoconférence ont une efficacité équivalente à celle des traitements psychiatriques en personne, notamment dans le traitement du trouble de stress post-traumatique, de la dépression, ou encore de l’anxiété sociale, les données faisaient défaut concernant les idées suicidaires. En la matière, la prudence était de mise. “Historiquement, les patients à haut risque étaient considérés comme inadaptés aux soins virtuels en raison des préoccupations liées au risque et à la responsabilité,” a expliqué Justin Baker, psychologue clinicien à l’université de Boston. C’est justement pour cette raison qu’il a participé à la réalisation d’une étude de cohorte rétrospective.

    Une étude en plein Covid :

    Entre mars 2020 au 31 décembre 2021, en pleine épidémie de Covid, une équipe de chercheurs du Centre Médical Wexner et de la Faculté de Médecine de l’Université d’État de l’Ohio a analysé 66 387 données provenant de 16 236 anciens combattants libérés de leurs obligations militaires. Ces hommes – pour la plupart- avaient reçu au moins deux diagnostics liés à la dépression majeure, au trouble de stress post-traumatique ou à un trouble lié à l’utilisation de substances. Et ils avaient bénéficié soit d’une thérapie cognitive et comportementale brève soit d’une thérapie centrée sur le présent. Les patients ont eu en moyenne 2,2 visites par mois, avec une combinaison de visites virtuelles, téléphoniques et en présentiel.

    Les résultats de cette étude ont été publiés le 5 novembre dans le Jama Network Open.

    Résultats : + de visites virtuelles = – d’actes suicidaires

      • 929 événements liés au suicide (tentatives de suicide, automutilation ou décès) ont été recensés, soit 1,4 % de l’échantillon.
      • 44,6 % des consultations totales en santé mentale ont été délivrées virtuellement.
      • Une augmentation de 1 % des visites virtuelles était associée à une réduction de 2,5 % des événements liés au suicide.

    Ce résultat suggère donc que les services de santé mentale virtuels pourraient avoir un effet protecteur en matière de prévention du suicide. Les auteurs de l’étude formulent plusieurs hypothèses pouvant expliquer de tels bénéfices. Tout d’abord, la télésanté rend les soins de santé mentale plus accessibles. Les professionnels de santé mentale n’étant pas présent partout. Mais cette plus grande accessibilité pourrait aussi être due à une réduction de la stigmatisation. Prendre un rendez-vous en face à face avec un professionnel de la santé mentale reste encore une étape difficile à franchir pour une partie de la population. Enfin, « le fait de se trouver dans un environnement familier, comme son domicile, renforce le sentiment de sécurité psychologique », avancent les chercheurs.

    Préliminaires, ces résultats ont besoin d’être confirmés, notamment auprès d’un public différent. L’étude n’a en effet été menée que chez des vétérans. Sa généralisation reste donc à expérimenter.

     

     

    * Virtual Mental Health Care and Suicide-Related Events.

    Tenso K, Strombotne K, Garrido MM, Lum J, Pizer S.

    JAMA Netw Open. 2024;7(11):e2443054. doi:10.1001/jamanetworkopen.2024.43054

     

  • Maladies chroniques : en quoi consiste Charles.co, la clinique numérique dédiée à la santé masculine ?

    Répondre aux problématiques spécifiques de la santé masculine

    Sur les 3 à 4 millions d’hommes en France concernés par des troubles érectiles, seuls 800 000 bénéficient d’un suivi médical structuré. Et il en va de même pour beaucoup de pathologies chroniques du domaine de la santé masculine, notamment les problèmes de sommeil, la chute des cheveux, l’obésité ou l’éjaculation précoce. Ces pathologies, parfois perçues comme taboues, conduisent beaucoup d’hommes à éviter les consultations médicales, souvent par gêne ou manque de solutions accessibles. Cette situation ce couple à la faible disponibilité de spécialistes tels que les sexologues, dont la France ne compte que 300 praticiens.

    Face à ces défis, Charles.co a été fondée en 2019. Cette jeune entreprise parisienne souhaite proposer une alternative simple et accessible à travers sa clinique médicale virtuelle. Accessible sous la forme d’une plateforme internet, Charles.co permet aux hommes peuvent de consulter des médecins spécialisés par visioconférence, appel téléphonique ou messagerie sécurisée. Cette solution permet une prise en charge personnalisée, avec un suivi continu allant de l’identification du problème jusqu’à la résolution, le tout encadré par des experts dans chaque domaine concerné.

    Plus de 100 000 patients en 5 ans

    Depuis sa création en 2019, Charles.co est devenue un acteur clé de la santé masculine,  grâce à une approche mêlant innovation technologique et proximité. Plus de 100 000 hommes ont déjà utilisé cette clinique digitale pour prendre en main leur santé, bénéficiant d’un accès simplifié à des services de soins complets et sécurisés. En 2023, 95 % des patients ont déclaré être satisfaits de leur expérience, notamment pour la clarté des diagnostics et la qualité de l’accompagnement médical. Plus de 9 patients sur 10 affirmaient aussi que les traitements proposés ont répondu à leurs attentes, et 87 % d’entre eux se disaient prêts à recommander la plateforme à leur entourage.

    Une entreprise ouverte sur les réseaux sociaux :

    Charles.co ne se limite pas aux consultations : la plateforme sensibilise également un large public à travers des contenus éducatifs diffusés sur plusieurs canaux. Avec 500 000 abonnés sur Tiktok, une chaîne Youtube suivie par plus d’un million de spectateurs mensuels, et un blog lu par 500 000 visiteurs chaque mois, elle s’adresse à toutes les générations et contribue à briser les tabous autour de la santé masculine. Ce succès repose également sur un modèle économique accessible, avec des consultations à partir de 35 euros, bien en dessous des prix moyens observés en cabinet.

    Un acteur qui plaide pour la généralisation du remboursement de la téléconsultation

    Pour améliorer la prise en charge des patients, Charles.co collabore avec des pharmacies partenaires afin de faciliter la livraison de traitements. Les patients peuvent commander leurs médicaments via un espace sécurisé sur la plateforme après une téléconsultation, avec des options de livraison rapide.

    L’entreprise plaide aussi activement pour que les téléconsultations soient incluses, de manière généralisée, dans le cadre de remboursement de la Sécurité sociale. Aujourd’hui, la réglementation impose une relation préalable entre le médecin et le patient, ce qui exclut de nombreuses consultations réalisées à distance. Charles.co travaille à démontrer que ses services digitaux répondent à des besoins réels et critiques, en particulier pour des pathologies sensibles et souvent taboues. Cette démarche vise à démocratiser davantage l’accès aux soins, notamment pour les patients qui hésitent encore à franchir le cap d’une consultation physique​.