Articles

  • Blackstone Life Sciences lève 6,3 Mds$ pour financer les phases avancées de développement

    40% de plus qu’en 2020

    Blackstone a annoncé le 30 mars la clôture de son sixième fonds dédié aux sciences de la vie, Blackstone Life Sciences VI (BXLS VI), pour un montant total de 6,3 milliards de dollars, soit 40% de plus que le fonds précédent clôturé en 2020 à 4,6 milliards. Le gestionnaire précise qu’il s’agit du plus important fonds privé jamais consacré à ce secteur.
    Créée en 2018, la plateforme Blackstone Life Sciences gère désormais 15 milliards de dollars d’actifs. Le fonds, sursouscrit, a atteint son hard cap grâce à des souscriptions d’investisseurs institutionnels mondiaux.

    Une stratégie centrée sur les phases tardives

    BXLS VI poursuivra la stratégie historique de la plateforme : financer le développement clinique avancé et la commercialisation de médicaments et dispositifs médicaux, principalement en phase 3 ou pré‑commercialisation. Ces stades, particulièrement coûteux, représentent un maillon stratégique pour la mise sur le marché de nouvelles thérapies.
    Blackstone revendique un taux d’approbation réglementaire de 86% pour les projets financés via sa plateforme, supérieur à la moyenne du secteur, un indicateur clé de performance pour les investisseurs.

    Des partenariats avec l’industrie pharmaceutique

    Le portefeuille de Blackstone Life Sciences comprend déjà plusieurs produits commercialisés à large diffusion tels que LEQVIO (hypolipémiant), AMVUTTRA (amylose héréditaire), IMBRUVICA (oncologie) ou MiniMed Flex (pompe à insuline).
    Avec ce nouveau fonds, la société entend renforcer son positionnement de partenaire des laboratoires et biotechs, en cofinançant les projets à haut potentiel et en partageant les risques de développement.

    Un signal pour la concentration du capital

    La taille du BXLS VI illustre la concentration croissante du capital sur quelques plateformes mondiales de private equity spécialisées dans la santé. Alors que les coûts cliniques continuent d’augmenter et que les contraintes budgétaires publiques se resserrent, ces acteurs disposent d’une marge de manœuvre élargie pour intervenir là où les besoins financiers sont les plus forts.
    Cette dynamique renforce la compétition pour l’accès aux meilleurs actifs, mais crée aussi des opportunités de co‑investissement pour les fonds européens et français ou de sorties industrielles pour leurs portefeuilles.

    Un modèle d’externalisation du risque

    Blackstone a déjà démontré sa capacité à reprendre ou cofinancer des programmes cliniques issus de grands laboratoires, en échange de droits économiques sur les revenus futurs ou via des montages de partage de risques. Ce modèle d’externalisation du risque de R&D attire l’attention d’acteurs européens à la recherche de solutions pour soutenir la bioproduction et les biotechs à forte intensité capitalistique.
    Reste à observer comment cette nouvelle enveloppe de 6,3 milliards de dollars sera déployée, notamment sur les thérapies à ARN interférents, géniques ou implantables, et quels acteurs européens pourraient en bénéficier.

  • 314 millions d’euros levés par les entreprises du numérique en santé au T1 2026, plus haut niveau depuis le T2 2022

    +600% sur trois mois, +300% sur un an, plus haut niveau depuis 2022.

    Les 314 millions d’euros levés représentent le cinquième plus haut trimestre depuis le début du suivi des levées de fonds par Care Insight en 2016, et le montant le plus important depuis dix ans, hors période de juillet 2021 à septembre 2022. Cependant, cette dynamique est fortement influencée par la simultanéité des levées de fonds de deux des quatre licornes françaises du numérique en santé : 100 millions d’euros levés par Alan et 84 millions par Dental Monitoring.

    Ces deux entreprises, qui représentent 17% du total des structures ayant levé des fonds, concentrent à elles seules 58% du montant global.

    Oncologie et cardiologie toujours très présentes, assurance et dentisterie émergent ce trimestre.

                                       

    Le secteur de l’oncologie était le troisième domaine ayant levé le plus de fonds sur l’année 2025 ; la tendance persiste pour l’instant en 2026. De la même manière, la cardiologie confirme sa place de secteur incontournable.

    L’IA représente moins de la moitié des fonds.

    L’IA totalise moins de la moitié des montants levés, concurrencée par les plateformes (Alan, MyC et MadeForMed) et la robotique (FineHeart, Carvolix et Lifebloom). Une répartition plus équilibrée que la moyenne de l’année passée, où l’IA représentait plus des trois cinquièmes des levées de fonds. La robotique en santé confirme son statut de technologie clé avec 51 millions d’euros ce trimestre.

  • 7 Fusions-Acquisitions et 314 M€ levés en France : un T1 2026 intense pour le numérique en santé en France

    📌314 M€ levés au T1 2026, dopés par Alan et DentalMonitoring »

    Sur le premier trimestre 2026, les startups françaises du numérique en santé lèvent 314 M€, soit +600% sur trois mois et +300% sur un an, au plus haut depuis 2022. Alan (100 M€) et DentalMonitoring (84 M€), deux licornes, concentrent à elles seules 58% des montants alors qu’elles ne représentent que 17% des opérations. L’oncologie et la cardiologie restent des verticales majeures, tandis que l’assurance et la dentisterie s’affirment comme nouveaux moteurs sectoriels. L’IA pèse moins de la moitié des capitaux ce trimestre, concurrencée par les plateformes et la robotique, cette dernière totalisant 51 M€ de levées.

    👉 Plus de détails sur «314 millions d’euros levés par les entreprises du numérique en santé au T1 2026, plus haut niveau depuis le T2 2022 – Health & tech»

     

    📌T1 2026 : 12 healthtech françaises lèvent des fonds ce trimestre ntre IA, robotique et plateformes

    Au T1 2026, une dizaine de startups et scale-ups healthtech structurent le paysage des levées avec plus de 250 M€ mobilisés, entre tours de Série A et financements de croissance. On y retrouve des plateformes comme MyC (10 M€), MadeForMed (200 k€) et Alan (100 M€), mais aussi des medtechs d’IA clinique telles que BrightHeart (11 M€), Parallel (20 M$, environ 17 M€) et DentalMonitoring (100 M$). La robotique et les dispositifs connectés montent en puissance avec FineHeart (83 M€), Carvolix (repositionnée autour de la robotique cardiovasculaire) et Lifebloom (8 M€ combinant capital et aides publiques). En parallèle, DiappyMed (5 M€) et Dermascan (environ 2,5 M€) illustrent l’essor des thérapies numériques et du télédépistage assisté par IA, confirmant la diversité des modèles dans la healthtech française.

    👉 Plus de détails sur «12 levés de fonds pour les entreprises du numériques en santé, dont 2 des 4 licornes françaises en santé. – Health & tech»

     

    📌Blackstone Life Sciences VI : un fonds record de 6,3 Md$ pour les phases cliniques avancées

    Blackstone Life Sciences a annoncé la levée d’un sixième fonds de 6,3 milliards de dollars, soit 40 % de plus que celui de 2020, portant ses actifs sous gestion à 15 milliards, un record pour le secteur. Sur‑souscrit, le fonds BXLS VI ciblera le financement des phases tardives de développement clinique et de pré‑commercialisation, avec un taux d’approbation réglementaire de 86 %. En renforçant ses partenariats avec les grands laboratoires, Blackstone consolide son rôle pivot dans la concentration mondiale du capital santé et ouvre des perspectives de co‑investissement pour les acteurs européens.

    👉 Plus de détails sur «Blackstone Life Sciences lève 6,3 Mds$ pour financer les phases avancées de développement – Health & tech»

     

    📌7 deals stratégiques et 48 M€ de subventions : bilan des opérations financières hors levées de fonds.

    Le premier trimestre 2026 est marqué par sept fusions-acquisitions et une subvention de 48 M€ qui accélèrent la consolidation de la healthtech française, de la télésurveillance à la robotique interventionnelle. Des opérations structurantes comme Lifen–Curecall et Corilus–Sofia renforcent des plateformes logicielles intégrées, tandis que RadNet–Gleamer et Extens–Orthalis–Dentalsoft illustrent la concentration dans l’imagerie et les logiciels dentaires. Quantum Surgical–Neuwave Medical et le regroupement autour de Carvolix positionnent la robotique et les mini‑robots guidés par IA au cœur des thérapies mini‑invasives et cardiovasculaires. FineHeart bénéficie en parallèle de 48 M€ de subventions européennes, complétant ses 83 M€ de capitaux privés pour structurer une chaîne de valeur des dispositifs implantables connectés à l’échelle du continent.

    👉 Plus de détails sur «7 fusions-acquistions et une subvention de 48 millions d’euros au premier trimestre 2026 – Health & tech»

  • IA : le CNGE lance une offre EBiM avec abonnement dès 29 € par mois

    Le Collège national des généralistes enseignants (CNGE) lance une « offre structure » pour EBiM, son agent d’IA dédié aux médecins généralistes. Développé avec FASFOX et reposant sur la technologie Mistral AI, l’outil facilite l’accès à une information médicale validée en consultation.

    EBiM (Evidence Based artificial Intelligence Medicine) permet un accès rapide à des informations médicales actualisées, en provenance de sources sélectionnées pour leur pertinence en pratique clinique. Chaque réponse est accompagnée de ses références, avec un accès direct aux documents sources.

    L’outil intègre également une interface conçue pour un usage en consultation, une licence entreprise du chat Mistral AI et un accès à une communauté d’utilisateurs qui participe à son amélioration continue.

    Un socle fonctionnel centré sur la pratique clinique

    L’offre inclut l’ensemble des fonctionnalités de l’agent, avec un positionnement orienté vers l’usage en situation de soins :

    • Accès immédiat à des informations médicales validées et actualisées.
    • Sélection de sources documentaires adaptées à la pratique de terrain.
    • Transparence des sources avec citation systématique et accès direct aux documents.
    • Engagement sur la confidentialité des données, sans exploitation commerciale des requêtes.
    • Interface conçue pour un usage rapide en consultation.
    • Accès à une licence entreprise du chat Mistral AI.
    • Intégration dans une communauté d’utilisateurs contribuant à l’amélioration continue de l’outil.

    Cette structuration répond aux attentes exprimées dans la littérature récente sur les usages de l’IA en médecine, notamment en matière de transparence, de fiabilité et de contrôle par les professionnels.

    En parallèle, le CNGE met en ligne une nouvelle plateforme de souscription, conçue pour simplifier l’accès au service. Le parcours utilisateur a été rationalisé afin de permettre :

    • Une souscription en ligne en quelques étapes.
    • Un accès immédiat à l’outil va inscription.
    • Un accompagnement via un support dédié.

    Les tarifs préférentiels sont réservés aux professionnels affiliés aux structures du Collège de la Médecine Générale.

    Le tarif pour les internes est fixé à 29 € par mois, soit 348 € par an. L’offre prévoit des prix modulés selon le statut des professionnels.

    Au-delà de l’accès à l’outil, le CNGE mise sur une dynamique collective d’usage, avec un retour d’expérience pour faire évoluer les fonctionnalités.

  • Cancer du foie : un modèle d’IA entraîné sur 500 000 patients identifie les risques avec une haute précision

    Le carcinome hépatocellulaire, forme la plus fréquente de cancer du foie, reste principalement dépisté chez des patients considérés à haut risque, notamment ceux atteints de cirrhose ou de maladies hépatiques avancées. Cette approche ciblée laisse de côté une part importante des cas.

    Dans la cohorte analysée, issue de la UK Biobank, 69 % des 538 patients atteints de CHC ne présentaient pas de facteurs de risque identifiés, tels qu’une hépatite virale ou une cirrhose.

    L’étude*, publiée dans Cancer Discovery, montre que ces résultats soulignent les limites des stratégies actuelles : une partie des patients à risque échappe aux dispositifs classiques fondés sur l’imagerie et les biomarqueurs sanguins.

    Un modèle basé sur des données cliniques courantes

    Les chercheurs ont développé plusieurs modèles de machine learning, entraînés sur 80 % des données de la UK Biobank (500 000 participants), puis validés sur les 20 % restants. Une validation externe a ensuite été réalisée sur la base américaine All of Us (400 000 individus, dont 445 cas de CHC).

    Le modèle le plus performant, PRE-Screen-HCC (modèle C), intègre :

    • Données démographiques.
    • Habitudes de vie.
    • Dossiers médicaux électroniques.
    • Résultats d’analyses biologiques.

    Ce modèle permet de stratifier le risque de développer un cancer du foie à l’échelle populationnelle, avec un niveau de performance qualifié de “haut” par les auteurs.

    Pas de gain significatif avec les données “omics”

    Un des enseignements de l’étude concerne l’apport limité des données complexes. L’ajout d’informations génomiques ou métabolomiques n’améliore pas significativement les performances du modèle. Ce résultat suggère qu’un dépistage prédictif peut reposer sur des données déjà disponibles en routine clinique, sans recourir à des technologies coûteuses ou difficilement déployables à grande échelle.

    Pour les auteurs, cela renforce le potentiel d’implémentation dans des établissements de santé aux ressources limitées.

    Bien que majoritairement entraîné sur une population blanche, le modèle conserve ses performances dans des populations plus diversifiées, comme celles de la cohorte américaine All of Us.

    Ce point répond à une limite fréquente des modèles d’IA en santé, souvent critiqués pour leur manque de généralisation.

    Vers un dépistage populationnel élargi ?

    Le cancer du foie représente aujourd’hui :

    • Le 5e cancer le plus fréquent.
    • La 3e cause de mortalité liée au cancer.

    Sa prévalence continue d’augmenter, notamment en lien avec la progression des maladies hépatiques chroniques. Au-delà de la performance algorithmique, l’enjeu réside désormais dans l’intégration clinique : articulation avec les parcours de soins, définition de seuils d’intervention et validation en conditions réelles d’utilisation.

    *Machine learning predicts hepatocellular carcinoma risk from routine clinical data: a large population-based multicentric study

     

  • L’ARS Île-de-France lance l’édition 2026 de son AAP « innovations organisationnelles » (deadline : 2 juin 2026)

    Créer des ponts entre la prévention, l’accompagnement et la prévention

    L’ARS Île-de-France lance son édition 2026 de l’appel à projets visant à favoriser l’accès de tous les Franciliens à des innovations qui améliorent significativement leur prise en charge, au plus près de leur domicile. Dans la continuité des éditions précédentes, cette initiative soutient les innovations organisationnelles sous-tendues par l’utilisation de solutions numériques ou technologiques (intelligence artificielle, Big Data, dispositifs médicaux, objets connectés marqués CE, etc.). En récompensant ces initiatives, l’ARS entend faire de l’innovation technologique un véritable levier de transformation du système de santé.

    En mobilisant cette innovation, la priorité sera donnée aux organisations coordonnées et fonctionnellement les plus intégrées répondant aux priorités du Projet Régional de Santé (2023-2028), pour créer des ponts entre :

    • Les soins primaires et les soins de recours ;
    • L’accompagnement social et médico-social ;
    • L’offre de prévention.

    Ces projets permettront aux acteurs de santé d’améliorer leurs conditions d’exercice et d’optimiser l’expérience et le parcours de soins des patients et usagers.

    Comment participer à cet appel à projets ?

    Processus de candidature et calendrier :

    • Lancement de l’appel à projets : 1 avril 2026.
    • Date limite de dépôt des candidatures : 2 juin 2026 à 14h00.
    • Journée de pitch des projets présélectionnés : Semaine du 1er octobre 2026 (devant le comité de sélection présidé par la direction générale de l’ARS IDF).
    • Sélection et notification aux équipes retenues : Octobre 2026.
    • Durée de mise en œuvre : Deux ans maximum à compter de la signature de la convention de financement.

    Les candidatures doivent être déposées via la démarche numérique officielle.

    Critères d’éligibilité :

    Les candidats doivent se présenter sous la forme d’un binôme réunissant :

    1. Une ou plusieurs structure(s) expérimentatrice(s) francilienne(s) (qui représente le groupement pour la candidature) :

      • Établissements de santé ou établissements médico-sociaux ;

      • structures juridiques porteuses d’une structure d’exercice collectif (maison de santé pluri-professionnelle ou centre de santé) ou d’un cabinet de groupe ;

      • autres : associations, CPTS, DAC ou collectivités territoriales portant un projet de santé territorialisé en association avec un effecteur de soins.

    2. Un fournisseur de solution numérique ou technologique innovante :

      • Entreprise (start-up, TPE, ETI, grande entreprise), association, laboratoire, etc.

    La solution numérique proposée doit répondre à l’un de ces prérequis techniques :

    • Avoir déjà fait l’objet d’une preuve de concept et avoir un niveau de maturité technologique (TRL) supérieur à 5 ;

    • disposer du marquage CE et/ou être reconnue comme dispositif médical.

    Critères de sélection et objectifs :

    Les dossiers seront évalués sur leur capacité à répondre aux orientations stratégiques régionales suivantes :

    • Renforcer l’accès à un parcours de santé (prévention et soin) et pallier les difficultés d’accès aux soins ;
    • réduire les écarts sociaux et territoriaux de santé ;
    • permettre aux professionnels de mettre en place de nouvelles organisations ou coopérations (ex: délégations de tâches selon les protocoles HAS) ;
    • faciliter la coordination interprofessionnelle et favoriser les formations innovantes (comme la simulation) ;
    • mieux impliquer le patient, l’usager ou l’aidant dans les parcours (expérience patient) ;
    • être en adéquation avec la feuille de route du numérique en santé, France 2030, et le Projet Régional de Santé (2023 – 2028).

    Documents à soumettre :

    Les candidats doivent fournir les éléments suivants :

    • Le dossier de candidature complet, dûment signé par le porteur de projet, à déposer sur la plateforme numérique dédiée.

    Pour toute question ou communication relative à cet appel à projets, contactez : ars-idf-innovation@ars.sante.fr.

  • IA en santé : 9 actions pour structurer les politiques publiques (rapport OCDE)

    L’IA est déjà présente dans les systèmes de santé des pays membres de l’OCDE, mais son déploiement reste concentré sur des usages ciblés et peine à changer d’échelle.

    C’est le constat formulé par l’organisation dans son rapport Scaling Artificial Intelligence in Health, publié le 27 mars 2026. Le document souligne un décalage entre la diffusion de l’IA dans les tâches administratives, généralisée au niveau des pays de l’OCDE, et sa montée en charge dans les usages cliniques, encore limitée.

    L’OCDE indique ainsi que l’IA est utilisée dans l’administration dans tous les pays membres, tandis que le passage à une échelle nationale reste restreint pour certains cas d’usage, comme l’imagerie médicale, où il ne concernerait que 10 % des pays.

    La compétition ne porte plus sur l’innovation, mais sur la capacité des États à structurer et intégrer l’IA dans leur système de santé.

    Fragmentation des données et manque de supervision, les principaux freins à l’IA en santé

    Parmi les obstacles identifiés figurent des fondations de données fragmentées, des politiques et des pratiques non alignées, ainsi que des lacunes structurelles, réglementaires et de gouvernance qui compliquent la généralisation des outils.

    L’OCDE recense aussi des risques déjà documentés : biais liés aux données, enjeux de confidentialité et de cybersécurité, manque de transparence ou de supervision, mais aussi effets possibles sur l’emploi et dépersonnalisation de la prise en charge. Le rapport souligne toutefois qu’une absence d’action comporte elle aussi des risques, dans un contexte où les usages progressent malgré un cadre encore inégal selon les pays.

    Pour l’organisation, la diffusion de l’IA en santé suppose de concilier trois logiques : les dynamiques de marché, la culture du soin fondée sur le principe de ne pas nuire, et la capacité à atteindre l’ensemble de la population.

    Moins de 20 % des pays ont une stratégie nationale dédiée selon l’OCDE

    Le document recense plusieurs types d’initiatives engagées par les pays membres à l’interface entre IA et santé. Leur diffusion reste limitée.

    • Selon l’OCDE, 18 % des pays ont mis en place une stratégie ou un plan d’action à l’intersection de l’IA et de la santé. La même proportion a établi une instance de supervision de l’usage de l’IA en santé, ainsi qu’une approche nationale de type regulatory sandbox dédiée à ce champ.
    • 24 % des pays ont commencé à adapter leur approche nationale de l’évaluation des technologies de santé pour y intégrer l’IA. Seuls 11 % ont actualisé leurs règles nationales de commande publique pour tenir compte de ces outils. L’organisation indique aussi que 29 % des pays ont mis en place une approche nationale pour améliorer l’usage de l’IA au sein des professions de santé, tandis que 3 % seulement ont élaboré une législation nationale spécifique à l’IA en santé.

    Une checklist pour éviter les angles morts

    Pour aider à structurer les choix publics, l’OCDE a élaboré une “AI in Health Policy Checklist”. Cette grille vise à guider la décision et la priorisation. Le rapport précise qu’elle s’appuie sur les principes et cadres de l’OCDE sur l’IA, et qu’elle a été développée avec le “Global Digital Health Partnership“, la Coalition for Health AI et le groupe d’experts de l’OCDE sur l’IA en santé.

    Cette checklist sert de cadre de questionnement pour les décideurs publics, les technologues et les professionnels de santé impliqués dans la diffusion de l’IA.

    Le document mentionne, selon les sections, 43 questions dans son abstract et 42 questions dans son executive summary, réparties entre neuf catégories d’action. Dans les deux cas, l’objectif reste le même : couvrir l’ensemble des dimensions à traiter pour déployer l’IA à grande échelle.

    La checklist est organisée autour de quatre piliers

    La première porte sur les conditions de mise en œuvre. Il couvre les fondations de données, les dispositifs permettant d’assurer et de diffuser les solutions d’IA, ainsi que le renforcement des capacités.

    Sur le volet des données, le rapport rappelle qu’aucune solution d’IA ne peut fonctionner de manière satisfaisante sans jeux de données exploitables. L’OCDE insiste sur des données de santé trouvables, accessibles, interopérables et réutilisables, selon les principes FAIR, mais aussi représentatives de la population tant pour les usages primaires que pour les usages analytiques. Parmi les pratiques mises en avant figure la création d’autorités nationales des données de santé, ou de structures de gouvernance équivalentes, afin d’assurer le respect du droit de la protection des données tout en facilitant l’usage de jeux de données sécurisés et de qualité.

    L’organisation souligne aussi le besoin de lignes directrices adaptées pour aider les industriels et les déployeurs à faire passer l’IA du stade pilote à un usage étendu. Elle cite notamment le développement de model cards, comme celles proposées par la Coalition for Health AI, pour documenter la conformité, la transparence et la responsabilité des solutions dans des contextes réels.

    Capacités humaines et infrastructure technique

    Toujours dans ce premier pilier, l’OCDE distingue la capacité humaine de la capacité technique.

    Sur le plan humain, elle juge indispensable de disposer d’une main-d’œuvre formée à l’IA pour soutenir l’adoption et l’usage durable de ces outils. Le rapport cite parmi les pratiques observées une planification anticipée et la montée en compétences des professionnels, aussi bien en première ligne que dans les fonctions de support.

    Sur le plan technique, le document insiste sur l’importance d’une infrastructure sécurisée, interopérable et adaptable : capacités de calcul, stockage des données, connectivité et intégration entre systèmes d’information de santé.

    Sans objectifs partagés ni indicateurs, difficile de piloter l’IA en santé

    Le deuxième pilier concerne les garde-fous. L’OCDE appelle d’abord à définir des objectifs communs, des stratégies partagées et des activités collectives afin de rendre plus cohérents le développement et l’implémentation de l’IA en santé. Le rapport mentionne l’élaboration de stratégies nationales prenant en compte les spécificités de l’IA dans les soins. Sept pays de l’OCDE en auraient déjà adopté une, tandis que plusieurs autres seraient en phase de développement.

    L’autre axe porte sur la supervision, la mesure et le suivi. Compte tenu de l’évolution rapide des technologies, l’organisation juge nécessaire de documenter à la fois les bénéfices attendus et les risques, afin d’optimiser les premiers tout en limitant les seconds.

    Parmi les pistes citées figure le développement d’indicateurs permettant d’évaluer l’efficacité clinique et l’impact économique de l’IA à grande échelle.

    Le troisième pilier porte sur l’engagement des parties prenantes

    Concernant le public, l’OCDE estime qu’il faut informer et associer les citoyens pour soutenir la confiance et renforcer leur participation dans les choix liés à l’IA en santé. Elle cite notamment les assemblées citoyennes comme format d’intégration de la voix du public, en prenant l’exemple de l’assemblée citoyenne française sur la santé numérique.

    Pour les professionnels de santé, le rapport rappelle que de nombreux outils d’IA concernent autant les personnels en contact avec les patients que les fonctions de back-office. Il met en avant l’intégration de formations à l’IA dans les cursus des professionnels de santé, comme en Corée.

    Enfin, vis-à-vis de l’industrie, l’OCDE appelle à des formes de collaboration actives et transparentes avec les pouvoirs publics pour soutenir la compréhension commune des outils, leur test, leur validation et leur intégration. Le NHS AI Lab au Royaume-Uni est cité parmi les dispositifs observés.

    Le quatrième pilier est celui du déploiement d’une IA digne de confiance. Le rapport considère que la confiance conditionne l’usage de l’IA en santé et qu’il faut maintenir l’humain, ainsi que la promotion de la santé, au centre des solutions mises sur le marché, tout en respectant l’exigence de ne pas nuire.

    Au-delà des dynamiques nationales, le rapport défend l’idée qu’une coopération multilatérale pourrait réduire une partie des freins actuels au changement d’échelle. L’OCDE estime qu’une reconnaissance commune est en train d’émerger

  • Data Challenge (DaT-Park) : 2 000 scintigraphies pour entraîner l’IA au diagnostic des syndromes parkinsoniens

    L’IA s’attaque aux 20 % de diagnostics incertains en Parkinson

    La Société Française de Médecine Nucléaire (SFMN), avec le soutien de la Plateforme des données de santé (PDS), s’apprête à lancer le Data Challenge DaT-Park, une compétition internationale dédiée à l’IA appliquée au diagnostic des syndromes parkinsoniens.

    Chaque année en France, plus de 20 000 examens DaT-scan sont réalisés dans près de 200 centres. Cet examen de médecine nucléaire mesure l’activité du transporteur de la dopamine cérébrale et permet de distinguer les syndromes parkinsoniens d’origine neurodégénérative.

    Dans les faits, environ un tiers des examens sont interprétés comme normaux, contre deux tiers jugés pathologiques.  Ces derniers confirment la nature neurodégénérative du trouble et orientent la prise en charge.

    Toutefois, près de 20 % des examens restent difficiles à interpréter, notamment dans les formes précoces ou atypiques, ce qui réduit le niveau de confiance diagnostique.

    Des algorithmes open source

    Le Data Challenge a pour objectif de répondre à cette limite, en développant des modèles capables de classifier automatiquement les examens cérébraux.

    Les participants (chercheurs, cliniciens et data scientists) auront accès à une base de données anonymisée regroupant plus de 2 000 scintigraphies explorant le transporteur de la dopamine (DaT), un biomarqueur central dans le diagnostic.

    L’objectif est de produire des algorithmes capables d’améliorer la précision et la reproductibilité de l’interprétation.

    Le concours prévoit une dotation totale de 25 000 €, répartie entre les trois meilleures équipes. En contrepartie, les modèles développés devront être publiés en open source, afin de favoriser leur diffusion et leur réutilisation.

    L’enjeu est de fiabiliser un examen déjà largement utilisé et d’aider les médecins à mieux distinguer les formes neurodégénératives, en particulier dans les cas précoces ou atypiques.

    Le projet a aussi un fort potentiel d’impact car il vise : une meilleure précision et reproductibilité des diagnostics, une standardisation des pratiques à grande échelle, et une diffusion rapide via l’open source

  • LLM santé grand public : ChatGPT, Claude, Perplexity et Gemini, entre personnalisation des données et verrou réglementaire européen

    LLM santé : d’un usage générique à des plateformes spécialisées

    En 2026, le marché de l’IA médicale grand public atteint un point d’inflexion, avec plus de 230 millions de personnes posant chaque semaine des questions de santé ou de bien‑être à ChatGPT, avant même l’arrivée d’une offre dédiée. Cette massification des usages amène OpenAI, Anthropic et Perplexity à lancer des déclinaisons santé spécialisées : ChatGPT Health le 7 janvier 2026, Claude for Healthcare le 11 janvier 2026, puis Perplexity Health en mars 2026.

    Ces solutions marquent le passage d’outils perçus comme une aide individuelle pour novice à de véritables dispositifs métiers, conçus pour articuler données cliniques et littérature scientifique dans une logique d’aide à la décision. Elles se positionnent comme compléments au médecin, en environnement isolé du reste de la plateforme grand public, avec des flux de données de santé cloisonnés et une promesse commune de non‑réutilisation des données pour l’entraînement des modèles.

    Personnalisation par la donnée et bifurcation B2C / B2B

    La tendance structurante est la personnalisation par la donnée, via l’interopérabilité avec les écosystèmes existants : Apple Health, Fitbit, Withings, Oura, dossiers médicaux électroniques (DME), résultats biologiques et objets connectés. L’objectif est de quitter le registre de la réponse générique pour proposer des analyses contextualisées appuyées sur l’historique individuel, avec à terme la perspective de « jumeaux numériques » capables de simuler des trajectoires cliniques.

    Une bifurcation nette apparaît entre stratégies B2C et B2B : ChatGPT Health et Perplexity Health visent en priorité le grand public, tout en cherchant à embarquer les cliniciens, alors qu’Anthropic, avec Claude for Healthcare, cible d’abord les institutions de santé, assureurs et acteurs pharmaceutiques. Anthropic compense une base utilisateur grand public plus restreinte par des contrats d’infrastructure, quand OpenAI et Perplexity misent sur une expérience directe utilisateur, avec intégrations DME et apps de bien‑être.

    La souveraineté des données et la confiance constituent un autre axe : les trois plateformes annoncent cloisonnement des données, chiffrement renforcé, et contrôle utilisateur sur les autorisations, mais la traduction juridique de ces engagements reste partielle dans le cadre européen.

    ChatGPT Health : usage massif, co‑conception clinique et limites de conformité

    ChatGPT Health se déploie comme un espace dédié au sein de ChatGPT, accessible aux abonnés, connecté à Apple Health, Function, MyFitnessPal et au DME b.well pour le marché américain. OpenAI affirme avoir conçu l’outil avec 260 médecins couvrant 60 pays et 60 spécialités, avec des cas d’usage allant de la préparation de consultation au décodage de bilans en passant par l’accompagnement bien‑être.

    Sur le plan technique, ChatGPT Health fonctionne dans un environnement isolé, avec la promesse de ne pas utiliser les conversations de santé pour l’entraînement, mais la version grand public n’est pas certifiée HIPAA et ne propose pas de chiffrement de bout‑en‑bout, ce que certains observateurs soulignent comme une limite pour les usages cliniques. En Europe, l’accès aux DME reste désactivé et les conditions de conformité RGPD et AI Act doivent encore être discutées avec les autorités nationales, notamment sur la transparence des traitements et les mécanismes d’audit.

    Claude for Healthcare : infrastructure institutionnelle et IA « constitutionnelle »

    Claude for Healthcare se positionne comme une offre orientée institutions, avec une infrastructure décrite comme HIPAA‑ready pour les usages enterprise et des intégrations aux systèmes hospitaliers, assureurs et laboratoires pharmaceutiques. Anthropic met en avant son approche d’« IA constitutionnelle », qui encadre le comportement du modèle par un corpus de principes éthiques afin de réduire les réponses cliniquement non sûres.

    Les retours d’usage terrain donnent des signaux d’efficacité : Novo Nordisk a réduit la production de rapports d’études cliniques de plusieurs mois à quelques minutes via la plateforme NovoScribe bâtie sur Claude, tandis que Banner Health indique que 85% de ses utilisateurs travaillent plus vite avec une meilleure précision sur une base de plus de 22 000 prestataires. Claude est utilisé pour l’administration hospitalière, la prior authorization, la synthèse de dossiers et le support essais cliniques, avec une orientation vers l’optimisation des processus plutôt que le face‑à‑face patient.

    Perplexity Health : moteur de réponse sourcé et architecture multi‑agents

    Perplexity Health arrive plus tard, mais avec une proposition axée sur la recherche augmentée et la transparence des sources. La plateforme combine connexion à Apple Health, Fitbit, Withings, Ultrahuman et à des DME couvrant plus de 1,7 million de prestataires, avec un moteur de réponse qui cite systématiquement les sources médicales utilisées en temps réel.

    Sur le plan architectural, Perplexity Health s’appuie sur une technologie multi‑agents (Perplexity Computer) capable de coordonner plusieurs modèles pour produire des bilans pré‑consultation en croisant DME, résultats biologiques et données de capteurs, dans une logique d’exhaustivité. Perplexity met en avant un engagement explicite de ne ni revendre ni utiliser les données médicales pour l’entraînement de ses modèles, mais la documentation sur la conformité institutionnelle et les intégrations wearables reste encore limitée hors marché américain.

    Gemini / Google : IA grand public et controverses sur la qualité des réponses

    Le benchmark des LLM grand public inclut aussi Gemini (Google), même si la documentation dédiée santé est moins structurée que pour les trois autres offres. Les expériences récentes des « AI Overviews » de Google, incluant des réponses erronées sur des sujets médicaux de base, ont alimenté le débat sur la fiabilité des systèmes de recherche augmentée appliqués à la santé.

    Ces épisodes rappellent que l’absence de transparence sur les sources et de garde‑fous cliniques peut exposer les utilisateurs à des recommandations inexactes, en particulier lorsque l’IA est intégrée directement au moteur de recherche. Dans ce contexte, la capacité à tracer les sources, à auditer les modèles et à encadrer les cas d’usage devient un critère de différenciation pour les solutions santé spécialisées, face aux déploiements plus généralistes.

    Risques d’hallucinations et nécessité de supervision clinique

    Toutes les plateformes partagent un risque documenté d’hallucination, y compris dans des contextes médicaux sensibles. Une étude Penn LDI de 2025 montre que les LLM peuvent produire des recommandations cliniques incohérentes, tandis que l’outil Elsa de la FDA, basé sur Claude, a été rapporté comme ayant halluciné des études inexistantes.

    Des cas graves ont été décrits, comme des modèles incitant à des pensées suicidaires, ce qui souligne l’importance de garder un professionnel en position de supervision pour toute décision clinique. Les recommandations générales des auteurs convergent : maintenir la responsabilité finale du praticien, limiter les usages à l’aide à la décision, expliciter les limites (hallucinations, biais) auprès des soignants et des patients.

    RGPD : données de santé, consentement et détournement de finalité

    Dans le cadre européen, les données de santé sont des données sensibles au sens de l’article 9 du RGPD, dont le traitement est en principe interdit sauf exceptions strictement encadrées. Pour des plateformes américaines comme ChatGPT Health, Claude for Healthcare ou Perplexity Health, cela implique un consentement explicite, libre et éclairé, difficile à obtenir dans un contexte d’usage grand public et d’interface conversationnelle.

    Le risque de détournement de finalité constitue une autre contrainte : l’article 5.1.b du RGPD interdit de réutiliser des données médicales recueillies à des fins d’assistance pour l’entraînement des modèles sans nouveau consentement, même sous forme anonymisée. Si les trois acteurs affirment ne pas utiliser les données de santé pour l’entraînement, cette promesse contractuelle n’est pas encore assortie de mécanismes de vérification indépendants accessibles aux régulateurs européens.

    AI Act et MDR : double conformité et responsabilités

    L’AI Act, entré en vigueur en 2024 avec des premières dispositions applicables depuis février 2025, introduit une classification par niveau de risque qui impacte directement ces outils. Pour des usages principalement conversationnels et administratifs, les chatbots sont classés « risque limité », avec une obligation d’informer l’utilisateur qu’il interagit avec une machine.

    Dès qu’une IA santé influence une décision médicale, interprétation de résultats, orientation thérapeutique, détection de patterns cliniques, elle peut être requalifiée en système à haut risque au sens de l’article 6, avec des obligations renforcées de gestion des risques, gouvernance des données et documentation technique. La pleine application des dispositions pour les systèmes à haut risque dans la santé est attendue pour mi‑2026, avec des périodes de transition de 6 à 12 mois, ce qui coïncide avec la montée en puissance de ces plateformes.

    La convergence entre AI Act et Règlement sur les Dispositifs Médicaux (MDR) crée une double contrainte : l’AI Act impose des exigences sur la qualité des données d’entraînement et la robustesse aux attaques, alors que le MDR couvre la sécurité clinique. Le texte clarifie aussi la répartition des responsabilités : si un hôpital déploie un système à haut risque sans supervision adéquate ou hors des finalités prévues, la responsabilité peut se déplacer vers l’établissement, ce qui concerne directement les directions médicales et celles des systèmes d’informations.

    Déploiement en France : frein réglementaire et scénarios de transition

    À ce stade, les connexions directes aux DME via ChatGPT Health, Claude for Healthcare et Perplexity Health restent cantonnées au territoire américain, principalement en raison des divergences entre HIPAA et RGPD. Sur le marché français et plus largement européen, les acteurs ne proposent que des versions sans accès DME, dont la conformité doit être examinée par la CNIL et les autorités nationales.

    La Commission européenne a annoncé fin 2025 un étalement du calendrier d’application des dispositions AI Act relatives aux systèmes à haut risque, ouvrant une fenêtre de transition sans pour autant alléger les obligations RGPD déjà en vigueur. Pour les établissements français, la mise en œuvre passe par des analyses d’impact relatives à la protection des données (AIPD), des dispositifs d’audit conformes à l’ISO 27789, et la désignation d’un superviseur humain dans la boucle de décision pour tout usage clinique.

    Recommandations opérationnelles pour les acteurs de la santé

    Les recommandations convergent vers trois axes : formation, interopérabilité et éthique par conception. D’une part, intégrer l’IA dans les cursus initiaux et la formation continue afin de transformer les soignants en opérateurs éclairés de ces outils, capables d’identifier hallucinations et biais, et d’autre part, généraliser les standards d’interopérabilité pour fluidifier l’accès aux données secondaires tout en sécurisant l’hébergement sur des infrastructures souveraines (par exemple SecNumCloud pour le Health Data Hub) afin de réduire les délais d’accès aux données, aujourd’hui évalués à 18 mois en France contre quelques jours aux États‑Unis ou en Asie. Enfin, privilégier des solutions intégrant l’« ethics by design », avec de l’explicabilité, du contrôle humain systématique et une isolation stricte entre données de santé et modèles généralistes, pour concilier performance et exigence réglementaire.

     

  • Allemagne : les DiGA s’imposent (+64 % d’usages) mais l’usage reste limité à 12,6 % des patients

    DiGA : une croissance de 64 % des usages entre 2024 et 2025

    Les DiGA (Digital Health Applications) sont des applications numériques prescrites par des professionnels de santé et remboursées en Allemagne, destinées à accompagner la prise en charge des patients en apportant un bénéfice clinique démontré.

    Cinq ans après leur introduction dans le système de santé allemand, les Digital Health Applications (DiGA) poursuivent leur montée en charge.

    Vieillissement démographique, pénurie de médecins et hausse des dépenses, les DiGA peuvent améliorer l’accès aux soins, soutenir l’adhésion thérapeutique et alléger les tâches standardisées des professionnels.

    Leur déploiement pourrait contribuer à près de 50 milliards d’euros d’économies d’ici 2045.

    Entre octobre 2020 et fin 2025, environ 1,6 million de codes d’activation ont été utilisés, dont près de 690 000 pour la seule année 2025. Au total, plus de 1,7 million de prises en charge ont été réalisées à la date de publication du rapport.

    Le volume d’utilisations a quasiment doublé en un an et affiche une progression de 64 % entre 2024 et 2025.

    En même temps, l’offre s’est stabilisée à un niveau élevé. Au 31 décembre 2025, 58 DiGA sont inscrites au répertoire du BfArM, dont 48 définitivement et 10 provisoirement.

    Près de 70 % des applications validées après le Fast-Track du BfArM

    Le dispositif repose sur un cadre réglementaire spécifique, avec le Fast-Track du BfArM, qui permet une inscription provisoire suivie d’une évaluation en conditions réelles. 34 des 50 applications provisoires ont obtenu une inscription définitive après leur année d’expérimentation, soit près de 70 % de succès

    Les applications doivent démontrer un bénéfice clinique, souvent via des essais randomisés pour les versions définitivement remboursées.

    Toutefois, on note une hétérogénéité des études (design, durée, critères), qui appelle à renforcer la comparabilité et le suivi à long terme.

    Une diffusion encore limitée dans la pratique

    Malgré la croissance des usages, l’adoption reste partielle. Certaines données montrent cet écart. 39,8 % des patients connaissent les DiGA, mais seulement 12,6 % les utilisent réellement

    Dans le même temps, les retours d’usage sont globalement positifs. Par exemple, dans un registre en rhumatologie, 51 % des utilisateurs déclarent une amélioration des symptômes, avec des résultats notables dans les troubles musculosquelettiques et la gestion du poids

    Un autre indicateur souligne les limites du parcours : une prescription sur cinq n’est pas suivie d’activation, pointant des frictions d’accès.

    Un durcissement réglementaire qui freine l’innovation

    L’année 2025 marque aussi un tournant réglementaire. Plusieurs évolutions ont été introduites :

    • Entrée en vigueur de la 2e modification de la DiGAV (février 2026).
    • Mise en place de la mesure d’efficacité en conditions réelles (AbEM).
    • Nouvelles exigences en matière de sécurité des données (TR-03161).

    Mais si ces mesures visent à renforcer la qualité et la transparence, le rapport souligne leurs effets : Augmentation de la complexité administrative, frein à l’arrivée de nouvelles applications (seulement 6 nouvelles DiGA en 2025) et risque de retrait d’acteurs existants.

    Quatre priorités pour la suite

    Le rapport identifie plusieurs leviers pour soutenir la trajectoire :

    • Simplifier l’accès via le e-prescription : Le modèle actuel est jugé trop complexe.
    • Repenser l’évaluation en vie réelle (AbEM) : L’objectif de transparence est reconnu, mais les modalités sont jugées disproportionnées au regard des bénéfices attendus.
    • Trouver un équilibre sur la sécurité des données : La certification imposée pourrait pénaliser les acteurs et les patients si elle n’est pas adaptée aux niveaux de risque.
    • Avancer vers une harmonisation européenne : Le cadre allemand est considéré comme une base pour une standardisation des remboursements en Europe.

    Le modèle allemand commence à s’exporter. À partir de juillet 2026, certaines applications seront remboursées en Suisse, notamment dans la prise en charge de la dépression.

    Le rapport dresse un bilan globalement positif : les DiGA se sont imposées comme une troisième modalité de prise en charge, aux côtés de l’ambulatoire et de l’hospitalier. Mais leur trajectoire dépend désormais de la capacité à réduire les frictions d’accès, stabiliser le cadre réglementaire, et améliorer la production de preuves.

    En creux, c’est le passage d’un modèle d’innovation rapide à un modèle industrialisé et régulé qui se joue.

    DiGA-Report 2025 – Spitzenverband Digitale Gesundheitsversorgung e.V. (SVDGV)