Articles

  • IA médicale : 1 451 dispositifs autorisés par la FDA contre à peine plus de 200 marqués CE, un fossé amplifié par l’absence de registre public européen

    Un écart quantitatif massif et documenté 

    La comparaison entre le marché américain et le marché français en matière de solutions d’IA médicale approuvées révèle un déséquilibre structurel considérable. Aux États-Unis, la FDA avait autorisé, à fin 2025, un total cumulé de 1 451 dispositifs médicaux basés sur l’IA, dont 295 pour la seule année 2025. En France, et plus largement en Europe, l’absence de base de données publique équivalente rend toute comparaison directe délicate : on estime à au moins 219 le nombre de solutions portant le marquage CE sur le marché européen. En France spécifiquement, le Panorama France Biotech 2024 recensait environ 450 entreprises de santé numérique, dont 57% de produits intégrant l’IA, avec un tier classé comme dispositifs médicaux. En 2025, selon le même panorama, 60% des solutions numériques de santé intégraient l’IA générative. 

    Ce fossé ne s’explique pas seulement par un différentiel d’innovation, mais par une asymétrie réglementaire profonde : la FDA dispose d’un registre public opérationnel depuis 1995, alors que la base de données européenne EUDAMED n’est pas encore pleinement déployée. Par conséquent, la comparaison repose nécessairement sur des ordres de grandeur asymétriques.  

    Analyse par type d’IA 

    L’imagerie médicale domine largement le marché américain :
    La radiologie représente environ 76% de l’ensemble des autorisations FDA, soit environ 1 104 dispositifs. GE HealthCare domine le classement avec plus de 120 autorisations. La cardiologie vient en second avec environ 9% des autorisations, suivie par la neurologie, l’hématologie et d’autres spécialités. Une étude publiée dans npj Digital Medicine portant sur 1 016 autorisations FDA entre 1995 et 2024 identifie trois facteurs principaux : la fonction clinique centrale (rôle médical général du dispositif), la fonction IA (comment l’IA assiste la fonction clinique), et le type de données d’entrée — 84,4% des dispositifs utilisent des données d’imagerie. 

    En France, la radiologie est également le secteur le plus dynamique, porté par des acteurs comme Gleamer (27 M€ levés en 2024) ou Incepto, dont les solutions sont déployées dans de nombreux services de radiologie hospitaliers.  

    L’aide au diagnostic et au triage :
    Les solutions d’aide au diagnostic représentent la fonction principale de la majorité des dispositifs FDA autorisés. L’analyse taxonomique de la FDA révèle que les dispositifs peuvent être classés selon leur fonction IA en plusieurs catégories : détection/classification d’anomalies, priorisation/triage des cas, quantification et mesure, aide à la décision thérapeutique. En France, des solutions comme Aidoc (détection de pathologies urgentes), déployée dans plus de 25 établissements en Europe, illustrent la diffusion de ce type d’outils. 

    L’ambient listening (écoute ambiante) :
    Cette catégorie émergente, centrée sur la transcription et la structuration automatique des consultations médicales, connaît une croissance rapide aux États-Unis. La solution Dragon Ambient eXperience de Microsoft est la plus déployée. Aux États-Unis, Abridge est déployée dans plus de 100 systèmes de santé avec des taux d’adoption montant à 90%. En France, des solutions comme Nabla (60 M€ levés en 2025) commencent à se déployer. Cette catégorie ne dispose pas encore de classification FDA spécifique, et aucun marquage CE dédié ne la régit distinctement.

    La télésurveillance :
    Les dispositifs de monitoring continu à distance (ECG, oxymétrie, glycémie, etc.) constituent une catégorie importante, notamment en cardiologie. En France, la prise en charge par l’Assurance maladie de certains actes de télésurveillance (ETAPES, puis le nouveau modèle de financement) crée un cadre favorable. La liste des solutions certifiées pour la téléconsultation publiée par l’ANS constitue l’approche française la plus proche d’un registre organisé.  

    Les IA organisationnelles et administratives :
    Cette catégorie — optimisation de la planification, codage automatique des séjours, aide à la facturation, gestion des flux patients — est moins encadrée réglementairement car ces solutions ne relèvent pas toutes du statut de dispositif médical. En France, environ 100 solutions d’IA ont été sélectionnées pour les administrations publiques dans le cadre d’un appel à manifestation d’intérêt 2025, avec des solutions comme Gleamer Copilot ou VertexAI (Google Cloud France).

    Analyse comparative synthétique 

    Catégorie 

    Nombre FDA (approx.) 

    Présence France 

    Niveau de preuve exigé 

    Imagerie/radiologie 

    ~1 104 (76%)  

    Plusieurs dizaines 

    Élevé (études cliniques) 

    Cardiologie 

    ~130 (9%)  

    Quelques solutions 

    Élevé 

    Aide au diagnostic général 

    Inclus dans catégories 

    Croissant 

    Variable 

    Ambient listening 

    < 20 (catégorie émergente) 

    < 10 (Nabla, DAX) 

    En construction 

    Télésurveillance 

    Plusieurs centaines 

    Plusieurs dizaines (ETAPES) 

    Modéré à élevé 

    Administratif/organisationnel 

    Non systématiquement classé DM 

    ~100 (AMI 2025)  

    Faible à modéré 

    La France dispose d’un tissu entrepreneurial actif dans l’IA en santé, mais l’absence de registre public des solutions autorisées, le retard de déploiement d’EUDAMED, et la complexité du double cadre MDR + AI Act limitent la lisibilité du marché pour les acheteurs institutionnels. L’entrée en vigueur complète de l’AI Act en 2027 devrait modifier structurellement ce paysage. 

  • IA en santé : des cadres d’évaluation mondiaux de plus en plus exigeants, mais financés de façon profondément inégale

    L’évaluation de l’IA en santé inclue de nombreuses dimensions : méthodes cliniques de validation des performances, approches médico-économiques, cadres d’évaluation en vie réelle et frameworks d’impact organisationnel et éthique. Chaque grande économie mondiale a développé sa propre combinaison de ces dimensions, révélant des philosophies profondément différentes quant à ce que signifie « prouver la valeur » d’un système d’IA en santé. 

    Les méthodes d’évaluation : une taxonomie commune, des pratiques divergentes 

    L’évaluation technique et de performance du modèle constitue le premier niveau : mesure de la sensibilité, spécificité, AUC, valeur prédictive positive et négative, sur des jeux de données de test représentatifs. C’est le minimum requis partout, mais aussi la méthode la plus critiquée pour son insuffisance : un modèle aux excellentes performances statistiques peut s’avérer sans bénéfice clinique démontré en conditions réelles.  

    L’évaluation clinique constitue le second niveau : essais cliniques randomisés (ECR), études observationnelles prospectives ou rétrospectives, études de cohorte avant/après implémentation. La revue publiée dans JMIR en 2025 souligne que les études sur l’IA sont « insuffisantes pour couvrir les prérequis de l’Health Technology Assessment » : manque de preuves comparatives, hétérogénéité des populations d’entraînement, absence de données sur le long terme.  

    La real-world evidence (RWE) constitue le troisième niveau, désormais reconnu comme indispensable : évaluation des performances de l’IA sur des données réelles issues des dossiers patients électroniques, des flux de facturation ou des dispositifs connectés, dans des populations non sélectionnées. En septembre 2025, la FDA elle-même a lancé une consultation publique sur les méthodes de mesure de la performance des IA en conditions réelles, reconnaissant que « de nombreux dispositifs sont évalués principalement par des tests rétrospectifs ou des benchmarks statiques » qui ne reflètent pas leur comportement en déploiement.  

    L’évaluation HTA (Health Technology Assessment) représente le quatrième niveau, multi-dimensionnel : efficacité clinique relative, rapport coût-efficacité, impacts organisationnels, éthiques et sociaux. C’est la méthode la plus complète, mais aussi la plus exigeante en données et en temps. Le modèle HTA évalue classiquement 9 domaines (PICO, sécurité, efficacité, coût, équité, aspects légaux, éthiques, organisationnels, et impact patient), et des chercheurs proposent de l’adapter spécifiquement aux IA en y ajoutant l’interprétabilité, la cybersécurité, la transparence et la gestion de la dérive des modèles (model drift). 

    Le framework AI for IMPACTS, publié dans JMIR en février 2025, propose une synthèse des approches : il intègre le contexte clinique, les facteurs d’implémentation en vie réelle et les dimensions organisationnelles et sociales, allant bien au-delà des métriques techniques. Multidisciplinaire par nature, il reconnaît explicitement que « les méthodes d’évaluation traditionnelles peinent à suivre le rythme de développement de l’IA » et que des processus d’évaluation flexibles et accélérés sont nécessaires. 

    États-Unis : la preuve technique prime, la RWE s’impose 

    La FDA a construit son système d’évaluation autour de la voie 510(k) et de ses dérivés, dans lesquels la validation de performance sur des données cliniques représentatives est centrale. À fin 2025, 1 451 dispositifs IA avaient été autorisés cumulativement, dont 295 en 2025. La principale innovation méthodologique récente est la guidance Predetermined Change Control Plans (PCCP) de décembre 2024 : les fabricants documentent à l’avance les types de modifications algorithmiques autorisées sans resoumettre leur dossier, introduisant une logique d’évaluation continue et dynamique du cycle de vie. En septembre 2025, la FDA a lancé une consultation publique spécifique sur l’évaluation de la performance en vie réelle des IA médicales, signalant un pivot vers la RWE comme méthode complémentaire obligatoire. Sur le plan médico-économique, la méthode HTA n’est pas formellement requise pour l’accès au marché américain, le système repose davantage sur la négociation entre payeurs privés et industriels. Mais l’Inflation Reduction Act de 2022, en introduisant la négociation de prix pour les médicaments, a renforcé l’intérêt pour les approches coût-efficacité qui pourraient s’étendre progressivement aux DM et IA. 

    Union européenne : le HTA au cœur, avec un règlement dédié 

    L’Europe se distingue par la rigueur de son cadre d’évaluation clinique et par l’introduction d’un règlement HTA européen (UE 2021/2282), entré en application progressive depuis janvier 2025. Ce règlement harmonise les évaluations cliniques comparatives à l’échelle des États membres, produisant des rapports HTA publics et de haute qualité scientifique utilisables par toutes les agences nationales (dont la HAS en France). Les dispositifs médicaux basés sur l’IA sont soumis à une évaluation clinique rigoureuse selon le MDR, et l’AI Act (2024) impose des exigences supplémentaires : gouvernance des données, robustesse, traçabilité, supervision humaine, gestion des biais. Un changement majeur depuis 2025 : les hôpitaux deviennent co-responsables de l’évaluation continue des IA qu’ils déploient, devant vérifier la classification, les risques associés et la capacité du fournisseur à maintenir le modèle. La Commission a proposé un parcours intégré MDR/AI Act pour simplifier la double conformité, avec adoption prévue à l’été 2026. 

    Royaume-Uni : NICE, Evidence Standards Framework et sandbox réglementaire 

    Le Royaume-Uni dispose d’un des cadres d’évaluation les plus innovants au monde grâce au NICE (National Institute for Health and Care Excellence). Le HealthTech programme du NICE est responsable de l’évaluation des technologies numériques et IA, avec plusieurs niveaux d’évaluation selon la maturité de la solution : guidance précoce (Early Value Assessment), évaluation complète avec Health Technology Evaluation manual, et Evidence Standards Framework (ESF) pour les technologies numériques. En novembre 2024, le NICE a lancé l’outil CHEERS-AI : un standard de reporting coût-efficacité spécifique à l’IA, ajoutant 8 éléments aux 28 standards CHEERS classiques pour intégrer les nuances propres à l’IA, notamment l’autonomie des utilisateurs et l’apprentissage continu du modèle. Ce standard s’impose progressivement comme référence internationale. Parallèlement, la MHRA a développé l’AI Airlock, un programme sandbox permettant aux fabricants d’IA d’expérimenter leurs solutions dans un cadre réglementaire contrôlé avant soumission formelle. En juillet 2025, la MHRA (Medicines and Healthcare products Regulatory Agency) a introduit la reconnaissance mutuelle des autorisations FDA, TGA et Santé Canada, accélérant l’accès au marché sans dupliquer l’évaluation. 

    Canada: convergence méthodologique avec les États-Unis 

    Santé Canada évalue les dispositifs médicaux IA comme SaMD sous le MDR canadien. En 2025, une guidance pré-marché dédiée aux Machine Learning-enabled Medical Devices (MLMD) a été publiée, exigeant que les fabricants documentent explicitement les caractéristiques du ML dans leur dossier de soumission. Sur le plan HTA, l’ACMTS (Agence canadienne des médicaments et des technologies de la santé) conduit des évaluations médico-économiques comparables au modèle NICE, avec des analyses coût-efficacité et des revues systématiques. Le Canada participe à l’IMDRF (International Medical Device Regulators Forum), qui coordonne l’harmonisation internationale des méthodes d’évaluation réglementaire. Sur le plan financier, le Canada est au 4e rang mondial en investissement cumulé en IA (environ 15 milliards de dollars depuis 2013). 

    Chine : priorité au volume et à l’équivalence technique 

    La NMPA (National Medical Products Administration) évalue les dispositifs médicaux IA selon une classification à trois niveaux de risque. L’approche d’évaluation clinique chinoise est fondée sur le principe d’équivalence substantielle à des dispositifs déjà autorisés, avec une acceptation des données cliniques générées à l’étranger dans certains cas. La Chine a autorisé plusieurs centaines de dispositifs IA depuis 2020, principalement en imagerie. Si la robustesse méthodologique des évaluations cliniques est parfois critiquée, la Chine a publié depuis 2021 des réglementations post-marché plus strictes, s’alignant partiellement sur le modèle européen. Sur le plan de l’évaluation médico-économique, la HTA reste peu développée : l’État définit les prix par voie administrative, sans recours systématique aux méthodes coût-efficacité. La Chine mise davantage sur le volume (38 210 brevets en IA générative déposés entre 2014 et 2023, soit 6 fois plus que les États-Unis) que sur la rigueur évaluative. 

    Japon : l’approbation dynamique et le HTA ICER-based 

    Le Japon combine deux innovations méthodologiques remarquables. D’une part, la PMDA (Pharmaceuticals and Medical Devices Agency) pratique une approbation dynamique (dynamic approval) : gestion des risques par niveaux, critères d’examen flexibles selon le stade de développement, et surveillance post-approbation active. D’autre part, le Japon est le premier pays au monde à avoir adopté une méthode algorithmique de tarification basée sur l’ICER (Incremental Cost-Effectiveness Ratio) pour les technologies de santé, avec un seuil de consentement à payer de 5 à 10 millions de yens par QALY. Cette méthode, proche du modèle NICE britannique, s’applique aux médicaments mais tend à être étendue aux dispositifs médicaux numériques. Les AI Business Operator Guidelines d’avril 2024 posent des principes éthiques d’évaluation fondés sur la principles-based guidance, préservant l’agilité tout en garantissant la sécurité des patients. 

    Corée du Sud : le modèle le plus intégré pour les DM numériques 

    Avec le Digital Medical Products Act (DMPA) entré en vigueur en janvier 2025, la Corée du Sud a construit le cadre d’évaluation le plus spécifiquement adapté aux produits médicaux numériques et IA. Le DMPA impose des exigences originales : model cards (fiches de description du modèle), Predetermined Change Control Plans, étiquetage IA explicite, et évaluation de la robustesse du cycle de vie. Sur le plan HTA, la Corée du Sud utilise le HTA pour optimiser l’utilisation et les coûts des technologies, avec des méthodes comparables aux standards australiens et japonais. Le fast-track Market Immediate Entry de janvier 2026 réduit le délai approbation-usage clinique de 490 à 80-140 jours pour les innovations ayant passé une évaluation clinique renforcée. La Corée du Sud combine ainsi rigueur méthodologique et agilité réglementaire, en faisant un modèle de référence émergent. 

    Australie : technologiquement neutre et orientée enforcement 

    La TGA applique une approche technologiquement neutre : tout logiciel à visée diagnostique ou thérapeutique est soumis aux mêmes standards d’évaluation quelle que soit la technologie sous-jacente. Le cadre d’évaluation est fondé sur les Guidelines for SaMD, et la TGA participe au MDSAP (Medical Device Single Audit Program) avec la FDA, Santé Canada, le Japon et le Brésil. En 2025, face à la prolifération de solutions IA non enregistrées, la TGA a lancé une campagne d’enforcement ciblée — notamment contre les AI scribes intégrant des fonctionnalités diagnostiques non déclarées. Sur le plan HTA, l’MSAC (Medical Services Advisory Committee) conduit des évaluations médico-économiques rigoureuses, intégrant les analyses coût-efficacité et les impacts organisationnels dans les recommandations de remboursement. 

    Singapour et Israël : les modèles flexibles 

    Singapour (Health Sciences Authority) a publié dès 2021 des guidelines SaMD couvrant le cycle de vie complet, avec une approche fondée sur le risque adaptée à l’IA. L’agence adapte en continu ses méthodes d’évaluation aux spécificités des modèles génératifs. Israël a adopté une approche sectorielle : les régulateurs sectoriels (dont l’autorité sanitaire) définissent leurs propres méthodes d’évaluation, guidés par une National AI Policy de 2023 fondée sur le principe de responsible innovation. Avec 15 milliards de dollars cumulés en investissement IA, Israël est au 5e rang mondial, avec une forte concentration dans le secteur de la santé numérique.

    Sur le plan financier 

    Les écarts de financement conditionnent directement la capacité à produire les preuves nécessaires à une évaluation robuste. L’investissement privé mondial en IA a atteint 581 milliards de dollars en 2025, plus du double des 253 milliards de 2024. Le marché mondial de l’IA en santé est estimé à 28-40 milliards de dollars, avec un CAGR projeté entre 34 et 37%. Les États-Unis dominent avec 109,1 milliards de dollars en 2024, soit 12 fois l’investissement chinois. En France et en Europe, les levées de fonds en e-santé ont chuté de 42% en 2025, et l’Union européenne ne capte que 2% des deals mondiaux en IA générative, un écart qui fragilise la capacité à financer les études cliniques nécessaires à une évaluation de qualité.

    Tableau comparatif des méthodes d’évaluation 

    Pays / Zone 

    Méthode principale 

    HTA formalisée 

    RWE intégrée 

    Spécificité IA 

    États-Unis (FDA) 

    Validation technique + PCCP  

    Non obligatoire 

    En construction (2025)  

    PCCP, registre public 

    Union européenne 

    Évaluation clinique MDR + HTA EU  

    Oui (depuis 2025)  

    EUDAMED en cours 

    AI Act haut risque 

    Royaume-Uni (NICE) 

    ESF, CHEERS-AI, HTA multi-niveaux  

    Oui (NICE HealthTech) 

    Oui (NHS données) 

    CHEERS-AI, AI Airlock 

    Canada 

    MLMD Guidance + ACMTS HTA  

    Oui 

    Oui (CIHR) 

    MLMD guidance 2025 

    Chine (NMPA) 

    Équivalence substantielle + post-marché  

    Limitée 

    Non systématique 

    Volume brevets 

    Japon (PMDA) 

    Approbation dynamique + ICER-based HTA  

    Oui (ICER algorithmique) 

    Oui 

    Dynamic approval 

    Corée du Sud (MFDS) 

    DMPA, model cards, PCCP  

    Oui  

    En développement 

    Première loi DM numérique 

    Australie (TGA) 

    Technologiquement neutre + MSAC HTA  

    Oui (MSAC) 

    Oui (MDSAP) 

    Enforcement AI scribes 

    Singapour (HSA) 

    SaMD guidelines, risk-based  

    Partielle 

    Partielle 

    Hub régional 

    Israël 

    Sectoriel, principles-based  

    Partielle 

    Partielle 

    Responsible innovation 

    Convergences et tensions structurelles 

    L’analyse transversale fait émerger une convergence méthodologique autour de quelques principes : approche par niveaux de risque, exigence croissante de RWE post-déploiement, intégration de la gestion du cycle de vie des modèles (PCCP), et nécessité d’une évaluation multidimensionnelle dépassant les seules métriques techniques. L’IMDRF et l’OCDE jouent un rôle de coordination croissant, et plusieurs pays (Canada, Corée du Sud) ont explicitement repris la méthodologie PCCP de la FDA. La guidance CHEERS-AI du NICE est déjà adoptée comme référence par plusieurs agences européennes pour les évaluations économiques de l’IA. 

    Les tensions persistantes portent sur deux axes. D’abord, rigueur vs vitesse : l’Europe et le Royaume-Uni investissent dans des cadres d’évaluation exigeants (HTA, MDR, AI Act) qui garantissent la qualité des preuves mais allongent les délais, tandis que la Corée du Sud et le Japon démontrent qu’il est possible de combiner rigueur et agilité. Ensuite, réglementation vs évaluation de la valeur : la plupart des pays maintiennent une séparation entre la validation réglementaire (accès au marché) et l’évaluation de la valeur (remboursement, adoption). Combler ce fossé, pour que l’autorisation d’un dispositif soit accompagnée d’une démonstration de valeur réelle, constitue le principal défi méthodologique des prochaines années pour l’ensemble des systèmes de santé.

  • IA hospitalière : les projets qui ne réussissent que si l’hôpital est prêt, avec un ROI clinique, administratif et humain objectivé

    Critères de choix et clés de succès pour les établissements de santé 

    Au-delà des promesses industrielles 

    Le marché de l’IA en santé est désormais structuré autour d’une offre pléthorique : en France, environ 450 entreprises de santé numérique étaient recensées en 2024, dont 57% de produits intégrant l’IA, avec 76% en phase de commercialisation. Cette abondance crée un défi pour les établissements de santé : comment distinguer les solutions à fort impact réel des effets d’annonce, et comment construire un cadre d’évaluation rigoureux qui dépasse les discours promotionnels ? Les conditions de succès d’un projet d’IA en établissement de santé ne tiennent pas tant aux caractéristiques techniques du produit qu’à la maturité organisationnelle de l’établissement, à la qualité du portage institutionnel, et à la rigueur du cadre d’évaluation mis en place dès l’amont.  

    Les conditions de succès 

    L’expérience des projets les plus avancés, notamment au CHU de Montpellier, aux HCL (Hospices Civils de Lyon), ou dans des systèmes de santé américains, fait émerger plusieurs conditions de succès transversales : 

    • Portage institutionnel fort : l’IA hospitalière viable n’est pas une démonstration technologique isolée, c’est une intégration gouvernée qui s’inscrit au cœur du système d’information.
    • Infrastructure de données préalable : la préparation et la mise à disposition de données de qualité constitue un prérequis non négociable.
    • Supervision humaine structurée : la HAS, l’AFNOR SPEC 2213 et l’AI Act européen convergent sur la nécessité d’une garantie humaine des systèmes d’IA en santé.
    • Stratégie de formation : l’appropriation par les utilisateurs conditionne les taux d’adoption réels. Des systèmes de santé américains déployant l’ambient listening rapportent des taux d’adoption montant jusqu’à 90% dans les établissements ayant investi dans l’accompagnement au changement.
    • Gouvernance des risques : les organisations doivent classer leurs outils d’IA par niveaux de risque, avec un suivi plus intensif pour les modèles à fort impact clinique.

    KPI Transverses 

    Pour tout projet d’IA, un socle d’indicateurs transverses s’impose, couvrant quatre dimensions systématiques : 

    Utilisation et adoption : 

    • Taux d’adoption effectif (utilisateurs actifs / utilisateurs cibles) 
    • Taux de complétion des workflows assistés par l’IA 
    • Fréquence d’utilisation et taux d’abandon 

    Processus : 

    • Temps de cycle avant / après implémentation 
    • Temps par tâche (documentation, codage, diagnostic) 
    • Taux d’erreurs et taux de retravail 
    • Délais critiques (comptes rendus, admission, rendez-vous) 

    Économie : 

    • Coût par patient ou par épisode de soins 
    • Coûts évités (séjours évités, actes évités, transports évités) 
    • Heures de travail économisées ou réaffectées à des tâches à valeur ajoutée 

    KPI Cliniques 

    Les indicateurs cliniques constituent le cœur de l’évaluation pour les IA à visée diagnostique ou thérapeutique : 

    • Performance du modèle : sensibilité, spécificité, AUC, valeur prédictive positive et négative
    • Impact patient : taux de réadmission, durée moyenne de séjour, score de satisfaction patient (PREMS/PROMS), taux d’erreurs médicales
    • Sécurité : taux d’alertes actionnables vs. alertes non pertinentes (fatigue d’alerte), taux d’événements indésirables liés à l’IA
    • Équité : analyse des performances différenciées par sous-groupes de population (genre, âge, comorbidités, origine géographique)

    Données ROI Clinique 

    Le retour sur investissement clinique doit être appréhendé selon une logique d’évaluation des technologies de santé (HTA), qui évalue l’efficacité relative, le rapport coût-efficacité et les impacts organisationnels. Les indicateurs suivants constituent le socle d’un ROI clinique : 

    • Réduction de la morbi-mortalité : vies sauvées, hospitalisations évitées, complications évitées (valorisées en coûts médicaux évités)
    • Amélioration de la précision diagnostique : réduction des faux négatifs et faux positifs, impact sur les délais de prise en charge
    • Optimisation du parcours de soins : réduction des délais d’accès aux soins, amélioration de la continuité des soins
    • Budget Impact Analysis : évolution du coût moyen par patient/épisode avant et après déploiement

    Données ROI Administratif 

    Le ROI administratif, plus directement mesurable à court terme, repose sur : 

    • Heures administratives libérées (documentation, codage PMSI, facturation) 
    • Réduction des erreurs de codage et amélioration du taux de valorisation des séjours 
    • Diminution des délais de facturation et amélioration du taux de recouvrement 
    • Optimisation de la gestion des plannings et des ressources humaines 

    Les organisations ayant intégré l’IA dans leurs processus critiques rapportent une baisse moyenne de 22% de leurs coûts opérationnels. Une étude Talan 2025 indique que l’IA pourrait permettre aux professionnels de santé de gagner jusqu’à 2 heures par jour. 

    KPI Administratifs 

    • Taux de codage automatisé validé sans correction 
    • Délai moyen de facturation avant / après 
    • Taux d’occupation et taux d’utilisation des ressources (blocs, lits) 
    • Réduction des délais d’admission et de sortie 

    KPI de Recherche 

    Pour les établissements universitaires (CHU, ESPIC avec activité de recherche) : 

    • Nombre de publications issues des données valorisées par l’IA 
    • Délai de recrutement des patients dans les essais cliniques (la sélection assistée par IA a démontré une amélioration du taux de détermination de l’admissibilité avec un ratio de risque de 1,78)  
    • Nombre de nouveaux projets de recherche rendus possibles par la disponibilité des données structurées 

    Impact Travail et QVCT 

    L’impact sur la qualité de vie et les conditions de travail (QVCT) des professionnels est une dimension souvent négligée dans les évaluations économiques classiques : 

    • Satisfaction professionnelle mesurée avant et après (enquêtes spécifiques) 
    • Indicateurs d’absentéisme et de turnover 
    • Perception de la qualité de la relation de soins 
    • Charge mentale et cognitive déclarée 

    À noter : 88% des professionnels de santé déclarent vouloir intensifier leur usage de l’IA dans les deux prochaines années, notamment pour les tâches administratives.  

    Impact Environnemental 

    L’empreinte environnementale de l’IA est un angle émergent mais incontournable dans l’évaluation des projets. Les data centers d’IA sont 4 à 5 fois plus énergivores que les data centers traditionnels. Les indicateurs à suivre incluent :  

    • Consommation électrique des infrastructures de calcul (en kWh et en équivalent CO₂) 
    • Consommation d’eau des serveurs 
    • Politique d’hébergement (infrastructure souveraine vs. cloud externe) 

    Impact Éthique 

    L’évaluation éthique s’organise autour de quatre axes : 

    • Équité algorithmique : analyse des biais de performance entre sous-populations
    • Transparence et explicabilité : niveau de compréhension des recommandations de l’IA par les professionnels
    • Chaîne de responsabilité : clarté des responsabilités en cas d’erreur ou d’incident
    • Souveraineté numérique : localisation des données, dépendance fournisseur, capacité d’audit indépendant

     

  • Étude : une IA analyse le fond d’œil pour dépister six maladies chroniques en 30 secondes

    L’IA continue d’étendre son champ d’application en santé numérique. Une étude publiée fin avril 2026 dans Nature Medicine montre qu’une simple photographie du fond d’œil, analysée par un modèle d’IA, pourrait permettre de détecter plusieurs maladies endocriniennes, métaboliques ou vasculaires sans recours à des biomarqueurs sanguins.

    Porté par Xiayin Zhang et plusieurs équipes de l’université de Guangzhou, le système baptisé Reti-Pioneer a été conçu comme un outil de dépistage multimaladies capable d’opérer dans des contextes de soins courants, y compris avec des images de qualité hétérogène.

    Un modèle entraîné sur plus de 100.000 images rétiniennes

    Les chercheurs ont entraîné leur modèle sur 107.730 photographies couleur de fonds d’œil provenant de 53.865 personnes, issues à la fois de la cohorte britannique UK Biobank et de registres hospitaliers chinois.

    Contrairement à de nombreux travaux antérieurs centrés sur une seule pathologie et des images standardisées, l’équipe a volontairement intégré des clichés de qualité variable afin de se rapprocher des conditions réelles de prise en charge en soins primaires.

    Le modèle combine plusieurs architectures pré-entraînées (Swin Transformer, Vision Mamba et RETFound) avec un module dit “quality-aware” destiné à exploiter également les images dégradées.

    Des performances élevées pour le diabète et la goutte

    Sur les données internes de validation, Reti-Pioneer atteint une aire sous la courbe (AUC) de :

    • 0,833 pour le diabète de type 2 ;
    • 0,832 pour la goutte ;
    • 0,787 pour l’ostéoporose ;
    • 0,740 pour l’hypertension ;
    • 0,736 pour l’hyperlipidémie ;
    • 0,699 pour les maladies thyroïdiennes.

    Dans le cas du diabète, les auteurs indiquent que le modèle dépasse les performances du score FINDRISC, largement utilisé en pratique clinique pour estimer le risque de diabète de type 2.

    Les validations externes réalisées dans plusieurs régions chinoises et à Singapour montrent également une capacité de généralisation à des populations multiethniques et à des contextes de ressources hétérogènes.

    Une capacité de prédiction jusqu’à dix ans avant le diagnostic

    Au-delà du dépistage, les chercheurs ont évalué la capacité du modèle à prédire l’apparition future de certaines maladies à partir d’altérations rétiniennes potentiellement précliniques. En utilisant les données longitudinales de la UK Biobank, le système atteint :

    • une AUC de 0,755 pour la prédiction du diabète à 5 ans ;
    • 0,736 à 10 ans ;
    • 0,755 puis 0,719 pour l’hypertension ;
    • 0,748 puis 0,735 pour l’hyperlipidémie.

    Les auteurs estiment que ces résultats renforcent l’intérêt de l’« oculomique », discipline consistant à utiliser l’imagerie oculaire comme reflet de l’état systémique du patient.

    L’étude inclut également une expérimentation associant spécialistes de la rétine et IA. Lorsqu’ils disposaient des prédictions et cartes de chaleur générées par Reti-Pioneer, les ophtalmologistes amélioraient leurs performances diagnostiques :

    • de 71 % à 88 % pour le diabète ;
    • de 51 % à 79 % pour la goutte ;
    • de 63 % à 70 % pour les maladies thyroïdiennes.

    Une expérimentation en soins primaires

    Le modèle a également été testé dans un essai prospectif en soins primaires via une plateforme web centralisée. Les images de fond d’œil étaient transmises en temps réel à une infrastructure GPU chargée d’exécuter l’analyse IA.

    Selon l’étude, le temps médian entre la capture de l’image et la génération du rapport était de 30,6 secondes, contre près de huit heures pour les examens biologiques conventionnels. Le taux de succès d’acquisition des images atteignait 98,7 %.

    Les chercheurs considèrent cette étude comme une première étape vers des stratégies de dépistage non invasives à grande échelle, notamment dans les zones sous-dotées.

    Ils soulignent toutefois plusieurs limites : performances encore insuffisantes pour certains diagnostics, disparités selon les populations, absence d’évaluation sur des pathologies graves comme les maladies cardiovasculaires ou les AVC, et nécessité d’essais randomisés de grande ampleur.

    Zhang X, Li Q, Liang Y, Lai C, Cao J, Feng Y, Hu W, Jiang H, Liu C, Zhang F, Wang S, Fang Y, Duojie C, Hu L, Xu F, Chi K, Lin M, Li L, Tham YC, Zhou Y, Cheung CY, Yang X, Sheng B, Zhu Z, et al. AI framework for multidisease detection via retinal imaging. Nature Medicine. 2026.

     

  • Aide à la décision : Les médecins risquent-ils de trop faire confiance aux IA ?

    Les outils d’IA générative destinés aux cliniciens changent progressivement la manière dont les médecins accèdent à l’information médicale.

    Graham McMahon (médecin endocrinologue américain spécialisé dans l’éducation médicale et l’évaluation des compétences des médecins) décrit, dans son édito, une nouvelle génération d’outils fondés sur les grands modèles de langage, capables de produire en temps réel des recommandations cliniques personnalisées. Ces systèmes sont utilisés à la fois comme aides à la décision et comme ressources pédagogiques directement intégrées au soin.

    Selon lui, leur diffusion rapide ouvre une nouvelle phase de la formation médicale continue, caractérisée par un apprentissage immédiat, contextualisé et intégré à la pratique.

    Des réponses rapides et structurées

    Graham T. McMahon explique avoir testé plusieurs outils récemment commercialisés auprès des cliniciens. Les réponses générées lui apparaissent souvent « directionnellement correctes », structurées et accompagnées de références, avec un ton proche d’une consultation experte.

    Ces systèmes peuvent donc réduire certaines variations de pratique, accélérer l’accès à des synthèses de littérature et soutenir la prise de décision au lit du patient.

    Mais l’auteur souligne aussi plusieurs limites observées lors de ses tests :

    • Certaines réponses omettent des nuances importantes.
    • D’autres contiennent des erreurs susceptibles d’affecter la prise en charge.
    • Le problème réside moins dans la fréquence de ces erreurs que dans leur présentation.
    • Car même lorsqu’elles sont inexactes, les réponses restent fluides, cohérentes et persuasives.

    Cette combinaison entre rapidité, confiance apparente et intégration dans le flux clinique soulève une question :

    Les médecins évaluent-ils encore ces recommandations avec le même niveau d’esprit critique qu’un article scientifique ou l’avis d’un confrère ?

    Une formation médicale de plus en plus intégrée au soin

    Son édito décrit une évolution du modèle traditionnel de formation continue. Historiquement séparée du moment de soin, celle-ci pourrait désormais devenir un « juste-à-temps », contextualisée et personnalisée.

    Les systèmes concernés incluent des interfaces conversationnelles basées sur des LLM, des outils de synthèse automatisée de littérature scientifique ou encore des systèmes d’aide à la décision clinique.

    Dans ce modèle, chaque question clinique devient potentiellement une situation d’apprentissage. Les outils pourraient identifier des zones d’incertitude, détecter des requêtes récurrentes et proposer des parcours pédagogiques ciblés.

    Pour l’auteur, cette convergence progressive entre aide à la décision et apprentissage transforme la manière dont les médecins actualisent leurs connaissances.

    Illusion de compréhension et biais d’automatisation

    Cependant, l’auteur insiste sur plusieurs risques cognitifs associés à ces outils.

    • Le premier est « l’illusion de profondeur explicative » : la tendance à surestimer sa compréhension lorsqu’une explication paraît claire et cohérente. Les IA génératives renforcent ce phénomène en produisant des réponses convaincantes.
    • L’auteur évoque également le biais d’automatisation, c’est-à-dire la tendance à accorder davantage de crédit à une recommandation issue d’un système automatisé, particulièrement dans des environnements soumis à une forte pression temporelle.
    • Ces risques sont accentués par l’opacité des systèmes agentiques complexes, dont les mécanismes internes restent difficiles à interroger pour les utilisateurs.

    L’auteur décrit ainsi une forme de « séduction épistémique », à savoir l’acceptation d’une information non parce qu’elle a été rigoureusement évaluée, mais parce qu’elle paraît fluide, cohérente et rassurante.

    Le risque d’une perte progressive des compétences cliniques

    L’auteur identifie également un risque de « deskilling », c’est‑à‑dire d’érosion des compétences professionnelles. Le raisonnement clinique repose, rappelle-t-il, sur des processus actifs : confrontation à l’incertitude, réflexion, reconnaissance de patterns et synthèse autonome des connaissances.

    Si les médecins délèguent progressivement ces tâches cognitives aux systèmes d’IA, ils pourraient devenir performants dans l’usage des outils, mais moins confiants dans leur propre jugement.

    Une menace pour les dimensions collectives de l’apprentissage

    L’apprentissage clinique se construit historiquement à travers les échanges entre pairs, le mentorat, la confrontation de points de vue et les discussions collectives. Or les usages actuels des IA génératives reposent souvent sur des interactions individuelles et silencieuses entre le clinicien et l’algorithme. Pour l’auteur, un modèle d’apprentissage exclusivement individualisé risquerait d’appauvrir la construction du jugement clinique et de réduire les opportunités de réflexion collective.

    Des inquiétudes sur l’influence commerciale

    Le texte aborde également les enjeux de gouvernance et d’indépendance. Nombre de ces outils étant développés dans des environnements commerciaux, Graham McMahon alerte sur le risque de biais dans la manière dont certaines options thérapeutiques pourraient être présentées ou hiérarchisées. Même des influences discrètes, liées à des partenariats commerciaux ou à des mécanismes de recommandation opaques, pourraient selon lui orienter les décisions médicales.

    Former les médecins à l’évaluation critique des IA

    Face à ces transformations, Graham T. McMahon considère que l’intégration de l’IA dans la formation médicale augmente, plutôt qu’elle ne réduit, la responsabilité professionnelle.

    Les médecins devront conserver une « humilité épistémique », en gardant à l’esprit que ces outils peuvent autant assister qu’induire en erreur. L’auteur appelle ainsi à une formation explicite sur le fonctionnement des systèmes d’IA générative, leurs limites et leurs modes d’échec fréquents.

    Vers une formation continue pilotée par les données

    L’éditorial envisage enfin un futur où la formation médicale continue serait intégrée de manière permanente à la pratique clinique. Les systèmes pourraient identifier les domaines d’incertitude d’un praticien, proposer des contenus personnalisés et même exiger des phases de réflexion avant l’obtention de crédits de formation.

    Pour Graham T. McMahon, l’enjeu est désormais de faire de l’IA un outil d’extension des capacités d’apprentissage des médecins.

     

  • IA hospitalière : des retours terrain présentés à SantExpo

    Animée par Camille OMS (cheffe de projet au département santé et transformation numérique) et Yann-Maël Le Douarin (Chef du département santé et transformation numérique) la session* a mis en avant les projets financés dans le cadre des appels à projets nationaux autour de l’IA hospitalière.

    Les dispositifs soutenus par la Direction générale de l’offre de soins visent à favoriser l’acquisition de solutions numériques appliquées à l’organisation hospitalière.

    Les responsables de la DGOS ont rappelé que le premier appel à projets consacré aux urgences et aux ressources humaines avait suscité près de 350 candidatures, dont 204 retenues.

    Aux urgences de Valenciennes, l’IA pour anticiper les flux de patients

    Parmi les projets présentés, le centre hospitalier de Valenciennes a détaillé un dispositif d’anticipation des flux aux urgences fondé sur l’analyse prédictive. L’établissement, confronté à une forte hausse de son activité ces dernières années, utilise des modèles capables de prévoir les admissions, les hospitalisations attendues et les besoins en ressources sur plusieurs jours.

    Les équipes disposent de tableaux de bord qui intègrent différents indicateurs : nombre d’entrées prévues, patients âgés de plus de 75 ans, taux d’hospitalisation ou besoins médicaux à venir. L’outil permet notamment :

    • d’anticiper les besoins médicaux à 48 heures ;
    • de mobiliser des renforts plus tôt ;
    • d’améliorer la coordination des lits d’hospitalisation ;
    • de réduire les sollicitations téléphoniques liées à la gestion des flux.

    Le système s’appuie sur plusieurs années de données historiques internes, mais également sur des facteurs extérieurs comme certains événements sociaux, sportifs ou festifs susceptibles d’influencer l’activité des urgences. Les porteurs du projet ont toutefois insisté sur la dimension organisationnelle et culturelle du déploiement de ces outils, estimant que l’appropriation par les équipes constitue un enjeu au moins aussi important que la technologie elle-même.

    L’IA appliquée à la gestion des stocks hospitaliers

    Un second retour d’expérience portait sur l’usage de l’IA pour optimiser la gestion des stocks de médicaments et dispositifs médicaux dans les pharmacies hospitalières. Le projet présenté repose sur des modèles de prévision de consommation et de classification automatisée des produits afin d’ajuster les niveaux de stock selon leur criticité et leur fréquence d’utilisation.

    Les équipes indiquent avoir obtenu un taux de service de 99,3 %, tout en réduisant certains volumes de stockage et les pertes liées au surstockage.

    Les intervenants ont cependant souligné plusieurs difficultés : Complexité des mises à jour, nécessité de synchroniser plusieurs logiciels hospitaliers, et variabilité de certaines consommations médicales.

    L’objectif est d’intégrer directement ces modèles dans les systèmes d’information hospitaliers afin de passer d’une logique de simulation à une utilisation quotidienne.

    Une stratégie nationale orientée vers les usages concrets

    Au-delà des démonstrateurs technologiques, les représentants de la DGOS ont insisté sur la volonté de privilégier des usages concrets de l’IA susceptibles d’améliorer l’organisation hospitalière et les conditions de travail des équipes. Les projets présentés mettent principalement en avant des gains de pilotage, d’anticipation, et de fluidification des parcours.

    Les futurs appels à projets devraient continuer à cibler les usages organisationnels et logistiques de l’IA dans les établissements de santé.

    Un prochain appel à manifestation d’intérêt concernant la gestion des stocks en pharmacie sera publié en juin/juillet.

    Préparer les futurs possibles du système de santé avec “Santé 2050”

    La conférence s’est conclue sur la présentation du programme prospectif « Santé 2050 », porté par la DGOS avec plusieurs partenaires institutionnels et académiques. Cette démarche vise à explorer différents scénarios d’évolution du système de santé à horizon 2050 à travers des ateliers associant experts, citoyens et même auteurs de science-fiction. Les promoteurs du programme expliquent vouloir dépasser les approches classiques de prévision afin d’anticiper des ruptures technologiques, organisationnelles ou sociétales susceptibles de transformer durablement l’hôpital et les parcours de soins.

    * « Intelligence artificielle en santé : quelles perspectives pour les équipes hospitalières et leurs patients ? » (Session SantExpo 2026)

  • IA à risque : l’UE prépare de nouvelles lignes directrices avant août 2026

    La Commission ouvre une consultation sur les obligations de transparence et les débats s’intensifient autour des modèles capables de cyberattaques autonomes et des agents IA.

    L’Union européenne poursuit l’ajustement de son cadre réglementaire sur l’IA. La Commission européenne a annoncé un accord politique entre le Parlement européen et le Conseil sur le « Digital Omnibus on AI », un texte destiné à simplifier certaines dispositions du règlement. Dans le même temps, Bruxelles a ouvert une consultation publique sur les futures lignes directrices relatives aux obligations de transparence prévues par l’AI Act.

    Ces discussions interviennent dans un contexte de montée des inquiétudes autour des modèles capables d’automatiser des cyberattaques, à l’image de Mythos, développé par Anthropic, alors que plusieurs experts estiment que le texte européen n’est pas adapté à l’émergence des agents IA.

    Un calendrier assoupli pour certains systèmes à haut risque

    Le compromis politique sur le Digital Omnibus prévoit que les règles applicables aux systèmes d’IA à haut risque entreront en application à compter du 2 décembre 2027. Les obligations concernant les systèmes intégrés dans des produits réglementés, comme les ascenseurs ou les jouets, s’appliqueront à partir du 2 août 2028.

    L’accord renforce par ailleurs les pouvoirs de l’AI Office, en particulier concernant les modèles d’IA à usage général ainsi que les systèmes intégrés dans les très grandes plateformes en ligne et les moteurs de recherche.

    Le compromis doit encore être formellement adopté par le Parlement et le Conseil avant son entrée en vigueur, prévue trois jours après sa publication au Journal officiel de l’Union européenne.

    Bruxelles consulte sur les obligations de transparence

    La Commission européenne a publié un projet de lignes directrices portant sur les obligations de transparence prévues par l’AI Act et a ouvert une consultation publique jusqu’au 3 juin 2026.

    À partir du 2 août 2026, les personnes situées dans l’Union européenne devront être informées lorsqu’elles interagissent avec un système d’IA ou lorsqu’elles sont exposées à certains contenus générés ou manipulés artificiellement.

    Les fournisseurs devront notamment signaler les interactions avec une IA et intégrer des marquages lisibles par machine pour permettre de détecter les contenus générés ou modifiés. Les déployeurs auront également l’obligation d’informer les utilisateurs lorsqu’ils sont exposés à des deepfakes, à des contenus d’intérêt public générés par IA ou à des systèmes de reconnaissance des émotions et de catégorisation biométrique.

    Ces lignes directrices seront complétées par un code de bonnes pratiques volontaire rédigé par des experts indépendants et attendu pour juin 2026.

    Le cas Mythos ravive les inquiétudes cyber

    Les débats européens se concentrent également sur les capacités offensives de certains modèles avancés. Des élus citent Mythos, un modèle développé par Anthropic, présenté comme capable de surpasser les humains dans l’identification et l’exploitation de failles de sécurité.

    Les parlementaires demandent une révision des règles européennes relatives à la divulgation et à la correction des vulnérabilités informatiques ainsi que la mise en place d’un « plan européen de mitigation ». Ils souhaitent également que l’agence européenne de cybersécurité ENISA puisse accéder à Mythos et à d’autres modèles similaires afin d’en évaluer les risques.

    Anthropic avait été invitée à une audition publique par la commission du marché intérieur du Parlement européen, mais l’entreprise a indiqué ne pas pouvoir y participer dans un délai aussi court.

    La Commission affirme de son côté avoir multiplié les échanges techniques avec Anthropic depuis août 2025, dont plusieurs spécifiquement consacrés à Mythos. Son porte-parole Thomas Regnier a précisé que les futurs pouvoirs d’enquête de l’AI Office pourraient permettre, à partir d’août 2026, d’obtenir un accès aux modèles « si nécessaire ».

    La question de l’accès ne suffit pas selon des analystes

    Dans une tribune, Risto Uuk, auteur de la newsletter et conseiller au Future of Life Institute, estime que le débat européen se focalise excessivement sur la question de l’accès à Mythos plutôt que sur celle de la maîtrise effective des risques systémiques.

    Selon lui, le sujet central n’est pas seulement de savoir si les autorités européennes peuvent analyser le modèle, mais si Anthropic est capable de démontrer, avant tout déploiement, que les risques liés à un modèle de « superhacking » sont correctement atténués.

    L’auteur considère que l’AI Act, notamment à travers son article 55 relatif aux modèles d’IA à usage général présentant des risques systémiques, fournit déjà une base juridique permettant d’exiger des garanties de sécurité avant mise sur le marché.

    Il plaide pour rendre obligatoires les mécanismes de notification préalable et d’évaluation pré-déploiement des modèles à risque systémique.

     

  • EHPAD : Emera déploie l’assistant d’écoute Spokeo dans 45 établissements

    Le Groupe Emera annonce le déploiement de l’assistant d’écoute Spokeo dans ses 45 établissements francophones. Le partenariat concerne des résidences situées en France métropolitaine, dans les départements et territoires d’outre-mer, en Suisse et en Belgique.

    Le groupe (qui revendique plus de 120 établissements en Europe) explique avoir identifié les troubles auditifs comme un facteur de dégradation des échanges entre résidents, familles et soignants.

    La perte auditive représente en effet une difficulté fréquente en EHPAD. De nombreux résidents ne portent pas (ou plus) d’aides auditives, notamment en raison de difficultés de manipulation, d’oubli ou d’inconfort. Pour les équipes, cela se traduit par des répétitions fréquentes, une fatigue et des difficultés de compréhension pendant les soins ou les consultations.

    Cette problématique affecte également le maintien du lien social et parfois même, le recueil du consentement éclairé.

    Une solution qui équipe l’interlocuteur plutôt que le résident

    Contrairement aux aides auditives classiques, le dispositif Spokeo ne repose pas sur l’équipement permanent de la personne malentendante.

    Le principe consiste à placer un micro-cravate directionnel sur l’interlocuteur (soignant, médecin ou proche) tandis qu’un casque à bi-conduction est porté par le résident. L’entreprise met en avant l’absence de réglages complexes, de prescription médicale ou de manipulation technique.

    Cette approche, brevetée, est adaptée aux personnes qui présentent des troubles cognitifs, pour lesquelles le port et l’entretien d’un appareil auditif conventionnel peuvent être difficiles.

    Trois objectifs affichés pour les établissements Emera

    Le partenariat poursuit trois finalités. Pour les résidents, l’objectif est d’améliorer la compréhension lors des soins, des consultations et des échanges du quotidien afin de limiter l’isolement social. Pour les familles, Emera souhaite faciliter les échanges pendant les visites.

    Enfin, pour les équipes soignantes, le groupe met en avant un gain de temps, une diminution de la fatigue liée aux répétitions et une meilleure sécurisation des échanges autour du consentement aux soins.

  • SantExpo 2026 : « L’IA en santé ne crée pas de valeur seule, ce sont les organisations qui doivent se transformer » (C. Ross & S. Degos)

    La santé face à la « courbe en J » de l’IA

    Pour illustrer leur propos, Sandrine Degos (CEO de Care Insight) et Cris Ross (TrueNorth Health Ventures) se sont appuyés sur l’histoire des grandes ruptures technologiques. Machine à vapeur, électricité, informatique : toutes ont nécessité des décennies avant de produire des gains visibles de productivité.

    Selon eux, l’IA suit aujourd’hui exactement la même trajectoire. Dans un premier temps, les investissements augmentent – intégration, conduite du changement, formation, refonte des pratiques – sans bénéfices immédiatement visibles. Ce n’est qu’après une réorganisation profonde des structures que les gains apparaissent réellement.

    Or la santé constitue un cas particulièrement complexe. Le secteur reste fortement dépendant du travail humain, avec une faible croissance historique de productivité. Certaines tâches peuvent être automatisées – documentation, imagerie, tâches administratives – mais une part importante des activités restera durablement liée aux interactions humaines et au soin direct.

    Les intervenants ont ainsi rappelé que l’IA ne supprimera pas la « maladie des coûts » propre au secteur de la santé, mais qu’elle peut améliorer certaines tâches ciblées à forte charge opérationnelle.

    ROI ou valeur clinique : un changement de paradigme

    L’un des points forts de la conférence a porté sur la distinction entre ROI financier classique et « Value of Investment » (VOI).

    Selon Sandrine Degos et Cris Ross, de nombreux projets IA hospitaliers ne doivent pas être évalués uniquement à travers les économies générées. Certains outils produisent avant tout une valeur clinique, organisationnelle ou sociétale : amélioration de l’accès aux soins, réduction des complications, gains de qualité ou meilleure prise en charge des populations éloignées du système de santé.

    Cette approche est particulièrement pertinente pour les projets de dépistage, de triage ou de surveillance clinique, dont les bénéfices apparaissent parfois à moyen terme.

    Les intervenants ont également insisté sur une réalité souvent sous-estimée : le même algorithme peut produire des résultats totalement différents selon les établissements. Dans plusieurs exemples présentés, notamment autour du sepsis ou de l’imagerie, les performances dépendaient davantage de l’intégration clinique et de l’adhésion des équipes que de la qualité technique du modèle.

    La gouvernance devient le vrai sujet stratégique

    Au-delà de la technologie, la conférence a surtout mis l’accent sur la gouvernance des projets IA.

    Les établissements sont invités à structurer leurs portefeuilles de projets selon une logique de risque maîtrisé :

    • 70 % de projets éprouvés ;
    • 20 % d’extensions adjacentes ;
    • 10 % d’expérimentations plus risquées.

    Les intervenants ont également recommandé de privilégier l’IA appliquée plutôt que le développement de modèles fondamentaux en interne. Pour eux, les hôpitaux ne doivent pas chercher à devenir des entreprises technologiques, mais plutôt à déployer efficacement des solutions capables d’améliorer concrètement les parcours de soins.

    Enfin, la session a rappelé qu’un projet IA qui échoue n’est pas forcément un problème… à condition de savoir l’arrêter rapidement. Adoption clinique insuffisante, mauvaise intégration, absence de gains mesurables ou dérive du modèle : la capacité à interrompre certains projets devient elle-même un signe de maturité organisationnelle.

    En filigrane, cette conférence a montré que la question du ROI de l’IA en santé dépasse largement la technologie. Le véritable enjeu porte désormais sur la capacité des établissements à transformer durablement leurs organisations autour de ces nouveaux outils.

  • Fuite massive de données chez Almerys : plus de 15 millions de numéros de Sécurité sociale compromis

    L’écosystème français du tiers payant fait face à une nouvelle fuite de données. Une base de données d’Almerys aurait été compromise ces derniers jours, conduisant à l’exposition de plus de 15 millions de numéros de Sécurité sociale. Des données d’état civil et des informations liées aux contrats d’assurance santé auraient également été récupérées puis proposées à la revente sur des forums cybercriminels.

    Le parquet de Paris a ouvert une enquête confiée à la section de lutte contre la cybercriminalité. Cette attaque figure parmi les plus importantes fuites de données de santé recensées en France ces dernières années.

    Des données sensibles, mais pas de données bancaires ni médicales

    Les informations concernées comprennent notamment le numéro de Sécurité sociale, les nom, prénom, date de naissance, rang de naissance, numéro de contrat, nom de l’assureur ainsi que les dates de début et de fin de contrat.

    En revanche, plusieurs organismes concernés précisent que les informations bancaires, les coordonnées de contact, les mots de passe et les données médicales relatives aux soins ou remboursements ne seraient pas affectés à ce stade.

    Dans un communiqué, Alan indique que « la plateforme touchée a été mise hors service afin de stopper l’atteinte aux données » et que les autorités compétentes, notamment la Commission nationale de l’informatique et des libertés et l’Autorité de contrôle prudentiel et de résolution, ont été informées.

    Risques de phishing et d’usurpation d’identité

    Les acteurs du secteur appellent désormais à une vigilance renforcée face aux risques de phishing et de fraude administrative. Les données dérobées peuvent en effet faciliter des campagnes d’usurpation d’identité ou des tentatives d’escroquerie ciblant les assurés. Les utilisateurs sont également invités à éviter de cliquer sur des liens de connexion non vérifiés.

    Le site spécialisé FrenchBreaches évoque de son côté des risques élevés de fraude aux prestations et de détournement d’identité administrative.

    Une nouvelle alerte pour les opérateurs de tiers payant

    Cette cyberattaque intervient dans un contexte de forte exposition du secteur de la santé et de l’assurance aux incidents cyber. Almerys avait déjà été touchée en 2024, parallèlement à Viamedis, dans une fuite ayant concerné plus de 33 millions de Français.

    L’incident relance les interrogations sur la sécurisation des infrastructures des opérateurs de tiers payant, devenus des points de concentration de données administratives sensibles pour une grande partie de la population française.

    Cette nouvelle fuite pourrait également accentuer les attentes réglementaires autour de la gouvernance des données, de la gestion des sous-traitants critiques et des obligations de notification dans le secteur de la santé numérique.