Articles

  • 14 cas d’usage structurent déjà l’IA des mutuelles entre automatisation, prévention ciblée et nouveaux services.

    Une chaîne de valeur qui dépasse la simple gestion des remboursements

    La cartographie disponible révèle que la mutuelle n’est plus positionnée uniquement comme payeur ou gestionnaire de dossiers. Elle se mue en acteur de navigation, de prévention et d’accompagnement, via des solutions capables d’évaluer des symptômes, d’orienter les assurés, de personnaliser les services et d’anticiper des besoins d’accompagnement.

    La répartition entre les quatre grands blocs identifiés est la suivante : 5 usages à dominante opérationnelle ou administrative, 4 usages orientés prévention et anticipation, 3 usages centrés sur l’expérience adhérent, et 2 usages liés au pilotage interne et au contrôle. Cette distribution illustre un double mouvement : l’IA des mutuelles se déploie simultanément sur la performance interne et sur l’extension de la proposition de valeur assurantielle.

    5 usages opérationnels : le principal gisement de valeur mesuré

    Le bloc opérationnel est le plus concret et le mieux étayé par des indicateurs de performance. Il rassemble l’automatisation et l’arbitrage de la gestion des sinistres, l’automatisation du traitement des demandes adhérents, les agents conversationnels de service client, l’automatisation des processus documentaires, et l’automatisation de la facturation des soins pour réduire les rejets de remboursement.

    Les chiffres associés sont éloquents. Le traitement automatisé des demandes adhérents permet de classifier jusqu’à 99% des demandes, de générer des brouillons de réponse dans 89% des cas et de diviser par 12 le coût de traitement des actes de gestion. Les agents conversationnels résolvent 80% des demandes entrantes, améliorent le NPS de 20 points et divisent par 3 les coûts d’un centre d’appels. L’automatisation documentaire annonce une précision supérieure à 98%, une réduction des erreurs humaines de 99% et une division par deux des coûts de gestion.

    Ces usages constituent le cœur du retour sur investissement observable, parce qu’ils s’appliquent à des volumes élevés, des tâches répétitives et des contraintes de conformité explicites, notamment RGPD, IA Act, SOC et HDS.

    4 usages de prévention : le déplacement du modèle vers l’anticipation

    Quatre cas d’usage relèvent principalement de la prévention et de l’anticipation : évaluation personnalisée avec recommandations de santé, gestion de la qualité et des risques, complémentaire santé digitale intégrant des services de prévention, et analyse prédictive des besoins des seniors pour des stratégies de prévention territoriale. S’y ajoute un usage d’anticipation des besoins d’accompagnement reposant sur le croisement de données socio-démographiques anonymisées avec les données des complémentaires santé.

    La profondeur des preuves varie selon les solutions. Une plateforme d’assurance santé augmentée démontre l’accès 24h/7j à 80 professionnels de santé, la prise en charge de 50% des demandes médicales sans consultation physique et un remboursement en moins de 24 heures. L’analyse prédictive dédiée aux seniors mobilise plus de 1,5 milliard de données statistiques, croise plus de 8 000 bases open source et a déjà permis d’analyser plus de 250 000 seniors.

    Ces usages traduisent un basculement stratégique du rôle de la mutuelle : de l’indemnisation ex post vers l’intervention ex ante, en activant plus tôt les services prévus au contrat et en mieux ajustant prévention, accompagnement et couverture.

    3 usages d’expérience adhérent : la mutuelle comme point d’entrée du parcours

    Trois cas d’usage relèvent de l’expérience et de la relation avec l’adhérent : l’évaluation intelligente des symptômes et l’orientation vers les services appropriés, l’accompagnement personnalisé des maladies chroniques par chatbot, et l’agrégation de services de santé personnalisés pour les salariés via une plateforme unifiée.

    Leur intérêt stratégique tient moins à des économies mesurées qu’à une reconfiguration de la relation assurantielle. L’orientation symptomatique aide l’assuré à identifier rapidement la solution pertinente, dans un contexte de désertification médicale croissante où les délais d’accès aux soins spécialisés peuvent atteindre 95 jours. Les agents d’accompagnement chronique assurent suivi, rappels thérapeutiques et réponses aux questions fréquentes. Les plateformes d’orchestration agrègent en un point d’entrée unique téléconsultation, bilans de santé, prévention et accompagnement des maladies chroniques. Pour les mutuelles, cela revient à transformer un portefeuille de garanties dispersées en une expérience servicielle continue, plus engageante et plus visible pour l’adhérent.

    2 usages de pilotage et de contrôle : moins nombreux mais critiques

    Deux usages sont davantage tournés vers le pilotage interne et le contrôle : l’optimisation des flux de travail et de la collaboration, et l’aide à la détection de fraude par identification d’anomalies dans les transactions et les demandes de remboursement. Bien que moins nombreux dans le corpus, ils touchent à des fonctions critiques pour la robustesse organisationnelle des mutuelles.

    Leur niveau de quantification est plus limité que dans le bloc opérationnel, ce qui suggère une maturité de marché plus hétérogène : ils apparaissent comme stratégiquement importants, mais moins standardisés dans leur promesse.

    Opportunités principales et risques majeurs

    L’opportunité principale est la combinaison de gains d’efficacité, d’amélioration du service et d’extension du périmètre de la mutuelle. La réduction par 12 du coût de traitement de certains actes de gestion, la résolution automatisée de 80% des demandes clients, la réduction de 99% des erreurs humaines sur les processus documentaires, la prise en charge de 50% des demandes médicales sans consultation physique et la capacité à analyser plus de 250 000 seniors dessinent ensemble une IA agissant simultanément comme levier de productivité, d’accessibilité aux soins, de personnalisation et de pilotage préventif.

    Les risques majeurs relèvent d’abord de la conformité et de la sécurité des données. Plusieurs solutions insistent explicitement sur la traçabilité des décisions IA, le respect du RGPD, de l’IA Act, de SOC et de l’HDS, ainsi que sur l’intérêt de déploiements souverains ou on-premise. Cette insistance indique que la création de valeur reste conditionnée par une gouvernance robuste des données, des modèles et des cas sensibles, et que la supervision humaine demeure un impératif non négociable pour les cas complexes.


  • 12 solutions d’IA pour les mutuelles : une création de valeur déjà visible, mais très inégale selon les usages

    12 solutions recensées, dont 6 dédiées à la gestion et au service adhérents

    Les 12 solutions se répartissent en 4 catégories fonctionnelles. La première, la plus dense, regroupe 6 solutions d’automatisation de gestion et de relation adhérents : Klaimy, Webotit.ai, Rizlum, Erenai, Qantev et Camber Claims Automation.

    La deuxième rassemble 4 solutions de prévention et d’engagement : Novacare de MoneyTrack, Alan, Smart Wellbeing de Medicus AI, et RevealCare d’ALOGIA group. Les deux dernières catégories sont plus ciblées, avec 1 solution de coordination pour pathologies chroniques, Chronik Care, et 1 solution d’agrégation de services santé-assurance, Care.Foormi.

    98% de précision : l’automatisation documentaire constitue le segment le plus mature

    La valeur la mieux objectivée se concentre dans les usages documentaires et transactionnels. Klaimy affiche une précision supérieure à 98% pour l’extraction des pathologies à partir de documents médicaux complexes, avec une réduction significative du temps de traitement et un renforcement de la conformité et de l’auditabilité.

    Dans la même logique, Rizlum automatise l’extraction intelligente, l’OCR, la synthèse et l’assistance à la décision via des modèles spécialisés déployables localement ou en SaaS, tandis que Camber Claims Automation cible la validation, la soumission et le suivi des réclamations avec réduction des erreurs et accélération des paiements. Qantev complète cet ensemble en positionnant l’IA sur la gestion des sinistres, la détection de fraude et l’optimisation des réseaux de soins.

    30 à 50% de charge de support en moins : la relation adhérents devient un terrain prioritaire

    La relation adhérents apparaît comme l’autre grand pôle de création de valeur. Webotit.ai documente une réduction de 30 à 50% de la charge de support grâce à la déflexion des emails et appels, une baisse du backlog emails pouvant atteindre 60%, une amélioration du NPS de 15 points et un objectif de résolution d’au moins 90% des demandes de premier niveau sans escalade humaine.

    Erenai pousse plus loin encore la logique d’industrialisation du service client, avec une automatisation pouvant atteindre 80% des interactions, une cartographie de 99% des demandes et un brouillon de réponse disponible pour 89% des demandes cartographiées. Ces résultats suggèrent que, pour les mutuelles, le front-office digitalisé devient un levier simultané de productivité, de réactivité et de standardisation des réponses.

    1,5 million d’assurés : la prévention personnalisée devient un second front stratégique

    Le corpus identifie 4 solutions de prévention et d’engagement, mais avec des degrés de maturité différents. Novacare est la plus structurée en matière de ciblage prédictif, avec un déploiement auprès d’une mutuelle représentant 1,5 million d’assurés et une ambition de montée en charge sur plusieurs millions de personnes protégées.

    Son intérêt stratégique réside dans la capacité à faire émerger, au bon moment, des services de prévention ou d’accompagnement souvent sous-utilisés. Alan et Smart Wellbeing prolongent cette logique par des dispositifs de santé et de bien-être orientés expérience utilisateur, tandis que RevealCare applique l’IA et le big data à l’anticipation des besoins des seniors et à la prévention de la perte d’autonomie.

    1 milliard de données et 250 000 seniors : l’IA élargit le rôle des mutuelles au-delà du remboursement

    RevealCare se distingue par la quantité de données traitées, avec plus d’un milliard de données analysées en temps réel, 250 000 seniors adoptants et 84 partenaires en 2024. La solution illustre un déplacement de la proposition de valeur des mutuelles vers l’anticipation des besoins, la priorisation des interventions et l’optimisation des investissements de prévention.

    Dans un registre différent, Chronik Care et Care.Foormi montrent que l’IA peut aussi soutenir une logique de parcours intégré. La première structure le suivi des maladies chroniques complexes autour d’un pilotage personnalisé et d’outils d’éducation thérapeutique ; la seconde vise un guichet numérique unifié combinant assurance, accès aux soins, gestion administrative et dossier numérique.

    5 risques majeurs : conformité, intégration, qualité des données, preuve, supervision

    Les solutions recensées font apparaître 5 risques structurants. Le premier est réglementaire, avec des références explicites au RGPD, à l’ACPR, à l’IA Act, à l’HDS, ou encore à la souveraineté et à l’hébergement local des données.

    Le deuxième tient à l’intégration aux systèmes existants, qu’il s’agisse des SI mutuelles, CRM, bases contractuelles, messageries ou environnements métiers. Le troisième concerne la qualité des données en entrée, décisive pour l’extraction, la classification et la personnalisation. Le quatrième réside dans l’hétérogénéité des preuves publiées selon les solutions. Le cinquième, enfin, est celui du maintien d’une supervision humaine sur les cas sensibles, complexes ou à forte portée décisionnelle.

    12 solutions, mais deux dynamiques distinctes de retour sur investissement

    L’ensemble dessine deux dynamiques de ROI. La première, déjà démontrée, concerne l’automatisation des tâches répétitives, documentaires et conversationnelles, où les gains de coût, de délai et de productivité sont les plus explicites.

    La seconde, plus stratégique mais moins uniformément mesurée, concerne la prévention, l’engagement et l’accompagnement dans la durée. Pour les mutuelles, l’enjeu n’est donc pas seulement d’automatiser la gestion, mais de convertir l’IA en capacité d’orientation, de fidélisation et d’activation de services à plus forte valeur ajoutée.

  • L’IA en assurance santé : performances, disparités et gouvernance

    11 études sur l’IA et l’assurance santé sur Pubmed les 12 derniers mois

    L’intégration de l’intelligence artificielle (IA) dans l’assurance santé s’accélère dans des domaines aussi variés que la transparence financière, la prédiction de l’enrôlement, l’estimation des coûts, l’analyse des disparités d’accès, la conception des contrats et la conformité réglementaire. Cette évolution s’inscrit dans un contexte où les organismes assureurs et les systèmes de santé doivent simultanément améliorer l’efficience opérationnelle, soutenir l’équité d’accès, réduire les coûts évitables et renforcer la gouvernance des données.

    Le présent article vise à proposer une synthèse rigoureuse de onze publications récentes portant sur l’IA, le machine learning et la gouvernance des données dans le champ de l’assurance santé. Les articles analysés ont été publiés dans Blockchain in Healthcare Today, Frontiers in Public Health, Renal Failure, PLOS One, Cureus, BMC Public Health, Journal of the American College of Emergency Physicians Open, Clinical Epidemiology, Journal of Preventive Medicine and Public Health, Health Affairs et JMIR AI. Ils sont signés notamment par Andri et Andri en Iran, Yilema et al. entre l’Éthiopie, l’Afrique du Sud, la Finlande et les États-Unis, Garcia Valencia et al. à la Mayo Clinic et dans des institutions associées aux États-Unis, au Royaume-Uni, en Thaïlande et à Taïwan, Shah et Kreif au Royaume-Uni et aux États-Unis, Ghanem entre le Royaume-Uni et le Ghana, Momahhed et Haghighathoseini entre l’Iran et les États-Unis, Schoolcraft et al. dans plusieurs institutions américaines de médecine d’urgence, Hsieh et al. à Taïwan et aux États-Unis, Mahwati et al. en Indonésie, Mello et al. à Stanford, et Kodan aux États-Unis.

    La problématique centrale est la suivante : dans quelle mesure l’IA permet-elle de transformer l’assurance santé sans dissocier performance prédictive, équité distributive, transparence organisationnelle et conformité réglementaire ? L’objectif est d’identifier les principaux usages documentés, les résultats quantitatifs saillants, ainsi que les implications stratégiques pour les professionnels de santé et les dirigeants du secteur de la santé numérique.

    Les onze études couvrent plusieurs niveaux d’analyse de l’assurance santé. Certaines portent sur l’adoption organisationnelle des technologies, comme l’étude d’Andri et Andri sur les systèmes blockchain intégrant l’IA pour améliorer la transparence financière dans des organismes d’assurance santé. D’autres examinent l’usage du machine learning pour classer l’enrôlement à des régimes d’assurance communautaire, comme en Éthiopie, ou pour prédire des situations de non-assurance à l’échelle territoriale, comme au Ghana.

    Un second ensemble d’articles traite de l’évaluation et de l’optimisation économique des régimes d’assurance. Shah et Kreif étudient l’impact hétérogène de la composante subventionnée du programme national indonésien JKN sur l’utilisation des soins à l’aide d’approches de causal machine learning. Mahwati et al. développent quant à eux des modèles prédictifs de coûts de sinistres chez les personnes âgées indonésiennes à partir des données du JKN entre 2017 et 2023. Momahhed et Haghighathoseini proposent enfin un cadre multi-objectif permettant d’optimiser le design de l’assurance dans la prise en charge hospitalière des gastroentérites en arbitrant explicitement entre utilité du patient, du prestataire et de l’assureur.

    Un troisième ensemble aborde l’équité, les infrastructures de données et la gouvernance. Garcia Valencia et al. analysent les disparités d’accès à la transplantation rénale et de survie post-greffe selon le type d’assurance aux États-Unis. Hsieh et al. réévaluent la NHIRD taïwanaise à l’ère de l’IA, de l’inférence causale et de la sécurité des données. Schoolcraft et al. examinent la responsabilité au regard de la HIPAA lors de l’usage d’outils d’IA générative par les cliniciens. Mello et al. étudient enfin l’usage croissant de l’IA dans les processus de prior authorization et de claims review, tandis que Kodan discute la capacité de l’IA à soutenir la transition du fee-for-service vers des modèles assurantiels orientés vers la valeur aux États-Unis.

    Adoption organisationnelle et transparence

    L’étude d’Andri et Andri repose sur des données collectées auprès de 272 professionnels travaillant dans différents organismes d’assurance santé. À l’aide de structural equation modeling et de necessary condition analysis, les auteurs montrent que les facteurs internes jouent un rôle plus important que les pressions externes dans l’adoption de systèmes blockchain-IA. Les déterminants mis en avant sont la préparation technologique, la formation des employés, le soutien de la direction et la qualité de l’infrastructure numérique, tandis que la pression concurrentielle et les obligations réglementaires paraissent moins déterminantes. La transparence financière apparaît à la fois comme résultat recherché et comme mécanisme médiateur renforçant la confiance dans le déploiement technologique.

    Prédiction de l’enrôlement, de la non-assurance et des coûts

    En Éthiopie, Yilema et al. utilisent les données de l’Ethiopian Mini Demographic and Health Survey 2019 pour comparer sept modèles de classification, dont la LDA, le SVM à noyau radial, le KNN, le CART et le random forest. Le random forest est identifié comme l’algorithme présentant la meilleure performance globale de classification de l’enrôlement à l’assurance communautaire, avec comme variables les plus influentes l’âge, l’indice de richesse, la taille du ménage et l’usage des terres.

    Au Ghana, Ghanem combine une analyse spatiale et un modèle de décision arborescente sur les 261 districts du pays à partir des données du recensement 2021. L’autocorrélation spatiale globale de la non-assurance est significative, avec un Moran’s I de 0,422 et une valeur de p inférieure à 0,001. L’analyse identifie 42 clusters territoriaux de type « High-High », principalement dans la région nord de savane. Le modèle de classification atteint une accuracy de 82,5%, et l’illettrisme constitue de loin le premier prédicteur du risque de non-assurance, avec une importance de 84,7%. Une valeur seuil de 30,3% d’illettrisme est associée à une hausse marquée de la probabilité d’appartenir à la catégorie de risque élevé.

    En Indonésie, Mahwati et al. comparent trois techniques de modélisation des coûts de sinistres chez les personnes âgées : régression linéaire, random forest et XGBoost. Le meilleur modèle est XGBoost avec 500 rounds de boosting, avec un RMSE de 11 360 283, un R² de 0,81 et une MAE de 4 485 917. À titre de comparaison, la régression linéaire atteint un RMSE de 13 710 035 et un R² de 0,72, tandis que le random forest obtient un RMSE de 12 434 238 et un R² de 0,78. Les soins ambulatoires constituent le prédicteur le plus constant, devant la durée de séjour, le type diagnostique selon la CIM-10, le type d’établissement, la classification de l’établissement et la sévérité des cas.

    Estimation d’effets hétérogènes et optimisation multi-acteurs

    Shah et Kreif mobilisent des causal forests et un super learner pour mesurer l’effet de la composante subventionnée du programme JKN sur l’utilisation des soins en 2017. Leur approche traite explicitement la forte fréquence des zéros dans les données d’utilisation par un modèle en deux parties distinguant le recours initial aux soins et le volume consommé. Les auteurs mettent en évidence un effet moyen positif sur la demande de soins, mais aussi une hétérogénéité importante des effets selon les caractéristiques observées des bénéficiaires. Les modificateurs d’effet proviennent à la fois de covariables théoriquement motivées et de sous-groupes identifiés de manière data-driven.

    L’étude de Momahhed et Haghighathoseini pousse plus loin la logique d’optimisation en s’appuyant sur 378 403 demandes d’indemnisation liées à des hospitalisations pour gastroentérite dans le système national iranien en 2023. Cinq modèles supervisés prédisent des utilités distinctes pour les patients, les prestataires et les assureurs, puis six fonctions de bien-être social agrègent ces utilités dans une analyse de frontière de Pareto. Seules 2,46% des politiques observées sont Pareto-efficientes. Parmi les politiques efficientes, 16,9% correspondent à des configurations « win-win-win » qui dominent 54,1% des alternatives. La corrélation entre équité et soutenabilité budgétaire est de -0,509, contre -0,267 entre équité et efficience, ce qui suggère que la contrainte fiscale pèse davantage que l’inefficience opérationnelle dans la limitation des réformes centrées sur le patient. Les fonctions de Nash et de moyenne géométrique présentent les niveaux d’utilité agrégée les plus favorables, avec des moyennes respectives de 4,01 et 8,84 et des écarts-types de 0,15 et 1,02. À l’inverse, les politiques alignant surtout assureur et prestataire produisent une utilité moyenne patient de -22,39, et l’out-of-pocket burden représente à lui seul un poids de 0,80 dans l’utilité du patient.

    Disparités, données et conformité

    Dans la revue systématique de Garcia Valencia et al., 14 études ont été retenues parmi 2 163 références issues de MEDLINE, EMBASE et de la Cochrane Database. Les résultats indiquent que les patients couverts par Medicare ou Medicaid, en particulier lorsqu’ils appartiennent à des minorités raciales ou ethniques, présentent des taux de référencement plus faibles pour la transplantation rénale et davantage de rejets d’inscription sur liste d’attente que les patients disposant d’une assurance privée. Les auteurs rapportent également une mortalité post-greffe plus élevée et davantage d’échecs du greffon chez les bénéficiaires d’assurance publique. La perte de Medicare après 36 mois est associée à une moindre adhésion aux immunosuppresseurs et à un risque accru de rejet, tandis que l’expansion variable de Medicaid et l’hétérogénéité des politiques des centres renforcent ces disparités.

    Hsieh et al. montrent que la NHIRD taïwanaise a évolué en intégrant des résultats de laboratoire structurés et des données d’imagerie médicale. Les auteurs soulignent aussi la validation de l’usage des codes CIM-10-CM pour plusieurs conditions, ainsi que l’enrichissement de la base par des liaisons avec des registres nationaux, des enquêtes et des dossiers médicaux électroniques. En parallèle, ils identifient des défis persistants de standardisation des données, de cybersécurité et de gouvernance à la suite de décisions constitutionnelles relatives à la protection de la vie privée. Le développement d’une infrastructure fondée sur FHIR est présenté comme une réponse destinée à améliorer l’interopérabilité, la sécurité et la préparation à l’IA.

    Schoolcraft et al. analysent la responsabilité HIPAA dans des situations où des cliniciens utilisent des outils d’IA générative publics sans Business Associate Agreement valide. L’article distingue les divulgations incidentelles, accidentelles et non autorisées d’informations de santé protégées, et propose des mesures de mitigation après incident. Mello et al. examinent pour leur part l’usage croissant de l’IA par les assureurs et les fournisseurs dans les processus d’autorisation préalable et de gestion des demandes, en insistant sur les risques liés à l’opacité algorithmique, à la sous-performance dans certaines tâches, à l’automation bias et aux conséquences sociales non intentionnelles.

    Données clés

    Étude Données / population Méthode Résultat chiffré principal
    Andri & Andri, 2025 272 professionnels d’organismes d’assurance SEM + NCA Les facteurs internes dominent l’adoption des systèmes blockchain-IA.
    Yilema et al., 2025 EMDHS 2019, enrôlement CBHI 7 modèles de classification Le random forest est le meilleur classificateur.
    Ghanem, 2026 261 districts ghanéens Moran’s I + Decision Tree Moran’s I = 0,422 ; p < 0,001 ; accuracy = 82,5% ; importance de l’illettrisme = 84,7% ; seuil = 30,3%.
    Shah & Kreif, 2025 JKN Indonésie, utilisation des soins Causal forests + super learner Effet moyen positif, avec forte hétérogénéité selon les profils.
    Momahhed & Haghighathoseini, 2026 378 403 claims gastroentérites 5 modèles + 6 fonctions de bien-être 2,46% des politiques Pareto-efficientes ; 16,9% de scénarios win-win-win ; 54,1% des alternatives dominées.
    Mahwati et al., 2026 JKN 2017-2023, personnes âgées Régression, RF, XGBoost XGBoost : RMSE 11 360 283 ; R² = 0,81 ; MAE = 4 485 917.
    Garcia Valencia et al., 2025 2 163 références, 14 études incluses Revue systématique + analyse assistée par IA Désavantages d’accès et de survie pour Medicare/Medicaid vs assurance privée.
    Kodan, 2026 Revue narrative États-Unis Analyse de politiques VBC Économies moyennes de 1 012 dollars par épisode et 930 dollars par bénéficiaire ; réduction illustrative de 20% des coûts dans l’insuffisance cardiaque congestive.

    Discussion

    Pris ensemble, ces travaux montrent que l’IA dans l’assurance santé ne peut être réduite à une fonction de prédiction. Les modèles les plus performants identifiés dans les études empiriques répondent à des finalités distinctes : classer l’enrôlement, identifier des poches territoriales de non-couverture, prédire les coûts individuels, mesurer des effets de politiques ou optimiser le compromis entre protection financière et soutenabilité du système. Cette pluralité des usages implique que la valeur de l’IA dépend moins de la seule performance algorithmique que de son articulation avec les objectifs du régime d’assurance et avec les capacités institutionnelles de mise en œuvre.

    Une première convergence forte concerne le poids des déterminants structurels. Dans l’adoption des systèmes blockchain-IA, les ressources internes, la formation et le soutien de la direction sont plus décisifs que la pression externe. Dans l’accès à l’assurance, les variables socio-économiques et éducatives demeurent centrales, comme le montrent l’importance de l’indice de richesse et de la taille du ménage en Éthiopie, ou le rôle majeur de l’illettrisme au Ghana. Dans l’accès à la transplantation rénale, le type d’assurance reste profondément corrélé aux trajectoires de soins et aux résultats cliniques.

    Une deuxième convergence concerne le rôle critique des infrastructures de données et des cadres de gouvernance. Les perspectives ouvertes par la NHIRD taïwanaise reposent sur l’intégration de nouvelles sources, la validation des codages et l’interopérabilité. À l’inverse, les articles sur la HIPAA et sur l’AI arms race montrent qu’un déploiement insuffisamment gouverné de l’IA peut exposer les organisations à des risques juridiques, éthiques et opérationnels. Pour des dirigeants du secteur, ces résultats suggèrent qu’une stratégie IA crédible en assurance santé doit inclure une architecture de conformité, des règles d’usage des outils génératifs, des mécanismes de contrôle humain et une documentation explicite des modèles utilisés.

    Enfin, plusieurs articles suggèrent que les arbitrages entre efficience et équité ne sont pas nécessairement irréductibles. L’étude iranienne sur l’optimisation multi-objectif montre qu’une fraction des politiques observées permet des gains simultanés pour le patient, le prestataire et l’assureur. De même, l’article de Kodan indique que des dispositifs de paiement orientés vers la valeur peuvent être appuyés par des outils IA de prédiction des coûts, de coordination des soins et d’ajustement du risque. Cela ne signifie pas que l’IA résout à elle seule les défaillances de l’assurance santé, mais plutôt qu’elle peut améliorer la qualité des arbitrages à condition que les objectifs de justice distributive et de soutenabilité soient explicitement intégrés au design des modèles.

    Conclusion

    Les onze publications examinées convergent vers une lecture de l’IA comme infrastructure analytique et décisionnelle de l’assurance santé plutôt que comme simple innovation technique. Les résultats disponibles montrent des applications robustes en matière de classification de l’enrôlement, de stratification territoriale, de prédiction des coûts, d’analyse des disparités, d’optimisation des contrats et d’appui à la transition vers des modèles fondés sur la valeur.

    Toutefois, les mêmes études indiquent que l’impact de ces outils dépend fortement de quatre conditions : la qualité des données, la capacité organisationnelle, l’intégration d’objectifs d’équité et l’existence de cadres de gouvernance adaptés. Pour les professionnels de santé et les dirigeants de la santé numérique, l’enjeu n’est donc pas seulement d’adopter l’IA, mais de l’inscrire dans une stratégie assurantielle capable de relier performance prédictive, transparence, protection financière et responsabilité réglementaire.

  • Intelligence artificielle et mutuelles : plus de 70% des organismes déjà équipés et des dizaines de millions d’euros économisés sur la fraude

    80% des mutuelles envisagent d’investir dans l’IA cette année

    Selon les chiffres relayés par la Mutualité Française, plus de 70% des mutuelles ont intégré l’IA dans leurs activités, principalement pour la gestion des flux, la relation adhérents et l’analyse de données. Parallèlement, 80% des organismes déclarent vouloir investir dans l’IA dans les 12 mois à venir, ce qui traduit une dynamique d’équipement rapide dans l’ensemble du secteur.

    Cette montée en puissance s’inscrit dans un environnement marqué par la hausse des dépenses de santé, la pression sur les cotisations et la nécessité de stabiliser les résultats techniques. L’IA est perçue comme un levier pour automatiser le traitement de volumes massifs de dossiers, fiabiliser les décisions et soutenir la soutenabilité du modèle mutualiste.

    Fraude : 52 millions d’euros économisés en un an

    La lutte contre la fraude constitue l’un des premiers champs d’application de ces investissements. Dans un cas documenté, une mutuelle a analysé 250 000 dossiers grâce à un outil d’IA : un tiers s’est révélé frauduleux ou litigieux, permettant une économie de 52 millions d’euros sur une seule année. Les montants sont à rapprocher des estimations globales de fraude à la Sécurité sociale et aux complémentaires, qui atteignent plusieurs centaines de millions d’euros par an. L’outil exploite les métadonnées des documents (identité de l’assuré, numéro de Sécurité sociale, dates de soins) pour repérer les incohérences et les manipulations, avant que les enquêteurs ne valident ou non les alertes. Le mutualiste concerné indique vouloir aller plus loin dans cette stratégie, ce qui laisse présager une augmentation des budgets consacrés aux dispositifs de détection automatisée et à l’industrialisation des contrôles.

    AI Act et structuration de l’« IA responsable »

    En parallèle, le règlement européen sur l’IA (AI Act) amène des exigences spécifiques pour les systèmes utilisés dans la santé et l’assurance. Les mutuelles se situent ainsi à l’intersection d’obligations de performance économique et d’un encadrement renforcé des outils algorithmiques qui interviennent dans l’accès aux garanties et aux soins. La Mutualité Française s’est engagée avec Ethik‑IA pour mettre en place une supervision des dispositifs et une « garantie humaine de l’IA », combinant documentation des modèles, traçabilité des décisions et contrôle humain systématique. Cette approche vise à préparer des démarches de labellisation ou de certification, en réponse aux attentes des régulateurs et des adhérents en matière de transparence et de protection des données.

    Un volet clinique porté par la Fondation de l’Avenir

    Via la Fondation de l’Avenir, le mouvement mutualiste investit aussi dans des projets d’IA en clinique, notamment dans les établissements d’Hospi Grand Ouest et du Médipôle Hôpital Mutualiste. Des solutions d’aide au diagnostic, par exemple pour les maladies rares, reposent sur des entrepôts de données de santé et sur la construction de profils types de patients, avec des exigences de relecture médicale systématique et de traçabilité des alertes. Ces investissements cliniques s’ajoutent aux budgets consacrés à l’IA de gestion et de lutte contre la fraude, et impliquent des dépenses en infrastructures de données, en gouvernance et en compétences en data science. Ils contribuent à installer l’IA, non seulement dans le back‑office des mutuelles, mais aussi au cœur des parcours de soins mutualistes.

  • Qualité des soins : jusqu’à 375 000 événements indésirables graves par an et une forte sous-déclaration (Cour des comptes)

    13 millions de patients concernés et des défaillances aux coûts dépassant 30 Md€

    Dans son rapport d’évaluation publié le 28 avril, la Cour des comptes alerte sur l’ampleur des défaillances dans la qualité des soins en établissements de santé. En France, 13 millions de patients sont pris en charge chaque année dans 2 965 structures.

    Les conséquences des défaillances sont multiples. Sur le plan financier, la réparation des préjudices évitables est estimée à plus de 11 Md€, auxquels s’ajoutent 22 Md€ liés aux soins inutiles ou à faible valeur, ainsi qu’entre 2,2 et 5,2 Md€ associés aux infections nosocomiales.

    Sur le plan sanitaire, ces infections sont responsables d’environ 4 000 décès annuels, un niveau supérieur à la mortalité routière. Par ailleurs, une part significative des complications, erreurs ou décès survenant après une prise en charge hospitalière pourrait être évitée.

    Une sous-déclaration des événements indésirables

    Le rapport met en évidence un écart entre la réalité des événements indésirables graves associés aux soins (EIGS) et leur déclaration effective.

    Entre 160 000 et 375 000 événements surviendraient chaque année, contre un peu plus de 7 000 déclarations en 2024, soit un différentiel de 1 à 20 voire 1 à 50. Ces événements recouvrent des situations variées : erreurs médicamenteuses, objets oubliés lors d’une intervention, infections contractées à l’hôpital ou complications postopératoires.

    Cette sous-déclaration, pourtant en contradiction avec une obligation légale en vigueur depuis 2004, est problématique. La Cour recommande à ce titre la mise en place de sanctions financières dès 2027 en cas de non-respect de cette obligation.

    Des outils de mesure inadaptés aux enjeux de résultats

    Au-delà du déficit de transparence, la Cour critique la nature même des indicateurs utilisés. Environ 90 % d’entre eux portent sur les processus d’hospitalisation (organisation, procédures) et non sur les résultats cliniques effectifs.

    Ce déséquilibre empêche d’évaluer précisément la qualité réelle des soins. L’institution préconise de développer des indicateurs de résultats, tels que :

    • La survenue de septicémies postopératoires.
    • Les complications obstétricales.
    • Le taux de réadmission.
    • Les événements indésirables liés aux médicaments.

    Elle insiste également sur l’intégration des résultats rapportés par les patients (PROMs), afin d’évaluer les effets des soins sur les symptômes, les capacités fonctionnelles et la qualité de vie.

    Le rapport met en lumière plusieurs facteurs organisationnels qui influencent la qualité :

    Seuils d’activité et expérience des équipes

    La Cour souligne que certains seuils d’activité sont insuffisants ou non respectés. Par exemple :

    • Une vingtaine de maternités réalisent moins de 300 accouchements par an.
    • 214 établissements effectuent moins de 20 interventions annuelles pour certains cancers complexes.

    À titre de comparaison, certains pays européens fixent des seuils plus élevés (jusqu’à 150 interventions annuelles pour certaines chirurgies), renforçant l’expérience des équipes.

    Prise en charge médicamenteuse et risques associés : Les erreurs liées aux médicaments représentent une part significative des événements indésirables. Le rapport pointe un recours limité à la pharmacie clinique et l’absence de liste nationale structurée des médicaments à risque.

    Chirurgie ambulatoire et coordination des parcours : La montée en charge de la chirurgie ambulatoire nécessite un suivi renforcé, notamment sur les conditions de sortie, les complications et la coordination avec la médecine de ville.

    Une culture de la qualité encore incomplète

    Si des dispositifs existent (certification, e-Satis), leur impact reste limité. Le taux de participation des patients aux enquêtes de satisfaction est faible, et la mesure des résultats perçus demeure marginale. La Cour souligne également :

    • Un déficit de formation initiale (moins de 2 % des connaissances évaluées en médecine portent sur la qualité).
    • Un recours limité à l’accréditation des professionnels.
    • Une organisation institutionnelle complexe.
    • Des difficultés liées à la stabilité des équipes (intérim, praticiens hors UE).

    Elle encourage le développement du modèle de « patient partenaire » et une meilleure information sur les dispositifs d’indemnisation (ONIAM).

    Au total, la Cour formule 11 recommandations, dont plusieurs convergent vers une refonte du pilotage :

    • Généralisation des indicateurs de résultats.
    • Sanctions en cas de non-déclaration des EIGS.
    • Création d’une liste nationale des médicaments à risque.
    • Développement des PROMs.
    • Evolution vers une accréditation d’équipe.
    • Intégration de la qualité dans la formation médicale.
    • Suivi régional des activités selon les seuils.

    Elle appelle surtout à la mise en place, dès 2026, d’une gouvernance nationale dédiée, chargée de structurer une stratégie pluriannuelle intégrant la pertinence des soins et la place du patient.

    Au-delà du constat, le rapport met en évidence un changement attendu dans le pilotage du système de santé : passer d’une logique de conformité des résultats à une logique de résultats mesurables et partagés.

    @Cour des comptes

  • L’UE lance “Apply AI” : 9 M€ pour accélérer l’IA en imagerie médicale

    Dans le cadre du Digital Europe Programme, la Commission européenne ouvre un appel à projets « Apply AI » pour déployer à grande échelle des systèmes d’IA / GenIA cloud destinés à analyser des images médicales (IRM, scanner, radiographie, échographie, etc.) dans des centres de soins.

    L’objectif est d’améliorer l’efficacité des diagnostics, de décharger les services de radiologie et de renforcer l’accès au dépistage.

    Procédure de candidature et de mise en œuvre

    Les propositions doivent être déposées en ligne via le portail Funding & Tenders, à partir du 21 avril 2026, sur la plateforme dédiée au call AI Continent (DIGITAL‑2026‑AI‑PILOTING‑10).

    Les dossiers doivent décrire :

    • Un système cloud d’IA/GenIA reproductible et scalable, intégré aux workflows cliniques (EHR, PACS, RIS, etc.).
    • Un plan de validation clinique et technique à grande échelle, avec focalisation cancer et cardio‑vasculaire.
    • Une stratégie de conformité réglementaire, de protection des données, de cybersécurité et de durabilité pour un déploiement transversal dans l’UE.

    Les lauréats s’engagent notamment à :

    • Produire des preuves de concept exploitables et des rapports d’analyse coût‑efficacité.
    • Organiser au moins deux événements/an dans le cadre du réseau européen des centres de dépistage avancé.
    • Elaborer un plan de déploiement réglementaire et de mise en œuvre à long terme.

    Tableau récapitulatif des principaux critères

    Points d’attention

    • Calendrier tendu : la fenêtre de dépôt s’étend du 21 avril au 1er octobre 2026.
    • Exigences de consortium : au moins 7 partenaires dans 5 pays éligibles, dont un partenaire industriel.
    • Conformité réglementaire et sécurité : importance des plans de cybersécurité, de protection des données de santé (RGPD/équivalents) et de conformité réglementaire, devant figurer de manière très détaillée dans la proposition.
    • Preuve de maturité de l’IA : les solutions doivent être déjà développées, entraînées et testées sur de grandes bases de données, et validées dans des contextes cliniques réels au cours du projet.

    Documents :

  • Pathologie numérique (CH du Mans) : 1,15 M€ d’investissement pour 20 000 examens par an et des diagnostics oncologiques accélérés

    Le centre hospitalier du Mans a inauguré ce mois-ci de nouveaux équipements de pathologie numérique, marquant une évolution dans ses pratiques en anatomie et cytologie pathologique.

    Le projet repose sur l’acquisition de scanners de lames à haute résolution, remplaçant l’observation traditionnelle au microscope par l’analyse d’images numérisées. Le CHM partage en parallèle une plateforme numérique avec le centre hospitalier universitaire d’Angers, ce qui facilite l’accès aux données et leur exploitation à distance.

    Un impact sur le diagnostic en cancérologie

    Au Mans, environ 20 000 examens ACP sont réalisés chaque année. Ils permettent de diagnostiquer plus de 3 600 cancers et d’identifier plus de 3 500 lésions précancéreuses.

    Le rôle du pathologiste reste central. Il détermine la nature des tumeurs, leur gravité, leur pronostic et identifie des marqueurs utiles à la prise en charge thérapeutique. La numérisation des lames modifie cette activité en améliorant la rapidité et la précision des analyses.

    La mise en place d’une plateforme commune avec le CHU d’Angers ouvre de nouvelles perspectives en matière de coopération. Les équipes peuvent partager des cas, solliciter des avis et développer des projets de recherche conjoints.

    Cette organisation facilite également la continuité des pratiques entre établissements.

    Au-delà des enjeux cliniques, ces équipements participent à renforcer l’attractivité de l’ACP, une spécialité confrontée à des difficultés de recrutement. L’intégration d’outils numériques avancés constitue un argument pour attirer internes et jeunes professionnels.

    L’investissement total s’élève à 1,15 million d’euros. Il est financé à hauteur de 660 000 euros par l’Agence régionale de santé Pays de la Loire, 250 000 euros par Le Mans Métropole et 200 000 euros par la Ligue contre le cancer 72.

     

  • Santé numérique : l’IA capte 23 % des investissements et accélère les recrutements spécialisés

    Au premier trimestre 2026, les entreprises privées de santé numérique ont levé 7,4 Md$ dans le monde, soit leur plus haut niveau trimestriel depuis le deuxième trimestre 2022.

    Cette hausse de 25% par rapport au quatrième trimestre 2025 ne s’est pas accompagnée d’un redémarrage large du marché : 19 opérations de plus de 100 M$ ont concentré à elles seules 60% des montants investis. La taille moyenne des tours atteint 29,6 M$, en hausse de 47% sur un an, tandis que la médiane annuelle ressort à 6,5 M$.

    Le volume de deals reste contenu. CB Insights recense 355 opérations au T1 2026, contre 411 au trimestre précédent. Autrement dit, davantage de capital a été mobilisé sur moins de transactions. Cette polarisation se retrouve aussi dans le late stage : la médiane des tours à ce stade atteint 107,5 M$ en 2026 à date, loin devant l’early stage à 4,8 M$ et le mid-stage à 25 M$.

    Des montants tirés par les États-Unis

    Les États-Unis concentrent 5,6 Md$ et 158 deals sur le trimestre, soit l’essentiel des capitaux levés. L’Asie suit avec 0,8 Md$ pour 70 opérations, devant l’Europe avec 0,7 Md$ pour 89 deals. En proportion, les États-Unis représentent 56% des opérations mondiales au T1 2026, contre 26% pour l’Europe et 18% pour l’Asie.

    Cette domination apparaît aussi dans les méga-tours. Sur les 19 opérations de plus de 100 M$, 15 ont été réalisées aux États-Unis, pour 3,8 Md$. L’Asie en compte 2, l’Europe 1, et le reste du monde 1.

    Parmi les plus grosses levées mondiales du trimestre figurent Earendil Labs avec 787 M$, Whoop avec 575 M$, Devoted Health avec 318 M$, Verily avec 300 M$ et BrainCo avec 272 M$. En Europe, la plus importante opération est celle d’Alan, qui a levé 116 M$ et atteint une valorisation de 5,8 Md$. En France, Santexpat a levé 30 M$, Waiv 28 M$, et DiappyMed figure parmi les principaux tours seed avec 7 M$.

    IA, biotech et nouveaux profils de croissance

    Le rapport souligne la progression de l’IA dans la découverte de médicaments, qui représente 23% des financements trimestriels en santé numérique. CB Insights cite la levée de 787 M$ d’Earendil Labs, soutenue notamment par Pfizer et Sanofi, et le partenariat entre Takeda et Iambic Therapeutics, d’une valeur potentielle allant jusqu’à 1,7 Md$, même si ce type d’accord n’entre pas dans le périmètre des financements en capital retenu dans le rapport.

    Du côté des effectifs, les développeurs de modèles d’IA pour la santé constituent le segment le plus dynamique, avec une croissance annuelle de 58,5%. Ils devancent les outils pour développeurs de santé, à 45%, et les cliniques de longévité, à 36,1%. CB Insights cite aussi Tennr, avec une croissance des effectifs de 133% sur un an, et Anthropic, qui accélère ses recrutements sur des fonctions liées à la santé.

    Les valorisations par salarié donnent un aperçu de cette dynamique. BrainCo affiche 12,6 M$ de valorisation par employé, devant Latent à 9,2 M$ et Whoop à 7,7 M$. Alan figure aussi dans ce classement, avec 4,4 M$ par employé pour une valorisation de 5,8 Md$.

    Huit nouvelles licornes en trois mois

    Sept sociétés ont franchi le seuil de valorisation de 1 Md$ au T1 2026, soit le niveau trimestriel le plus élevé depuis le T2 2022. Six sont américaines : Grow Therapy, eMed, Pomelo Care, , Garner, Midi et Solace. La huitième est chinoise, BrainCo.

    Au total, le secteur compte désormais 110 licornes. Les plus valorisées sont Devoted Health à 12,9 Md$, OpenEvidence à 12 Md$, Oura à 11 Md$, Whoop à 10,1 Md$ et Neuralink à 9,7 Md$. Côté français, Doctolib apparaît toujours dans le top 10 mondial avec une valorisation de 6,4 Md$.

    Ce que mesure le rapport

    CB Insights précise que son analyse porte uniquement sur les financements en fonds propres de sociétés privées. Sont exclus les tours de sociétés cotées, les financements non encore clos, les partenariats de R&D, la dette, les subventions publiques, les PIPE, ainsi que les opérations de buyout, de recapitalisation et de consolidation. Les montants sont exprimés en dollars et les classements d’investisseurs sont calculés par nombre de sociétés financées, hors tours de suivi.

     

  • Étude : un nouveau cadre pour concevoir des outils d’IA en santé, au plus près des pratiques de terrain

    Le développement d’applications d’IA en santé a longtemps reposé sur des équipes techniques, des compétences en programmation et des cycles de conception longs. Dans ce schéma, les cliniciens, pourtant au contact direct des problèmes de terrain, restaient le plus souvent utilisateurs ou prescripteurs, plus que concepteurs.

    Un préprint publié par des chercheurs en IA appliquée à la santé propose une autre trajectoire.

    Les auteurs décrivent un cadre de développement en cinq niveaux pour guider des projets d’IA initiés par des cliniciens, depuis l’identification d’un besoin jusqu’au déploiement et au suivi.

    Leur thèse est que : les outils nécessaires à une innovation portée par les professionnels de santé sont désormais accessibles sans programmation traditionnelle, à condition de rester dans un cadre de déploiement responsable.

    Cinq niveaux de complexité : le cadre présenté organise les outils selon un gradient d’engagement technique

    • Au niveau 1, des plateformes comme Botpress et Voiceflow permettent de déployer en quelques minutes un chatbot clinique simple, sans connaissance en programmation. L’objectif est de rendre possible une première mise en œuvre rapide pour des cas d’usage ciblés.
    • Le niveau 2 introduit le retrieval-augmented generation (RAG). Cette approche ancre les réponses de l’IA dans des documents cliniques fournis par l’utilisateur plutôt que dans les seules données d’entraînement du modèle. Les auteurs y voient un moyen de réduire les réponses inexactes et de mieux aligner l’outil avec des référentiels ou procédures locales.
    • À partir des niveaux 3 à 5, le texte met en avant le vibe coding, défini comme la production de logiciels à partir d’instructions en langage naturel. Formalisé comme concept au début de l’année 2025, il sert de socle à des développements plus avancés sans exiger un apprentissage classique du code. Selon les auteurs, les compétences mobilisées par ce mode de développement (définition précise du problème, itération, jugement sur le risque) recoupent des capacités déjà exercées quotidiennement par les cliniciens.

    Des workflows automatisés jusqu’aux systèmes multi-agents

    • Le niveau 4 correspond aux outils d’orchestration de workflows, comme n8n et Zapier. Ils peuvent automatiser des chaînes complètes de processus cliniques ou administratifs, de la prise de rendez-vous au suivi après intervention, avec peu ou pas d’intervention humaine une fois le scénario configuré.
    • Le niveau 5 couvre les systèmes multi-agents, destinés à des usages plus complexes : assistants diagnostiques capables de traiter des images, plateformes coordonnées pour l’administration hospitalière, ou encore environnements où plusieurs agents spécialisés coopèrent sur une même tâche. Le message du préprint est que ces architectures ne sont plus réservées à des équipes de développeurs, même si leur mise en œuvre reste plus exigeante.

    Des risques qui déplacent le problème vers la gouvernance

    Les auteurs estiment que la documentation prend environ 35 % du temps clinique, et que ces outils peuvent aider à alléger cette charge en facilitant la synthèse, l’organisation et l’automatisation des tâches.

    Le préprint ne présente toutefois pas cette démocratisation comme un simple effet d’interface. Les auteurs rappellent plusieurs limites : hallucinations de l’IA, obligations de confidentialité, exigences réglementaires et besoin de validation avant déploiement.

    Ils signalent aussi des risques de sécurité associés à certains outils agentiques, comme OpenClaw, lorsqu’ils sont mal configurés. Sont notamment mentionnés des risques d’exposition de données et d’attaques par prompt injection. Autrement dit, la baisse de la barrière technique ne supprime pas le besoin de contrôle ; elle déplace une partie de l’enjeu vers la supervision, les tests, l’architecture de sécurité et la responsabilité organisationnelle.

    Au fond, le texte défend l’idée d’un passage du clinicien utilisateur au clinicien bâtisseur. Le cadre proposé, baptisé Clinician-Led Evidence-grounded AI Development, veut fournir une méthode reproductible pour structurer des projets d’IA conçus à partir des besoins du terrain.

    Pour les acteurs de santé, l’enjeu consiste à encadrer les conditions qui permettent aux professionnels de développer des applications fiables. Les auteurs soulignent que si les barrières techniques ont diminué, le déploiement repose sur un usage prudent.

    Référence : Aryender Singh, Balavignesh Senthilvel Palani, Sarthak Singh Tomar, Manu Rathee, Shefali Singla, Stalin Mathiyazhagan, “Clinician-Led Artificial Intelligence Innovation: A Practical Guide to Building Custom Healthcare Applications Without Traditional Programming”, JMIR Publications Preprints, 2026, DOI : 10.2196/preprints.95998.

  • Décret SREN : 13 exigences structurent l’hébergement des données sensibles

    Le décret d’application de l’article 31 de la loi visant à sécuriser et réguler l’espace numérique précise les conditions d’hébergement des données sensibles dans le cloud pour les acteurs publics. Le texte concerne notamment les établissements de santé, les administrations et les opérateurs publics.

    Il encadre les usages autorisés pour les données dites de sensibilité particulière et écarte les environnements exposés à des législations extra-territoriales. Il s’inscrit dans la continuité de la doctrine « cloud au centre » et du référentiel SecNumCloud porté par l’ANSSI.

    Le décret réduit les marges d’interprétation qui entouraient jusqu’ici l’article 31. Il précise les catégories de données concernées, les acteurs soumis au dispositif et les conditions à respecter pour recourir à un prestataire cloud.

    Pour les établissements de santé, cette clarification aura des effets sur les projets de migration ou de mutualisation des systèmes d’information : SIH, DMP, applications de télémédecine ou services partagés. La sensibilité des données, la localisation des traitements et la conformité du prestataire devront être examinées dès la conception des projets.

    Achats publics : obligation de justifier l’hébergement cloud

    Le texte renforce la place des offres conformes à SecNumCloud ou à des exigences équivalentes. Ces plateformes, présentées comme des clouds de confiance ou souverains, devraient être privilégiées pour les données sensibles du secteur public.

    Les DSI hospitalières et publiques pourraient être amenées à revoir leurs architectures, à concentrer certains usages sur un nombre réduit de plateformes conformes, voire à suspendre ou modifier des projets reposant sur des hyperscalers ne répondant pas au nouveau cadre.

    Le décret aura aussi des conséquences sur les achats. Les établissements publics devront pouvoir justifier leurs choix d’hébergement et démontrer que les prestataires retenus ne soumettent pas les données sensibles à des législations extra-territoriales.

    Ces exigences devront être intégrées aux appels d’offres, aux preuves de concept et aux contrats de service. Les fournisseurs non souverains devront proposer des dispositifs adaptés, isolés et conformes aux règles de protection et de localisation des données s’ils souhaitent rester éligibles.

    13 exigences de sécurité imposées par le décret

    • Cadre général : Le texte encadre le recours à des services cloud privés par l’État, ses opérateurs et certains GIP pour des données sensibles, avec un référentiel de sécurité élaboré par l’ANSSI comme socle obligatoire.
    • Organisation et gestion des risques : Les acteurs doivent formaliser une politique de sécurité des systèmes d’information, mettre en place une gouvernance dédiée et conduire des analyses de risques couvrant l’ensemble de la chaîne, y compris les sous-traitants.
    • Ressources humaines : Les personnels impliqués doivent être habilités, soumis à des obligations de confidentialité et formés via un plan de formation à la cybersécurité adapté au service.
    • Gestion des tiers : Les prestataires et sous-traitants doivent faire l’objet d’une évaluation de sécurité, avec des exigences contractuelles spécifiques et un suivi régulier de leur conformité.
    • Infrastructures & équipements : Les opérateurs doivent sécuriser physiquement les sites (contrôle d’accès, protection environnementale) et assurer la traçabilité des accès aux infrastructures.
    • Sécurité des systèmes d’information : Le référentiel impose le chiffrement des données, un contrôle strict des accès, une gestion des identités (IAM), une authentification forte, ainsi que la journalisation et le cloisonnement des environnements.
    • Gestion des incidents & continuité : Des procédures doivent encadrer la détection, le traitement et la notification des incidents de sécurité, ainsi que la mise en œuvre de plans de continuité et de reprise d’activité testés.
    • Langue : Les services doivent être opérés avec une documentation, des interfaces et un support en langue française.
    • Cadre contractuel : Les contrats doivent intégrer des clauses obligatoires, notamment la réversibilité des données (avec modalités techniques précises) et la définition du droit applicable.
    • Localisation & souveraineté : Les acteurs doivent préciser la localisation des données, encadrer strictement les transferts hors UE et garantir la transparence sur le prestataire (siège, établissement principal, structure capitalistique).
    • Protection contre les accès étrangers : Des mesures techniques et contractuelles doivent prévenir tout accès non autorisé par des autorités publiques étrangères en dehors du cadre juridique européen.
    • Conformité : Les services doivent être qualifiés (type SecNumCloud) ou certifiés à un niveau équivalent au sein de l’UE.
    • Dérogations : Les projets non conformes doivent faire l’objet d’une demande de dérogation ministérielle, instruite sous deux mois, accordée pour une durée limitée (jusqu’à 18 mois ou 1 an renouvelable) et rendue publique avec motivation.