Articles

  • IA : quelles perceptions et quelles attentes des médecins français ? (enquête)

    L’importance croissante de l’IA en médecine

    Selon l’enquête “les médecins français et l’IA” réalisé par Medscape, 95 % des médecins estiment qu’il est important ou assez important de s’informer sur les applications de l’IA en médecine, mais 50 % des répondants déclarent ne pas être suffisamment informés. Les hommes se considèrent mieux informés que les femmes (45 % contre 35 %), et les spécialistes des technologies médicales, comme les radiologues et oncologues, se sentent mieux formés que les généralistes. Cette différence est marquée par un manque de formation plus prononcé chez les praticiens âgés de plus de 45 ans (57 % de ceux-ci se disent mal informés).

    Enthousiasme et appréhension face à l’IA

    L’enthousiasme pour l’IA est évident chez 44 % des praticiens, principalement des hommes, mais 36 % expriment des appréhensions, notamment concernant son impact sur la relation patient-médecin. La crainte que l’IA remplace le jugement clinique est partagée par 39 % des répondants, avec une inquiétude plus marquée chez les femmes médecins. Ces craintes sont renforcées par des témoignages de praticiens insistant sur l’importance de maintenir une dimension humaine dans la prise en charge.

    Garder la main sur la prise de décision clinique

    Si près de 49 % des médecins voient l’IA comme un soutien utile pour établir des diagnostics et proposer des options thérapeutiques, 39 % craignent qu’elle se substitue à leur expertise. Cette crainte est particulièrement marquée chez les femmes (52 %) et certains spécialistes craignent que l’IA ne perturbe la relation médecin-patient.

    L’utilisation actuelle de l’IA : encore marginale

    L’IA est actuellement peu intégrée dans la pratique quotidienne des médecins. Seulement 20 % des praticiens l’utilisent pour la recherche sur des pathologies, 12 % pour des tâches administratives, et 11 % pour poser des diagnostics. La majorité des médecins l’emploie donc dans des fonctions indirectes, et son utilisation pour soigner des patients ou établir un pronostic reste faible.

    Une promesse pour l’avenir : des tâches administratives à la relation patient

    Malgré l’usage limité de l’IA aujourd’hui, les médecins voient en elle un fort potentiel pour les tâches administratives, avec 67 % anticipant une adoption plus importante dans ce domaine. De plus, 58 % des praticiens envisagent d’utiliser l’IA pour résumer les dossiers patients avant une visite, ce qui pourrait les aider à se concentrer sur les soins.

    Enquête : les médecins français et l’IA – @Medscape

    La radiologie : spécialité phare de l’IA

    La radiologie est perçue comme la spécialité la plus susceptible de bénéficier de l’IA (35 % des répondants), devant l’anatomopathologie (9 %) et la médecine préventive (9 %). L’IA est déjà utilisée pour l’analyse d’images radiologiques dans la détection de maladies comme la rétinopathie diabétique et les mélanomes.

    Confidentialité des données : un enjeu majeur

    La confidentialité des données médicales est une préoccupation majeure pour 45 % des médecins, qui doutent de la capacité des pouvoirs publics à garantir la sécurité des informations. Les récentes cyberattaques dans les établissements de santé renforcent ces craintes, certains médecins estimant que les systèmes actuels sont insuffisamment robustes.

    Encadrement juridique : une régulation attendue

    Une écrasante majorité de médecins (86 %) souhaite que l’utilisation de l’IA soit encadrée par une surveillance étatique ou par des sociétés savantes, et 83 % réclament un cadre juridique spécifique. Le projet européen IA Act, actuellement en cours de développement, pourrait répondre à cette demande en régulant les risques associés à l’IA.

    L’IA à l’usage des patients : un nouveau défi pour les médecins

    Les médecins s’inquiètent de l’usage croissant de l’IA par les patients pour l’autodiagnostic. 77 % des praticiens interrogés se disent préoccupés par cette tendance, avec 36 % se déclarant “très inquiets”. Ils craignent que les patients se tournent vers des solutions technologiques sans consulter un professionnel, augmentant ainsi les risques de mauvaise interprétation.

    Libérer du temps pour la relation patient grâce à l’IA :

    61 % des médecins espèrent que l’IA pourra les décharger de certaines tâches administratives, ce qui pourrait leur permettre de consacrer plus de temps aux patients. Un médecin généraliste pourrait ainsi gagner jusqu’à 7 heures par semaine, un soulagement dans un système de santé en tension.

     

  • Situation financière des Ehpad alarmante selon le Sénat : « Les vieux méritent mieux » selon la Fnadepa

    La Fnadepa sonne la mobilisation générale

    La Fédération nationale des associations de directeurs d’établissements et services pour personnes âgées (Fnadepa) regroupe 1600 adhérents, directeurs d’établissements et de services pour personnes âgées, de tous statuts. Elle a organisé le 24 septembre une conférence de presse, commune à 18 autres fédérations et organisations du Grand Âge, avec le slogan « les vieux méritent mieux », pour alerter sur la situation du secteur.

    Selon les enquêtes remontant du terrain vers la Fnadepa, les Ehpad et services du domicile traversent une situation critique et les perspectives sont alarmantes.

    • 71 % des établissements et services estiment clôturer l’année en déficit, pour un montant de -156 600 € en moyenne. Un pourcentage en hausse de 6 points depuis 2023. Ces déficits persistants, qui concernent toutes les catégories de structures, épuisent les trésoreries : 1 établissement sur 2 n’a plus de réserves de compensation suffisantes.
    • Les solutions d’urgence – emprunts, crédits exceptionnels, fonds d’urgence – sont soit épuisées, soit incertaines, reposant sur les départements et l’État. En 2023, 42,3 % des ESMS ont bénéficié d’aides financières exceptionnelles (ARS, départements, communes), et 70 % d’entre eux ont puisé dans leurs réserves pour compenser un déficit.
    • 64 % des établissements et services manquent de personnel, à hauteur de 2,7 ETP par structure en moyenne. Une carence qui accroît la charge des équipes en poste.

    La Fnadepa demande que soit lancée une réforme structurelle forte via la loi de programmation, dont la loi du 8 avril 2024, portant mesures pour bâtir la société du bien-vieillir et de l’autonomie, prévoit à son article 10 la présentation d’ici la fin de l’année, avec un engagement d’environ 12 milliards d’euros pour les 5 prochaines années, afin :

    • d’instaurer un taux d’encadrement minimum en établissement, qui soit opposable aux financeurs : 8 ETP pour 10 résidents ;
    • de tarifer les services d’aide à domicile à hauteur du coût de revient ;
    • d’indexer l’évolution des charges de fonctionnement et de structure sur l’inflation ;
    • de rendre (de nouveau) opposable les évolutions du statut de la fonction publique et les accords votés dans le cadre des conventions collectives ;
    • de diminuer le reste à charge des personnes accueillies par le financement de nouvelles charges dans le cadre de l’assurance maladie.

    Le Sénat confirme l’ampleur des déficits des Ehpad et souhaite des réformes structurelles

    Un rapport d’information de la commission des affaires sociales du Sénat, «  Ehpad un modèle à reconstruire », a été rendu public le 25 septembre. Après un état des lieux qui recoupe largement celui des professionnels, il a pour ambition d’adapter l’offre d’hébergement des personnes âgées aux enjeux de long terme.

    Le constat est partagé sur les « difficultés économiques inédites » des Ehpad :

    • Sur la période de référence 2020-2023, la part des Ehpad déficitaires est passée de 27 % à 66 %, déficits essentiellement liés aux sections hébergement et dépendance. Situation constatée malgré plusieurs interventions publiques intervenues en 2023, notamment un fonds d’urgence de 100 M€ pour les ESSMS.
    • Les Ehpad sont victimes d’un effet ciseau entre les recettes et les dépenses de fonctionnement. : les dépenses ont été aggravées par la revalorisation des rémunérations ( Ségur I et II), plus ou moins complétement compensée.
    • Quant aux recettes, elles sont affectées par une baisse du taux d’occupation et le Sénat note en outre que la revalorisation des tarifs hébergement, à la main des départements, a été inférieure à l’inflation depuis 2020.
    • Des difficultés de recrutement de personnel.

    Par ailleurs, la tarification en 3 sections distinctes (et deux financeurs publics) et l’utilisation de la coupe Pathos comme outil de financement indirect engendrent, selon le rapport, une charge administrative excessive et un biais méthodologique.

    Pour le Sénat, des dispositions sont à prendre pour assurer la pérennité du modèle Ehpad :

    • Développer des stratégies de mutualisation des moyens à l’échelle du territoire : le groupement de coopération social ou médicosocial (GCSMS) est un bon outil de coopération. La transformation des Ehpad en centre de ressources territorial (CRT) concourt au même objectif (500 sont prévus en 2028) ;
    • Une réforme du régime des autorisations pour ouvrir aux Ehpad une plus large gamme de services à la population âgée ;
    • Régler la question de la gouvernance entre les deux autorités (ARS et département), ce qui ne peut se réaliser sans un consensus entre les autorités concernées.

    Les 19 recommandations du rapport

    Proposition n° 1 : Pérenniser le fonds d’urgence de 100 millions d’euros et les commissions départementales de suivi des ESMS en difficultés financières.

    Proposition n° 2 : Déterminer une valeur nationale de convergence du point GIR en définissant, pendant une période transitoire, une trajectoire d’évolution à la hausse et un accompagnement financier des départements.

    Proposition n° 3 : Instaurer un plancher de revalorisation du tarif hébergement opposable à l’aide sociale indexé sur l’inflation.

    Proposition n° 4 : Créer une deuxième journée de solidarité pour financer la branche autonomie.

    Proposition n° 5 : Homogénéiser les conditions d’accès aux emplois de soignant entre les fonctions publiques hospitalière et territoriale.

    Proposition n° 6 : Reconnaître et encadrer le statut d’infirmier diplômé d’État coordonnateur en Ehpad.

    Proposition n° 7 : Fixer, dans une loi de programmation, une cible globale de ratio d’encadrement de 8 ETP pour 10 résidents.

    Proposition n° 8 : Intégrer dans le périmètre des sections soins et dépendance des dépenses aujourd’hui financées par la section hébergement bien que relevant du soin et de la prévention de la perte d’autonomie.

    Proposition n° 9 : Simplifier les coupes PATHOS en mettant en place un processus d’évaluation collective des besoins en soins des résidents ou en allant vers un processus d’auto-évaluation avec contrôle hiérarchisé ou aléatoire réalisé par les ARS.

    Proposition n° 10 : Envisager la généralisation du tarif global et prévoir son indexation sur l’inflation.

    Proposition n° 11 : Généraliser une taille minimale de chambre de 26 m².

    Proposition n° 12 : Ouvrir au sein des Ehpad existants dans les milieux ruraux dévitalisés des services publics (maison France Services, bureau de Poste, etc.) ou de première nécessité (supérette, etc.).

    Proposition n° 13 : Ouvrir le fonds vert à l’ensemble des Ehpad publics et privés habilités majoritairement à l’aide sociale pour financer les projets de rénovation.

    Proposition n° 14 : Créer une foncière nationale visant à mutualiser les moyens d’ingénierie de projets pour les Ehpad publics.

    Proposition n° 15 : Créer un forfait d’aide technique de 5 000 euros par résident tous les 8 ans, financé par la section soins/dépendance.

    Proposition n° 16 : Lancer un plan de rattrapage de l’offre d’Ehpad en Guadeloupe, en Martinique et à La Réunion, dont un volet d’investissement spécifique pour la construction d’Ehpad publics en Guadeloupe et un plan de formation de la population locale aux métiers du soin.

    Proposition n° 17 : Publier sous forme de score visuellement identifiable, sur le modèle du « NutriScore », le résultat de l’évaluation de la qualité des Ehpad.

    Proposition n° 18 : Généraliser une solution d’assurance dépendance obligatoire afin de couvrir une partie du reste à charge des résidents.

    Proposition n° 19 : Créer un dispositif analogue au bail réel solidaire pour les Ehpad habilités à l’aide sociale.

     

    https://www.fnadepa.com/actualite/nos-engagements/mobilisation-nationale-24-septembre-2024-les-vieux-meritent-mieux/

    https://www.senat.fr/fileadmin/Presse/Documents_pdf/Rapport_information_Ehpad_presse.pdf

  • Sommet de l’avenir 2024 : l’ONU s’engage à renforcer les systèmes de soins et la santé mentale

    Des institutions et instruments politiques jugés “inadaptés” aux enjeux du siècle

    En septembre 2024, l’Assemblée générale des Nations Unies a adopté le Pacte pour l’avenir, un accord visant à répondre aux défis mondiaux. Ce texte appelle à une coopération internationale renforcée pour lutter contre les inégalités, le changement climatique, garantir la paix et la sécurité.

     

     

     

     

     

     

     

     

     

    Lors de cet événement, 56 thématiques ont été abordées comme la gouvernance, la sécurité mondiale, les technologies, l’innovation, ou encore la place des jeunes. Le rapport met aussi en avant le rôle des innovations technologiques, en particulier l’intelligence artificielle dans la transformation des systèmes de santé et le développement durable.

    Les 130 chefs d’État présents ont un objectif commun : “garantir un avenir plus juste, inclusif et durable pour les générations présentes et futures”. Autrement dit, promouvoir un véritable changement.

    Vaccins, médicaments, accès aux soins : renforcer les systèmes de santé mondiaux

    Face aux défis, le Pacte pour l’avenir 2024 appelle aux réformes suivantes :

    • Accès aux soins de santé : l’une des priorités du Pacte est d’assurer une couverture sanitaire mondiale, accessible à tous, en mettant l’accent sur les populations vulnérables. Renforcer les systèmes de santé, notamment dans les pays en développement et dans les zones rurales, afin de réduire les inégalités. Le texte souligne également l’importance de poursuivre l’innovation dans les secteurs sociaux et éducatifs, tout en encourageant les investissements dans le sport, reconnu comme un facteur de santé physique, mentale et de cohésion sociale.
    • Lutte contre la faim et la malnutrition : le Pacte met l’accent sur la nécessité de résoudre les problèmes de sécurité alimentaire et de malnutrition, qui affectent gravement la santé publique. Il prévoit des actions coordonnées pour renforcer la résilience des systèmes alimentaires et soutenir les programmes d’alimentation, en particulier dans les régions touchées par l’insécurité.
    • Impact des changements climatiques sur la santé : en reconnaissant les liens entre la santé et l’environnement, le texte alerte sur les effets néfastes des changements climatiques sur la santé, tels que l’augmentation des maladies liées aux événements climatiques et l’aggravation des maladies chroniques impactées, comme les pathologies cardiovasculaires.
    • Renforcement des infrastructures de santé : le document appelle à améliorer les infrastructures de santé pour garantir des soins adéquats, sûrs et abordables. Il encourage également l’intégration de technologies comme l’intelligence artificielle pour optimiser la gestion des ressources et des services de santé.

     

    IA : “L’évaluation scientifique rigoureuse et fondée sur des données probantes doit être au cœur de la gouvernance mondiale de l’IA” M. Knudsen, Secrétaire général adjoint de l’OCDE

    En marge de ce sommet, l’ONU a lancé un appel pour une régulation internationale de l’intelligence artificielle, afin de garantir une utilisation sécurisée et de maximiser ses bénéfices. Le texte souligne l’importance de veiller à ce que “personne ne soit laissé pour compte”, en garantissant que l’IA profite à toutes les nations, notamment aux pays en développement.

    L’ONU et l’OCDE ont annoncé une nouvelle collaboration pour renforcer la gouvernance mondiale de l’intelligence artificielle. Face au développement rapide de l’IA et aux risques qui en découlent, l’OCDE a mis en place en 2020 l’Observatoire des politiques publiques relatives à l’IA (OECD.AI). Cet outil fournit des données comparatives et des analyses permettant aux États de mieux anticiper l’impact de l’IA sur leurs sociétés, notamment en matière de gouvernance, de sécurité, de confidentialité des données, ainsi que sur le marché du travail.

    L’ONU s’est engagée dans la régulation de l’IA, notamment en adoptant en 2024 une résolution visant à promouvoir des systèmes d’IA “sûrs et fiables” pour répondre aux grands défis mondiaux comme la pauvreté, la santé, l’éducation et le changement climatique.

    Cette collaboration entre l’ONU et l’OCDE, annoncée lors du Sommet, s’appuiera sur des évaluations régulières basées sur des données scientifiques pour analyser les risques et les opportunités liés à l’IA.

    IA : Interopérabilité, analyse d’impact, investissement, les engagements de l’ONU d’ici 2030 :

    • Créer un groupe scientifique international multidisciplinaire et indépendant sur l’IA au sein de l’ONU, représentatif de toutes les régions, pour analyser l’impact et les risques de l’IA et promouvoir la compréhension scientifique.
    • Collaborer avec les organismes de normalisation pour élaborer des normes interopérables en matière d’IA.
    • Promouvoir des systèmes d’IA “sûrs et fiables” qui soutiennent la diversité linguistique et culturelle tout au long de leur cycle de vie.
    • Établir des partenariats internationaux pour renforcer les capacités en IA, faciliter l’accès aux ressources open source et encourager la participation des PME dans l’économie numérique.
    • Renforcer les capacités en IA dans les pays en développement.
    • Encourager la coopération Nord-Sud, Sud-Sud et triangulaire pour produire des jeux de données représentatifs et développer des solutions locales.
    • Accroître les investissements dans les capacités en IA, en sollicitant des fonds auprès du secteur privé et des acteurs philanthropiques, et créer des mécanismes de financement innovants.

     

  • Cartographie de 26 cas d’usage de l’IA en imagerie déployés en France

    De nombreux cas d’usages pour l’aide au diagnostic

    Pour répondre à des besoins croissants en termes de rapidité, précision et amélioration de la prise en charge des patients de nombreux cas d’usage de l’IA en radiologie sont déjà déployés aujourd’hui, facilitant à la fois la vie des professionnels de santé et celle des patients. Cependant, certains types de cas d’usages se démarquent par leur adoption plus large, tandis que d’autres restent encore à un stade émergent. Parmi les cas d’usages les plus présents en France, on retrouve ceux qui concernent l’aide au diagnostic du radiologue, qu’il s’agisse de diagnostic à dresser à partir d’une radiographie, d’un scanner, d’un IRM, ou d’une échographie, puisque 7 des 26 cas d’usages recensés en France (soit plus d’un tiers d’entre eux) concernent l’aide au diagnostic.

    Cette aide au diagnostic emporte la détection automatique de pathologies et de fractures, ou concerne encore le dépistage, comme celui des nodules ou de la dénutrition. Cela couvre une large gamme de maladies, en particulier dans les domaines de l’oncologie et des maladies pulmonaires. Cet usage est l’un des plus répandus car il permet d’optimiser la charge de travail des radiologues tout en réduisant les risques d’erreurs.

    Ainsi, ces 8 cas d’usages sont :

    • la détection automatique de pathologie à partir d’un scanner ;
    • la détection automatique de pathologie à partir d’une échographie ;
    • la détection automatique de pathologie à partir d’un IRM ;
    • la détection automatique de pathologie à partir d’une radiographie ;
    • la détection automatique d’une fracture à partir d’une radiographie ;
    • la détection automatique d’une fracture à partir d’un IRM ;
    • la détection automatique de la dénutrition à partir d’un scanner ;
    • la prédiction de risque cardiaque grâce à l’analyse de tissus adipeux par scanner.

    Les cas d’usages concernent souvent des maladies graves :

    Pour ces cas d’usages, les pathologies qui sont les plus fréquemment concernées sont les pathologies graves et fréquentes, telles que le cancer, les pathologies pulmonaires, où la détection rapide fait une différence significative en termes de survie des patients et de qualité des soins. De plus, les images issues de scanners ou d’échographies sont particulièrement adaptées aux algorithmes d’apprentissage automatique, qui peuvent analyser d’énormes volumes de données pour en extraire les anomalies.

    L’IA intervient par exemple pour détecter plus rapidement les anomalies dans les images de mammographies, réduisant ainsi le temps de diagnostic et augmentant la précision. Cela répond à un besoin pressant en oncologie, où un dépistage précoce est crucial. L’IA aide également à détecter et à caractériser les nodules dans les poumons à partir d’images de scanner thoracique. Cette automatisation permet d’accélérer les diagnostics de maladies pulmonaires, comme le cancer, et d’alléger la charge de travail des radiologues.

    Une meilleure détection permise aussi par la segmentation :

    Même s’il n’est pas directement un cas d’usage de détection automatique par l’IA, il existe des cas d’usages d’IA en radiologie qui permettent la segmentation automatique, un processus qui consiste à identifier et isoler des parties spécifiques d’une image, comme des organes ou des tumeurs. Les deux cas d’usages concernant la segmentation sont ceux de :

    • la segmentation organique automatique ;
    • la segmentation tumorale automatique.

    Ainsi plusieurs solutions d’IA utilisées en France permettent par exemple la segmentation du cerveau ou du foie, facilitant l’identification de lésions, quand d’autres permettent de segmenter et quantifier les tumeurs sur des images TEP-Scanner, un processus essentiel dans le suivi des patients atteints de cancer.

    L’amélioration de la qualité des images médicales 

    L’aide au diagnostic passe aussi par un autre groupe de cas d’usages clé de l’IA en radiologie qui concerne l’amélioration de la qualité des images médicales. Ce domaine est en pleine expansion, car la qualité des images impacte directement la précision des diagnostics. Ainsi les deux cas d’usages qui concernent l’amélioration de la qualité des images sont ceux qui permettent :

    • l’amélioration de la qualité des images d’IRM ;
    • l’amélioration de la qualité des images de scanners.

    L’IA va donc permettre pour les IRM de réduire le bruit et les artefacts des images IRM, permettant des acquisitions plus rapides sans perte de qualité. Du côté du cas d’usage de l’IA pour l’amélioration des images de scanners, l’entraînement du deep learning permet de rehausser la qualité des images issues de scanners tout en réduisant la dose de rayonnement nécessaire, ce qui est bénéfique tant pour les radiologues que pour la santé des patients.

    Des cas d’usages pour l’automatisation des tâches du personnel

    En plus d’être utilisé pour le diagnostic des patients, l’IA en radiologie comporte des cas d’usages qui concerne l’automatisation des tâches du personnel des établissements de santé. 3 cas d’usages permettent donc :

    • le tri et la priorisation des patients selon la criticité des examens ;
    • l’optimisation de la planification des scanners ;
    • l’analyse de la satisfaction des patients.

    L’IA peut donc permettre de prioriser les examens radiologiques en fonction de la gravité des anomalies détectées, ce qui va aider les radiologues à se concentrer en priorité sur les cas les plus urgents, comme c’est le cas de la solution ChestView de Gleamer. Pour ce qui est de l’optimisation de la planification des scanners, l’IA va être utilisée pour améliorer l’organisation des plannings d’imagerie médicale, en ajustant les horaires et les ressources de manière plus efficiente.

    Un cas d’usage pour la recherche

    Le dernier cas d’usage de l’IA en radiologie concerne l’automatisation des protocoles de recherche clinique, puisque des solutions vont transformer des données dormantes en données qualifiées pour la recherche clinique. Cela va permettre à des chercheurs de transformer des données d’imagerie brutes en informations qualifiées, améliorant ainsi la qualité et la rapidité des études cliniques.

    Cartographie des cas d’usages de l’IA radiologie en France :

    Vous trouverez la liste des cas d’usages répertoriés sur cette cartographie interactive :

    Cas d’usage pour l’imagerie médicale @ H&TI

  • Radiologie : quelles innovations pour répondre aux défis organisationnels, économiques et humains ?

    L’intelligence artificielle (IA) en imagerie médicale permet d’améliorer la précision des diagnostics, de personnaliser les traitements et d’optimiser l’efficacité des soins. Cependant, son intégration soulève des défis liés à la qualité et à l’interprétation des données, à la gestion des biais algorithmiques, ainsi qu’aux enjeux éthiques, juridiques et de protection des données sensibles des patients. De nombreuses solutions aident les radiologues dans leurs tâches quotidiennes (workflow) et les manipulateurs en électroradiologie, de plus en plus rares. Les fournisseurs d’équipements d’imagerie intègrent directement des solutions pour optimiser les doses et améliorer les techniques d’acquisition.

    Dans cette étude,  Health & Tech Intelligence explore l’impact croissant de l’IA et de la financiarisation sur l’imagerie médicale en France. Une revue approfondie des applications actuelles de l’IA en radiologie diagnostique et interventionnelle y est proposée, ainsi qu’une étude des défis organisationnels et économiques auxquels la profession fait face. Un entretien exclusif avec le Dr Laurent Verzaux, directeur général du groupe Vidi, vient enrichir ces travaux. L’étude met également en lumière les initiatives telles que le déploiement de la DRIMBox dans le cadre du Ségur du numérique pour moderniser le partage sécurisé des données d’imagerie.

    Etude radiologie & IA @ H&TI

    🔎 Analyses

    État des lieux de la radiologie : chiffres clés, répartition des appareils d’imagerie et financiarisation de l’offre

    Face aux défis liés à la pénurie de manipulateurs en électroradiologie et à la répartition inégale des radiologues, les innovations technologiques offrent des solutions prometteuses pour optimiser l’organisation des soins et répondre à une demande croissante d’examens. Aujourd’hui, la France compte 5454 radiologues dont 78% sont exclusivement libéral ainsi que 31 528 manipulateurs d’électroradiologie médicale (MERM) malgré que ce chiffre soit souvent remis en cause. Par ailleurs, entre 15% et 30% des centres d’imagerie serait financiarisé, un rapport du Sénat publié le 25 septembre met en lumière ce phénomène de plus en plus croissant.

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

    Revue de littérature : quelles sont les avancées, applications et défis de l’IA en radiologie interventionnelle ?

    De l’aide à la décision à l’amélioration des techniques d’imagerie, l’IA montre des avancées prometteuses dans des domaines tels que la prédiction des résultats, la réduction des erreurs et l’efficacité des procédures. Cependant, des défis subsistent, notamment en termes d’hétérogénéité des données, de standardisation et de fiabilité des systèmes.

    👉 Une analyse approfondie des applications actuelles de l’IA en radiologie interventionnelle, ainsi qu’une revue des publications récentes sur les avancées et défis de cette technologie émergente, sont à retrouver ici.

    Entretien expert : « l’IA sera indispensable à la radiologie, mais les modèles financiers non aboutis sont à construire avec la profession » (Dr Laurent Verzaux, directeur général du groupe Vidi)

    L’entretien avec le Dr Laurent Verzaux met en lumière les enjeux liés à l’intégration de l’IA en radiologie, notamment la nécessité d’adapter les modèles financiers et d’organiser une mutualisation des ressources. Bien que l’IA offre des solutions prometteuses pour optimiser le workflow, améliorer la précision des diagnostics et alléger la charge des radiologues, son adoption généralisée reste conditionnée par une collaboration étroite entre les acteurs du secteur. La réussite de cette transformation dépendra de la capacité à aligner les innovations technologiques avec les réalités économiques et organisationnelles des structures de santé.

    👉 Entretien à lire ici.

    DRIMBox : vers une accélération du partage sécurisé des données d’imagerie médicale

    En s’appuyant sur l’interopérabilité des systèmes et des normes strictes de cybersécurité, le dispositif DRIMBox promet d’améliorer la fluidité des échanges entre les établissements de santé et faciliter l’accès aux examens d’imagerie pour les professionnels et les patients. Avec son déploiement prévue dès 2025 dans le cadre du Ségur du numérique, ce dispositif constitue un pilier pour moderniser la filière imagerie dans les établissements de santé, tout en optimisant la prise en charge des patients grâce à une meilleure coordination des soins.

    👉 Un tour d’horizon des vagues du Ségur numérique pour l’imagerie médicale et les dates clés sont à retrouver dans cet article.

    Retour sur les principaux partenariats stratégiques et investissements dans les entreprises d’IA en imagerie

    Des levées de fonds importantes, telles que les 10 millions d’euros d’IMADIS ou les 15 millions d’AZmed, reflètent l’intérêt croissant des investisseurs pour les technologies d’IA, avec une projection du marché mondial atteignant 14,9 milliards de dollars d’ici 2029. La structuration du marché, marquée par des initiatives comme le partenariat entre Incepto et Philips, ainsi que le soutien de France 2030 avec 90 millions d’euros dédiés à l’imagerie médicale démontre de l’intérêt de la collaboration entre acteurs.

    👉 Article à consulter en suivant ce lien.

    🗺️ Cartographies

    Cartographie des cas d’usage de l’IA en radiologie

    Parmi les 17 cas d’usages répertoriés en France, plus d’un tiers sont dédiés à l’aide au diagnostic, avec des applications majeures en oncologie et dans les maladies pulmonaires. De la détection automatique de pathologies à l’amélioration de la qualité des images, cette variété de cas d’usage illustre comment le travail des radiologues est optimisé et comment est amélioré la prise en charge des patients. En parallèle, l’automatisation des tâches administratives et des protocoles de recherche enrichit l’efficacité globale des établissements de santé.

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

    Cartographie des entreprises proposant une solution d’IA en imagerie médicale

    42 solutions d’IA utilisés, dont 36 reposant sur le deep learning. Ces solutions, largement déployées dans les examens par scanner et radiographie, offrent des avancées en matière de détection, de segmentation, et d’assistance au diagnostic. Cependant, l’IA reste moins présente dans des modalités d’imagerie comme l’échographie, en raison de la complexité des images à analyser. Les aires thérapeutiques telles que l’oncologie et la neurologie bénéficient sont celles où l’on retrouve le plus de solutions.

    👉 Cartographie à consulter ici.

    Mise à jour – Cartographie des entreprises proposant une solution d’IA en téléradiologie

    9 solutions de téléradiologie dont 2 qui intègrent de l’IA. Les récentes fusions et partenariats entre entreprises du secteur témoignent d’une volonté d’optimiser les offres de services et d’améliorer la qualité des soins. L’alliance entre Imadis et Deeplink Medical, ainsi que la collaboration entre TIM et EDL, illustrent cette dynamique collaborative qui s’établit dans le secteur.

    👉 Cartographie mise à jour à consulter ici.

     

  • Évolution du financement et des partenariats dans la radiologie en France : focus sur l’IA & la télé-imagerie

    L’IA comme catalyseur des investissements dans un marché en consolidation croissante

    Depuis 2023, environ dix plateformes de consolidation ont vu le jour en France, avec des groupes comme Simago, Résonance Imagerie, Imaneo, et Imapôle, contribuant à la structuration du marché. Dans un secteur de plus en plus convoité par les investisseurs privés, IMADIS se distingue par sa décision de conserver une indépendance médicale. Alors que des groupes comme Simago ou Imapôle ont  accueilli des fonds d’investissement.

    En 2022, Eurazeo et Bpifrance ont finalisé un investissement de 50 millions d’euros dans le groupe Imapôle, un acteur majeur de l’imagerie médicale avec 24 machines et un réseau couvrant l’Est lyonnais. Cette opération témoigne de l’intérêt des investisseurs pour ce marché, qui bénéficie d’une forte croissance et d’une rentabilité stable.

    Selon Maximize Market Research, le marché mondial de l’IA en imagerie médicale devrait croître de manière exponentielle, passant de 1,72 milliard de dollars en 2022 à 14,9 milliards de dollars d’ici 2029. Cette évolution reflète l’adoption croissante de l’IA pour améliorer l’efficacité des diagnostics et optimiser les soins aux patients.

    En outre, l’IA ne se limite pas à l’analyse des radiographies. Des entreprises françaises explorent également son application à d’autres formes d’imagerie, telles que l’IRM et la tomodensitométrie, avec pour ambition de couvrir un éventail plus large de diagnostics et d’améliorer encore l’efficacité des professionnels de santé.

    Levées de fonds et expansion

    • Imadis Groupe:  après sa fusion avec Deeplink Medical(officialisée en septembre 2024) , IMADIS a levé 10 millions d’euros , avec pour objectif de développer son réseau de télé-imagerie en France. Ce financement soutient également l’intégration de solutions d’IA dans ses plateformes, comme Drimbox, une solution de gestion d’images médicales sécurisée;

    A lire: Imadis et Deeplink Medical créent Imadis Groupe pour accélérer leur développement et lèvent 10 M€

    •  la start-up française AZmed, spécialisée dans l’imagerie médicale assistée par IA, a levé 15 millions d’euros en Février 2024. Ce financement vise à accélérer le développement de son logiciel phare, Rayvolve, qui utilise l’IA pour détecter les fractures et autres pathologies sur des radiographies. AZmed prévoit également de s’implanter aux États-Unis et d’élargir ses offres à d’autres types d’imagerie, comme l’IRM et la tomodensitométrie. Ce financement, réalisé avec l’aide d’investisseurs comme Teampact Ventures et Techstars;
    • Une autre levée de fonds marquante est celle de Resolve Stroke, une start-up spécialisée dans le diagnostic des accidents vasculaires cérébraux (AVC). En 2023, elle a levé 2,2 millions d’euros pour développer sa technologie d’imagerie médicale par ultrasons haute résolution, qui permet une détection plus rapide et plus précise des AVC. La solution portable de Resolve Stroke peut être utilisée au chevet des patients ou dans des ambulances, ce qui réduit considérablement le temps nécessaire pour poser un diagnostic et initier un traitement;
    • Avatar Medical, une spin-off de l’Institut Pasteur et de l’Institut Curie, a levé 5 millions d’euros en février 2024 pour développer et commercialiser sa technologie d’imagerie 3D. Cette solution permet de créer des modèles numériques détaillés à partir d’IRM et de scanners, destinés à aider les chirurgiens lors des interventions. L’objectif est d’améliorer la préparation chirurgicale et l’enseignement médical avec des représentations 3D plus claires et plus précise;
    • Fondée en 2018, Incepto a levé 5,6 millions d’euros en 2019 pour déployer ses solutions à travers la France, puis 27 millions d’euros en septembre 2023 pour viser le marché européen. Ses solutions sont déjà adoptées par une centaine de cliniques et suivent plus de 100 000 patients chaque mois. Sa mission est d’aider les médecins à identifier les outils les plus performants tout en cocréant de nouvelles applications adaptées à leurs besoins.

    Partenariats stratégiques et initiatives en radiologie

    Des collaborations ont permis de renforcer l’offre de radiologie en France:

    • Incepto et Philips ont collaboré pour intégrer des solutions d’IA au CHRU de Nancy, permettant aux radiologues d’accéder à des outils optimisant les examens TEP-TDM, IRM, et facilitant le diagnostic des traumatismes et pathologies neurologiques;
    • Incepto a également signé un partenariat avec Avicenna.AI en février 2024 pour intégrer des solutions IA dédiées aux urgences neurovasculaires, comme CINA-ICH pour la détection des AVC hémorragiques et CINA-LVO pour les AVC ischémiques;
    • Le Pôle Imagerie de l’AP-HM s’est associé à Incepto et Milvue pour créer une plateforme d’IA innovante facilitant le développement interne d’algorithmes pour les diagnostics complexes comme le cancer du poumon;
    • Incepto et Stephanix, deux membres de la French Healthcare Association, ont annoncé un partenariat stratégique en mai 2023 pour combiner l’expertise en imagerie médicale de Stephanix avec les solutions d’aide au diagnostic basées sur l’IA d’Incepto. Ce partenariat vise à développer des solutions sur mesure pour améliorer les soins de santé;
    • L’opérateur de télé-imagerie TIM et l’éditeur de RIS EDL annoncent  en juin 2024, la signature d’un accord technique et commercial visant à enrichir l’offre d’imagerie médicale en France. Ce partenariat permettra aux praticiens d’accéder directement aux services de téléradiologie via le RIS Xplore, sans passer par un logiciel tiers. L’accord associe l’efficacité des services de téléradiologie et de médecine nucléaire de TIM avec la gestion sécurisée des plateaux techniques fournie par EDL. Ce rapprochement vise à améliorer la prise en charge des besoins en imagerie médicale sur le marché français.

    Partenariats internationaux et recherche en radiologie :

    • En juillet 2023, l’Institut Curie a renforcé son partenariat avec Varian pour l’installation du système HyperSight en France, permettant une imagerie oncologique plus précise. Ce partenariat inclut également la formation des professionnels et la recherche pour améliorer les traitements en radiothérapie​.
    • En juin 2024, DMS Group annonce un partenariat stratégique avec Medlink Imaging, filiale de Vieworks, pour commercialiser la modalité de radiologie mobile M1 de Solutions for Tomorrow sur le marché américain. Ce partenariat vise à répondre à la demande croissante de solutions de radiologie mobile, sur un marché où près de 1 200 unités sont vendues chaque année. Après un accord cadre au Danemark, DMS Group renforce sa présence internationale et ambitionne de devenir un acteur majeur dans ce secteur. La commercialisation du M1 débutera après l’intégration des capteurs Vieworks et l’obtention de l’accord de la FDA, prévue pour fin 2024.

    France 2030: un appel à projets pour l’imagerie médicale

    En janvier 2023, la Direction générale des Entreprises (DGE) et la Délégation ministérielle au Numérique en Santé (DNS) ont lancé un appel à projets (AAP) dédié à l’imagerie médicale, dans le cadre du plan France 2030. Doté de 90 millions d’euros, cet AAP vise à soutenir l’innovation dans l’imagerie médicale en encourageant les collaborations entre start-ups, PME, et acteurs académiques pour structurer la filière​.

     

  • 42 solutions numériques d’IA en imagerie médicale répertoriées : l’oncologie domine le secteur

    Des solutions qui utilisent principalement du deep learning

    La radiologie est l’un des secteurs de la santé qui a été le premier à utiliser l’intelligence artificielle (IA) que ce soit pour aider les radiologues à dresser des diagnostics, pour segmenter plus rapidement l’anatomie ou les tumeurs des patients, ou pour faciliter la recherche clinique pour les chercheurs. De ce fait, 42 solutions sont actuellement utilisées en France. Et s’il existe une multitude de types d’intelligence artificielle (machine learning, traitement automatique du langage naturel, deep learning, etc…), le deep learning est celui qui est le plus utilisé en radiologie, pour ne pas dire le seul, parce que quelques rares exceptions existent.

    De nombreuses applications du deep learning en radiologie :

    Le deep learning est une sous catégorie du machine learning dans laquelle la machine va apprendre par elle-même à partir de grandes quantités de données : elle utilise plusieurs couches d’apprentissage”pour reconnaître des modèles ou des tendances dans des informations complexes, comme des images ou des textes. Plus la machine est exposée à des exemples, plus il devient capable de prendre des décisions ou d’effectuer des tâches précises, comme identifier des pathologies ou segmenter des tumeurs. Les solutions de radiologies qui utilisent le deep learning et qui sont utilisées dans les établissements français permettent, par exemple, d’assister la radiologue pour l’aider à émettre un diagnostic (Pionus, Odiasp, Transpara), d’améliorer la qualité des images par la reconstruction de manière automatique (Breast-SlimView, Philips Precise Image), ou encore de détecter des lésions et de les classer automatiquement (CorEX).

    Sur les 42 solutions utilisées en France, 36 d’entre elles utilisent des algorithmes de deep learning. Le machine learning est le deuxième type d’IA utilisé en radiologie et bien qu’il soit moins performant que le deep learning, il permet, entre autres, de suggérer aux professionnels de réaliser certaines échographies pour le nourrisson (Projet SUOG), ou encore d’accompagner les médecins dans leur prise de décision en segmentant les lésions sur les examens de TEP-TDM afin d’en extraire les caractéristiques usuellement reportées dans les comptes-rendus (PaIRe).

    Une utilisation majoritaire dans les examens par scanner et par radiographie

    Les solutions d’IA qui sont utilisées dans les examens par scanner et par radiographie en France concernent plus de trois quarts des 42 solutions (31). Cela s’explique par le fait que le développement de l’IA permet aux algorithmes de détecter des informations, segmenter et classer des images grâce à l’apprentissage automatique, à force d’entraînement : les examens par scanner et par radiographie étant ceux qui sont le plus souvent réalisés, la production de données pour l’entraînement des algorithmes qui en découle permet de les rendre plus performant.

    Même si les deux types d’examen sont au coude à coude, l’intelligence artificielle reste essentiellement utilisée dans ceux effectués par scanner : 18 solutions d’IA sont utilisées en France dans les examens par scanner, contre 14 solutions pour les examens par radiographie (dont une solution qui est utilisée pour les deux types d’examen, ainsi que pour les IRM : AI-Rad Companion de Siemens Healthineers). Dans le cadre des examens par scanner, l’IA va principalement venir détecter des pathologies, des anomalies ou des fractures, alors que dans les examens par radiographie, l’IA va venir lire l’image pour analyser et donner des solutions aux professionnels.

    L’IA beaucoup moins utilisée pour les échographies :

    Alors que 31 solutions d’IA utilisée en radiologie en France servent pour les examens par radiographie ou par scanner, 11 d’entres elles sont utilisées pour les examens par IRM (dont 3 qui sont aussi utilisées pour les examens par scanner), ce qui n’est pas négligeable. Mais le type d’examen dans lequel l’intelligence artificielle est la moins utilisée est l’échographie, puisque seule 2 solutions, dont une qui n’est pas encore aboutie : FemEndo, sont utilisées pour cette spécialité : parmi elles ont retrouve le projet SUOG de la Sorbonne Université qui est un outil d’assistance pour tout opérateur d’échographie, qui fournit un guidage intelligent et itératif lorsqu’il constate un aspect inhabituel chez le fœtus. Cet outil suggère, en temps réel et pendant l’échographie, les images échographiques à réaliser pour identifier les signes nécessaires pour porter un diagnostic.

    Le fait que presque aucune solution n’est utilisée lors des échographies réside dans sa complexité d’utilisation, comme l’indique le docteur Ferdinand Dhombres, responsable du projet SUOG. Cette complexité s’explique par le fait que l’échographie, à la différence d’autres techniques d’imagerie, pose des défis particuliers en raison des nombreuses variations possibles dans le positionnement de la sonde et des différentes coupes réalisées. Cela nécessite donc des approches hybrides, comme celle adoptée par SUOG, qui associent un modèle d’apprentissage supervisé à des algorithmes de raisonnement sémantique.

    Des solutions pour la neurologie et l’oncologie

    L’oncologie et la neurologie sont les aires thérapeutiques qui possèdent le plus de solutions d’intelligence artificielle en radiologie : 8 solutions sont utilisées pour la détection de différents cancers et 7 sont utilisées en neurologie. En oncologie, les cancers du sein et du poumon sont les cancers les plus représentés, avec 3 solutions en radiographie pour le cancer du sein – ils détectent les lésions pour aider le médecin dans son diagnostic de la pathologie -, ainsi que 4 solutions pour le cancer du poumon. L’aide au diagnostic du cancer du foie et du cancer de la prostate sont aussi possibles grâce aux solutions d’IA utilisées en France.

    En neurologie, plusieurs solutions assistent les radiologues dont la détection de pathologies cérébrales, que ce soit des AVC ou des hémorragies cérébrales : l’IA permet une interprétation plus rapide des images de scanner. La détection et l’aide au diagnostic pour les fractures, les déformations osseuses, les pathologies thoraciques, l’endométriose et la dénutrition sont aussi concernées par des solutions d’IA utilisées en France.

    Cartographie des solutions d’IA en radiologie utilisées en France :

    Vous trouverez la liste des solutions répertoriées sur cette cartographie interactive :

     

  • Cartographie des entreprises proposant une offre de téléradiologie : vers une consolidation du marché

    Vers une consolidation du marché de la téléradiologie

    Pour comprendre le paysage français de la téléradiologie, H&TI fait également le point sur les principaux acteurs du secteur dans le pays, et recense par la même occasion les entreprises de la santé numérique qui proposent des solutions sur ce marché.

    En France, au moins 9 entreprises se positionnent en tant que fournisseurs de solutions techniques dans ce domaine restreint, où la consolidation du marché s’illustre par une série d’acquisitions notables :

    • En 2024 : Imadis, leader de la téléradiologie d’urgence en France, et Deeplink Medical, spécialiste des plateformes de gestion des données médicales, ont fusionné pour créer Imadis Groupe. Ce rapprochement stratégique vise à renforcer l’offre de radiologie à distance en combinant l’expertise médicale d’Imadis avec les solutions technologiques de Deeplink ;
    • Face à la financiarisation croissante du secteur de la radiologie, notamment avec l’entrée de fonds d’investissement dans le domaine, Imadis a levé 10 millions d’euros auprès de ses propres radiologues, permettant ainsi à ceux-ci de renforcer leur contrôle sur le capital. Cette décision vise à préserver l’indépendance médicale d’Imadis tout en accélérant sa croissance ;
    • TIM, un opérateur de téléradiologie, et EDL, un éditeur de logiciels RIS, ont signé un partenariat technique et commercial en juin 2024. Cet accord vise à améliorer l’offre d’imagerie médicale en France, en intégrant les services de téléradiologie directement dans le logiciel RIS Xplore d’EDL.

    Un marché à 162,9 M€ de CA

    En 2022, les entreprises du secteur cumulent un CA de plus de 162 M€. Mais ces entreprises ne sont pas uniquement positionnées sur la téléradiologie, elles le sont également pour :

    • les PACS / RIS ;
    • les DRIMbox ;
    • la coordination des soins ;
    • l’optimisation des soins pour les essais cliniques ;
    • les DPI, etc.

    L’IA encore peu intégrée dans les plateformes de téléradiologies

    Les solutions de téléradiologies sont matures, avec des déploiements dès 2006. Toutefois, en termes d’innovation seulement 2 solutions ont de l’IA sur leur plateforme. Il s’agit de Nexus Platform de Nehs Digital (partenariat avec Gleamer) et d’ITIS de Deeplink Medical (partenariat avec Gleamer et Aidoc).

    2 solutions ont obtenu le marquage CE et sont considérés comme dispositif médical de classe I, il s’agit des solutions Covalia de Maincare et ITIS de Deeplink Medical.

    Ecosystème de la téléradiologie

    En France, les 5 plus grandes structures médico-organisationnelle qui proposent une plateforme technologique de téléradiologie à des établissements de santé sont :

    Ces 5 structures sont celles ayant remportés les lots 1 à 5 et le lot unique des centrales d’achat Resah et Uniha respectivement. Elles réalisent à elles seules 2 610 000 actes par an.

  • Revue de littérature : quels défis et quelles avancées de l’IA en radiologie interventionnelle ?

    👨🏻‍⚕️Le potentiel de l’IA dans la radiologie interventionnelle (RI)

    Comme dans les autres disciplines d’imagerie, l’intelligence artificielle (IA) offre plusieurs  perspectives pour la radiologie interventionnelle, mais son adoption est plus complexe qu’en radiologie diagnostique en raison de la nature des procédures, de l’utilisation d’outils thérapeutiques ainsi que de l’hétérogénéité et du manque de standardisation dans le domaine. En effet, la RI utilise des données non structurées issues de plusieurs étapes : pré-procédurales, procédurales, et post-procédurales. Les techniques de machine learning (ML) et l’augmentation des données permettent de surmonter ces limites en générant des exemples d’entraînement synthétiques et en réduisant la quantité de données nécessaires.

    Des défis liés à l’évolutivité de la pratique :

    L’adoption ralentie de l’IA est donc due à cette nature hétérogène de la RI, qui propose des solutions mini-invasives pour diverses pathologies et systèmes d’organes. L’imagerie procédurale ou intra-opératoire est souvent opérateur-dépendante, ce qui complique la création de jeux de données standardisés et exige une flexibilité de l’IA. De plus, la RI reste un sous-domaine jeune de la radiologie et en constante évolution.

    La recherche sur l’IA en RI en est encore à ses débuts, et les études actuelles sont principalement des études pilotes ou des preuves de concept (Poc), ce qui laisse une grande marge pour des explorations futures. Publiée dans le journal officiel de la Société européenne de radiologie, cette narrative review, intitulée “Artificial intelligence in interventional radiology: state of the art”, explore les applications actuelles de l’IA en RI, ses défis et ses futures opportunités.

    Tous les aspects de la RI sont concernés :

    Le potentiel transformateur de l’IA dans ce contexte serait énorme, notamment dans :

    • l’aide à la décision ;
    • la prédiction des résultats ;
    • et les améliorations en fluoroscopie, échographie, scanographie ou tomodensitométrie (TDM) et imagerie par résonance magnétique (IRM).

    L’IA s’avère également prometteuse pour :

    • la fusion d’images ;
    • la réalité simulée ;
    • la robotique ;
    • les interactions sans contact ;
    • et la biopsie virtuelle.

    🩻Les champs d’application étudiés

    L’IA en RI pourrait révolutionner la prise de décision, la prédiction des résultats et les méthodes d’imagerie utilisées pour guider les interventions. Les outils actuels montrent déjà des améliorations notables en termes de précision et d’efficacité dans plusieurs domaines.

    Prise de décision et prédiction des résultats :

    • Les modèles de machine learning surpassent les systèmes traditionnels dans des applications comme la prédiction de réponse au traitement par chimio-embolisation pour le carcinome hépatocellulaire (précision de 74,2 %).
    • Des études montrent également une précision allant jusqu’à 93 % pour prédire la survie tumorale post-intervention.

    Applications en échographie, TDM et IRM :

    • L’échographie assistée par IA améliore la localisation des aiguilles avec une précision de 99,6% grâce à des modèles tels que Faster R-CNN.
    • En TDM et IRM, l’IA améliore l’ablation tumorale en compensant les mouvements respiratoires et les déformations tissulaires, avec des techniques comme la création d’images synthétiques.

    Fusion d’imagerie et réalité simulée :

    • L’IA facilite la fusion d’images multimodales, et des essais montrent son efficacité pour réduire le temps de fluoroscopie, notamment dans des procédures comme la vertébroplastie.

    Assistance robotique et interaction sans contact :

    • L’IA permet une meilleure navigation autonome des cathéters, et des systèmes de téléopération robotisée offrent un contrôle accru. L’utilisation de la reconnaissance gestuelle et vocale dans les suites de RI améliore également l’efficacité clinique.

    Biopsie virtuelle :

    • Grâce aux techniques de radiomique, l’IA extrait des caractéristiques tissulaires à partir des données d’imagerie, proposant une alternative potentielle aux biopsies traditionnelles.

    📊Résultats :

    Champ d’application Résultats disponibles et perspectives
    Aide à la décision et prédiction des résultats
    • Morshid et al. ont développé un modèle pour prédire la réponse au traitement par TACE dans le carcinome hépatocellulaire.
    • Sinha et al. ont créé des modèles d’IA prédisant précisément le pneumothorax et la durée de séjour après les interventions.
    • Daye et al. prédisent la progression tumorale locale et la survie dans les métastases surrénaliennes.
    • L’IA a surpassé les biomarqueurs radiologiques traditionnels pour prédire les résultats des traitements des AVC.
    • Nielsen et al. évaluent un modèle d’apprentissage profond, ou deep learning, pour la notation objective TICI dans les traitements d’AVC.
    Fluoroscopie
    • Yang et al. ont proposé la segmentation des vaisseaux en angiographie coronaire avec des modèles de deep learning.
    • Ambrosini et al. ont introduit la segmentation automatique des cathéters avec U-Net.
    • Gao et al. ont réduit les artefacts de mouvement en angiographie par soustraction grâce à l’IA.
    • Les unités de fluoroscopie équipées d’IA ont diminué l’exposition aux radiations lors des procédures endoscopiques.
    Échographie
    • Mwikirize et al. ont amélioré la localisation des aiguilles et la précision du positionnement dans les procédures guidées par échographie.
    TDM et IRM
    • Les techniques de deep learning ont amélioré la segmentation, l’enregistrement et l’évaluation de la couverture tumorale lors d’ablation thermique.
    • L’IA a généré des images de scanner synthétiques à partir de la technique cone-beam (scanner 3D), facilitant ainsi la guidage par imagerie.
    Fusion d’images et réalité simulée
    • L’IA facilitera la fusion d’images multimodales, comme proposé dans d’autres domaines.
    • Auloge et al. ont démontré l’efficacité de l’IA dans la vertébroplastie percutanée, montrant une précision comparable à la fluoroscopie standard avec un temps réduit de fluoroscopie.
    Robotique
    • L’IA a aidé à traiter des données multimodales dans des applications de détection robotique.
    Interaction sans contact
    • Schwarz et al. ont utilisé l’IA pour améliorer les taux de reconnaissance des gestes corporels.
    Biopsie virtuelle
    • Barros et al. ont développé un modèle d’IA pour la mammographie numérique, atteignant une grande précision dans la classification des carcinomes canalaires in situ, des carcinomes invasifs et des lésions bénignes.

    🎯Révolutionner la RI pour une médecine de précision

    L’adoption de l’IA en RI est encore à ses balbutiements : les défis techniques et éthiques, ainsi que le manque de standardisation, freinent son déploiement à grande échelle. La littérature actuelle sur le sujet est encore à un stade préliminaire. Les chercheurs estiment cependant que des approches collaboratives, comme l’apprentissage fédéré (ou federated learning), pourraient favoriser une meilleure adoption tout en respectant la confidentialité des données des patients.

    Le potentiel de l’IA est donc considérable pour révolutionner la radiologie interventionnelle, concluent les auteurs de cette revue de la littérature. Ceci en augmentant la précision, l’efficacité et l’autonomie des interventions, notamment à travers l’amélioration de la prise de décision et la prédiction des résultats cliniques, comme démontré dans la prédiction des réponses au traitement du carcinome hépatocellulaire ou des complications post-procédurales. L’IA optimise également l’imagerie guidée par fluoroscopie, l’échographie, la TDM et l’IRM, tout en réduisant l’exposition aux radiations et en améliorant la localisation des aiguilles. Des avancées en robotique et en biopsie virtuelle témoignent, par ailleurs, de d’une transformation déjà entamée de cette discipline radiologique.

     

    * Artificial intelligence in interventional radiology: state of the art.

    Glielmo, P., Fusco, S., Gitto, S. et al.

    Eur Radiol Exp 8, 62 (2024). https://doi.org/10.1186/s41747-024-00452-2

     

  • DRIMBox : vers une accélération du partage sécurisé des données d’imagerie médicale

    Le Ségur pour moderniser la filière imagerie

    Amorcé en 2021 par le gouvernement français, le Ségur du numérique vise à moderniser les systèmes d’information en santé. À travers un programme de financement, ce plan vise à favoriser l’acquisition et l’intégration d’équipements numériques pour les établissements de santé. Le projet est structuré en plusieurs phases de financement, appelées « vagues ». Les systèmes d’information radiologique (RIS) sont concernés. L’Agence du numérique en santé (ANS) définit les RIS comme un outil assurant “l’ensemble des fonctions suivantes : gestion des rendez-vous patients, programmation des modalités d’imagerie, génération et envoi des comptes rendus radiologiques”. Les listes de travail doivent respecter le format “Dicom Modality Worklists”, “HL7” (de type ADT, ORU et ORM).

    🩺Téléradiologie, limitation des prescriptions, détection plus précise : les ambitions de la vague 2 du Ségur

    Là où la première vague, qui posait les bases, était dédiée au système d’information radiologique, la vague 2 vise à renforcer l’interopérabilité des systèmes d’informations et des solutions d’imagerie médicale. Cela inclut la standardisation des formats d’image, l’amélioration des plateformes de partage et le renforcement de la cybersécurité pour garantir la confidentialité des données. Le Ségur du numérique vise aussi à réduire les redondances dans la prescription d’examens, limitant ainsi les coûts et l’exposition inutile des patients aux radiations.

    @Health & Tech Intelligence

    L’implémentation des solutions proposées par le Ségur numérique dans la vague 2 permet :

    • un meilleur partage des images entre les professionnels de santé. Les données d’imagerie (IRM, scanner, échographies, etc.) peuvent être partagées de manière sécurisée à travers des plateformes interopérables, permettant ainsi une continuité dans le parcours thérapeutique ;
    • une prise en charge plus rapide des patients grâce à la disponibilité immédiate des examens d’imagerie, ce qui est utile dans les cas d’urgence, pour les patients en suivi chronique, ou bien dans les zones en sous-offre (grâce à la téléradiologie) ;
    • l’amélioration de la qualité des diagnostics. Grâce à des outils d’intelligence artificielle (IA) intégrés dans les systèmes d’imagerie, il est possible d’effectuer des analyses plus fines et précises, notamment pour le dépistage de certaines pathologies.

    🩻Le partage des imageries grâce au DRIMBox

    Le dispositif Drimbox (associé au DRIM-M) consiste à créer un réseau de partage d’images médicales entre établissements pour permettre aux professionnels de santé d’accéder aux examens d’imagerie via des pointeurs stockés dans le DMP. Ces pointeurs permettent de retrouver les images sur les systèmes des hôpitaux, garantissant un accès rapide aux données d’imagerie. Deux fonctions principales caractérisent le Drimbox :

    • DRIMBox Source : produit le pointeur (manifeste COS) à partir des images médicales et du compte rendu d’imagerie rédigé par le radiologue. Ce pointeur est envoyé au DMP, et les images restent stockées dans le PACS de l’établissement.
    • DRIMBox Consommateur : permet aux professionnels de santé d’accéder aux images via le DMP en téléchargeant le pointeur. Le système permet d’afficher ou télécharger les images médicales pour un traitement plus approfondi sur des stations de travail spécialisées.

    Un professionnel, via un système informatique hospitalier (DPI), peut accéder aux images médicales en s’identifiant avec Pro Santé Connect. Une fois authentifié, il peut récupérer les images depuis la DRIMBox source. Un lien intégré dans le compte rendu d’imagerie permet aux professionnels de santé ou aux patients de consulter les images via un simple clic. Afin de mutualiser les ressources et de faciliter l’adoption du système (surtout pour les petits établissements), il est prévu que plusieurs établissements puissent utiliser une même DRIMBox installée en mode SaaS (cloud). Ce dispositif de cloud permettra de réduire les coûts en matière d’infrastructure locale.

    Schéma cas usage Projet Drim-M

    🌐Interopérabilité : l’élément clé du dispositif 

    La DRIMBox s’appuie sur des standards d’interopérabilité (comme le format DICOM utilisé pour les images médicales) afin de garantir que les systèmes différents (PACS, RIS, DPI) communiquent efficacement. L’accès rapide aux images est un critère clé, avec un objectif d’affichage des images en moins de 5 secondes pour garantir une utilisation fluide, notamment dans des contextes d’urgence médicale. Pour garantir la sécurité des échanges, la DRIMBox fonctionne dans un “espace de confiance” :

    • Toutes les DRIMBox déployées (source ou consommateur) doivent s’identifier dans un registre national géré par l’ANS.
    • Les échanges entre DRIMBox sont chiffrés et se font avec des certificats de sécurité.
    • Pro Santé Connect est utilisé pour l’authentification des professionnels de santé, garantissant ainsi l’identité des personnes qui accèdent aux images.
    • Un service de “météo des services” est aussi proposé, permettant de suivre l’état de fonctionnement des DRIMBox déployées (pour savoir si elles sont opérationnelles ou non).

    1er trimestre 2025 : début d’un usage généralisé

    Le déploiement des DRIMBox a commencé avec des projets pilotes en 2024 comme la solution Experio DRIMBox de Medsquare. Les premiers établissements devraient pouvoir utiliser la DRIMBox à partir du premier trimestre 2025, avec une généralisation pour mi-2026. Cependant, les éditeurs de logiciels doivent adapter leurs systèmes pour intégrer cette nouvelle fonctionnalité (ex : RIS, PACS, DPI). Les hôpitaux devront également s’assurer que leurs infrastructures techniques (réseaux, stockage, etc.) sont prêtes à accueillir la DRIMBox.

    Dispositif SONS : un soutien financier pour moderniser les solutions numériques de santé

    L’arrêté du 11 août 2021 (relatif à un programme de financement destiné à encourager l’équipement numérique des établissements et médecins radiologues) inscrit dans le cadre du Ségur de la santé stipule que les financements sont attribués via un système ouvert, géré par l’Agence du Numérique en Santé (ANS), qui référence les solutions logicielles répondant à des critères techniques précis :

    • Conformité technique : respect des normes d’interopérabilité (DICOM, IHE) pour la gestion des données de santé.
    • Ergonomie : solutions faciles à utiliser, adaptées aux besoins des professionnels de santé.
    • Vérification de conformité : tests de validation des fonctionnalités via un référentiel d’exigences (REM-RAD-RIS-Va1).
    • Référencement par l’ANS : les solutions doivent être officiellement référencées après vérification.
    • Sécurité des données : conformité avec le RGPD et le Code de la santé publique, garantissant la sécurité des informations médicales.
    • Convention avec l’ANS : signature obligatoire d’une convention encadrant les droits et obligations de l’opérateur.

    Les opérateurs de logiciels peuvent demander à être référencés et, une fois cette étape franchie, ils peuvent bénéficier de financements pour équiper les établissements en solutions informatiques radiologiques. L’arrêté stipule également que l’ANS est responsable de la gestion technique, administrative et financière du programme et doit rendre compte régulièrement à l’État. Des contrôles sont prévus pour vérifier la conformité des opérateurs.

    Afin d’aider les établissements à intégrer les outils du Ségur du numérique, le dispositif SONS (Système Ouvert et Non Sélectif) du Ségur numérique est un mécanisme mis en place par l’État pour financer la mise à jour des logiciels de santé des établissements, ou bien des services tels que l’installation, la configuration et la formation. Ce financement s’adresse aux établissements qui commandent ces prestations directement auprès des éditeurs de logiciels, lesquels doivent être préalablement référencés par l’ANS. En général, une avance de 40 % est versée à l’éditeur au début du projet, avec un solde de 60 % une fois la prestation entièrement réalisée. Le montant exact peut différer selon les projets et la taille de la structure bénéficiaire.

    En France, 80 millions d’actes d’imagerie sont réalisés chaque année.