Articles

  • IA pour le codage: gains mesurés, freins réels et benchmark international 

    Pourquoi le cas d’usage est stratégique mais peu déployé 

    Le codage médicoadministratif et le groupage DRG conditionnent directement les flux financiers hospitaliers et une partie de la mesure de performance clinique, alors que ces processus restent largement manuels et coûteux en ressources humaines spécialisées. La complexité croissante des nomenclatures (ICD10, CIM10 FR, ICD10CM, CCAM, etc.) et des règles de groupage PMSI/DRG accentue le risque d’erreurs, de sous-codage et de variabilité intercodeurs, avec des impacts sur le CMI, les rejets payeurs et la trésorerie. 

    L’IA – en particulier les approches NLP et les LLM adaptés au langage clinique – apporte désormais des performances suffisantes pour automatiser une partie du codage ou assister fortement les équipes DIM, tout en détectant des anomalies et opportunités d’optimisation dans les trajectoires de soins. Pourtant, la diffusion reste limitée par des enjeux d’acceptabilité, de conformité, d’intégration dans les SI hospitaliers et de modèle économique, surtout dans les contextes régulés comme la France ou les pays nordiques. Ce décalage entre potentiel technique et adoption opérationnelle justifie : 

    • Éditeurs / solutions citées (exemples) : solutions PMSI et codage assisté (dont Cod+ et outils apparentés), plateformes IA de codage/RCM nordaméricaines (prévention des rejets, optimisation ICD10 / MSDRG), travaux et benchmarks autour de NordDRG et des LLM appliqués au groupage DRGlike. 
    • Pays / zones étudiés : France ; Europe hors France (pays nordiques/NordDRG, Allemagne, quelques systèmes DRG nationaux) ; Amérique du Nord (ÉtatsUnis, Canada) ; Asie (Taïwan, TwDRG). 
    • Types de sources (depuis 2023, plus quelques références structurantes plus anciennes) : articles scientifiques et revues sur l’autocodage et les modèles IA/LLM ; études de cas et évaluations hospitalières ; livres blancs et ressources d’éditeurs (gains, rejets, impacts financiers) ; documents institutionnels et réglementaires sur PMSI/DRG et IA en santé. 

    État de l’art des cas d’usage IA en codage et RCM

    L’intelligence artificielle commence à transformer en profondeur le codage médicoadministratif et le revenue cycle management, mais avec des maturités très hétérogènes selon les pays, les types d’IA et les cas d’usage. Les premiers résultats quantifiés montrent des gains réels en productivité de codage, en qualité DRG et en performance financière, au prix de nouveaux risques sur la robustesse, l’explicabilité et la dépendance aux données. 

    • Les briques technologiques sont désormais en place pour couvrir quasi toute la chaîne de valeur, du NLP de comptes rendus à l’optimisation DRG et à la prévention des rejets payeurs, avec des architectures mêlant deep learning, LLM et moteurs de règles. 
    • Les études récentes sur l’autocodage ICD10CM et TwDRG montrent que des modèles de type GPT2 ou LLM spécialisés dépassent les architectures classiques sur précision, rappel et F1, notamment sur les codes fréquents, tout en restant perfectibles sur les codes rares. 
    • Côté RCM, les solutions IA de prévention des rejets et d’optimisation de DRG annoncent des baisses de 30–50% des rejets ICD10, des améliorations de 35% du firstpass yield et des cycles de remboursement raccourcis de 25%, dans des modèles hybrides IA + experts. 
    • En France et en Europe, l’IA s’intègre progressivement dans les outils DIM/PMSI existants (ex. Cod+ autour de PMSI), avec un focus sur le contrôle qualité, le primocodage des séjours simples et le pilotage CMI plutôt que sur l’automatisation totale. 
    • Les DRG nordiques (NordDRG), MSDRG, TwDRG et autres systèmes nationaux deviennent des bancs d’essai pour tester la capacité des LLM à raisonner sur des règles de groupage complexes et multilingues, préparant des cas d’usage plus robustes en tarification et audit. 

    Trois enseignements pour décideurs hospitaliers, DIM et régulateurs

    • Les opportunités les plus concrètes à court terme se situent sur trois segments : assistance au codage sur séjours à faible complexité, contrôle qualité orienté “outliers” et prévention des rejets dans le cycle de facturation, qui combinent ROI rapide, risque clinique limité et pilotage par KPI. 
    • Les principaux risques concernent la dépendance à la qualité des données, la variabilité des performances sur les codes rares et la difficulté à expliquer les décisions des modèles dans un contexte d’audit externe, ce qui impose des cadres de validation continue et de traçabilité. 
    • La question clé devient “où et comment introduire l’IA dans la chaîne PMSI/RCM, avec quels KPI et quelle gouvernance ?”, les établissements les plus avancés étant ceux qui ont défini une feuille de route ciblée, alignée sur leurs enjeux (CMI, trésorerie, qualité). 

    Trois implications business pour industriels 

    • Le marché de l’IA en codage médical croît à deux chiffres, tiré par l’automatisation ICD10 et l’optimisation RCM, avec des perspectives de plusieurs milliards de dollars, au bénéfice des éditeurs combinant NLP clinique, connaissance fine des règles DRG et intégration SI. 
    • Les attentes des hôpitaux convergent sur l’intégration aux outils de codage existants, des preuves de ROI chiffrées (rejets, productivité, CMI) et une documentation solide de la conformité réglementaire ; les discours purement technologiques sont de moins en moins convaincants. 
    • Des “trous de marché” subsistent pour les établissements de taille intermédiaire, les contextes DRG nationaux moins couverts et les outils de benchmarking/audit IA pour régulateurs et payeurs. 

    Comment cette analyse permet de passer à l’action

    Cette analyse fournit une base structurée pour se situer par rapport aux cas d’usage existants et définir une trajectoire réaliste. Pour un établissement, elle permet de : 

    • Cartographier son niveau de maturité (structuration des données, pratiques de codage, intégration RCM) par rapport aux expériences internationales. 
    • Identifier les cas d’usage IA les plus pertinents à court terme (productivité du codage, qualité PMSI, réduction des rejets) et les KPI associés (temps de codage, “dischargednotfinalbilled”, CMI, taux de rejets). 
    • Structurer un cadrage de projet (gouvernance, trajectoire d’acceptabilité, protocole d’évaluation) pouvant être approfondi avec des experts pour l’adapter à un contexte local spécifique et aux benchmarks internationaux. 

    L’intelligence artificielle commence à transformer en profondeur le codage médicoadministratif et le revenue cycle management, mais avec des maturités très hétérogènes selon les pays, les types d’IA et les cas d’usage. Les premiers résultats quantifiés montrent des gains réels en productivité de codage, en qualité DRG et en performance financière, au prix de nouveaux risques sur la robustesse, l’explicabilité et la dépendance aux données. 

    Le codage médicoadministratif et le groupage DRG conditionnent directement les flux financiers hospitaliers et une partie de la mesure de performance clinique, alors que ces processus restent largement manuels et coûteux en ressources humaines spécialisées. La complexité croissante des nomenclatures (ICD10, CIM10 FR, ICD10CM, CCAM, etc.) et des règles de groupage PMSI/DRG accentue le risque d’erreurs, de souscodage et de variabilité intercodeurs, avec des impacts sur le CMI, les rejets payeurs et la trésorerie. 

    L’IA – en particulier les approches NLP et les LLM adaptés au langage clinique – apporte désormais des performances suffisantes pour automatiser une partie du codage ou assister fortement les équipes DIM, tout en détectant des anomalies et opportunités d’optimisation dans les trajectoires de soins. Pourtant, la diffusion reste limitée par des enjeux d’acceptabilité, de conformité, d’intégration dans les SI hospitaliers et de modèle économique, surtout dans les contextes régulés comme la France ou les pays nordiques. Ce décalage entre potentiel technique et adoption opérationnelle justifie une analyse structurée, orientée sur les cas d’usage réellement déployés depuis 2023. 

    Retrouver la liste des articles ici :

    Cartographie des cas d’usage IA en codage médical : benchmark international – Health & tech

    France : PMSI, DIM et premiers déploiements IA – Health & tech

    Éclairage terrain d’un DIM de Centre Hospitalier – Health & tech

    RETEX Établissement : Centre Hospitalier de Troyes – Health & tech

    Quels KPI suivre pour piloter un projet IA de codage/RCM ? – Health & tech

    Codage médical par IA : 5 solutions en France – Health & tech

  • Cartographier pour agir : Chiffres, données de marché, acteurs, cas d’usage et solutions du numérique pour les maladies rares

    Insights :

    • Le premier AMI de l’association Radar pour l’IA en santé a reçu 12 candidatures et en a retenu 4 (dont AXIA, AIDY, MAG4Epirare EDS, AccelRare), ciblant explicitement la réduction de l’errance diagnostique dans des pathologies complexes.
    • Le PNMR4 prévoit une application mobile « France Maladies Rares », connectée à la BNDMR, pour permettre aux patients de contrôler leurs données, leurs consentements et de contribuer par des questionnaires et retours d’expérience.
    • AccelRare permet aux médecins de premier recours de suspecter 270 maladies rares avec traitement ou prise en charge en 5 à 10 minutes, et améliore la performance diagnostique des professionnels de 47% à 73%.
    • La Plateforme Maladies Rares, hébergée à l’hôpital Broussais, joue un rôle de hub unique en Europe en combinant plaidoyer patient (Alliance Maladies Rares, Eurordis), financement (AFM‑Téléthon, Fondation Maladies Rares) et information publique.
    • La cartographie recense 28 solutions d’IA couvrant tout le continuum, de la drug discovery au suivi et à la formation, dans un contexte où environ 3 millions de personnes sont concernées en France et où de nombreuses pathologies présentent un délai moyen de diagnostic de 2–3 ans, pouvant atteindre 5–15 ans.
    • Seule une personne atteinte de maladies rares sur deux dispose d’un diagnostic précis, et pour plus d’un quart des patients le délai diagnostique dépasse cinq ans, générant errance et prises en charge inadaptées.
    • L’enrichissement des bases de données par du texte clinique non structuré augmente de 73,5% le nombre de patients éligibles aux analyses longitudinales et réduit de 30% les erreurs standard dans la modélisation de la progression de certaines maladies rares.

    📌 Maladies rares : 3 millions de patients, 223,5 M€ par an et un tournant numérique structurant

    Les maladies rares touchent près de 3 millions de personnes en France, pour plus de 8 000 pathologies, dont environ 80% d’origine génétique. Seul un patient sur deux bénéficie d’un diagnostic précis et, pour plus d’un quart, le délai dépasse cinq ans, créant une errance diagnostique et des prises en charge inadaptées. Le PNMR4 mobilise 223,5 M€ par an jusqu’en 2030, dont 188,7 M€ pour les centres et filières, et finance la labellisation de 132 nouveaux centres de référence, portant le total à 603. La structuration des données via la BNDMR, Orphanet et les plans nationaux, couplée aux outils numériques (télémédecine, DMP, séquençage génomique), vise à harmoniser les protocoles, mutualiser les cohortes et faire des maladies rares un laboratoire d’innovation pour la médecine de précision.

    👉 Plus de détails sur «Maladies rares : données, numérique et expertise, un changement d’échelle porté par la coopération européenne – Health & tech»

     

    📌 IA et maladies rares : 35 études internationales pour transformer diagnostic, essais et thérapeutiques

    Les maladies rares affectent entre 300 et 400 millions de personnes dans le monde, mais plus de 90% restent sans thérapie efficace, avec de longs délais diagnostiques et des prises en charge limitées. L’article synthétise 35 publications récentes (2024‑2026) issues de grandes institutions européennes, nord‑américaines et asiatiques, couvrant IA pour la découverte de médicaments, le diagnostic précoce, la pharmacovigilance et les technologies de santé numérique. Des approches comme les jumeaux numériques, les modèles génératifs, l’apprentissage fédéré, les algorithmes few‑shot et les frameworks multimodaux montrent des gains d’efficacité, une meilleure précision diagnostique et une optimisation des essais cliniques, tout en restant majoritairement au stade de preuve de concept. L’article met en avant les enjeux de données FAIR, d’équité, de validation clinique robuste et de gouvernance algorithmique pour transformer ces avancées techniques en bénéfices réels pour les patients.

    👉 Plus de détails sur «Intelligence Artificielle et Maladies Rares : Innovations, Défis et Trajectoires de Recherche dans l’Écosystème de Santé Numérique – Health & tech»

     

    📌  223,5 M€ par an et 603 centres : comment le PNMR4 structure la recherche et les données en 2026

    Le PNMR4 2025‑2030 finance 223,5 M€ par an, dont 36 M€ pour 132 nouveaux centres de référence (603 au total) et 188,7 M€ pour les centres et filières, ainsi que des plateformes Outre‑mer, PNDS, ETP et formation. À l’échelle européenne, des programmes comme EU4Health, l’European Joint Programme on Rare Diseases, les ERN ou ERA‑Net E‑Rare structurent des cohortes transnationales, harmonisent les protocoles et soutiennent des bases de données interopérables. L’article insiste sur le rôle stratégique d’infrastructures telles que la BNDMR, Orphanet et les plateformes de génomique pour mutualiser les données, soutenir la médecine de précision et rendre l’IA opérationnelle dans les parcours de soins.

    👉 Plus de détails sur «Maladies rares : dispositifs coordonnés pour soutenir la recherche, structurer les données et accélérer l’usage de l’IA en santé en 2026 – Health & tech»

     

    📌 PNMR4 et France Médecine Génomique : le numérique au cœur des parcours en maladies rares

    Le Plan France Médecine Génomique 2025 et le PNMR4 structurent l’usage du numérique dans les parcours de soins, du diagnostic aux traitements. Des plateformes de séquençage haut débit, appuyées sur des algorithmes d’IA, affinent les diagnostics et orientent vers des thérapies adaptées, tandis que l’IA appliquée à l’imagerie aide à détecter précocement des anomalies rares. Le DMP, les plateformes collaboratives, la télémédecine et la télé‑expertise facilitent la coordination entre spécialistes et réduisent les inégalités territoriales, pendant que la BNDMR centralise les données cliniques pour la recherche et les cohortes. Avec environ 80% des maladies rares d’origine génétique, ces dispositifs en font un terrain privilégié pour la médecine de précision, dont les avancées diffusent ensuite vers des pathologies plus fréquentes.

    👉 Plus de détails sur «PNMR4 : un levier numérique pour structurer les données et les parcours en maladies rares – Health & tech»

     

    📌 🎙️ Application France Maladies Rares : IA, LLM et hub collaboratif au service des 95% de patients sans traitement approuvé

    L’écosystème des maladies rares accélère sa transformation numérique, avec une application France Maladies Rares connectée à la BNDMR et adossée au logiciel BaMaRa pour structurer un set minimal de données standardisé. Dans un contexte où seulement 5% des maladies rares disposent d’un traitement approuvé, l’enjeu se déplace vers le diagnostic, l’orientation et l’accompagnement des 95% restants grâce à des outils d’IA (reconnaissance faciale, scan dentaire) et à des modèles de langage capables de pré-remplir automatiquement les bases à partir de textes libres. Plus d’une centaine d’événements annuels s’appuieront sur un maillage de 23 plateformes d’expertise et de 23 filières pour diffuser l’application, avec des téléphones de démonstration dès le 2ᵉ trimestre afin de tester l’ergonomie en conditions réelles. Pensée comme un hub collaboratif, l’application permettra à l’ensemble des acteurs (associations, professionnels, industriels) de pousser des questionnaires ciblés, dans un cadre éthique et pseudonymisé, pour mieux documenter les parcours et les besoins des personnes concernées.

    👉 Plus de détails sur «« Il aura des téléphones de démonstration [application France Maladies Rares] à partir du 2e trimestre » Victor Hannothiaux, Responsable de l’équipe France Maladies Rares – Health & tech»

    📌🗺️ IA et maladies rares : de Face2Gene à WEST, 14 cas d’usage pour le diagnostic, les essais et la pharmacovigilance

    L’IA améliore le diagnostic (reconnaissance faciale, imagerie, symptom checkers), la conduite des essais cliniques et la pharmacovigilance dans les maladies rares. Des outils comme DeepGestalt/Face2Gene modifient en temps réel les stratégies de tests génétiques, tandis que des symptom checkers optimisés doublent la proportion de cas où la maladie de Fabry est proposée en premier diagnostic (de 17% à 33%). Une revue systématique de 262 essais montre une forte hausse de l’usage des technologies de santé numérique entre 2017‑2020 et 2021‑2024, avec par exemple près de 30% des essais en mucoviscidose intégrant des DHT sur la période récente. L’article met aussi en avant des approches d’IA pour la pharmacovigilance, l’enrichissement de bases de données cliniques (+73,5% de patients éligibles, –30% d’erreur standard) et des frameworks multimodaux ou sécurisés (chiffrement homomorphe) pour un diagnostic plus précoce et plus sûr.

    👉 Plus de détails sur «Maladies rares : 14 cas d’usage d’IA structurés en 6 catégories, du diagnostic génomique au repositionnement thérapeutique – Health & tech»

     

    📌🗺️ Un écosystème de plusieurs milliers d’acteurs pour 3 millions de patients : la galaxie maladies rares en 2026 »

    L’article cartographie un écosystème très dense, associant centres de référence, filières, plateformes de données, associations de patients, industriels, start‑ups d’IA, agences publiques et réseaux européens autour des maladies rares. Il souligne le rôle central de structures comme la Fondation Maladies Rares, EURORDIS‑Rare Diseases Europe, l’ANR, la BNDMR, Orphanet et les ERN pour financer des projets, structurer des registres et porter des standards de données interopérables. La coopération public‑privé et les partenariats internationaux sont mis en avant comme indispensables pour constituer des cohortes suffisamment larges, mutualiser les coûts et partager les expertises dans un contexte de très faible prévalence par pathologie. L’article montre enfin comment cet écosystème interconnecté crée les conditions de diffusion de l’IA, de la génomique et de la médecine de précision, tout en posant des défis de gouvernance, de coordination et d’équité d’accès.

    👉 Plus de détails sur «Maladies rares : un écosystème interconnecté riche de plusieurs milliers d’acteurs – Health & tech»

     

    📌🗺️ 28 solutions d’IA pour les maladies rares : un tableau de bord des usages du diagnostic au suivi

    Ce dernier article se présente comme un dashboard recensant 28 solutions d’intelligence artificielle appliquées aux maladies rares, positionnées selon leurs cas d’usage (diagnostic, triage, imagerie, génomique, essais, suivi, pharmacovigilance). Il met en avant les types d’algorithmes utilisés (deep learning, modèles multimodaux, LLM, jumeaux numériques), les sources de données mobilisées (imagerie, génomique, DSE, registres, capteurs) et le niveau de maturité (preuve de concept, pilote clinique, intégration en routine). Plusieurs solutions ciblent directement la réduction de l’errance diagnostique, la détection de phénotypes rares, le repositionnement de médicaments et l’optimisation des essais dans des indications orphelines. Le tableau de bord illustre la montée en puissance rapide de l’offre, mais aussi la fragmentation des initiatives, la nécessité de cadres d’évaluation harmonisés et l’enjeu d’interopérabilité avec les infrastructures nationales et européennes de données.

    👉 Plus de détails sur «IA : un levier pour 3 millions de patients atteints de maladies rares en France – Health & tech»

     

  • Maladies rares : 14 cas d’usage d’IA structurés en 6 catégories, du diagnostic génomique au repositionnement thérapeutique

    Diagnostic génomique automatisé : réduire le temps d’interprétation

    L’analyse des données issues du séquençage haut débit constitue un point de friction dans le diagnostic des maladies rares. Plusieurs solutions visent à automatiser la priorisation des variants génétiques en les comparant à de larges bases de connaissances et en classant les mutations selon leur probabilité de pathogénicité.

    Des plateformes comme SeqOne Platform, STARVar, Congenica AI ou PhenoTips permettent aux équipes de génétique et de médecine interne de converger plus rapidement vers un diagnostic en réduisant la dépendance à l’expertise manuelle dossier par dossier. Dans la même logique, Emedgene optimise l’interprétation des variants en éliminant les variants bénins et en mettant en avant un ensemble restreint de mutations susceptibles d’expliquer le tableau clinique. L’objectif est d’accélérer la confirmation diagnostique et l’orientation vers une prise en charge adaptée.

    Diagnostic phénotypique par analyse d’images : reconnaître les motifs rares

    L’analyse automatisée de photographies cliniques constitue un second levier pour identifier des syndromes rares à partir de caractéristiques morphologiques.

    À l’Hôpital Necker-Enfants malades, le Projet AIDY assiste le diagnostic du syndrome de Kabuki à partir de séries de photographies standardisées du visage et des oreilles. L’algorithme extrait des motifs morphologiques compatibles, afin d’aider les équipes de génétique et de chirurgie maxillo-faciale à repérer plus précocement certains phénotypes. Une publication dans Nature (28 janvier 2024) documente ces travaux.

    Toujours à Necker, DeepGestalt analyse des photographies faciales pour repérer des motifs dysmorphiques associés à différentes maladies rares et proposer des diagnostics à envisager, notamment lorsque l’expertise en génétique clinique est limitée. Face2Gene (aussi de FDNA) combine analyse d’images et données cliniques pour suggérer une liste de syndromes génétiques compatibles avec le profil du patient et homogénéiser l’évaluation phénotypique.

    Enfin, Belle 1k Skin AI exploite des images prises au smartphone par des soignants de première ligne afin de comparer des lésions cutanées à une base de référence couvrant de nombreuses affections rares ou négligées. L’outil génère des diagnostics possibles et aide à décider d’une orientation spécialisée.

    Repérage automatisé dans les dossiers médicaux : détecter les signaux faibles

    Plusieurs projets exploitent les données structurées et non structurées des dossiers médicaux électroniques pour réduire l’errance diagnostique.

    À l’Hôpital Foch et à Gustave Roussy, des algorithmes comme AccelRare et l’Algorithme Codoc analysent comptes rendus, examens et antécédents pour repérer des combinaisons de signes compatibles avec des maladies rares. Au CHU d’Angers, le Projet AXIA parcourt les entrepôts de données hospitaliers, notamment les notes rédactionnelles et comptes rendus d’urgences, afin d’identifier des signaux compatibles avec l’ataxie de Friedreich ou d’autres pathologies apparentées.

    D’autres solutions, comme FindEHR, Saventic Med Platform ou EDS-NLP, calculent des scores de risque à partir des dossiers médicaux électroniques pour signaler des patients susceptibles de présenter une maladie rare systémique. Une étude sur la détection de la maladie de Fabry à partir des EHR rapporte un AUC de 0,998. Un algorithme a également été développé pour repérer des formes suspectes d’iMCD.

    À l’Hôpital Bichat, le moteur « Patient similaire » rapproche un patient de cas déjà documentés en combinant données textuelles, imagerie et informations génétiques, afin d’affiner le diagnostic et d’identifier des cohortes homogènes pour la recherche clinique.

    Aide à la décision clinique structurée : formaliser le raisonnement

    Certains outils visent à structurer la collecte des symptômes et à générer des hypothèses diagnostiques à partir de questionnaires standardisés.

    Des solutions comme MedVir ou SymptomMatcher recueillent les symptômes via un questionnaire structuré, analysent les réponses et proposent une liste de diagnostics potentiels à explorer dans le contexte des maladies rares. Cette approche standardise la collecte de données cliniques et permet de réévaluer périodiquement les hypothèses diagnostiques.

    Stratification du risque et médecine de précision : personnaliser les décisions

    Au-delà du diagnostic initial, l’IA est mobilisée pour affiner la stratification du risque et orienter les décisions thérapeutiques.

    À l’Hôpital Pitié-Salpêtrière, le Projet CardI-HACK intègre données cardiologiques détaillées et informations génétiques, dont des scores de risque polygénique, afin d’estimer le risque individuel de complications chez des patients atteints de cardiomyopathie hypertrophique. Cette estimation aide à décider d’interventions comme l’implantation d’un défibrillateur et à adapter la fréquence du suivi.

    La solution One Biosciences est déployée à l’Hôpital Tenon, à l’Hôpital Necker-Enfants malades, à l’Hôpital Bicêtre, à l’Hôpital Henri-Mondor et à l’Institut Curie. L’analyse de données single-cell permet de caractériser finement la biologie tumorale ou rénale, notamment dans certaines maladies rares du rein et le glioblastome, afin d’identifier des cibles thérapeutiques et de sélectionner des traitements personnalisés.

    Suivi longitudinal et recherche thérapeutique : monitorer et repositionner

    Le suivi des maladies rares s’appuie également sur des biomarqueurs numériques collectés via applications ou capteurs connectés. MSCopilot analyse ces indicateurs cliniques et fonctionnels pour détecter des variations de l’état du patient, ajuster les traitements et améliorer la qualité des données pour la recherche.

    Dans le champ de la recherche hospitalière, des modèles comme TxGNN, Healnet ou Benevolent Platform explorent des jeux de données pharmacologiques, génomiques et cliniques afin d’identifier des similarités entre mécanismes de maladies rares et pathologies déjà traitées. L’objectif est de suggérer des médicaments existants susceptibles d’être repositionnés et de prioriser des pistes à tester.

    Une structuration progressive des usages hospitaliers

    Ces six catégories, du diagnostic génomique à la recherche thérapeutique, montrent que l’IA ne se limite plus à un outil d’aide ponctuel. Elle s’insère à différentes étapes du parcours, du repérage précoce à la décision thérapeutique et au suivi longitudinal. Si les niveaux de validation scientifique et de déploiement restent variables selon les projets, l’ensemble traduit une transformation progressive des pratiques hospitalières autour de l’exploitation systématique des données cliniques, génomiques et phénotypiques.

    <span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span>

  • Feu vert de la CNIL, Lifen change d’échelle avec son EDS

    Lifen valide son modèle auprès de la CNIL

    Lifen Research a obtenu de la CNIL l’autorisation de créer un Entrepôt de Données de Santé. Cette décision intervient moins de deux ans après le démarrage de ses activités de recherche, marquées par le lancement de quatre cohortes multicentriques, avec 28 établissements partenaires.

    L’autorisation accordée par la CNIL valide la conformité de l’entrepôt de données de santé pour des usages de recherche, notamment sur la finalité scientifique, la sécurité, les droits des personnes et la gouvernance des données. Elle sécurise juridiquement les projets en IA appliqués à l’innovation thérapeutique et aux parcours de soins, après plusieurs mois de coordination entre les équipes internes. L’autorisation accordée résulte d’un travail engagé avec la CNIL depuis 2023.

    Valoriser les premières cohortes au-delà de leur projet initial

    L’autorisation délivrée par la CNIL répond à une demande des établissements partenaires, à savoir pouvoir valoriser les données constituées dans le cadre des premières cohortes au-delà des projets initiaux. Le nouvel EDS doit ainsi fournir :

    • Un cadre technique et réglementaire sécurisé pour la réutilisation régulière des données issues des cohortes existantes.
    • La possibilité d’accélérer le lancement de nouveaux projets de recherche, d’étude ou d’évaluation en santé.
    • Un dispositif renforçant les droits des patients et la transparence, conformément au référentiel EDS de la CNIL.

    L’enjeu consiste à transformer des bases constituées pour des projets ciblés en infrastructures susceptibles de soutenir plusieurs dizaines de travaux ultérieurs.

    Lifen se positionne en appui des entrepôts hospitaliers existants

    Lifen précise que son entrepôt s’inscrit en complément des EDS hospitaliers, publics comme privés. Les établissements partenaires conservent la maîtrise de leurs données. Chaque projet de réutilisation devra obtenir l’accord des établissements concernés, ainsi que la validation des comités scientifiques et éthiques compétents, dans le respect des droits des patients.

    Une base réutilisable pour industrialiser la recherche en IA

    Lifen pose les bases d’une infrastructure de recherche réutilisable. Ce passage du “projet” à l’“infrastructure” change l’échelle. Les données constituées pour des études précises deviennent un socle capable d’alimenter de nouveaux travaux, avec un gain décisif en rapidité d’exécution. Sur le plan technologique, la validation scientifique crédibilise sa capacité à exploiter des données cliniques complexes à grande échelle. L’automatisation réduit les coûts, améliore la qualité des données et rend possible une montée en puissance industrielle des projets en IA.

    Au-delà de la performance technique, l’enjeu est aussi démonstratif : Montrer qu’il est possible de mener des travaux scientifiques d’IA en conservant les standards stricts.

  • Marché de la prévention : la France à la croisée des chemins

    Insights :

    • Le marché mondial de la médecine préventive, estimé à 409,4 milliards USD en 2024, devrait quasiment doubler d’ici 2034 avec une croissance annuelle moyenne de 8,74%, alors que l’Europe ne consacre que 3% de ses dépenses de santé à la prévention.
    • ICOPE Monitor a été utilisé chez 75 667 individus (âge moyen 74 ans), générant 126 277 évaluations « step 1 » et un suivi pour 50 606 personnes, avec seulement 14% présentant une capacité intrinsèque intacte.
    • Les Parcours Longévité montrent qu’un check‑up ponctuel peut être transformé en parcours d’un an ou plus avec évaluation, interventions ciblées et suivi, ouvrant des modèles d’abonnements pour entreprises, assureurs et seniors.
    • Quinze solutions numériques de longévité utilisées en France sont recensées, couvrant la fragilité (ICOPE Monitor), la marche (a‑gO), la santé cardio‑vasculaire (Body Scan, ScanWatch, pOpmètre), la cognition (Five Lives) et les bilans 3.0 (Zoī, Kor, Genio, DeHealth, etc.).
    • Seules 6 de ces 15 solutions sont marquées CE, soit environ un tiers, ce qui limite aujourd’hui le nombre d’outils disposant de garanties cliniques et réglementaires robustes.

    📌Longévité en France : jusqu’à 11 ans de vie gagnés sans maladie et un marché préventif à 800 Md USD

    En 2024, à 65 ans, les Français vivent en moyenne 10,5 ans sans incapacité pour les hommes et 11,8 ans pour les femmes, soit environ la moitié des années restantes vécues en bonne santé, avec un ralentissement de la progression depuis 2019. La France se classe 3ᵉ en Europe pour l’espérance de vie sans incapacité à 65 ans chez les femmes et 7ᵉ chez les hommes, mais seulement 9ᵉ et 11ᵉ à la naissance. Une combinaison de quatre à cinq facteurs de mode de vie favorables apporte jusqu’à 11 années supplémentaires sans cancer, maladies cardiovasculaires ni diabète chez les femmes et 7 ans chez les hommes à partir de 50 ans. Parallèlement, le marché mondial de la médecine préventive, évalué à 409,4 milliards USD en 2024, devrait quasiment doubler d’ici 2034, malgré le fait que l’Europe ne consacre encore qu’environ 3% de ses dépenses de santé à la prévention.

    👉 Plus de détails sur «Vieillir en bonne santé, un marché qui change d’échelle – Health & tech »

     

    📌 Biomarqueurs numériques : de l’index inflammatoire aux jumeaux numériques pour prédire la longévité

    Les biomarqueurs numériques combinent signaux biologiques, données de wearables et scores fonctionnels pour mesurer la longévité en santé, du Longevity‑Inflammation Index (0–100) aux trajectoires d’Intrinsic Capacity. Le L‑II agrège huit composantes (dont hs‑CRP, IL‑6, TNF‑α, HOMA‑IR, ratio TG/HDL) avec 20% de poids pour la CRP, et des régimes méditerranéens réduisent le hs‑CRP de 18 à 32%, augmentent la diversité microbienne de 6 à 28% et abaissent la mortalité de 23% sur 25 ans. ICOPE Monitor a suivi 75 667 personnes (126 277 évaluations) et montre que seulement 14% ont une capacité intrinsèque intacte, plus de 30% des troubles mnésiques et près de 28% des difficultés de mobilité, transformant ces scores en marqueurs précoces de fragilité. Les horloges biologiques IA, les digital twins et les environnements immersifs complètent ces approches en reliant réduction du stress, modulation immunitaire et prédiction de l’âge biologique, tout en posant des enjeux de validation, d’équité d’accès et de gouvernance des données.

    👉 Plus de détails sur «Biomarqueurs numériques de la longévité : architectures prédictives pour une santé durable – Health & tech»

    📌 Longévité en France : un écosystème encore fragmenté ».

    Les hommes passent en moyenne 17 ans et les femmes près de 21 ans en mauvaise santé en fin de vie, tandis que l’offre de longévité se disperse entre bilans premium, parcours territoriaux et projets hospitalo‑universitaires sans cadre commun. Les Parcours Longévité montrent qu’un check‑up peut devenir un suivi d’un an ou plus avec interventions ciblées, ouvrant des modèles d’abonnements pour entreprises, assureurs et seniors fondés sur la réduction des coûts hospitaliers. Les bilans premium et les jumeaux numériques créent un segment haut de gamme médicalisé permettant de fortes marges et la valorisation de la donnée via scoring de risque, plateformes SaaS et partenariats industriels. Mais la concentration de ces offres dans les grandes métropoles, les risques de surdiagnostic, le flou réglementaire et l’absence de standards nationaux font peser une menace de prévention à deux vitesses si la régulation, l’éthique et le partage de la valeur ne sont pas structurés rapidement.

    👉 Plus de détails sur «De la niche premium au pilier du système de santé : l’avenir de la longévité en France – Health & tech»

     

    📌Solutions numériques de longévité : 15 outils en France, seulement 6 marqués CE

    Les mutuelles passent d’une logique de remboursement à la modélisation du « capital santé » en s’appuyant sur des outils capables d’estimer l’âge biologique à partir de constantes physiologiques, de la marche, de l’imagerie et de la génétique. Quinze solutions sont recensées, de l’évaluation de la fragilité (ICOPE Monitor, a‑gO) et du risque de démence (Five Lives) au suivi cardio‑métabolique à domicile (Withings Body Scan, ScanWatch, pOpmètre) et aux bilans 3.0 intégrant génétique, épigénétique et Web3 (Zoī, Kor, Genio, DeHealth). Seules 6 solutions sur 15 sont marquées CE, avec 5 dispositifs de classe II (Diabeloop IIb, Cibiltech, BioSerenity, fonctions ECG/SpO2 de Withings en IIa) et plusieurs logiciels de classe I comme ICOPE Monitor, a‑gO et Five Lives. Le reste relève de services ou de « bien‑être », posant un enjeu majeur de distinction entre gadgets et dispositifs médicaux validés pour sécuriser les données, fiabiliser les mesures et guider les investissements des payeurs.

    👉 Plus de détails sur «Longévité : seulement un tiers des solutions numériques utilisées en France sont marquées CE – Health & tech»

  • Données de vie réelle : Lifen structure un nouveau standard pour la recherche clinique en oncologie

    Quand la donnée hospitalière devient un actif scientifique structuré

    Lancée fin 2023 par Lifen et Gustave Roussy, la cohorte LUCC (Large & Unified Cancer Cohort) s’impose rapidement comme un socle de référence sur le cancer du poumon. En moins de deux ans, plus de 15 000 patients ont été inclus, grâce à un réseau de 28 établissements publics et privés. Ce rythme d’extension est révélateur d’un besoin longtemps resté insatisfait : disposer de bases de données cliniques multicentriques, homogènes et exploitables, sans faire reposer l’effort sur des collectes manuelles lourdes et peu reproductibles.

    La singularité de LUCC ne tient pas tant à son volume qu’à sa méthode. En s’appuyant sur Lifen DataLab, la plateforme automatise la structuration des données issues des comptes rendus médicaux, cœur informationnel encore largement sous-exploité des systèmes hospitaliers. Là où la recherche clinique traditionnelle peine à capter la complexité des trajectoires de soins, LUCC permet d’analyser profils de patients, pratiques réelles et efficacité des traitements à une échelle difficilement atteignable jusqu’ici.

    Une validation scientifique qui dépasse le cadre technologique :

    La publication, fin 2025, d’une étude issue de LUCC dans Annals of Oncology, présentée à l’ESMO, marque un tournant. Elle ne valide pas seulement la performance d’un algorithme, mais un modèle méthodologique. Les résultats montrent un taux d’erreurs deux fois inférieur à celui des collectes manuelles, et surtout une réduction significative de l’hétérogénéité inter-centres, un point critique pour toute recherche multicentrique.

    Les résultats de l’étude démontrent que :

    • L’IA seule surpasse systématiquement l’approche manuelle sur chacune des 31 variables cliniques étudiées et pour chacun des 10 centres participants ;
    • L’IA seule réduit notamment de moitié les erreurs par rapport à la saisie manuelle (taux d’erreur de 7,0% pour l’IA contre 14,2% pour la méthode manuelle). Étant dans le cadre d’une étude rétrospective, la vérification humaine par un ARC superviseur n’a pas été faite ;
    • L’IA réduit la variabilité entre centres participants par rapport à la structuration manuelle. Cela signifie qu’elle est capable de mieux systématiser la façon dont les données sont collectées et permet de répondre à l’enjeu d’homogénéité des données dans les études multicentriques ;
    • Et surtout, la méthode hybride IA/expertise humaine va encore plus loin : elle combine l’extraction par l’IA avec une révision manuelle ciblée par l’IA sur les 30 % des cas qu’elle juge les plus incertains, ce qui fait chuter le taux d’erreur à 4,4 %, tout en conservant une vitesse de traitement quatre fois supérieure à l’analyse strictement manuelle.

    Ce que cette étude met donc en lumière, c’est la pertinence d’un modèle hybride : automatisation par l’IA, combinée à une relecture humaine ciblée. Autrement dit, une IA pensée comme un outil d’industrialisation de la donnée clinique, et non comme un substitut à l’expertise médicale. Cette approche répond à une tension bien connue du champ : produire vite, à grande échelle, sans sacrifier la qualité scientifique ni la reproductibilité.

    Annonce du projet ALK-IA, avec Takeda et Heva 

    L’intérêt de LUCC ne se limite pas à la recherche académique. Le projet ALK-IA, mené avec Takeda Oncology et Heva, illustre le passage de la donnée structurée à l’impact clinique. En s’intéressant aux patients atteints de cancers bronchiques non à petites cellules ALK+, une population rare et spécifique, l’étude exploite la cohorte pour évaluer en vie réelle l’efficacité des inhibiteurs d’ALK et les schémas thérapeutiques associés.

    Ici, la valeur ajoutée tient à l’articulation des sources : données hospitalières structurées par IA, expertise d’analyse médico-économique, et chaînage avec le SNDS. Ce type de dispositif ouvre la voie à une compréhension longitudinale des parcours de soins, bien au-delà du cadre hospitalier, et répond directement aux attentes actuelles des industriels, des autorités de santé et des cliniciens en matière de preuves en conditions réelles.

    Vers un nouveau cadre de production de la preuve en oncologie :

    Au-delà de LUCC et d’ALK-IA, Lifen pose les jalons d’un modèle extensible. Des travaux sont déjà engagés en oncologie pédiatrique et dans le cancer de la prostate, avec le soutien de partenaires institutionnels comme la Filière intelligence artificielle & cancers (Fiac). Cette dynamique traduit une évolution plus large : la donnée de vie réelle n’est plus seulement un complément aux essais cliniques, mais devient un pilier structurant de la recherche et de l’évaluation en santé.

    L’enjeu est désormais moins technologique que systémique. Gouvernance des données, acceptabilité réglementaire, confiance des établissements et des patients, capacité à maintenir la qualité dans le temps : c’est sur ces dimensions que se jouera la généralisation de ce modèle. En ce sens, l’expérience de Lifen apporte un retour terrain précieux sur ce que peut être une recherche clinique réellement ancrée dans les pratiques de soin.

    Une inflexion stratégique pour l’écosystème santé

    Ce bilan met en évidence un glissement stratégique : la donnée hospitalière, longtemps perçue comme un sous-produit du soin, devient un actif scientifique à part entière, dès lors qu’elle est structurée, sécurisée et gouvernée. En s’inscrivant dans ce mouvement, Lifen contribue à faire émerger un cadre méthodologique capable de concilier exigences réglementaires, robustesse scientifique et rapidité d’exploitation.

    À l’heure où la recherche clinique est confrontée à des délais, des coûts et des contraintes de plus en plus élevés, ce type d’approche pourrait bien redessiner les équilibres entre essais traditionnels et données de vie réelle, non pas en opposition, mais en complémentarité structurée.

  • Suisse : un jeu de données clinique fédéré pour soutenir la recherche en santé

    Grâce à la publication de métadonnées standardisées, chercheurs et cliniciens peuvent désormais identifier précisément quelles données cliniques existent en Suisse et selon quelles modalités y accéder, sans transfert de données individuelles et dans un cadre strict de protection de la vie privée.

    Le Swiss Personalized Health Network (SPHN) annonce la mise à disposition de descriptions standardisées (des métadonnées) pour son Federated Clinical Routine Dataset. Cela represente un corpus couvrant plus de 800 000 patients et plusieurs milliards de données cliniques harmonisées et issues de la pratique de soins courante.

    L’enjeu n’est pas l’ouverture brute des données, mais la possibilité, pour les acteurs de la recherche et de l’innovation, de savoir quelles données existent, où elles se trouvent et dans quelles conditions elles peuvent être mobilisées.

    Le Swiss Personalized Health Network est une infrastructure nationale placée sous la responsabilité de la Swiss Academy of Medical Sciences, en collaboration avec le Swiss Institute of Bioinformatics.
    Son principe repose sur une architecture fédérée : les données au niveau patient restent stockées au sein de chaque hôpital, sans centralisation, tandis que leurs descriptions sont partagées au niveau national.

    Un jeu de données clinique de grande ampleur

    Au 31 décembre 2025, le SPHN Federated Clinical Routine Dataset comprenait :

    • Plus de 800 000 patients ayant consenti à la réutilisation de leurs données à des fins de recherche.
    • 6 hôpitaux universitaires : Bâle, Berne, Genève, Lausanne et Zurich (hôpitaux adultes et pédiatriques).
    • 12,5 milliards de points de données sémantiquement harmonisés couvrant :
      • Données démographiques.
      • Diagnostics et procédures.
      • Médicaments.
      • Examens de laboratoire, dont la microbiologie.
      • Constantes vitales et scores cliniques.
      • Allergies.
      • Données de soins intensifs et d’oncologie.
      • Echantillons biologiques.

    Toutes les données et métadonnées respectent les principes FAIR (Findable, Accessible, Interoperable, Reusable) et sont alignées avec des standards internationaux, dont l’European Health Data Space (EHDS). Les établissements participants convertissent leurs données cliniques selon les schémas SPHN et des terminologies internationales, puis transmettent les métadonnées correspondantes au catalogue central du réseau.

    Ce catalogue de métadonnées SPHN est accessible en ligne : chercheurs, cliniciens et acteurs de l’innovation peuvent y explorer les types de données disponibles en Suisse et obtenir des informations sur les procédures d’accès à des fins de recherche, sans exposition directe des données sensibles.

  • Télémédecine : entre promesse d’accès et fracture numérique

    Insights: 

    • En France, 29% des Français ont déjà eu recours à la téléconsultation, mais celle‑ci ne représente encore qu’environ 4% de l’ensemble des consultations médicales, soit 1,2 million d’actes par mois et 69 millions entre 2020 et 2024 (1,7 Md€ remboursés).

     

    • Les usages sont très concentrés : la téléconsultation pèse 7% de l’activité en psychiatrie, 6% en endocrinologie, 3% en gynécologie mais seulement 2–2,3% en médecine générale, confirmant un positionnement surtout sur le suivi et non sur l’examen initial.

     

    • L’outil accroît aujourd’hui les inégalités : les habitants de villes de plus de 50 000 habitants utilisent six fois plus la télémédecine que les ruraux, alors même que 87% du territoire est en « désertification médicale ».

     

    •  À Toulouse, la téléconsultation pré‑anesthésique permet d’éviter 46 000 km de déplacements pour 331 patients, soit 40 102 € d’économies pour eux et 2 737 € pour l’Assurance Maladie, autour de 130 € par patient, sans dégradation des résultats cliniques ni de la satisfaction (9/10 dans les deux groupes).

     

    •  L’Estonie illustre le modèle le plus abouti : 100% des patients ayant consulté disposent d’un dossier électronique, 95% des données médicales sont numérisées, 2,7 millions de requêtes patients sont enregistrées par mois pour un coût initial d’environ 7,50 € par citoyen.

     

    📌« Téléconsultation en France : 69 millions d’actes, mais seulement 4% des consultations »

    En 2025, 29% des Français ont déjà téléconsulté, mais la téléconsultation ne représente encore qu’environ 4% des consultations médicales, soit 1,2 million d’actes par mois et 69 millions entre 2020 et 2024 pour 1,7 milliard d’euros remboursés. Les usages sont concentrés sur quelques spécialités (7% de l’activité en psychiatrie, 6% en endocrinologie, 3% en gynécologie, 2,3% en médecine générale) et restent très marqués socialement et géographiquement, les urbains des villes de plus de 50 000 habitants l’utilisant six fois plus que les ruraux. La fracture numérique exclut près de 16 millions de Français et plus de 500 communes en zones blanches, limitant l’impact en termes d’accès dans les territoires sous-dotés. Enfin, la part des téléconsultations réalisées par des médecins libéraux est passée de 96% à 55% entre 2020 et 2024, tandis que les sociétés de téléconsultation sont montées à 40%, révélant un modèle économique libéral fragilisé à 25 € l’acte.

    👉 Plus de détails sur «Téléconsultation : une innovation entrée dans les pratiques, encore loin de tenir toutes ses promesses – Health & tech»

     

    📌Téléconsultation : acceptabilité >80%, 130 € économisés par patient et −29 kg CO₂ par acte

    Les études coréenne, espagnole et française montrent une acceptabilité élevée de la télémédecine, avec plus de 80% de répondants prêts à l’utiliser, des WTU/WTP particulièrement fortes en psychiatrie (WTU 64,5%, WTP 27%) et une intention d’usage expliquant 60,7% de la variance de l’utilisation effective en Espagne. À Toulouse, 331 des 401 patients (82,5%) ont bénéficié d’une téléconsultation préanesthésique, générant 46 000 km évités, 40 102 € d’économies pour les patients et 2 737 € pour l’Assurance Maladie, soit environ 130 € d’économie globale par patient. L’empreinte carbone est réduite de 9 688 kg CO₂eq, soit 29,3 kg CO₂eq évités par patient, avec une baisse d’environ 99% des émissions liées à la consultation par rapport au présentiel. La revue SWOT met en parallèle ces bénéfices de coûts/temps et d’environnement avec des limites liées à l’absence d’examen physique (+15% d’erreurs diagnostiques en dermatologie), aux problèmes de connectivité et aux tensions organisationnelles et rémunératoires.

    👉 Plus de détails sur «Téléconsultation : la valeur économique est avérée dans les parcours programmés et à faible risque (revue de littérature) – Health & tech»

     

    📌Start-up de télémédecine : 34 M€ levés en 2025 

    En 2025, cinq start-up françaises de télémédecine ont levé 34 M€ : 3 M€ pour Ensweet, 2 M€ pour CardiaMetrics, 14 M€ pour RDS, 5 M€ pour Ad Scientiam et 10 M€ plus un marché public régional pour Rofim. Ensweet vise 60 000 patients par an à cinq ans dans la téléréadaptation cardiaque, alors que plus de 70% des 100 000 victimes annuelles d’accident cardiaque n’ont aujourd’hui accès à aucun programme, et a déjà montré qu’un patient sur deux n’aurait pas été réadapté sans ce modèle. RDS se positionne sur un marché mondial du monitorage des signes vitaux estimé à 15 milliards de dollars en 2025, avec une croissance annuelle de 15%, tandis que CardiaMetrics cible l’insuffisance cardiaque, première cause d’hospitalisation après 65 ans en France pour plus de 70 000 décès annuels. Rofim équipe déjà plus de 1 700 établissements et 70 000 professionnels et devient l’éditeur de la plateforme régionale TéléO en Occitanie, tandis qu’Ad Scientiam étend ses biomarqueurs digitaux au-delà de la sclérose en plaques grâce à un apport de 5 M€.

    👉 Plus de détails sur «34 millions d’euros et un marché public pour la télémédecine en 2025 – Health & tech»

     

    📌Télémédecine mondiale : 60% des pays déploient sans évaluation, 4,4 Md$ remboursés aux États-Unis

    L’analyse de 32 systèmes de santé montre que plus de 60% des pays déploient la télémédecine sans évaluation systématique, alors que seulement 37% des États de la région OMS/Europe mesurent vraiment leurs programmes, créant des zones d’ombre sur la sécurité, le coût‑efficacité et l’équité. Les pays leaders combinent une infrastructure numérique unifiée et un remboursement équivalent au présentiel : l’Estonie a 100% de dossiers patients numérisés, 95% de données médicales digitalisées et un coût de lancement de 7,50 € par citoyen, tandis que les États‑Unis ont versé 4,4 Md$ de remboursements Medicare avec 50% de cas de patients connus en 2025. L’Australie atteint 22,5% de population utilisatrice, 1,4 million d’appels au 1800MEDICARE dont 73% de consultations virtuelles, et investit 350,9 M AUD dans My Health Record plus 1,4 Md AUD dans 137 Urgent Care Clinics. À l’inverse, les économies à revenu faible ou intermédiaire (Bangladesh, Inde, pays africains) restent freinées par des infrastructures fragiles, une faible littératie numérique et l’absence de cadre réglementaire contraignant, malgré des initiatives comme les 500 000 téléconsultations de l’ISRO en Inde sur 20 ans.

    👉 Plus de détails sur «Télémédecine : 60% des pays déploient sans évaluation systématique, selon une analyse de 32 systèmes de santé – Health & tech »

     

    📌Assises de la télémédecine : 14 millions de téléconsultations, mais une dynamique en perte de vitesse 

    En 2025, la France enregistre environ 14 millions de téléconsultations, en dessous du pic de 17 millions de 2020, avec néanmoins plus de 17 000 médecins généralistes utilisateurs chaque mois (près d’un sur trois) et 270 000 actes de téléexpertise annuels, dont 60% réalisés par des libéraux. Les données confirment une hausse de près de 20% des téléconsultations en 2024 (13,9 millions d’actes), mais une diffusion très inégale : 55% des actes sont encore réalisés par des libéraux, tandis que les sociétés de téléconsultation atteignent 40%, avec seulement environ 2% de l’activité clinique des généralistes concernés. Les ateliers régionaux des Assises (sept thématiques, de la téléconsultation assistée aux publics vulnérables) ont mis en avant la nécessité de parcours hybrides, d’un fort accompagnement humain, de référentiels qualité/formation et d’une clarification du financement. Ils débouchent sur six grands axes de recommandations : simplifier les outils, renforcer la médiation, ancrer la télémédecine dans les organisations territoriales, garantir la qualité, clarifier la facturation et cibler les territoires sous-dotés pour réduire les inégalités d’accès.

    👉 Plus de détails sur «Assises : une télémédecine installée mais une dynamique ralentie – Health & tech»

     

    📌Téléconsultation 2026 : agrément STLC, IA Act et prix à 25 € refaçonnent le marché

    Entre 2024 et 2026, la fin de la période transitoire a imposé un agrément ministériel aux sociétés de téléconsultation, excluant du remboursement les plateformes n’ayant pas validé leurs nouveaux statuts éthiques et leur solidité technique, tandis que l’absence d’intégration à Mon Espace Santé ou à l’ordonnance numérique devient éliminatoire. Un paradoxe tarifaire est assumé : la consultation présentielle a été revalorisée à 30 € fin 2024, tandis que la téléconsultation reste à 25 €, même si la Convention médicale 2024‑2029 a levé le quota de 20% d’activité à distance pour la patientèle propre afin de favoriser le suivi hybride. La nouvelle feuille de route nationale privilégie la téléconsultation assistée en pharmacies ou cabines, encadre les lieux d’implantation, bloque automatiquement les arrêts de travail de plus de trois jours via des logiciels certifiés et revalorise la téléexpertise à 23 € pour soutenir des relais de croissance plus vertueux. À l’échelle européenne, l’EHDS et l’IA Act classent la plupart des modules d’IA de triage et d’aide au diagnostic en « haut risque », imposant transparence, traçabilité, supervision humaine et adoption de formats comme EEHRxF et MyHealth@EU, faisant de la conformité réglementaire le nouveau moteur de compétitivité internationale.

    👉 Plus de détails sur «Régulation de la téléconsultation en 2026 : le défi de la maturité industrielle et souveraine – Health & tech »

  • Point‑of‑Care Testing : croissance mondiale, pression réglementaire et nouveaux modèles de valeur pour la santé

    Insights: 

    • En Europe, le marché POCT est estimé à 21,63 milliards USD en 2024, avec un TCAC de 9,3% projeté jusqu’en 2032.
    • L’Île‑de‑France concentre la plus grande part du marché POCT français, créant un contraste marqué avec les zones rurales qui restent sous‑équipées.
    • BioMérieux a acquis SpinChip Diagnostics pour 138 M€ en 2025, renforçant sa position en POCT cardiovasculaire.
    • Thermo Fisher a racheté Mesa Biotech pour 550 M USD afin de sécuriser une plateforme PCR POC respiratoire en 30 minutes.
    • Des CNN atteignent 95% de sensibilité pour le paludisme en Afrique subsaharienne, tout en réduisant de 40% les abus d’antibiotiques via DSS temps réel.
    • L’IA permet une réduction jusqu’à 20% des erreurs diagnostiques et automatise des blocs opératoires avec des gains de marge de –3,8 à +2,3%.
    • L’EHDS, adopté en 2025, impose l’interopérabilité (LOINC, FHIR) et encadre la réutilisation secondaire des données POCT jusqu’en 2029.
    • La HAS rappelle que la biologie délocalisée doit rester sous responsabilité de biologistes, dans le cadre ISO 15189:2022, avec traçabilité et qualité alignées sur le laboratoire.
    • Les audits COFRAC 2025 montrent encore 25% de non‑conformités sur les sites POCT, mais certains centres pilotes atteignent 98% de conformité grâce au middleware IA, à l’e‑learning et aux capteurs auto‑calibrants.
    • L’essai SUPOC (AP‑HP) montre une réduction d’environ 50 minutes du délai de rendu des résultats aux urgences pour un surcoût moyen de 4,70 € par patient, avec une meilleure satisfaction.
    • Les POCT aux urgences réduisent la durée moyenne de séjour d’environ 30%, générant 500–1 000 € d’économies par patient, soit près de 200 M€/an pour un CHU moyen

    📌 POCT en France : un marché à plusieurs centaines de millions d’euros, en croissance de 8,4% par an jusqu’en 2026

    Le marché français des tests POCT progresse de 8,4% par an entre 2019 et 2026 et atteindra plusieurs centaines de millions d’euros en 2026, avec une dynamique portée au-delà de 2030. Les segments dominants sont la glycémie, les maladies infectieuses et le cardiométabolique, tandis que le diagnostic rapide et le diagnostic du cancer figurent parmi les marchés les plus dynamiques. Roche détient 19% du marché POCT mondial en 2023, Abbott 17%, et l’Île-de-France concentre la plus grande part du marché national, avec de fortes disparités vis‑à‑vis des zones rurales. En Europe, le marché POCT atteint 21,63 milliards USD en 2024, avec un TCAC de 9,3% projeté jusqu’en 2032, stimulé par les tests infectieux, les biopsies liquides et l’IA appliquée à l’oncologie

    👉 Plus de détails sur «POCT en France : +8,4 % de croissance annuelle entre 2019 et 2026 – Health & tech»

    📌 IA et POCT : 53 milliards USD en 2024 et des performances labo‑équivalentes (sensibilité 95%, AUC jusqu’à 0,97

    Le marché mondial des POCT est estimé à 53 milliards de dollars en 2024, avec un quasi‑doublement attendu d’ici 2033, tiré par les tests infectieux et l’intégration de l’IA. Les études phares montrent des CNN à 95% de sensibilité pour le paludisme, une réduction de 40% des abus antibiotiques, et des outils portables détectant l’anémie avec 94% de précision en quelques heures. D’autres travaux rapportent des AUC entre 0,90 et 0,97 en imagerie cardiaque, des limites de détection à 3 pg/mL pour des biomarqueurs de sepsis ou de COVID, et des AUC de 0,94–0,97 pour la prédiction de résistances de N. gonorrhoeae sur 3 786 isolats. L’ensemble converge vers des standards de performance « labo‑délocalisés », avec une obligation de validation sous IVDR, CLIA, FDA et OMS et une intégration croissante dans des écosystèmes numériques (EHR, NLP, learning health systems).

    👉 Plus de détails sur «L’IA au cœur du POCT : 95 % de sensibilité pour le paludisme, AUC 0,97 pour les résistances antibiotiques, un marché doublé d’ici 2033 – Health & tech»

     

    📌  IVDR, AI Act et EHDS : un marché POCT européen à 19,3 milliards USD en 2033 sous fortes contraintes réglementaires

    L’article décrit le basculement des tests rapides sous IVDR, avec obligation de système qualité pour tous les IVD « legacy » au 26 mai 2025 et des délais prolongés mais conditionnels jusqu’en 2027 pour certaines classes. Les dispositifs POCT intégrant de l’IA sont classés systèmes à haut risque au titre de l’AI Act 2024/1689, soumis à des exigences accrues de gouvernance de données et de transparence, tandis que l’EHDS, adopté en 2025, structure la circulation et la réutilisation des données de santé jusqu’en 2029. En France, l’extension des TROD angine et cystite en officine, rémunérés 10 à 15 € TTC par acte, s’accompagne de formations obligatoires (jusqu’à 5 heures) et d’un encadrement strict par la HAS et les biologistes, sous norme ISO 15189:2022. Le marché européen du POCT est estimé à environ 8,4 milliards USD en 2024, projeté à 19,3 milliards USD en 2033, avec un segment moléculaire à 1,43 milliard USD en 2024 (CAGR 7,5%), mais la diffusion reste conditionnée à la compliance réglementaire, à la traçabilité et à la capacité des acteurs à s’inscrire dans des écosystèmes data‑driven.

    👉 Plus de détails sur «Biologie de proximité, TROD et diagnostics rapides : les nouvelles lignes rouges réglementaires du point-of-care – Health & tech»

     

    📌🗺️Diagnostics POC : de 44,7 à 87,9 milliards USD (2025–2035), vers des modèles “device + data + service

    Le marché mondial des diagnostics POC est évalué à 44,7 milliards de dollars en 2025 et devrait atteindre 87,9 milliards de dollars en 2035, avec une croissance annuelle d’environ 7% portée par les maladies chroniques et la décentralisation des soins. Le cœur du modèle industriel reste le schéma « razor & blades » (plateformes + consommables), mais évolue vers des offres intégrées combinant dispositif, données et services (SaaS, dashboards populationnels, paiements à la performance). En France, les GHS, la NABM et la LPPR financent encore mal les usages near‑patient, rendant clé la démonstration d’un ROI organisationnel (par exemple –50 minutes de délai de rendu et surcoût de 4,70 € par patient dans l’étude SUPOC) et l’utilisation d’outils comme l’article 51 pour des modèles partagés de valeur. En ville, la rémunération des TROD (10–15 €) et l’absence de codes dédiés pour de nombreux POCT limitent l’adoption, tandis qu’au domicile, des dispositifs comme CoaguChek ou les programmes type Di@pason illustrent des modèles hybrides combinant LPPR, forfaits de parcours et biologie délocalisée.

    👉 Plus de détails sur «POC : un marché à 87,9 milliards de dollars en 2035, quels modèles économiques et remboursements pour une santé near patient ? – Health & tech»

    📌🗺️Médecine Point Of Care : un marché concentré dominé par quatre acteurs mondiaux et tiré par 68 000 établissements équipés en 2024

    Entre 2020 et 2024, le nombre d’établissements ayant déployé des programmes POCT est passé de 42 000 à 68 000, sur fond de TCAC mondial de 7,33% prévu sur 2025‑2033. L’Amérique du Nord conserve 39,66% de parts de marché en 2026, l’Europe 14,08 milliards USD en 2024, avec 537 millions de diabétiques comme moteur de demande et des consommables représentant 65,55% du marché (12,8 milliards USD pour les bandelettes de glucose, 8,4 milliards pour les immunoessais à flux latéral). Le marché est fortement concentré : Abbott détient 23,18% des parts, Roche 15,93%, Danaher 11,23% et Siemens Healthineers 10,28%, soit 60,62% à eux quatre, complétés par des acteurs comme bioMérieux, BD, QIAGEN ou Werfen. L’article souligne aussi l’intense dynamique de M&A (Mesa Biotech à 550 M USD, SpinChip à 138 M EUR, 67 dispositifs POCT approuvés FDA en 2024) et identifie sept grands leviers de croissance (télémédecine, RAM, Asie‑Pacifique, médecine personnalisée, préparation pandémique, multiplexing, VBHC) contre huit barrières structurelles (qualité, IVDR, coûts frontaux, formation, interopérabilité, cybersécurité, culture, équité mondiale).

    👉 Plus de détails sur «Médecine Point Of Care : perspectives stratégiques pour les décideurs de santé – Health & tech»

    📌🗺️Solutions POCT en 2026 : 500 M€ en France, TAT de 1 à 30 minutes et –30% de durée de séjour

    Le panorama 2026 couvre bandelettes simples (résultat en <1 minute pour diabète ou INR), portables multi‑chimie à 2 minutes pour les urgences, stations fixes gaz/électrolytes en 5–10 minutes pour réanimation, et tests immunologiques ou moléculaires donnant un résultat en 15–30 minutes pour infections et sepsis. Les études (SUPOC, méta‑analyses sepsis, données SFMU) montrent une réduction de 9 minutes du TAT aux urgences, –12% d’hospitalisations inappropriées, –20% d’évacuations inutiles en contexte COVID, –15% de mortalité sepsis et –25% de transferts évitables en Ehpad, avec des flux hospitaliers accélérés de 15%. Économiquement, le coût par test est de 4–7 € contre 2 € en laboratoire central, mais le ROI se traduit par –30% de durée de séjour (500–1 000 € d’économies par patient, 200 M€/an pour un CHU moyen) et un marché français estimé à 500 M€ en 2025 (+12% en 2026), pour 4 Md€ en Europe. Les défis restent importants (20–30% d’erreurs pré‑analytiques, 15% de variabilité inter‑opérateurs, 25% de non‑conformités COFRAC en 2025), mais des solutions comme le middleware IA, l’e‑learning HAS et les capteurs auto‑calibrants permettent d’atteindre jusqu’à 98% de conformité dans les sites les plus matures

    👉 Plus de détails sur «Solutions POCT : une palette technologique du simple test à la biologie moléculaire – Health & tech »

  • Les cas d’usage du jumeau numérique en santé : de la cardiologie à la planification chirurgicale

    Les jumeaux numériques en santé passent progressivement du stade du concept technologique à celui du déploiement clinique tangible. Ces répliques virtuelles dynamiques de patients ou d’organes permettent aujourd’hui de prédire des évolutions pathologiques, d’optimiser des stratégies thérapeutiques et même de transformer la manière dont les essais cliniques sont menés. Loin des promesses générales, c’est à travers des cas d’usage concrets, secteur par secteur, que se révèle le potentiel médical réel de cette innovation.

    La cardiologie : la maturité clinique d’une IA de prédiction

    C’est en cardiologie que le jumeau numérique affiche aujourd’hui ses résultats les plus tangibles, avec des déploiements opérationnels dans plus de 200 hôpitaux en Europe et aux États-Unis.

    La prédiction de la mort cardiaque subite constitue le cas d’usage phare. inHEART, startup française fondée en 2016, crée des jumeaux numériques du cœur à partir d’électrocardiogrammes et d’imagerie cardiaque. Ces algorithmes analysent la structure du myocarde, les patterns électriques du cœur et les dynamiques de flux sanguin pour identifier les patients à risque de mort cardiaque subite – une pathologie qui tue plus de 800 000 personnes chaque année dans le monde. inHEART a obtenu le marquage CE classe II et l’agrément FDA 510(k), preuve de validation réglementaire rigoureuse. Ce cas d’usage ne se cantonne pas au diagnostic rétroactif : le jumeau prédit l’évolution de la pathologie et simule virtuellement différentes stratégies thérapeutiques avant leur administration au patient.​

    La planification de la chirurgie cardiaque pédiatrique représente un deuxième cas majeur. En analysant l’anatomie tridimensionnelle complexe du cœur d’un enfant atteint d’une malformation congénitale, le jumeau numérique permet au chirurgien de tester virtuellement différentes approches opératoires, d’anticiper les complications potentielles et d’affiner son geste avant d’entrer au bloc opératoire. Cette simulation réduit tangiblement le risque chirurgical et améliore les résultats fonctionnels à long terme pour des jeunes patients.

    L’analyse de la microcirculation rétinienne ouvre un troisième axe prometteur et plus préventif. En examinant les vaisseaux sanguins minuscules à l’arrière de l’œil via imagerie spécialisée, le jumeau numérique révèle des signaux d’alerte précoces de maladies cérébrales ou cardiovasculaires futures. C’est une forme de prédiction discrète mais puissante : lire dans les yeux ce que le cœur et le cerveau pourraient devenir, avant même l’apparition de symptômes cliniques.

    La neurologie : diagnostiquer avant les symptômes

    En neurologie, les jumeaux numériques promettent de transformer deux paradigmes majeurs : identifier précocement les maladies dégénératives et localiser précisément les zones pathologiques dans les épilepsies pharmacorésistantes.

    Pour l’épilepsie pharmacorésistante, les équipes de l’Inserm développent des jumeaux numériques du cerveau qui intègrent données d’électroencéphalographie profonde et imagerie cérébrale haute résolution. L’objectif : localiser avec précision la zone épileptogène responsable des crises, que les méthodes conventionnelles ne détectent pas toujours. Une fois cette zone identifiée en silico, le jumeau simule l’impact de différentes stratégies d’intervention – chirurgie de la région épileptogène, neurostimulation profonde, ou encore pharmacothérapie optimisée. Cette simulation virtuelle permet aux neurologues et neurochirurgiens de prendre des décisions plus éclairées et moins invasives.​

    Pour la maladie d’Alzheimer, Qairnel, spin-off créée en 2024 par l’Institut du Cerveau, développe une approche novatrice. Le cas d’usage ici consiste à prédire la trajectoire de déclin cognitif chez des patients initialement asymptomatiques. En superposant données de tests cognitifs, d’imagerie cérébrale et de biomarqueurs biologiques, le jumeau numérique permet d’identifier les individus à très haut risque de conversion vers la démence – et ce, des années avant l’apparition de troubles cliniques manifestes. Cette détection précoce ouvre la voie à des interventions préventives, encore rares en neurologie, offrant une fenêtre thérapeutique cruciale avant l’accumulation de dégâts neuronaux irréversibles.​

    L’oncologie : adapter le traitement au profil unique de la tumeur

    En oncologie, le jumeau numérique répond à une question clinique fondamentale : quel traitement sera efficace pour ce patient avec cette tumeur ?

    L’organoïde tumoral virtuel constitue une approche révolutionnaire. Au lieu de tester empiriquement plusieurs combinaisons de chimiothérapie ou thérapies ciblées sur le patient, les équipes du consortium MEDITWIN créent d’abord une miniature tridimensionnelle virtuelle de la tumeur du patient, enrichie de son profil génomique complet (mutations, amplifications, délétions). Le jumeau numérique simule alors l’efficacité de différentes combinaisons de traitements in silico, prédisant laquelle sera la plus efficace sans toxicité excessive. C’est une forme de pharmacogénomique précise, adaptée non seulement à la génétique du patient, mais à la génétique de sa tumeur.

    La planification chirurgicale hépatique représente un second cas d’usage en oncologie. Chez un patient atteint de cancer colorectal avec métastases hépatiques, le chirurgien doit décider : dois-je résécaher une portion du foie, ou recourir à l’ablation par radiofréquence ? La réponse dépend de facteurs anatomiques complexes – localisation des métastases, proximity aux gros vaisseaux, quantité de foie sain résiduel nécessaire pour maintenir la fonction. Le jumeau numérique du foie du patient permet de tester virtuellement les deux options, d’évaluer quelle portion serait préservée et donc quelle approche maximise à la fois l’efficacité oncologique et la préservation fonctionnelle hépatique.

    La chirurgie rachidienne : une nouvelle frontière en biomécanique

    La colonne vertébrale représente un nouveau domaine d’application pour les jumeaux numériques, jusque-là peu explorés en clinique.

    SILVER SPINE, développée par la startup SKAIROS et lauréate du concours i-Nov 2024 (France 2030), crée des jumeaux numériques de la colonne vertébrale pour la planification chirurgicale des pathologies dégénératives de l’adulte. Contrairement aux approches antérieures basées sur l’imagerie statique, ce jumeau repose sur des modèles en éléments finis personnalisés, tenant compte à la fois de l’alignement spinale du patient et de critères biomécaniques complexes (charges répétées, mobilité segmentaire, forces de torsion).​

    Le cas d’usage s’articule autour de deux applications. D’abord, l’aide à la conception d’implants innovants : les industriels peuvent tester virtuellement comment un nouvel implant interagira avec la géométrie spécifique d’une colonne vertébrale donnée, simulant usure, subsidence (enfoncement dans les vertèbres adjacentes), ou défaut de fusion. Ensuite, la planification chirurgicale individualisée : le chirurgien teste différentes stratégies de fusion – uni ou multiétagée, approche antérieure ou postérieure, choix d’implant – pour optimiser stabilité et mobilité résiduelle de manière personnalisée. Avec une prévalence du mal de dos touchant jusqu’à 80% des personnes à un moment de leur vie, ce cas d’usage adresse un besoin clinique massif.

    L’organisation hospitalière : optimiser blocs et flux

    Au-delà du patient individuel, le jumeau numérique transforme l’organisation même de l’établissement de soins.

    À la Clinique Mutualiste de Saint-Étienne, en partenariat avec l’École des Mines, deux approches complémentaires sont déployées pour optimiser le bloc opératoire. Le premier jumeau modélise l’organisation du bloc – salles, équipes, profils patients, chronologies opératoires – et simule en temps réel l’impact des aléas : une intervention prend deux fois plus longtemps que prévu, ou une urgence s’ajoute au programme. Quels en sont les ripple effects ? Quels sont les temps d’attente inévitables pour les interventions suivantes ? Le jumeau répond à ces questions, permettant aux gestionnaires de réoptimiser allocation des ressources, planning des salles et staffing infirmier.​

    Le second jumeau accompagne le parcours patient personnalisé – consultations préopératoires, durée d’induction anesthésique, temps de réveil estimé, risques de complication post-opératoire, durée probable d’hospitalisation. En prédisant ces variables, l’établissement peut planifier l’affectation des lits, anticiper les besoins en personnel infirmier de réanimation et organiser le retour à domicile de manière fluide. À une époque où les lits d’hospitalisation sont une ressource rare et coûteuse, cette optimisation génère des économies substantielles sans compromettre la qualité des soins.

    Les essais cliniques : réinventer la recherche médicale

    L’un des cas d’usage les plus transformatifs concerne les essais cliniques eux-mêmes.

    Unlearn.AI, startup californienne, a obtenu la qualification de l’Agence Européenne du Médicament (EMA) pour sa méthode PROCOVA™, qui utilise des jumeaux numériques de patients pour augmenter la puissance statistique des phases 2 et 3 d’essais cliniques. Le principe est élégant et révolutionnaire : au lieu de recruter un groupe contrôle de 500 patients, le jumeau numérique « génère » virtuellement ce que serait devenu un patient dans le bras contrôle, basé sur des patterns d’évolution naturelle appris à partir de données historiques massives.​

    Concrètement, cette approche réduit la taille des cohortes de contrôle de 25% ou plus, sans sacrifier la puissance statistique ni introduire de biais. Les gains sont multiples : accélération de la recherche, réduction des coûts d’essai, et plus important encore, réduction de l’exposition inutile de patients à des traitements potentiellement inefficaces. C’est une mutation majeure : transformer des essais cliniques basés sur le recrutement massif vers des essais plus intelligents et éthiques, où chaque patient recruté a une probabilité maximale de bénéficier du traitement investigué.

    Du concept à l’implémentation clinique

    Les cas d’usage du jumeau numérique en santé ne sont plus des promesses : ils sont en cours de déploiement dans des hôpitaux, des sociétés savantes et des essais cliniques réels. De la prédiction du risque cardiovasculaire aux simulations oncologiques, de la localisation des foyers épileptiques à l’optimisation des blocs opératoires, le jumeau numérique révèle son potentiel à chaque étape du parcours de soins.

    Le consortium MEDITWIN porte 17 cas d’usage majeurs sur trois aires thérapeutiques ; inHEART déploie déjà ses jumeaux du cœur dans 200+ établissements ; SILVER SPINE promet une révolution en chirurgie spinale ; Unlearn.AI transforme les essais cliniques eux-mêmes. Ces applications concrètes, incarnées dans des startups, des IHUs et des hôpitaux, attestent que l’innovation a franchi le seuil du laboratoire vers la clinique.

    Reste à généraliser, à valider sur des cohortes plus larges, à documenter les économies réelles et les améliorations de résultats patients. Mais la trajectoire est claire : le jumeau numérique n’est plus une technologie émergente, c’est une innovation en déploiement.